CN112116433A - 订单归因方法及装置 - Google Patents
订单归因方法及装置 Download PDFInfo
- Publication number
- CN112116433A CN112116433A CN202011061192.9A CN202011061192A CN112116433A CN 112116433 A CN112116433 A CN 112116433A CN 202011061192 A CN202011061192 A CN 202011061192A CN 112116433 A CN112116433 A CN 112116433A
- Authority
- CN
- China
- Prior art keywords
- order
- characteristic
- causal
- causal relationship
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000001364 causal effect Effects 0.000 claims abstract description 255
- 238000001514 detection method Methods 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000010586 diagram Methods 0.000 claims abstract description 30
- 238000004891 communication Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 230000009471 action Effects 0.000 description 58
- 230000000875 corresponding effect Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 5
- 230000008092 positive effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 102000003712 Complement factor B Human genes 0.000 description 1
- 108090000056 Complement factor B Proteins 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种订单归因方法及装置,方法包括:收集订单指标以及与订单事务具有关联关系的多个特征因子对应的数据;将任意两两特征因子间建立虚拟因果关系,以及建立特征因子与订单指标间虚拟因果关系,得到因果关系图;对因果关系图进行因果检测处理,得到包含特征因子以及订单指标间实际因果关系的因果关系图;根据因果关系图,得到订单指标的特征因子路径。通过将与订单事务具有关联关系的多个特征因子两两建立虚拟因果关系,构建得到订单指标的因果关系图。通过对因果关系图的因果检测处理,可以清楚地确定与订单指标相关的各个特征因子的实际因果关系,从而明确的得到影响订单指标的整个特征因子路径。
Description
技术领域
本发明实施例涉及互联网技术领域,具体涉及一种订单归因方法及装置。
背景技术
订单归因用于分析影响结果的各种因子,追溯结果发生的原因。订单归因一般采用因果检验方式来判断各个订单指标与可能影响订单指标的各个特征因子间是否存在直接的因果关系,存在因果关系的特征因子影响了订单指标的变化。
但这种方式无法确定特征因子的影响链路,即无法确定直接与订单指标具有因果关系的特征因子本身还受到其它特征因子的影响,多个特征因子都会最终影响到订单指标。仅根据与订单指标存在直接因果关系的特征因子来进行订单归因分析,影响订单归因分析的完整性、准确性。
发明内容
鉴于上述问题,提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的订单归因方法及装置。
根据本发明实施例的一个方面,提供了一种订单归因方法,其包括:
收集订单指标以及与订单事务具有关联关系的多个特征因子的数据;
将任意两两特征因子间建立虚拟因果关系,以及建立特征因子与订单指标间虚拟因果关系,得到因果关系图;
根据订单指标及各个特征因子的数据对因果关系图进行因果检测处理,得到包含特征因子以及订单指标间实际因果关系的因果关系图;
根据因果关系图,得到订单指标的特征因子路径。
可选地,收集订单指标以及与订单事务具有关联关系的多个特征因子的数据进一步包括:
收集预设时间内订单事务处理流程中包含的各个特征因子的数据、订单事务关联的各数据表中包含的各个的特征因子的数据、和/或,订单事务处理逻辑包含的各个特征因子的数据。
可选地,方法还包括:
对多个特征因子的数据进行筛选处理;其中,筛选处理包括计算数据的离散系数,去除离散系数低于预设系数阈值的数据和/或去除数据影响因子低于预设因子阈值的数据。
可选地,根据订单指标及各个特征因子的数据对因果关系图进行因果检测处理,得到包含特征因子以及订单指标间实际因果关系的因果关系图进一步包括:
根据订单指标及各个特征因子的数据利用预设检测因果模型对因果关系图进行因果检测,判断两两特征因子间的虚拟因果关系是否存在实际单边因果关系;
若否,则去除特征因子间的虚拟因果关系。
可选地,根据订单指标及各个特征因子的数据对因果关系图进行因果检测处理,得到包含特征因子以及订单指标间实际因果关系的因果关系图进一步包括:
基于预设因果检测规则对因果关系图进行因果检测;其中,预设因果检测规则包括:根据特征因子和/或的独立属性,去除两两独立属性的特征因子间的虚拟因果关系;和/或,根据特征因子的范围属性,去除两两范围属性不重合的特征因子间的虚拟因果关系。
可选地,在根据订单指标及各个特征因子的数据对因果关系图进行因果检测处理,得到包含特征因子以及订单指标间实际因果关系的因果关系图之后,方法还包括:
根据因果关系图确定特征因子在因果关系图中的重要度;其中,重要度与特征因子的单边实际因果关系指向数量相关。
可选地,根据因果关系图,得到订单指标的特征因子路径进一步包括:
根据因果关系图,统计预设时间内因果关系图中特征因子路径出现次数最多的路径为订单指标的特征因子路径。
可选地,方法还包括:
根据特征因子的数据计算预设时间各特征因子的作用值;作用值包括正作用值和负作用值;
累计各特征因子的作用值以及订单指标的数据均值,得到特征因子路径对订单指标的作用值。
可选地,方法还包括:
计算得到第一预设时间范围的特征因子路径对订单指标的作用值;
利用第一预设时间范围的订单指标的数据均值,计算得到第二预设时间范围的特征因子路径对订单指标的作用值;
比较第一预设时间范围的特征因子路径对订单指标的作用值与第二预设时间范围的特征因子路径对订单指标的作用值,得到第二预设时间范围的作用订单指标波动的特征因子。
根据本发明实施例的另一方面,提供了一种订单归因装置,其包括:
收集模块,适于收集订单指标以及与订单事务具有关联关系的多个特征因子的数据;
关系模块,适于将任意两两特征因子间建立虚拟因果关系,以及建立特征因子与订单指标间虚拟因果关系,得到因果关系图;
检测模块,适于根据订单指标及各个特征因子的数据对因果关系图进行因果检测处理,得到包含特征因子以及订单指标间实际因果关系的因果关系图;
路径模块,适于根据因果关系图,得到订单指标的特征因子路径。
可选地,收集模块进一步适于:
收集预设时间内订单事务处理流程中包含的各个特征因子的数据、订单事务关联的各数据表中包含的各个的特征因子的数据、和/或,订单事务处理逻辑包含的各个特征因子的数据。
可选地,装置还包括:
筛选模块,适于对多个特征因子的数据进行筛选处理;其中,筛选处理包括计算数据的离散系数,去除离散系数低于预设系数阈值的数据和/或去除数据影响因子低于预设因子阈值的数据。
可选地,检测模块进一步适于:
根据订单指标及各个特征因子的数据利用预设检测因果模型对因果关系图进行因果检测,判断两两特征因子间的虚拟因果关系是否存在实际单边因果关系;
若否,则去除特征因子间的虚拟因果关系。
可选地,检测模块进一步适于:
基于预设因果检测规则对因果关系图进行因果检测;其中,预设因果检测规则包括:根据特征因子和/或的独立属性,去除两两独立属性的特征因子间的虚拟因果关系;和/或,根据特征因子的范围属性,去除两两范围属性不重合的特征因子间的虚拟因果关系。
可选地,装置还包括:
确定模块,适于根据因果关系图确定特征因子在因果关系图中的重要度;其中,重要度与特征因子的单边实际因果关系指向数量相关。
可选地,路径模块进一步适于:
根据因果关系图,统计预设时间内因果关系图中特征因子路径出现次数最多的路径为订单指标的特征因子路径。
可选地,装置还包括:
计算模块,适于根据特征因子的数据计算预设时间各特征因子的作用值;作用值包括正作用值和负作用值;累计各特征因子的作用值以及订单指标的数据均值,得到特征因子路径对订单指标的作用值。
可选地,装置还包括:
比较模块,适于计算得到第一预设时间范围的特征因子路径对订单指标的作用值;利用第一预设时间范围的订单指标的数据均值,计算得到第二预设时间范围的特征因子路径对订单指标的作用值;比较第一预设时间范围的特征因子路径对订单指标的作用值与第二预设时间范围的特征因子路径对订单指标的作用值,得到第二预设时间范围的作用订单指标波动的特征因子。
根据本发明实施例的又一方面,提供了一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述订单归因方法对应的操作。
根据本发明实施例的再一方面,提供了一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上述订单归因方法对应的操作。
根据本发明实施例的提供的订单归因方法及装置,收集订单指标以及与订单事务具有关联关系的多个特征因子对应的数据;将任意两两特征因子间建立虚拟因果关系,以及建立特征因子与订单指标间虚拟因果关系,得到因果关系图;对因果关系图进行因果检测处理,得到包含特征因子以及订单指标间实际因果关系的因果关系图;根据因果关系图,得到订单指标的特征因子路径。通过将与订单事务具有关联关系的多个特征因子两两建立虚拟因果关系,构建得到订单指标的因果关系图。通过对因果关系图的因果检测处理,可以清楚地确定与订单指标相关的各个特征因子的实际因果关系,从而明确的得到影响订单指标的整个特征因子路径。根据特征因子路径,实现了将特征因子与订单指标间的关系从较大范围的关联关系明确为指向性的因果关系,更方便对订单指标进行归因。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明实施例的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明实施例的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了根据本发明一个实施例的订单归因方法的流程图;
图2示出了根据本发明一个实施例的因果关系图的示意图;
图3示出了根据本发明另一个实施例的订单归因方法的流程图;
图4示出了根据本发明一个实施例的订单归因装置的结构示意图;
图5示出了根据本发明一个实施例的一种计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了根据本发明一个实施例的订单归因方法的流程图,如图1所示,该方法包括如下步骤:
步骤101,收集订单指标以及与订单事务具有关联关系的多个特征因子的数据。
本发明实施例以订单指标为归因对象,根据订单指标进行归因分析,确定影响订单指标的各个特征因子。对订单指标进行归因分析,需要根据订单指标对应的数据以及特征因子的数据,基于数据变化趋势,从而归因分析得到影响订单指标的各个特征因子。
各个特征因子为与订单事务具有关联关系的多个特征因子。订单事务即生成订单指标相关的事务。本发明实施例从订单事务出发,基于订单事务的整体流程来收集订单指标以及多个特征因子的数据,收集到的多个特征因子的数据覆盖生成订单指标的整个处理流程。
在收集数据时,优选地收集预设时间内的订单指标以及多个特征因子的数据,以便基于预设时间可以量化地分析影响订单指标数据变化的特征因子,避免数据量过少分析不准确等问题。预设时间可以根据实施情况设置,如一个月、一周等。具体的,收集预设时间内订单事务处理流程中包含的各个特征因子的数据、订单事务关联的各数据表中包含的各个特征因子的数据、以及,订单事务处理逻辑包含的各个特征因子的数据等。
步骤S102,将任意两两特征因子间建立虚拟因果关系,以及建立特征因子与订单指标间虚拟因果关系,得到因果关系图。
对收集到的多个特征因子的数据,其可能相互间存在因果关系,但收集数据时无法直接获取到因果关系。而对于各自独立的特征因子无法直接确定与订单指标的因果关系,因此,本实施对任意两两特征因子间都建立虚拟因果关系,并建立特征因子与订单指标间的虚拟因果关系,得到的因果关系图中构建了特征因子间的相互关系,使收集到的原本各自独立的特征因子具有了相互的虚拟因果关系,方便基于建立的因果关系来进行过滤、筛选得到实际因果关系,从而得到订单指标的特征因子路径。
此处,暂不考虑特征因子间是否存在实际因果关系,其目的在于将特征因子相互关联,以便根据相互关联的特征因子来确定特征因子间的实际因果关系。
步骤S103,根据订单指标及各个特征因子的数据对因果关系图进行因果检测处理,得到包含特征因子以及订单指标间实际因果关系的因果关系图。
在得到因果关系图后,需要进一步对其中特征因子间的虚拟因果关系进行因果检测,以去除其中非真实存在的虚拟因果关系。
因果检测处理具体包括:如根据订单指标及各个特征因子的数据,利用预设检测因果模型对因果关系图进行因果检测,判断两两特征因子间的虚拟因果关系是否存在实际单边因果关系;若不存在,则说明该两两特征因子间不存在实际因果关系,需要去除该两两特征因子间的虚拟因果关系。预设检测因果模型可以采用如格兰杰因果检测模型进行因果检测,以确定特征因子间是否因数据变化相互影响而存在的实际单边因果关系。或者,还可以根据预设因果检测规则对因果关系图进行因果检测。预设因果检测规则根据具体实施情况设置,如根据特征因子的独立属性,两两特征因子均为具有独立属性的特征因子,则相互独立的两两特征因子间应不存在实际因果关系,去除两两独立属性的特征因子间的虚拟因果关系;或者,根据特征因子的范围属性,如a特征因子的范围属性为A,b特征因子的范围属性为B,两个特征因子的范围属性不同,相互间不会影响,需要去除两两范围属性不重合的特征因子间的虚拟因果关系等。
进一步,对于特征因子和订单指标间的虚拟因果关系的因果检测处理,也可以通过预设检测因果模型检测特征因子和订单指标间的虚拟因果关系,去除特征因子和订单指标间非实际存在的虚拟因果关系。如预设检测因果模型检测订单指标与特征因子间的虚拟因果关系不存在实际单边因果关系。
通过以上因果检测处理,去除特征因子间非实际存在的虚拟因果关系,得到包含特征因子以及订单指标间实际因果关系的因果关系图。因果关系图可以如图2所示,如ord_num所在点为订单指标,其它各点代表与订单指标相关的特征因子,如e_subside_amt、d_shop_cnt等为与订单指标相关的特征因子的名称,根据因果检测处理,得到特征因子以及订单指标间实际因果关系。(其它各点的名称均为举例说明,具体根据实施情况确定其它各点的名称,此处不做限定),不同点间存在单向箭头,代表实际单边因果关系。通过因果关系图可以清楚地了解到特征因子间以及特征因子与订单指标间的实际因果关系。以上为举例说明,因果关系图的表现形式根据具体实施情况设置,此处不做限定。进一步,因果关系图可以根据获取的预设时间内特征因子的不同时间的数据,得到不同时间对应的多张因果关系图。
步骤S104,根据因果关系图,得到订单指标的特征因子路径。
根据包含特征因子以及订单指标间实际因果关系的因果关系图,可以得到一条或多条到达订单指标的特征因子路径。当存在多条到达订单指标的特征因子路径时,如图2所示,存在多条指向订单指标的特征因子路径,可以统计预设时间内多张因果关系图中各特征因子路径的出现次数,如统计一周内多张因果关系图中各个特征因子路径出现的次数,选取出现次数最多的路径为订单指标的特征因子路径,用于对订单指标进行归因分析,查看影响订单指标的各特征因子。
根据本发明实施例提供的订单归因方法,收集订单指标以及与订单事务具有关联关系的多个特征因子对应的数据;将任意两两特征因子间建立虚拟因果关系,以及建立特征因子与订单指标间虚拟因果关系,得到因果关系图;对因果关系图进行因果检测处理,得到包含特征因子以及订单指标间实际因果关系的因果关系图;根据因果关系图,得到订单指标的特征因子路径。通过将与订单事务具有关联关系的多个特征因子两两建立虚拟因果关系,构建得到订单指标的因果关系图。通过对因果关系图的因果检测处理,可以清楚地确定与订单指标相关的各个特征因子的实际因果关系,从而明确的得到影响订单指标的整个特征因子路径。根据特征因子路径,实现了将特征因子与订单指标间的关系从较大范围的关联关系明确为指向性的因果关系,更方便对订单指标进行归因。
图3示出了根据本发明一个实施例的订单归因方法的流程图,如图3所示,该方法包括以下步骤:
步骤S301,收集订单指标以及与订单事务具有关联关系的多个特征因子的数据。
收集预设时间内订单指标以及与订单事务具有关联关系的各个特征因子的数据,以便基于预设时间内的各数据,整体进行订单指标归因分析。
步骤S302,对多个特征因子的数据进行筛选处理。
对于多个特征因子的数据,还需要进行筛选处理,如计算各个数据的离散系数,离散系统越低说明数据波动性越小,去除离散系数低于预设系数阈值的数据,以防止数据波动过小对订单指标的归因分析不利。或者,去除数据影响因子低于预设因子阈值的数据,如数据为极端数据,极少情况下才出现的数据,这种数据影响因子较低,不适用于订单指标的归因分析。以配送订单为例,恶劣天气数据在天气数据中占比小于0.01,该数据对订单指标的归因分析影响较小。
步骤S303,将任意两两特征因子间建立虚拟因果关系,以及建立特征因子与订单指标间虚拟因果关系,得到因果关系图。
步骤S304,根据订单指标及各个特征因子的数据对因果关系图进行因果检测处理,得到包含特征因子以及订单指标间实际因果关系的因果关系图。
步骤S305,根据因果关系图,得到订单指标的特征因子路径。
以上步骤参照图1实施例中步骤S102-S104的描述,在此不再赘述。
步骤S306,根据因果关系图确定特征因子在因果关系图中的重要度。
根据因果关系图中实际单边因果关系,还可以确定各个特征因子在因果关系图中的重要度大小。重要度与特征因子的单边实际因果关系指向数量相关。具体的,根据因果关系图中各个特征因子的实际因果关系进行统计,统计各个特征因子单边实际因果关系的指向数量。当特征因子的单边实际因果关系指向其它特征因子的数量越多,而自身被指向的数量越少时,说明该特征因子影响较多的其它特征因子,而被较少的其它特征因子影响,该特征因子的重要度越大,该特征因子对订单指标的影响越大。
步骤S307,根据特征因子的数据计算预设时间各特征因子的作用值。
根据特征因子的数据,利用预测算法定量的去计算预设时间内各特征因子对订单指标的作用值。作用值包括正作用值和负作用值。具体的,可以采用如shap算法,根据预设时间的各个特征因子的数据及订单指标数据,来计算各特征因子的作用值。当特征因子的作用值大于0时,作用值为正作用值,说明特征因子对订单指标起到正向的提升作用;当特征因子的作用值小于0时,作用值为负作用值,说明特征因子对订单指标起到负向的降低作用。
步骤S308,累计各特征因子的作用值以及订单指标的数据均值,得到特征因子路径对订单指标的作用值。
在计算得到各特征因子的作用值后,将各特征因子的作用值进行累计,并加上所有特征因子的作用均值,从而得到特征因子路径对订单指标的作用值。具体可以采用shap算法,利用公式:yi=ybase+f(xi,1)+f(xi,2)+f(xi,3)……+f(xi,j)来计算。其中,f(xi,j)为预设时间中收集的某一时间点i的各个特征因子1,特征因子2,特征因子3……特征因子j的数据的作用值,ybase为预设时间中收集的订单指标的数据均值,yi为预设时间中收集的某一时间i的特征因子数据对应的特征因子路径对订单指标的作用值。
根据f(xi,j)的大小确定各特征因子对订单指标的具体作用值大小,根据公式确定特征因子路径对订单指标的具体作用值。
进一步,基于上述公式,还可以计算比较不同预设时间范围内各特征因子对订单指标的影响,确定不同预设时间范围时,具体影响订单指标的特征因子。如第一预设时间范围为30天,第二预设时间范围为7天。先根据上述公式计算得到第一预设时间范围的特征因子路径对订单指标的作用值。在计算第二预设时间范围的特征因子路径对订单指标的作用值时,使用的ybase为第一预设时间范围的订单指标的数据均值,计算得到第二预设时间范围的特征因子路径对订单指标的作用值,比较第一预设时间范围的特征因子路径对订单指标的作用值与第二预设时间范围的特征因子路径对订单指标的作用值,对于不同时间范围内订单指标发生的波动,得到第二预设时间范围的作用订单指标波动的特征因子。
根据本发明实施例提供的订单归因方法,从因果关系图中分析得到特征因子对订单指标的重要度大小,可以明确影响订单指标的重要的特征因子。进一步,可以计算得到各个特征因子对订单指标的具体作用值,确定特征因子对订单指标的正向或反向作用值。还可以通过不同预设时间范围的特征因子对订单指标的作用值,找到引起订单指标波动的特征因子。
图4示出了本发明实施例提供的订单归因装置的结构示意图。如图4所示,该装置包括:
收集模块410适于:收集订单指标以及与订单事务具有关联关系的多个特征因子的数据;
关系模块420适于:将任意两两特征因子间建立虚拟因果关系,以及建立特征因子与订单指标间虚拟因果关系,得到因果关系图;
检测模块430适于:根据订单指标及各个特征因子的数据对因果关系图进行因果检测处理,得到包含特征因子以及订单指标间实际因果关系的因果关系图;
路径模块440适于:根据因果关系图,得到订单指标的特征因子路径。
可选地,收集模块410进一步适于:收集预设时间内订单事务处理流程中包含的各个特征因子的数据、订单事务关联的各数据表中包含的各个的特征因子的数据、和/或,订单事务处理逻辑包含的各个特征因子的数据。
可选地,装置还包括:筛选模块450。
筛选模块450适于:对多个特征因子的数据进行筛选处理;其中,筛选处理包括计算数据的离散系数,去除离散系数低于预设系数阈值的数据和/或去除数据影响因子低于预设因子阈值的数据。
可选地,检测模块430进一步适于:根据订单指标及各个特征因子的数据利用预设检测因果模型对因果关系图进行因果检测,判断两两特征因子间的虚拟因果关系是否存在实际单边因果关系;若否,则去除特征因子间的虚拟因果关系。
可选地,检测模块430进一步适于:基于预设因果检测规则对因果关系图进行因果检测;其中,预设因果检测规则包括:根据特征因子和/或的独立属性,去除两两独立属性的特征因子间的虚拟因果关系;和/或,根据特征因子的范围属性,去除两两范围属性不重合的特征因子间的虚拟因果关系。
可选地,装置还包括:确定模块460。
确定模块460适于:根据因果关系图确定特征因子在因果关系图中的重要度;其中,重要度与特征因子的单边实际因果关系指向数量相关。
可选地,路径模块440进一步适于:根据因果关系图,统计预设时间内因果关系图中特征因子路径出现次数最多的路径为订单指标的特征因子路径。
可选地,装置还包括:计算模块470。
计算模块470适于:根据特征因子的数据计算预设时间各特征因子的作用值;作用值包括正作用值和负作用值;累计各特征因子的作用值以及订单指标的数据均值,得到特征因子路径对订单指标的作用值。
可选地,装置还包括:比较模块480。
比较模块480适于:计算得到第一预设时间范围的特征因子路径对订单指标的作用值;利用第一预设时间范围的订单指标的数据均值,计算得到第二预设时间范围的特征因子路径对订单指标的作用值;比较第一预设时间范围的特征因子路径对订单指标的作用值与第二预设时间范围的特征因子路径对订单指标的作用值,得到第二预设时间范围的作用订单指标波动的特征因子。
以上各模块的描述参照方法实施例中对应的描述,在此不再赘述。
根据本发明实施例提供的订单归因装置,收集订单指标以及与订单事务具有关联关系的多个特征因子对应的数据;将任意两两特征因子间建立虚拟因果关系,以及建立特征因子与订单指标间虚拟因果关系,得到因果关系图;对因果关系图进行因果检测处理,得到包含特征因子以及订单指标间实际因果关系的因果关系图;根据因果关系图,得到订单指标的特征因子路径。通过将与订单事务具有关联关系的多个特征因子两两建立虚拟因果关系,构建得到订单指标的因果关系图。通过对因果关系图的因果检测处理,可以清楚地确定与订单指标相关的各个特征因子的实际因果关系,从而明确的得到影响订单指标的整个特征因子路径。根据特征因子路径,实现了将特征因子与订单指标间的关系从较大范围的关联关系明确为指向性的因果关系,更方便对订单指标进行归因。
本发明实施例还提供了一种非易失性计算机存储介质,计算机存储介质存储有至少一可执行指令,可执行指令可执行上述任意方法实施例中的订单归因方法。
图5示出了根据本发明实施例的一种计算设备的结构示意图,本发明实施例的具体实施例并不对计算设备的具体实现做限定。
如图5所示,该计算设备可以包括:处理器(processor)502、通信接口(CommunicationsInterface)504、存储器(memory)506、以及通信总线508。
其中:
处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。
通信接口504,用于与其它设备比如客户端或其它服务器等的网元通信。
处理器502,用于执行程序510,具体可以执行上述订单归因方法实施例中的相关步骤。
具体地,程序510可以包括程序代码,该程序代码包括计算机操作指令。
处理器502可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecificIntegratedCircuit),或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器506,用于存放程序510。存储器506可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。
程序510具体可以用于使得处理器502执行上述任意方法实施例中的订单归因方法。程序510中各步骤的具体实现可以参见上述订单归因实施例中的相应步骤和单元中对应的描述,在此不赘述。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的设备和模块的具体工作过程,可以参考前述方法实施例中的对应过程描述,在此不再赘述。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明实施例的内容,并且上面对特定语言所做的描述是为了披露本发明实施例的较佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明实施例并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明实施例的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明实施例进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (10)
1.一种订单归因方法,其包括:
收集订单指标以及与订单事务具有关联关系的多个特征因子的数据;
将任意两两特征因子间建立虚拟因果关系,以及建立特征因子与订单指标间虚拟因果关系,得到因果关系图;
根据订单指标及各个特征因子的数据对所述因果关系图进行因果检测处理,得到包含特征因子以及订单指标间实际因果关系的因果关系图;
根据所述因果关系图,得到订单指标的特征因子路径。
2.根据权利要求1所述的方法,其中,所述收集订单指标以及与订单事务具有关联关系的多个特征因子的数据进一步包括:
收集预设时间内订单事务处理流程中包含的各个特征因子的数据、订单事务关联的各数据表中包含的各个的特征因子的数据、和/或,订单事务处理逻辑包含的各个特征因子的数据。
3.根据权利要求1或2所述的方法,其中,所述方法还包括:
对所述多个特征因子的数据进行筛选处理;其中,所述筛选处理包括计算数据的离散系数,去除离散系数低于预设系数阈值的数据和/或去除数据影响因子低于预设因子阈值的数据。
4.根据权利要求1所述的方法,其中,所述根据订单指标及各个特征因子的数据对所述因果关系图进行因果检测处理,得到包含特征因子以及订单指标间实际因果关系的因果关系图进一步包括:
根据订单指标及各个特征因子的数据利用预设检测因果模型对所述因果关系图进行因果检测,判断两两特征因子间的虚拟因果关系是否存在实际单边因果关系;
若否,则去除特征因子间的虚拟因果关系。
5.根据权利要求1所述的方法,其中,所述根据订单指标及各个特征因子的数据对所述因果关系图进行因果检测处理,得到包含特征因子以及订单指标间实际因果关系的因果关系图进一步包括:
基于预设因果检测规则对所述因果关系图进行因果检测;其中,所述预设因果检测规则包括:根据特征因子和/或的独立属性,去除两两独立属性的特征因子间的虚拟因果关系;和/或,根据特征因子的范围属性,去除两两范围属性不重合的特征因子间的虚拟因果关系。
6.根据权利要求1-5中任一项所述的方法,其中,在所述根据订单指标及各个特征因子的数据对所述因果关系图进行因果检测处理,得到包含特征因子以及订单指标间实际因果关系的因果关系图之后,所述方法还包括:
根据所述因果关系图确定特征因子在所述因果关系图中的重要度;其中,所述重要度与所述特征因子的单边实际因果关系指向数量相关。
7.根据权利要求1-6中任一项所述的方法,其中,所述根据所述因果关系图,得到订单指标的特征因子路径进一步包括:
根据所述因果关系图,统计预设时间内因果关系图中特征因子路径出现次数最多的路径为订单指标的特征因子路径。
8.一种订单归因装置,其包括:
收集模块,适于收集订单指标以及与订单事务具有关联关系的多个特征因子的数据;
关系模块,适于将任意两两特征因子间建立虚拟因果关系,以及建立特征因子与订单指标间虚拟因果关系,得到因果关系图;
检测模块,适于根据订单指标及各个特征因子的数据对所述因果关系图进行因果检测处理,得到包含特征因子以及订单指标间实际因果关系的因果关系图;
路径模块,适于根据所述因果关系图,得到订单指标的特征因子路径。
9.一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的订单归因方法对应的操作。
10.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-7中任一项所述的订单归因方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011061192.9A CN112116433A (zh) | 2020-09-30 | 2020-09-30 | 订单归因方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011061192.9A CN112116433A (zh) | 2020-09-30 | 2020-09-30 | 订单归因方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112116433A true CN112116433A (zh) | 2020-12-22 |
Family
ID=73798028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011061192.9A Pending CN112116433A (zh) | 2020-09-30 | 2020-09-30 | 订单归因方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112116433A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801690A (zh) * | 2020-12-31 | 2021-05-14 | 北京嘀嘀无限科技发展有限公司 | 一种干预特征的确定方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150286928A1 (en) * | 2014-04-03 | 2015-10-08 | Adobe Systems Incorporated | Causal Modeling and Attribution |
CN109165246A (zh) * | 2018-09-30 | 2019-01-08 | 北京工业大学 | 一种挖掘大气污染传播路径的方法 |
CN110555047A (zh) * | 2018-03-29 | 2019-12-10 | 日本电气株式会社 | 数据处理方法和电子设备 |
-
2020
- 2020-09-30 CN CN202011061192.9A patent/CN112116433A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150286928A1 (en) * | 2014-04-03 | 2015-10-08 | Adobe Systems Incorporated | Causal Modeling and Attribution |
CN110555047A (zh) * | 2018-03-29 | 2019-12-10 | 日本电气株式会社 | 数据处理方法和电子设备 |
CN109165246A (zh) * | 2018-09-30 | 2019-01-08 | 北京工业大学 | 一种挖掘大气污染传播路径的方法 |
Non-Patent Citations (1)
Title |
---|
夏春明;吴钦;郑建荣;: "基于格兰杰因果检验的过程波动路径及根源识别分析", 华东理工大学学报(自然科学版), no. 01 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801690A (zh) * | 2020-12-31 | 2021-05-14 | 北京嘀嘀无限科技发展有限公司 | 一种干预特征的确定方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107025596B (zh) | 一种风险评估方法和系统 | |
CN109873832B (zh) | 流量识别方法、装置、电子设备和存储介质 | |
CN108492150B (zh) | 实体热度的确定方法及系统 | |
CN108520440B (zh) | 阅读用户的总消费存量需求的确定方法、电子设备及计算机存储介质 | |
CN111401795A (zh) | 设备健康状态的评估方法、装置、可读介质及电子设备 | |
CN110060053A (zh) | 一种识别方法、设备及计算机可读介质 | |
CN111242318A (zh) | 基于异构特征库的业务模型训练方法及装置 | |
CN110706016A (zh) | 业务异常检测方法、装置及计算机可读存储介质 | |
CN111062642A (zh) | 对象的行业风险程度识别方法、装置以及电子设备 | |
CN110688433B (zh) | 一种基于路径的特征生成方法及装置 | |
CN112650921A (zh) | 一种对象推荐方法、装置、设备及存储介质 | |
CN111784173A (zh) | Ab实验数据处理方法、装置、服务器及介质 | |
CN112116433A (zh) | 订单归因方法及装置 | |
CN113128797A (zh) | 业务指标异常监测方法及装置 | |
CN110796178B (zh) | 决策模型训练方法及样本特征选择方法、装置和电子设备 | |
CN110717653B (zh) | 风险识别方法及装置和电子设备 | |
CN109409091B (zh) | 检测Web页面的方法、装置、设备以及计算机存储介质 | |
CN112241820B (zh) | 资金流动中关键节点的风险识别方法、装置及计算设备 | |
CN116932549A (zh) | 基于智能模型的平台数据存储方法、系统、介质及设备 | |
CN110866831A (zh) | 资产活跃度等级的确定方法、装置及服务器 | |
CN111126788A (zh) | 风险识别方法及装置和电子设备 | |
CN112598228B (zh) | 企业竞争力的分析方法、装置、设备及存储介质 | |
CN115081950A (zh) | 企业成长性评估建模方法、系统、计算机及可读存储介质 | |
CN115309638A (zh) | 协助模型优化的方法及装置 | |
CN115080815A (zh) | 一种企业关系可视化方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |