CN112132485A - 一种指标数据处理方法、装置、电子设备及存储介质 - Google Patents
一种指标数据处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112132485A CN112132485A CN202011062859.7A CN202011062859A CN112132485A CN 112132485 A CN112132485 A CN 112132485A CN 202011062859 A CN202011062859 A CN 202011062859A CN 112132485 A CN112132485 A CN 112132485A
- Authority
- CN
- China
- Prior art keywords
- target index
- elements
- index
- value
- calculating
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000004891 communication Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 15
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 6
- 230000002354 daily effect Effects 0.000 description 5
- 229910003460 diamond Inorganic materials 0.000 description 4
- 239000010432 diamond Substances 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 229910052697 platinum Inorganic materials 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 102100040401 DNA topoisomerase 3-alpha Human genes 0.000 description 1
- 101000611068 Homo sapiens DNA topoisomerase 3-alpha Proteins 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种指标数据处理方法、装置、电子设备及存储介质,方法包括:获取目标指标的历史数据,目标指标对应多个维度,每个维度对应多个元素,历史数据包括各维度对应的多个元素的时间序列;基于历史数据计算目标指标的波动周期;根据多个元素的时间序列中当前波动周期内的数值计算每个元素的实际值及目标指标的实际值,根据多个元素的时间序列中历史波动周期内的数值计算每个元素的预测值及目标指标的预测值;基于每个元素的实际值与预测值、目标指标的实际值与预测值、以及预设根因分析算法确定影响目标指标波动的目标元素集合。本发明实施例实现智能的指标波动分析,快速定位产生数据波动可能性最大的根本原因,从而节省了大量人力资源。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种指标数据处理方法、装置、电子设备及存储介质。
背景技术
当前,随着互联网的快速发展,互联网用户每天都会产生大量数据(行为数据、消费数据等等)。对于数据的统计与分析,是目前绝大多数公司的重点,从数据中能够掌握业务的现状、问题与优势。
数据分析中经常会面临的一个问题是,某个业务指标出现波动(突增或突降)的原因是什么。数据分析师每当遇到这个问题时,都需要人工去从每一个可能的维度进行统计,找到数据波动的根本原因。例如,一个自媒体平台日活作者数量在某日出现了大幅增长,那么是普通作者的日活增长导致了总体用户日活增长,还是优质作者的日活增长导致了总体用户日活的增长呢,数据分析师每当遇到这类问题时,都需要人工去从每一个可能的数据维度进行统计,找到数据波动的根本原因。
然而,人工去发现数据波动的根本原因耗时较长,如果经常需要人工分析数据波动原因,将会消耗大量人力资源;而且,当数据维度较多,或维度中元素较多时,人工分析不一定能够定位到最为准确的结果,且分析时间也会大幅增加。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本申请提供了一种指标数据处理方法、装置、电子设备及存储介质。
第一方面,本申请提供了一种指标数据处理方法,所述方法包括:
获取目标指标的历史数据,所述目标指标对应多个维度,每个维度对应多个元素,所述历史数据包括各维度对应的多个元素的时间序列;
基于所述历史数据计算所述目标指标的波动周期;
根据多个元素的时间序列中当前波动周期内的数值计算每个元素的实际值及所述目标指标的实际值,根据多个元素的时间序列中历史波动周期内的数值计算每个元素的预测值及所述目标指标的预测值;
基于每个元素的实际值与预测值、所述目标指标的实际值与预测值、以及预设根因分析算法确定影响所述目标指标波动的目标元素集合。
可选的,所述基于所述历史数据计算所述目标指标的波动周期,包括:
对所述历史数据进行平稳性校验;
若根据所述平稳性校验的结果确定所述历史数据为平稳性的序列,计算所述历史数据在多个预设阶数下的自相关系数;
将除预设阶数0外的最大自相关系数对应的预设阶数确定为波动周期。
可选的,所述基于所述历史数据计算所述目标指标的波动周期,还包括:
若根据所述平稳性校验的结果确定所述历史数据为非平稳性的序列,按照差分阶数递增的方式对所述历史数据进行多次差分计算,直至差分后的时间序列变为平稳性的序列。
可选的,所述根据多个元素的时间序列中当前波动周期内的数值计算每个元素的实际值及所述目标指标的实际值,包括:
针对每个元素,将所述元素的时间序列中当前波动周期内与当前时刻对应的数值确定为所述元素的实际值;
根据多个元素的实际值计算所述目标指标的实际值。
可选的,所述根据多个元素的时间序列中历史波动周期内的数值计算每个元素的预测值及所述目标指标的预测值,包括:
针对每个元素,在所述元素的时间序列中确定当前波动周期之前的上一历史波动周期,在所述上一历史波动周期内确定与当前时刻对应的历史时刻,将所述元素的时间序列中所述上一历史波动周期内与所述历史时刻对应的数值确定为所述元素的预测值;
根据多个元素的预测值计算所述目标指标的预测值。
可选的,所述基于每个元素的实际值与预测值、所述目标指标的实际值与预测值、以及预设根因分析算法确定影响所述目标指标波动的目标元素集合,包括:
针对所述目标指标对应的每个维度,基于所述维度对应的每个元素的实际值与预测值、所述目标指标的实际值与预测值计算每个所述元素的元素贡献度及元素一致度;对多个所述元素的元素一致度进行排序,按照多个元素的元素一致度的排序顺序对多个所述元素及多个所述元素的贡献度进行排序;在多个元素的元素贡献度中选择大于预设的元素贡献度阈值的元素贡献度,将大于预设的元素贡献度阈值对应的元素进行组合,得到每个维度对应的候选元素集合;
计算每个维度对应的候选元素集合的集合一致度;
对多个候选元素集合的集合一致度进行排序,按照集合一致度的排序顺序对多个候选元素集合进行排序;
在排序后的各个维度对应的候选元素集合中选择若干个元素集合作为影响所述目标指标波动的目标元素集合。
可选的,所述方法还包括:
获取每个维度的基数;
将所述维度的基数的倒数,确定为与所述维度对应的每个元素的元素贡献度阈值。
第二方面,本申请提供了一种指标数据处理装置,所述装置包括:
第一获取模块,用于获取目标指标的历史数据,所述目标指标对应多个维度,每个维度对应多个元素,所述历史数据包括各维度对应的多个元素的时间序列;
第一计算模块,用于基于所述历史数据计算所述目标指标的波动周期;
第二计算模块,用于根据多个元素的时间序列中当前波动周期内的数值计算每个元素的实际值及所述目标指标的实际值,根据多个元素的时间序列中历史波动周期内的数值计算每个元素的预测值及所述目标指标的预测值;
第一确定模块,用于基于每个元素的实际值与预测值、所述目标指标的实际值与预测值、以及预设根因分析算法确定影响所述目标指标波动的目标元素集合。
可选的,所述第一计算模块,包括:
校验单元,用于对所述历史数据进行平稳性校验;
第一计算单元,用于若根据所述平稳性校验的结果确定所述历史数据为平稳性的序列,计算所述历史数据在多个预设阶数下的自相关系数;
第一确定单元,用于将除预设阶数0外的最大自相关系数对应的预设阶数确定为波动周期。
可选的,所述第一计算模块,还包括:
第二确定单元,用于若根据所述平稳性校验的结果确定所述历史数据为非平稳性的序列,按照差分阶数递增的方式对所述历史数据进行多次差分计算,直至差分后的时间序列变为平稳性的序列。
可选的,所述第二计算模块,包括:
第三确定单元,用于针对每个元素,将所述元素的时间序列中当前波动周期内与当前时刻对应的数值确定为所述元素的实际值;
第二计算单元,用于根据多个元素的实际值计算所述目标指标的实际值。
可选的,所述第二计算模块,包括:
第四确定单元,用于针对每个元素,在所述元素的时间序列中确定当前波动周期之前的上一历史波动周期,在所述上一历史波动周期内确定与当前时刻对应的历史时刻,将所述元素的时间序列中所述上一历史波动周期内与所述历史时刻对应的数值确定为所述元素的预测值;
第三计算单元,用于根据多个元素的预测值计算所述目标指标的预测值。
可选的,所述确定模块,包括:
集合确定单元,用于针对所述目标指标对应的每个维度,基于所述维度对应的每个元素的实际值与预测值、所述目标指标的实际值与预测值计算每个所述元素的元素贡献度及元素一致度;对多个所述元素的元素一致度进行排序,按照多个元素的元素一致度的排序顺序对多个所述元素及多个所述元素的贡献度进行排序;在多个元素的元素贡献度中选择大于预设的元素贡献度阈值的元素贡献度,将大于预设的元素贡献度阈值对应的元素进行组合,得到每个维度对应的候选元素集合;
第四计算单元,用于计算每个维度对应的候选元素集合的集合一致度;
第一排序单元,用于对多个候选元素集合的集合一致度进行排序,按照集合一致度的排序顺序对多个候选元素集合进行排序;
第一选择单元,用于在排序后的各个维度对应的候选元素集合中选择若干个元素集合作为影响所述目标指标波动的目标元素集合。
可选的,所述装置还包括:
第二获取模块,用于获取每个维度的基数;
第二确定模块,用于将所述维度的基数的倒数,确定为与所述维度对应的每个元素的元素贡献度阈值。
第三方面,本申请提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现第一方面任一所述的指标数据处理方法。
第四方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有指标数据处理方法的程序,所述指标数据处理方法的程序被处理器执行时实现第一方面任一所述的指标数据处理方法的步骤。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:
本申请实施例提供的该方法,通过获取目标指标的历史数据,所述目标指标对应多个维度,每个维度对应多个元素,所述历史数据包括各维度对应的多个元素的时间序列;基于所述历史数据计算所述目标指标的波动周期;根据多个元素的时间序列中当前波动周期内的数值计算每个元素的实际值及目标指标的实际值,根据多个元素的时间序列中历史波动周期内的数值计算每个元素的预测值及目标指标的预测值;可以基于每个元素的实际值与预测值、目标指标的实际值与预测值、以及预设根因分析算法确定影响目标指标波动的目标元素集合。
本发明实施例通过计算目标指标的波动周期,基于波动周期确定每个元素的实际值、目标指标的实际值、每个元素的预测值及目标指标的预测值,再基于每个元素的实际值、目标指标的实际值、每个元素的预测值、目标指标的预测值及根因分析算法确定影响目标指标波动的目标元素集合,实现智能的指标波动分析,快速定位产生数据波动可能性最大的根本原因,从而节省了大量人力资源。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种指标数据处理方法的一种流程图;
图2为本申请图1中步骤S102的流程图;
图3为本申请图1中步骤S104的流程图;
图4为本申请实施例提供的一种预设根因分析算法的流程图;
图5为本申请实施例提供的一种指标数据处理方法的另一种流程图;
图6为本申请实施例提供的一种指标数据处理装置的结构图;
图7为本申请实施例提供的一种电子设备的结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
由于人工去发现数据波动的根本原因耗时较长,如果经常需要人工分析数据波动原因,将会消耗大量人力资源;而且,当数据维度较多,或维度中元素较多时,人工分析不一定能够定位到最为准确的结果,且分析时间也会大幅增加。为此,本发明实施例提供了一种指标数据处理方法、装置、电子设备及存储介质,如图1所示,所述指标数据处理方法可以包括以下步骤:
步骤S101,获取目标指标的历史数据。
在本发明实施例中,所述目标指标对应多个维度,每个维度对应多个元素,所述历史数据包括各维度对应的多个元素的时间序列。
示例性的,目标指标为用户上传活跃指标,维度可以指用户等级或者用户来源类型等,用户等级对应的元素可以包括:黄金等级用户、铂金等级用户和钻石等级用户等;用户来源类型对应的元素可以包括:外部用户和外部合作者等。历史数据可以包括:用户等级为黄金等级用户的上传活跃量、用户等级为铂金等级用户的上传活跃量、用户等级为钻石等级用户的上传活跃量、用户来源类型为外部用户的上传活跃量及用户来源类型为外部合作者的上传活跃量。
为了尽可能准确的获取目标指标的周期性特征,在本发明实施例中,应选取较长一段时间的历史数据,示例性的,可以选取最近2个月的历史数据。
步骤S102,基于所述历史数据计算所述目标指标的波动周期;
由于目前在利用预设根因分析算法(如:Adtributor算法,Adtributor算法主要是根据指标的预测值和实际值的分布情况,计算JS散度,从中找出影响指标波动最大的维度以及相应维度值对应的元素集合)分析指标波动情况时,针对不存在指标的预测值或者指标的预测值不准确情况,Adtributor算法将不再适用,为此,本发明实施例对预设根因分析算法中比较的基准值选取进行了优化,即:基于历史数据计算所述目标指标的波动周期,再根据波动周期确定预设根因分析算法中比较的基准值(元素的预测值及目标指标的预测值),以便于使得最终确定的影响所述目标指标波动的目标元素集合更加精确。
在该步骤中,可以基于历史数据中所有元素的波动情况计算目标指标的波动周期。
本发明实施例可以基于目标指标的波动周期确定预设根因分析算法中比较的基准值。若计算结果为目标指标具有明显的周期性(周期为T),则目标指标mt相对应的比较基准为mt-T;如果目标指标不具有明显的周期性,则目标指标mt相对应的比较基准为mt-1。
步骤S103,根据多个元素的时间序列中当前波动周期内的数值计算每个元素的实际值及所述目标指标的实际值,根据多个元素的时间序列中历史波动周期内的数值计算每个元素的预测值及所述目标指标的预测值;
在该步骤中,可以针对每个元素,根据元素的时间序列中当前波动周期内的数值计算元素的实际值,再根据多个元素的实际值计算目标指标的实际值;根据元素的时间序列中历史波动周期内的数值计算元素的预测值,再根据多个元素的预测值计算目标指标的预测值。
步骤S104,基于每个元素的实际值与预测值、所述目标指标的实际值与预测值、以及预设根因分析算法确定影响所述目标指标波动的目标元素集合。
在本发明实施例中,可以将前述步骤得到的每个元素的实际值与预测值、所述目标指标的实际值与预测值带入预设根因分析算法中,进而利用预设根因分析算法计算得到影响所述目标指标波动的目标元素集合。
本申请实施例提供的该方法,通过获取目标指标的历史数据,所述目标指标对应多个维度,每个维度对应多个元素,所述历史数据包括各维度对应的多个元素的时间序列;基于所述历史数据计算所述目标指标的波动周期;根据多个元素的时间序列中当前波动周期内的数值计算每个元素的实际值及目标指标的实际值,根据多个元素的时间序列中历史波动周期内的数值计算每个元素的预测值及目标指标的预测值;可以基于每个元素的实际值与预测值、目标指标的实际值与预测值、以及预设根因分析算法确定影响目标指标波动的目标元素集合。
本发明实施例通过计算目标指标的波动周期,基于波动周期确定每个元素的实际值、目标指标的实际值、每个元素的预测值及目标指标的预测值,再基于每个元素的实际值、目标指标的实际值、每个元素的预测值、目标指标的预测值及根因分析算法确定影响目标指标波动的目标元素集合,实现智能的指标波动分析,快速定位产生数据波动可能性最大的根本原因,从而节省了大量人力资源。
在本发明的又一实施例中,如图2所示,所述步骤S102包括:
步骤S201,对所述历史数据进行平稳性校验;
由于后续对于时间序列的周期分析应该建立在平稳时间序列的基础上,因此需要对历史数据进行平稳性检验,在本发明实施例中,可以采用单位根检验(ADF检验)的方法对历史数据进行平稳性校验。
步骤S202,若根据所述平稳性校验的结果确定所述历史数据为平稳性的序列,计算所述历史数据在多个预设阶数下的自相关系数;
在本发明实施例中,可以按照如下方式计算多个预设阶数下的自相关系数:
对于时间序列{Xt,t∈T},Xt为时间序列中t时刻的数值,T为时间序列发生的时间段,任取两个不同时刻t,s∈T,定义ρ(t,s)为时间序列自相关系数ACF:
其中,Xs为时间序列中s时刻的数值,μt为时间序列在t时刻下的均值,μs为时间序列在s时刻下的均值,DXt为时间序列在t时刻下的方差,DXs为时间序列在s时刻下的方差。
遍历不同预设阶数,计算该阶数下的自相关系数,在本发明实施例中,阶数可以选取0-14。
步骤S203,将除预设阶数0外的最大自相关系数对应的预设阶数确定为波动周期。
在该步骤中,可以选择预设阶数0以外的ACF值最大的阶数作为波动周期T。
本发明实施例可以在历史数据为平稳的时间序列的情况下,通过计算自相关系数的方式准确的计算目标指标的波动周期,进而便于基于波动周期确定每个元素的实际值、目标指标的实际值、每个元素的预测值及目标指标的预测值,再基于每个元素的实际值、目标指标的实际值、每个元素的预测值、目标指标的预测值及根因分析算法确定影响目标指标波动的目标元素集合,实现智能的指标波动分析,快速定位产生数据波动可能性最大的根本原因,从而节省了大量人力资源。
在本发明的又一实施例中,如图2所示,所述计算所述历史数据中多个元素的时间序列的波动周期,还包括:
步骤S204,若根据所述平稳性校验的结果确定所述历史数据为非平稳性的序列,按照差分阶数递增的方式对所述历史数据进行多次差分计算,直至差分后的时间序列变为平稳性的序列。
在该步骤中,对于非平稳的序列,采用差分方法消除时间序列的趋势性,使历史数据的时间序列趋于平稳,在差分计算时,差分的阶数依次递增,直至差分后的序列变为平稳性的序列。
在本发明实施例中,可以通过查分计算的方式使历史数据的时间序列趋于平稳,便于计算出更加准确的波动周期,进而便于基于波动周期确定每个元素的实际值、目标指标的实际值、每个元素的预测值及目标指标的预测值,再基于每个元素的实际值、目标指标的实际值、每个元素的预测值、目标指标的预测值及根因分析算法确定影响目标指标波动的目标元素集合,实现智能的指标波动分析,快速定位产生数据波动可能性最大的根本原因,从而节省了大量人力资源。
在本发明的又一实施例中,所述根据多个元素的时间序列中当前波动周期内的数值计算每个元素的实际值及所述目标指标的实际值,包括:
针对每个元素,将所述元素的时间序列中当前波动周期内与当前时刻对应的数值确定为所述元素的实际值;
根据多个元素的实际值计算所述目标指标的实际值。
在该步骤中,可以将多个元素的实际值的和确定为目标指标的实际值。
本发明实施例能够基于当前波动周期内的数值计算每个元素的实际值及所述目标指标的实际值,进而便于基于每个元素的实际值、目标指标的实际值、每个元素的预测值、目标指标的预测值及根因分析算法确定影响目标指标波动的目标元素集合,实现智能的指标波动分析,快速定位产生数据波动可能性最大的根本原因,从而节省了大量人力资源。
在本发明的又一实施例中,所述根据多个元素的时间序列中历史波动周期内的数值计算每个元素的预测值及所述目标指标的预测值,包括:
针对每个元素,在所述元素的时间序列中确定当前波动周期之前的上一历史波动周期,在所述上一历史波动周期内确定与当前时刻对应的历史时刻,将所述元素的时间序列中所述上一历史波动周期内与所述历史时刻对应的数值确定为所述元素的预测值;
根据多个元素的预测值计算所述目标指标的预测值。
在该步骤中,可以将多个元素的预测值的和确定为目标指标的预测值。
本发明实施例能够基于历史波动周期内的数值计算每个元素的预测值及所述目标指标的预测值,进而便于基于每个元素的实际值、目标指标的实际值、每个元素的预测值、目标指标的预测值及根因分析算法确定影响目标指标波动的目标元素集合,实现智能的指标波动分析,快速定位产生数据波动可能性最大的根本原因,从而节省了大量人力资源。
在本发明的又一实施例中,如图3所示,所述步骤S104包括:
步骤S301,针对所述目标指标对应的每个维度,基于所述维度对应的每个元素的实际值与预测值、所述目标指标的实际值与预测值计算每个所述元素的元素贡献度及元素一致度;对多个所述元素的元素一致度进行排序,按照多个元素的元素一致度的排序顺序对多个所述元素及多个所述元素的贡献度进行排序;在多个元素的元素贡献度中选择大于预设的元素贡献度阈值的元素贡献度,将大于预设的元素贡献度阈值对应的元素进行组合,得到每个维度对应的候选元素集合;
在本发明实施例中,可以通过以下方式计算每个元素的元素贡献度:
某维度下元素Eij的波动变化占指标总体波动变化的比率称为贡献度(Explanatory Power)记作:EP。计算公式如下:
其中,m为目标指标,Aij(m)为目标指标的元素Eij的实际值,Fij(m)为目标指标的元素Eij的预测值,A(m)为目标指标的整体实际值,F(m)为目标指标的整体预测值。
一般情况下,一个元素的贡献度取值范围介于0%-100%之间。当然也有可能取值超过100%或者小于0%,这种情况下说明当前元素的波动变化与总体的波动变化呈相反的趋势。总而言之,任意维度下的所有元素贡献度之和等于100%。
在本发明实施例中,可以通过以下方式计算每个元素的元素一致度:
一致度指某维度下元素Eij的真实值和预测值占指标总体的差异性,对于每个元素Eij,用pij表示预测占比或者叫做先验概率。计算公式如下:
用qij表示实际占比或者叫做后验概率。计算公式如下:
获得先验概率和后验概率后,如果后验概率分布与先验概率分布有着显著的差异,那么这两种概率分布之间的差异一般可以通过使用相对熵或者K-L散度来衡量。但是由于K-L散度存在非对称性而且可能无界,所以这里使用JS散度来衡量先验概率P和后验概率Q之间的这种差异:
其中,pi代表先验概率,qi代表后验概率,可以看出Djs(P,Q)是具有对称性的,并且是有界的:0≤Djs(P,Q)≤1。因此,对于每个元素Eij的一致度Sij可以通过以下公式进行计算:
其中,p=pij(m),q=qij(m)。
由于已经针对每个维度,计算了维度对应的每个元素的元素一致度及元素贡献度,因此可以认为元素、元素一致度和元素贡献度三者之间存在对应关系,进而可以针对每个维度,首先将多个元素的元素一致度进行排序,相应的,可以按照多个元素的元素一致度的排序顺序得到元素一致度对应的元素的排序及元素贡献度排序。
然后,可以遍历每个维度对应的元素的元素贡献度,在多个元素的元素贡献度中选择大于预设的元素贡献度阈值的元素贡献度,将大于预设的元素贡献度阈值对应的元素进行组合,得到每个维度对应的候选元素集合(元素集合中每个元素的元素贡献度TEEP是元素的贡献度阈值)。
另外,在本发明实施例中,每个维度对应的候选元素集合中的多个元素的元素贡献度之和还应当大于或者等于预设的总体贡献度阈值Tep。
基于以上,步骤S301可以针对每个维度,在维度对应的元素中选择符合条件的元素(大于预设的元素贡献度阈值的元素贡献度),将选择出来的元素构建候选元素集合。
例如:基于前述实施例,对于用户等级这个维度,若元素-铂金等级用户和元素-钻石等级用户的元素贡献度大于预设的元素贡献度阈值,则可以将元素-铂金等级用户和元素-钻石等级用户进行组合,得到维度-用户等级对应的候选元素集合;
再例如:对于用户来源类型这个维度,若元素-外部用户的元素贡献度大于预设的元素贡献度阈值,则可以将元素-外部用户加入维度-用户来源对应的候选元素集合。
步骤S302,计算每个维度对应的候选元素集合的集合一致度;
在该步骤中,可以针对每个维度,将该维度对应元素集合内的元素的一致度的和确定为集合一致度。
步骤S303,对多个候选元素集合的集合一致度进行排序,按照集合一致度的排序顺序对多个候选元素集合进行排序;
在该步骤中,由于S302计算得到每个维度对应的候选元素集合的集合一致度,所以可以将各维度对应的候选元素集合的集合一致度进行排序,进而根据集合一致度的排序顺序对多个维度所对应的候选元素集合进行排序。
步骤S304,在排序后的各个维度对应的候选元素集合中选择若干个元素集合作为影响所述目标指标波动的目标元素集合。
在该步骤中,可以按照集合一致度从大到小的顺序,将各个维度对应的候选元素集合进行排序,然后选择排序序列前若干个候选元素集合作为影响所述目标指标波动的目标元素集合。
示例性的,假设从大到小排序后的各个维度对应的候选元素集合依次为:维度-用户等级对应的候选元素集合、维度-用户来源对应的候选元素集合、维度-用户年龄对应的候选元素集合和维度-用户性别对应的候选元素集合,则可以选择TOP3的候选元素集合(即:维度-用户等级对应的候选元素集合、维度-用户来源对应的候选元素集合、维度-用户年龄对应的候选元素集合)作为影响所述目标指标波动的目标元素集合。
本发明实施例能够基于每个元素的实际值、目标指标的实际值、每个元素的预测值、目标指标的预测值及根因分析算法确定影响目标指标波动的目标元素集合,实现智能的指标波动分析,快速定位产生数据波动可能性最大的根本原因,从而节省了大量人力资源。
在本发明的又一实施例中,如图5所示,所述方法还包括:
步骤S401,获取每个维度的基数;
步骤S402,将所述维度的基数的倒数,确定为与所述维度对应的每个元素的元素贡献度阈值。
本发明实施例主要对元素贡献度阈值TEEP的选取进行了优化。由于不同维度的基数值各不相同,无法根据经验值设定一个统一的标准来适用于所有的维度。因此,本文基于各维度的基数值来确定元素贡献度阈值TEEP。计算方法如下:
其中Ci为维度Di对应的基数值。
本发明实施例对Adtributor算法人工设定阈值的部分进行优化,避免因人工设置不准确而导致的算法准确率问题。
在本发明的又一实施例中,还提供一种指标数据处理装置,如图6所示,所述装置包括:
第一获取模块11,用于获取目标指标的历史数据,所述目标指标对应多个维度,每个维度对应多个元素,所述历史数据包括各维度对应的多个元素的时间序列;
第一计算模块12,用于基于所述历史数据计算所述目标指标的波动周期;
第二计算模块13,用于根据多个元素的时间序列中当前波动周期内的数值计算每个元素的实际值及所述目标指标的实际值,根据多个元素的时间序列中历史波动周期内的数值计算每个元素的预测值及所述目标指标的预测值;
第一确定模块14,用于基于每个元素的实际值与预测值、所述目标指标的实际值与预测值、以及预设根因分析算法确定影响所述目标指标波动的目标元素集合。
可选的,所述第一计算模块,包括:
校验单元,用于对所述历史数据进行平稳性校验;
第一计算单元,用于若根据所述平稳性校验的结果确定所述历史数据为平稳性的序列,计算所述历史数据在多个预设阶数下的自相关系数;
第一确定单元,用于将除预设阶数0外的最大自相关系数对应的预设阶数确定为波动周期。
可选的,所述第一计算模块,还包括:
第二确定单元,用于若根据所述平稳性校验的结果确定所述历史数据为非平稳性的序列,按照差分阶数递增的方式对所述历史数据进行多次差分计算,直至差分后的时间序列变为平稳性的序列。
可选的,所述第二计算模块,包括:
第三确定单元,用于针对每个元素,将所述元素的时间序列中当前波动周期内与当前时刻对应的数值确定为所述元素的实际值;
第二计算单元,用于根据多个元素的实际值计算所述目标指标的实际值。
可选的,所述第二计算模块,包括:
第四确定单元,用于针对每个元素,在所述元素的时间序列中确定当前波动周期之前的上一历史波动周期,在所述上一历史波动周期内确定与当前时刻对应的历史时刻,将所述元素的时间序列中所述上一历史波动周期内与所述历史时刻对应的数值确定为所述元素的预测值;
第三计算单元,用于根据多个元素的预测值计算所述目标指标的预测值。
可选的,所述确定模块,包括:
集合确定单元,用于针对所述目标指标对应的每个维度,基于所述维度对应的每个元素的实际值与预测值、所述目标指标的实际值与预测值计算每个所述元素的元素贡献度及元素一致度;对多个所述元素的元素一致度进行排序,按照多个元素的元素一致度的排序顺序对多个所述元素及多个所述元素的贡献度进行排序;在多个元素的元素贡献度中选择大于预设的元素贡献度阈值的元素贡献度,将大于预设的元素贡献度阈值对应的元素进行组合,得到每个维度对应的候选元素集合;
第四计算单元,用于计算每个维度对应的候选元素集合的集合一致度;
第一排序单元,用于按照集合一致度对各个维度对应的候选元素集合进行排序;
第一选择单元,用于在排序后的各个维度对应的候选元素集合中选择若干个元素集合作为影响所述目标指标波动的目标元素集合。
可选的,所述装置还包括:
第二获取模块,用于获取每个维度的基数;
第二确定模块,用于将所述维度的基数的倒数,确定为与所述维度对应的每个元素的元素贡献度阈值。
在本发明的又一实施例中,还提供一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现前述方法实施例所述的指标数据处理方法。
本发明实施例提供的电子设备,处理器通过执行存储器上所存放的程序实现了通过获取目标指标对应的历史数据,目标指标对应多个维度,每个维度对应多个元素,历史数据包括多个元素的时间序列;计算多个元素的时间序列的波动周期;根据多个元素的时间序列中当前波动周期内的数值计算每个元素的实际值及目标指标的实际值,根据多个元素的时间序列中历史波动周期内的数值计算每个元素的预测值及目标指标的预测值;可以基于每个元素的实际值与预测值、目标指标的实际值与预测值、以及预设根因分析算法确定影响目标指标波动的目标元素集合。本发明实施例将基于Adtributor算法实现智能的指标波动分析,快速定位产生数据波动可能性最大的根本原因,从而节省了大量人力资源,并且对于多维数据指标,能够有效提升分析结果的准确率。
上述电子设备提到的通信总线1140可以是外设部件互连标准(PeripheralComponentInterconnect,简称PCI)总线或扩展工业标准结构(ExtendedIndustryStandardArchitecture,简称EISA)总线等。该通信总线1140可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口1120用于上述电子设备与其他设备之间的通信。
存储器1130可以包括随机存取存储器(RandomAccessMemory,简称RAM),也可以包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器1110可以是通用处理器,包括中央处理器(CentralProcessingUnit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(DigitalSignalProcessing,简称DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,简称ASIC)、现场可编程门阵列(Field-ProgrammableGateArray,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明的又一实施例中,还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有指标数据处理方法的程序,所述指标数据处理方法的程序被处理器执行时实现前述方法实施例所述的指标数据处理方法的步骤。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种指标数据处理方法,其特征在于,所述方法包括:
获取目标指标的历史数据,所述目标指标对应多个维度,每个维度对应多个元素,所述历史数据包括各维度对应的多个元素的时间序列;
基于所述历史数据计算所述目标指标的波动周期;
根据多个元素的时间序列中当前波动周期内的数值计算每个元素的实际值及所述目标指标的实际值,根据多个元素的时间序列中历史波动周期内的数值计算每个元素的预测值及所述目标指标的预测值;
基于每个元素的实际值与预测值、所述目标指标的实际值与预测值、以及预设根因分析算法确定影响所述目标指标波动的目标元素集合。
2.根据权利要求1所述的指标数据处理方法,其特征在于,所述基于所述历史数据计算所述目标指标的波动周期,包括:
对所述历史数据进行平稳性校验;
若根据所述平稳性校验的结果确定所述历史数据为平稳性的序列,计算所述历史数据在多个预设阶数下的自相关系数;
将除预设阶数0外的最大自相关系数对应的预设阶数确定为波动周期。
3.根据权利要求2所述的指标数据处理方法,其特征在于,所述基于所述历史数据计算所述目标指标的波动周期,还包括:
若根据所述平稳性校验的结果确定所述历史数据为非平稳性的序列,按照差分阶数递增的方式对所述历史数据进行多次差分计算,直至差分后的时间序列变为平稳性的序列。
4.根据权利要求1所述的指标数据处理方法,其特征在于,所述根据多个元素的时间序列中当前波动周期内的数值计算每个元素的实际值及所述目标指标的实际值,包括:
针对每个元素,将所述元素的时间序列中当前波动周期内与当前时刻对应的数值确定为所述元素的实际值;
根据多个元素的实际值计算所述目标指标的实际值。
5.根据权利要求1所述的指标数据处理方法,其特征在于,所述根据多个元素的时间序列中历史波动周期内的数值计算每个元素的预测值及所述目标指标的预测值,包括:
针对每个元素,在所述元素的时间序列中确定当前波动周期之前的上一历史波动周期,在所述上一历史波动周期内确定与当前时刻对应的历史时刻,将所述元素的时间序列中所述上一历史波动周期内与所述历史时刻对应的数值确定为所述元素的预测值;
根据多个元素的预测值计算所述目标指标的预测值。
6.根据权利要求1所述的指标数据处理方法,其特征在于,所述基于每个元素的实际值与预测值、所述目标指标的实际值与预测值、以及预设根因分析算法确定影响所述目标指标波动的目标元素集合,包括:
针对所述目标指标对应的每个维度,基于所述维度对应的每个元素的实际值与预测值、所述目标指标的实际值与预测值计算每个所述元素的元素贡献度及元素一致度;对多个所述元素的元素一致度进行排序,按照多个元素的元素一致度的排序顺序对多个所述元素及多个所述元素的贡献度进行排序;在多个元素的元素贡献度中选择大于预设的元素贡献度阈值的元素贡献度,将大于预设的元素贡献度阈值对应的元素进行组合,得到每个维度对应的候选元素集合;
计算每个维度对应的候选元素集合的集合一致度;
对多个候选元素集合的集合一致度进行排序,按照集合一致度的排序顺序对多个候选元素集合进行排序;
在排序后的各个维度对应的候选元素集合中选择若干个元素集合作为影响所述目标指标波动的目标元素集合。
7.根据权利要求6所述的指标数据处理方法,其特征在于,所述方法还包括:
获取每个维度的基数;
将所述维度的基数的倒数,确定为与所述维度对应的每个元素的元素贡献度阈值。
8.一种指标数据处理装置,其特征在于,所述装置包括:
获取模块,用于获取目标指标的历史数据,所述目标指标对应多个维度,每个维度对应多个元素,所述历史数据包括各维度对应的多个元素的时间序列;
第一计算模块,用于基于所述历史数据计算所述目标指标的波动周期;
第二计算模块,用于根据多个元素的时间序列中当前波动周期内的数值计算每个元素的实际值及所述目标指标的实际值,根据多个元素的时间序列中历史波动周期内的数值计算每个元素的预测值及所述目标指标的预测值;
确定模块,用于基于每个元素的实际值与预测值、所述目标指标的实际值与预测值、以及预设根因分析算法确定影响所述目标指标波动的目标元素集合。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1~7任一所述的指标数据处理方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有指标数据处理方法的程序,所述指标数据处理方法的程序被处理器执行时实现权利要求1-7任一所述的指标数据处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011062859.7A CN112132485A (zh) | 2020-09-30 | 2020-09-30 | 一种指标数据处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011062859.7A CN112132485A (zh) | 2020-09-30 | 2020-09-30 | 一种指标数据处理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112132485A true CN112132485A (zh) | 2020-12-25 |
Family
ID=73843610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011062859.7A Pending CN112132485A (zh) | 2020-09-30 | 2020-09-30 | 一种指标数据处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132485A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113628753A (zh) * | 2021-08-09 | 2021-11-09 | 海南大学 | 面向意图计算与推理的dikw资源分析方法及系统 |
CN113778836A (zh) * | 2021-11-11 | 2021-12-10 | 深圳市明源云科技有限公司 | 云原生应用健康监测方法、装置、设备与可读存储介质 |
CN113986936A (zh) * | 2021-10-19 | 2022-01-28 | 北京达佳互联信息技术有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
CN114022051A (zh) * | 2021-12-31 | 2022-02-08 | 阿里云计算有限公司 | 一种指标波动分析方法,存储介质和电子设备 |
WO2023135490A1 (en) * | 2022-01-12 | 2023-07-20 | International Business Machines Corporation | Predicting temporal impact of interventions by deconvolving historical response data |
CN117472717A (zh) * | 2023-11-13 | 2024-01-30 | 宁波银行股份有限公司 | 一种软件质量确定方法、装置、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106469332A (zh) * | 2015-08-19 | 2017-03-01 | 阿里巴巴集团控股有限公司 | 一种数据处理方法及装置 |
CN107788567A (zh) * | 2016-08-30 | 2018-03-13 | 上海创和亿电子科技发展有限公司 | 复烤机、水分控制波动周期的获取方法及系统 |
CN108346011A (zh) * | 2018-05-15 | 2018-07-31 | 阿里巴巴集团控股有限公司 | 指标波动分析方法及装置 |
CN108831181A (zh) * | 2018-05-04 | 2018-11-16 | 东南大学 | 一种用于公交车辆行程时间预测的模型建立方法及系统 |
CN109274842A (zh) * | 2018-09-18 | 2019-01-25 | 阿里巴巴集团控股有限公司 | 客服水平波动的关键因素定位方法、装置及设备 |
CN109826816A (zh) * | 2018-12-29 | 2019-05-31 | 浙江大学 | 一种风机失速智能预警系统与方法 |
CN111325398A (zh) * | 2020-02-19 | 2020-06-23 | 上海东普信息科技有限公司 | 网点货量的预测方法及系统、存储介质 |
CN111340278A (zh) * | 2020-02-19 | 2020-06-26 | 上海东普信息科技有限公司 | 目的地货量的预测方法及存储介质 |
CN111538951A (zh) * | 2020-03-31 | 2020-08-14 | 北京华三通信技术有限公司 | 一种异常定位方法及装置 |
CN111695791A (zh) * | 2020-05-29 | 2020-09-22 | 腾讯科技(深圳)有限公司 | 一种业务指标预测方法及装置 |
-
2020
- 2020-09-30 CN CN202011062859.7A patent/CN112132485A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106469332A (zh) * | 2015-08-19 | 2017-03-01 | 阿里巴巴集团控股有限公司 | 一种数据处理方法及装置 |
CN107788567A (zh) * | 2016-08-30 | 2018-03-13 | 上海创和亿电子科技发展有限公司 | 复烤机、水分控制波动周期的获取方法及系统 |
CN108831181A (zh) * | 2018-05-04 | 2018-11-16 | 东南大学 | 一种用于公交车辆行程时间预测的模型建立方法及系统 |
CN108346011A (zh) * | 2018-05-15 | 2018-07-31 | 阿里巴巴集团控股有限公司 | 指标波动分析方法及装置 |
CN109274842A (zh) * | 2018-09-18 | 2019-01-25 | 阿里巴巴集团控股有限公司 | 客服水平波动的关键因素定位方法、装置及设备 |
CN109826816A (zh) * | 2018-12-29 | 2019-05-31 | 浙江大学 | 一种风机失速智能预警系统与方法 |
CN111325398A (zh) * | 2020-02-19 | 2020-06-23 | 上海东普信息科技有限公司 | 网点货量的预测方法及系统、存储介质 |
CN111340278A (zh) * | 2020-02-19 | 2020-06-26 | 上海东普信息科技有限公司 | 目的地货量的预测方法及存储介质 |
CN111538951A (zh) * | 2020-03-31 | 2020-08-14 | 北京华三通信技术有限公司 | 一种异常定位方法及装置 |
CN111695791A (zh) * | 2020-05-29 | 2020-09-22 | 腾讯科技(深圳)有限公司 | 一种业务指标预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
RANJITA BHAGWAN等: "Adtributor: Revenue Debugging in Advertising Systems", pages 108 - 55 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113628753A (zh) * | 2021-08-09 | 2021-11-09 | 海南大学 | 面向意图计算与推理的dikw资源分析方法及系统 |
CN113628753B (zh) * | 2021-08-09 | 2023-04-14 | 海南大学 | 面向意图计算与推理的dikw资源分析方法及系统 |
CN113986936A (zh) * | 2021-10-19 | 2022-01-28 | 北京达佳互联信息技术有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
CN113778836A (zh) * | 2021-11-11 | 2021-12-10 | 深圳市明源云科技有限公司 | 云原生应用健康监测方法、装置、设备与可读存储介质 |
CN114022051A (zh) * | 2021-12-31 | 2022-02-08 | 阿里云计算有限公司 | 一种指标波动分析方法,存储介质和电子设备 |
WO2023135490A1 (en) * | 2022-01-12 | 2023-07-20 | International Business Machines Corporation | Predicting temporal impact of interventions by deconvolving historical response data |
CN117472717A (zh) * | 2023-11-13 | 2024-01-30 | 宁波银行股份有限公司 | 一种软件质量确定方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112132485A (zh) | 一种指标数据处理方法、装置、电子设备及存储介质 | |
CN109558295B (zh) | 一种性能指标异常检测方法及装置 | |
CN110008080B (zh) | 基于时间序列的业务指标异常检测方法、装置和电子设备 | |
CN108111353B (zh) | 预付卡剩余流量预测方法、网络终端和存储介质 | |
CN106936778B (zh) | 网站流量异常的检测方法和装置 | |
CN111915156A (zh) | 基于用户价值的业务推送方法、电子设备及存储介质 | |
CN113468034A (zh) | 数据质量评估方法、装置、存储介质和电子设备 | |
CN110222312A (zh) | 用户评价数据的处理方法、装置及服务器 | |
CN110599240A (zh) | 应用的偏好值确定方法、装置和设备及存储介质 | |
CN112396335A (zh) | 一种基于灰色综合评价模型的评价方法及装置 | |
CN111858245A (zh) | 一种异常数据的分析方法、装置、电子设备及存储介质 | |
CN114444827A (zh) | 一种集群性能的评估方法和装置 | |
CN112348055A (zh) | 一种聚类评估度量方法、系统、装置和存储介质 | |
CN109213965B (zh) | 一种系统容量预测方法、计算机可读存储介质及终端设备 | |
CN111767938A (zh) | 一种异常数据检测方法、装置及电子设备 | |
CN110955862A (zh) | 一种用于设备模型趋势相似度的评估方法及装置 | |
CN111783883A (zh) | 一种异常数据的检测方法及装置 | |
CN106934009A (zh) | 一种应用排名方法、装置及计算设备 | |
CN116128551A (zh) | 基于自回归滑动平均模型的进出口趋势分析方法及装置 | |
CN112465546B (zh) | 一种用户识别方法、装置及设备 | |
CN111767520B (zh) | 一种用户留存率计算方法、装置、电子设备及存储介质 | |
CN115452101A (zh) | 一种仪表检定方法、装置、设备及介质 | |
CN115203556A (zh) | 一种评分预测模型训练方法、装置、电子设备及存储介质 | |
CN111164633B (zh) | 一种评分卡模型的调整方法、装置、服务器及存储介质 | |
CN112132362A (zh) | 一种指标数据处理方法、装置、电子设备及存储介质 |
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 |