CN113011707B - 一种面向流程阶段的指标异常的根因定位方法及系统 - Google Patents
一种面向流程阶段的指标异常的根因定位方法及系统 Download PDFInfo
- Publication number
- CN113011707B CN113011707B CN202110195548.6A CN202110195548A CN113011707B CN 113011707 B CN113011707 B CN 113011707B CN 202110195548 A CN202110195548 A CN 202110195548A CN 113011707 B CN113011707 B CN 113011707B
- Authority
- CN
- China
- Prior art keywords
- stage
- index
- adjacent
- period
- detection period
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 91
- 230000005856 abnormality Effects 0.000 title claims abstract description 27
- 230000008569 process Effects 0.000 title claims description 39
- 238000001514 detection method Methods 0.000 claims abstract description 233
- 238000006243 chemical reaction Methods 0.000 claims abstract description 139
- 230000002159 abnormal effect Effects 0.000 claims abstract description 97
- 230000009466 transformation Effects 0.000 claims abstract description 33
- 238000013507 mapping Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims 2
- 230000008685 targeting Effects 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 43
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供了一种面向流程阶段的指标异常的根因定位方法及系统，根因定位方法包括：基于每个待检测阶段在当前检测周期和上一检测周期的指标值，依次确定各相邻阶段在当前检测周期和上一检测周期的转化率；基于所述每个待检测阶段在当前检测周期和上一检测周期的指标值﹑各相邻阶段在当前检测周期和上一检测周期的转化率，确定出初始阶段及后续每个相邻阶段的转化对异常指标的影响度和影响值；基于计算得到的初始阶段及后续每个相邻阶段转化的影响度，确定出至少一个，可能为初始阶段或某个相邻阶段转化，加入根因集合，有效提高了异常指标根因定位的准确性和解释性。
Description
技术领域
本申请涉及指标异常的根因定位的技术领域，尤其是涉及一种面向流程阶段的指标异常的根因定位方法及系统。
背景技术
伴随企业数字化转型的不断推进，数据大屏﹑指标看板﹑驾驶舱等数据产品越来越多的成为企业提升管理效能，但是这些产品大都采用可视化形式展现关键指标的同比﹑环比等变化情况，缺少针对异常指标的智能化诊断定位以及维度评价等能力。随着报表和看板应用的增多，当出现指标异常时，往往需要耗费大量人力和时间来完成问题定位。因此，如何快速﹑精准的定位异常指标产生的根因，成为不少管理者亟待解决的问题。
现阶段，孤立森林﹑随机游走﹑图神经网络﹑关联规则挖掘﹑决策树等机器学习算法在运维故障的诊断定位中得到了应用，这些方法的实施成本较高，大都通过学习产生的模型﹑规则进行定位，对根因的解释性差，难以刻画流程阶段及各阶段转化对异常指标产生的影响，导致根因定位的准确率偏低。
发明内容
有鉴于此，本申请的目的在于提供一种面向流程阶段的指标异常的根因定位方法及系统，通过指标流程图定位异常相关指标及对应的流程阶段，在此基础上确定各相邻检测阶段的转化率，进一步确定出初始阶段及后续每个相邻阶段转化对异常指标的影响度和影响值，最终计算得到根因集合，从而有效提高了异常指标根因定位的准确性和解释性。
本申请主要包括以下几个方面：
第一方面，本申请实施例提供了一种面向流程阶段的指标异常的根因定位方法，所述根因定位方法包括：
基于获取到的异常指标以及预先生成的指标流程图，依次确定出顺序在所述异常指标之前的各个指标以及对应的流程阶段；
基于每个待检测阶段在当前检测周期和上一检测周期的指标值，依次确定各相邻检测阶段在当前检测周期和上一检测周期的转化率；
基于所述每个待检测阶段在当前检测周期和上一检测周期的指标值﹑各相邻检测阶段在当前检测周期和上一检测周期的转化率，确定出初始阶段及后续每个相邻阶段的转化对异常指标的影响度和影响值；
基于计算得到的初始阶段及后续每个相邻阶段转化的影响度，确定出至少一个，可能为初始阶段或某个相邻阶段转化，加入根因集合。
在一些实施例中，通过以下步骤生成指标流程图，包括：
基于业务流程，生成与所述业务执行流程顺序对应的节点流程图，其中，节点流程图中的每个节点表示流程中的某个阶段或任务单元；
确定所述节点流程图中包含的每一个节点与对应的指标的映射关系；
根据所述节点流程图以及每一个节点及对应的指标的映射关系生成所述指标流程图。
在一些实施例中，基于所述每个待检测阶段在当前检测周期和上一检测周期的指标值，依次确定各相邻阶段在当前检测周期和上一检测周期的转化率，包括：
针对每一个待检测阶段，获取该待检测阶段在当前检测周期的指标值以及上一个检测周期的历史指标值；针对每一对相邻的检测阶段，依次计算出该相邻阶段在当前检测周期的转化率和上一检测周期的转化率。
在一些实施例中，基于所述每个待检测阶段在当前检测周期和上一检测周期的指标值﹑各相邻检测阶段在当前检测周期和上一检测周期的转化率，确定出初始阶段及后续每个相邻阶段的转化对异常指标的影响度和影响值，包括：
针对初始检测阶段，基于该检测阶段在当前周期的指标值、该检测阶段在上一周期的指标值以及后续各相邻检测阶段在上一周期的转化率，确定出该检测阶段对异常指标的影响值；
基于计算得到的影响值、异常指标在当前周期的指标值以及异常指标在上一周期的指标值，计算得到该检测阶段对异常指标的影响度；
针对每个相邻阶段的转化，基于该检测阶段在当前周期的指标值、该相邻阶段转化在当前周期的转化率、该相邻阶段转化在上一周期的转化率以及后续各相邻检测阶段在上一周期的转化率，确定出该相邻阶段转化对异常指标的影响值；
基于计算得到的影响值、异常指标在当前周期的指标值以及异常指标在上一周期的指标值，计算得到该相邻阶段转化对异常指标的影响度。
在一些实施例中，基于计算得到的初始阶段及后续每个相邻阶段转化的影响度，确定出至少一个，可能为初始阶段或某个相邻阶段转化，加入根因集合，包括：
将计算得到的初始阶段及后续每个相邻阶段的转化对异常指标的影响度按照由大到小排序；
针对每个影响度，检测该影响度是否大于预设的最低影响度阈值，如果大于，则将该影响度对应的阶段转化或者初始阶段加入根因集合中，更新所述根因集合，并将所述根因集合内包括的多个影响度进行加和，得到加和影响度；如果小于，则停止更新所述根因集合；
检测确定出的加和影响度是否大于预设的最高影响度阈值，如果大于，则输出最终的根因集合，如果小于，继续执行选取下一个影响度，确定更新后的加和影响度。
第二方面，本申请实施例还提供一种面向流程阶段的指标异常的根因定位系统，所述根因定位系统包括：
指标和检测阶段确定模块，用于基于获取到的异常指标以及预先生成的指标流程图，依次确定出顺序在所述异常指标之前的各个指标以及对应的流程阶段；
转化率确定模块，用于基于每个待检测阶段在当前检测周期和上一检测周期的指标值，依次确定各相邻检测阶段在当前检测周期和上一检测周期的转化率；
影响值和影响度确定模块，基于所述每个待检测阶段在当前检测周期和上一检测周期的指标值﹑各相邻检测阶段在当前检测周期和上一检测周期的转化率，确定出初始阶段及后续每个相邻阶段的转化对异常指标的影响度和影响值；
根因定位模块，用于基于计算得到的初始阶段及后续每个相邻阶段转化的影响度，确定出至少一个，可能为初始阶段或某个相邻阶段转化，加入根因集合。
在一些实施例中，还包括指标流程图生成模块，所述指标流程图生成模块用于：
基于业务流程，生成与所述业务执行流程顺序对应的节点流程图，其中，节点流程图中的每个节点表示流程中的某个阶段或任务单元；
确定所述节点流程图中包含的每一个节点与对应的指标的映射关系；
根据所述节点流程图以及每一个节点及对应的指标的映射关系生成所述指标流程图。
在一些实施例中，所述转化率确定模块在用于基于所述每个待检测阶段在当前检测周期和上一检测周期的指标值，依次确定各相邻阶段在当前检测周期和上一检测周期的转化率时，所述转化率确定模块用于：
针对每一个待检测阶段，获取该待检测阶段在当前检测周期的指标值以及上一个检测周期的历史指标值；针对每一对相邻的检测阶段，依次计算出该相邻阶段在当前检测周期的转化率和上一检测周期的转化率。
第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中所述的面向流程阶段的指标异常的根因定位方法的步骤。
第四方面，本申请实施例还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计算机程序，所述计算机程序被处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中所述的面向流程阶段的指标异常的根因定位方法的步骤。
本一种面向流程阶段的指标异常的根因定位方法及系统，根因定位方法包括：基于每个待检测阶段在当前检测周期和上一检测周期的指标值，依次确定各相邻阶段在当前检测周期和上一检测周期的转化率；基于所述每个待检测阶段在当前检测周期和上一检测周期的指标值﹑各相邻阶段在当前检测周期和上一检测周期的转化率，确定出初始阶段及后续每个相邻阶段的转化对异常指标的影响度和影响值；基于计算得到的初始阶段及后续每个相邻阶段转化的影响度，确定出至少一个，可能为初始阶段或某个相邻阶段转化，加入根因集合。
这样，通过指标流程图定位异常相关指标及对应的流程阶段，在此基础上确定各相邻检测阶段的转化率，进一步确定出初始阶段及后续每个相邻阶段转化对异常指标的影响度和影响值，最终计算得到根因集合，从而有效提高了异常指标根因定位的准确性和解释性。
本申请提供的根因定位方法对业务流程的变化有较好的适应性，流程改变，只需改变指标流程图，后续步骤无需调整，也不需要重新训练或更新规则，灵活度高。基于提出的影响值和影响度，可以精确刻画各流程阶段对异常的影响效果，为最终的根因定位奠定基础。通过节点流程图和指标流程图，待分析的流程阶段和指标将随着异常指标的确定而快速确定，大大缩小了参与根因定位的指标空间规模，提升了方法的执行效率。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的一种面向流程阶段的指标异常的根因定位方法的流程图；
图2为本申请实施例所提供的一种面向流程阶段的指标异常的根因定位方法中的节点流程图；
图3为本申请实施例所提供的一种面向流程阶段的指标异常的根因定位方法中的指标流程图；
图4为本申请实施例所提供的一种面向流程阶段的指标异常的根因定位系统的结构示意图；
图5示出了本申请实施例所提供的一种电子设备的结构示意图。
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，应当理解，本申请中的附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例，都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“面向流程阶段的指标异常的根因定位”，给出以下实施方式，对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。
本申请实施例下述方法、系统、电子设备或计算机可读存储介质可以应用于任何需要进行面向流程阶段的指标异常的根因定位的场景，本申请实施例并不对具体的应用场景作限制，任何使用本申请实施例提供的一种面向流程阶段的指标异常的根因定位方法及系统的方案均在本申请保护范围内。
值得注意的是，现阶段中，孤立森林﹑随机游走﹑图神经网络﹑关联规则挖掘﹑决策树等机器学习算法在运维故障的诊断定位中得到了应用，但是这些方法的实施成本较高，大都通过学习产生的模型﹑规则进行定位，对根因的解释性差，难以刻画流程阶段及各阶段转化对异常指标产生的影响，导致根因定位的准确率偏低。
对于此，本申请的一个方面提出了一种面向流程阶段的指标异常的根因定位方法，通过指标流程图定位异常相关指标及对应的流程阶段，在此基础上确定各相邻检测阶段的转化率，进一步确定出初始阶段及后续每个相邻阶段转化对异常指标的影响度和影响值，最终计算得到根因集合，从而有效提高了异常指标根因定位的准确性和解释性。
为便于对本申请进行理解，下面结合具体实施例对本申请提供的技术方案进行详细说明。
请参阅图1，图1为本申请实施例所提供的一种面向流程阶段的指标异常的根因定位方法的流程图。如图1中所示，所述根因定位方法包括：
S101：基于获取到的异常指标以及预先生成的指标流程图，依次确定出顺序在所述异常指标之前的各个指标以及对应的流程阶段。
该步骤中，根据异常指标和指标流程图，获取指标流程图中异常指标之前的多个指标以及对应的流程阶段。
其中，异常指标对应的阶段一般为某个业务流程的最后一个阶段。
这里，指标流程图为与业务流程顺序相对应的流程阶段的指标的流程图，每个节点表示一个阶段对应的指标。
上述步骤S101中通过以下步骤生成指标流程图，包括：
(1)基于业务流程，生成与所述业务执行流程顺序对应的节点流程图，其中，节点流程图中的每个节点表示流程中的某个阶段或任务单元。
这里，依据业务流程的执行顺序，确定出与业务流程执行顺序相一致的节点流程图。请参阅图2，图2为本申请实施例所提供的一种面向流程阶段的指标异常的根因定位方法中的节点流程图，如图2所示，其中的节点为业务流程中的任意一个业务执行阶段或者是任务单元，例如页面触达﹑电话拨打﹑报价﹑成交等其他业务执行阶段。在图2中，节点间的有向边表示业务流程中前后两个相邻阶段间的转化，且顺序为单向。
(2)确定所述节点流程图中包含的每一个节点与对应的指标的映射关系。
这里，节点流程图中的每一个节点都有对应的指标，并且每一个节点与每一个指标间的映射关系是唯一的，举例来讲，可以依据节点获取指标，反之也可以依据指标获取节点。例如，针对流程阶段集P＝{P1，P2，...，Pn}，假定Pi对应的指标为mi，则该流程阶段集对应的指标集M＝{m1，m2，...，mn}。
(3)根据所述节点流程图以及每一个节点及对应的指标的映射关系生成所述指标流程图。
这里，根据节点流程图和每一个节点与对应的指标的映射关系，生成指标流程图。请参阅图3，图3为一种面向流程阶段的指标异常的根因定位方法中的指标流程图，如图3所示，其中的每一个指标与节点流程图中每一个节点是对应的，指标流程图中的指标元素一般为同一类型且相互可比。
在具体实施中，根据业务流程执行顺序生成节点流程图，依据节点与指标间的映射关系生成指标流程图，这样不同指标间的依赖关系便完整建立了起来。当异常指标确定时，通过指标流程图可以快速的确定出异常指标之前的多个指标以及每个指标对应的流程阶段(流程节点)，大大缩小了参与根因定位的指标空间规模，提升了算法的执行效率。
S102：基于每个待检测阶段在当前检测周期和上一检测周期的指标值，依次确定各相邻检测阶段在当前检测周期和上一检测周期的转化率。
其中，转化率表示每个相邻待检测阶段之间的转化情况，检测周期可以为按天，按周，按月或按年等。
该步骤中，基于步骤S101中确定出的异常指标之前的各个指标以及对应的流程阶段，确定出每个待检测阶段在当前检测周期和上一检测周期的指标值，通过公式1以及公式2分别计算出每个相邻待检测阶段在当前周期的转化率以及上一周期的转化率。
F(Pi→Pi+1)＝A(mi+1)/A(mi)；公式(1)
F'(Pi→Pi+1)＝A'(mi+1)/A'(mi)；公式(2)
其中，相邻检测阶段为多个待检测阶段中的相邻两个检测阶段，如{P2，P3}。
其中，公式1中的F(Pi→Pi+1)为相邻检测阶段中Pi阶段到Pi+1阶段在当前周期的转化率，A(mi+1)为Pi+1阶段在当前检测周期的指标值，A(mi)为Pi阶段在当前检测周期的指标值。
公式2中的F'(Pi→Pi+1)为相邻检测阶段中Pi阶段到Pi+1阶段在上一周期的转化率，A'(mi+1)为Pi+1阶段在上一个检测周期的历史指标值，A'(mi)为Pi阶段在上一个检测周期的历史指标值。
上述步骤还包括：针对每一个待检测阶段，获取该待检测阶段在当前检测周期的指标值以及上一个检测周期的历史指标值；针对每一对相邻的检测阶段，依次计算出该相邻阶段在当前检测周期的转化率和上一检测周期的转化率。
S103：基于所述每个待检测阶段在当前检测周期和上一检测周期的指标值﹑各相邻检测阶段在当前检测周期和上一检测周期的转化率，确定出初始阶段及后续每个相邻阶段的转化对异常指标的影响度和影响值。
该步骤中，根据每个待检测阶段在当前检测周期和上一检测周期的指标值﹑各相邻检测阶段在当前检测周期和上一检测周期的转化率计算出初始阶段以及初始阶段之后的每个相邻阶段的转化对异常指标的影响值和影响度。
在上述步骤中，还包括：
(1)针对初始检测阶段，基于该检测阶段在当前周期的指标值、该检测阶段在上一周期的指标值以及后续各相邻检测阶段在上一周期的转化率，确定出该检测阶段对异常指标的影响值。
这里，假定初始阶段为P1，通过公式3计算得到初始阶段P1对异常指标的影响值，表示为IV(P1)。
IV(P1)＝(A(m1)-A'(m1))×F'(P1→P2)×...×F'(Pk-1→Pk)；公式(3)
(2)基于计算得到的影响值、异常指标在当前周期的指标值以及异常指标在上一周期的指标值，计算得到该检测阶段对异常指标的影响度。
这里，A(mk)和分别为异常指标mk在当前检测周期的指标值和上一周期的指标值，通过公式4计算得到初始阶段对异常指标的影响度，表示为IR(P1)。
IR(P1)＝IV(P1)/(A(mk)-A'(mk))；公式(4)
(3)针对每个相邻阶段的转化，基于该检测阶段在当前周期的指标值、该相邻阶段转化在当前周期的转化率、该相邻阶段转化在上一周期的转化率以及后续各相邻检测阶段在上一周期的转化率，确定出该相邻阶段转化对异常指标的影响值。
这里，相邻阶段的转化表示为Pi→Pi+1，其中，1≦i≦k-1，通过公式5计算每个相邻阶段转化对异常指标的影响值，表示为IV(Pi→Pi+1)。
IV(Pi→Pi+1)＝A(mi)*(F(Pi→Pi+1)-F′(Pi→Pi+1))*F′(Pi+1→Pi+2))…*F′(Pk-1→Pk)；公式(5)
(4)基于计算得到的影响值、异常指标在当前周期的指标值以及异常指标在上一周期的指标值，计算得到该相邻阶段转化对异常指标的影响度。
这里，通过公式6计算得到每一个相邻检测阶段对异常指标的影响度，表示为IR(Pi→Pi+1)。
IR(Pi→Pi+1)＝IV(Pi→Pi+1)/(A(mk)-A'(mk))；公式(6)
S104：基于计算得到的初始阶段及后续每个相邻阶段转化的影响度，确定出至少一个，可能为初始阶段或某个相邻阶段转化，加入根因集合。
该步骤中，根据初始阶段以及后续每个相邻阶段转化对异常指标的影响度，通过贪心算法确定出至少一个，可能为初始阶段或某个相邻阶段转化，加入到根因集合中，完成面向流程阶段的根因定位。
上述步骤还包括：
(a)将计算得到的初始阶段及后续每个相邻阶段的转化对异常指标的影响度按照由大到小排序。
这里，影响度可能会存在正值或负值，IR为正表示Pi到Pi+1转化对异常指标mk的影响与mk的指标值变化呈正相关，即A(mk)>A'(mk)时，Pi到Pi+1转化提升了mk的指标值，其中A(mk)为异常指标mk在当前周期的指标值，A'(mk)为异常指标mk在上一周期的历史指标值；当A(mk)<A'(mk)时，则是拉低mk的指标值。IR为负表示Pi到Pi+1转化对异常指标mk的影响与mk的指标变化呈负相关，即A(mk)<A'(mk)时，产生的影响是提升了mk的指标值。初始阶段和后续各相邻阶段转化的IR值存在如下关系：
将计算得到的IR值按照由大到小进行排序。
(b)针对每个影响度，检测该影响度是否大于预设的最低影响度阈值，如果大于，则将该影响度对应的阶段转化或者初始阶段加入根因集合中，更新所述根因集合，并将所述根因集合内包括的多个影响度进行加和，得到加和影响度；如果小于，则停止更新所述根因集合。
这里，对于每个影响度，判断其是否大于预设的最低影响度阈值，如果影响度大于最低影响度阈值，则将该影响度对应的阶段转化或者是初始阶段加入根因集合中，然后将根因集合内包括的多个影响度进行加和得到加和影响度。反之，如果影响度小于预设的最低影响度阈值，则停止更新所述根因集合。
(c)检测确定出的加和影响度是否大于预设的最高影响度阈值，如果大于，则输出最终的根因集合，如果小于，继续执行选取下一个影响度，确定更新后的加和影响度。
这里，判断加和影响度是否大于预设的最高影响度阈值，如果加和影响度大于预设的最高影响度阈值，则输出最终的根因集合，算法终止；反之，如果加和影响度小于预设的最高影响度阈值，则继续选取下一影响度进行加和，直到加和影响度大于预设的最高阈值才会终止算法。
在具体实施过程中，根据确定出的影响度，计算得到包含至少一个元素的根因集合，根据获取到的根因集合进一步通过多智能下钻分析(Adtributor)算法从各个维度分别钻取分析，定位出给这些阶段转化造成影响最大的维度组合。
举例来讲，三款互联网产品的业务节点流程表和指标流程表分别如表1，表2所示。其中，产品1的流程阶段集为{P1，P2，P3，P4，P5}，对应的指标集为{m1，m2，m3，m4，m5}，产品2的流程阶段集为{P1，P'2，P'3，P'4，P'5}，对应的指标集为{m1，m'2，m'3，m'4，m'5}，产品3的流程阶段集为{P1，P"2，P"3，P"4，P"5}，对应的指标集为{m1，m"2，m"3，m"4，m"5}，流程P1为三款产品的公共流程也就是初始流程阶段。若指标m5出现异常，则待分析的节点阶段集为{P1，P2，P3，P4，P5}，指标集为{m1，m2，m3，m4，m5}。针对指标mi，其当前周期的指标值和上一周期的历史指标值分别表示为A(mi)和A'(mi)。这里，以产品1为例，异常指标为m5，存在A(m1)≧A(m2)≧A(m3)≧A(m4)≧A(m5)，且A'(m1)≧A'(m2)≧A'(m3)≧A'(m4)≧A'(m5)。分别计算各相邻阶段Pi﹑Pi+1在当前周期和上一周期的转化率。Pi、Pi+1的当前周期的转化率和上一周期的转化率分别表示为F(Pi->Pi+1)，F'(Pi->Pi+1)。流程P1对异常指标m5的影响值IV(P1)计算为P1在当前周期的指标值A(m1)减去P1在上一周期的指标值A'(m1)，然后与后续各相邻阶段在上一周期的转化率相乘。影响度IR(P1)计算为IV(P1)除以异常指标m5在当前周期与上一周期的指标变化量。阶段P1到P2的转化的影响值计算为P1阶段在当前周期的指标值A(m1)，与P1到P2在当前周期的转化率和上一周期的转化率的差值相乘，然后再与后续各相邻阶段在上一周期的转化率相乘。影响度IR(P1->P2)计算为IV(P1->P2)除以异常指标m5在当前周期与上一周期的指标变化量。阶段P2到P3的转化，P3到P4的转化，P4到P5的转化对m5的影响值和影响度的计算依此类推。将计算得到的IR值按照由大到小进行排序。依次将影响度非负且高于预设的最低影响度阈值的阶段转化或初始阶段加入根因集合中，同时将IR值加和得到加和影响度值。当加和影响度值大于最高影响度阈值时，算法结束，输出最终的根因集合阶段。进一步通过Adtributor算法从各个维度分别钻取分析，定位出给这些阶段转化造成影响最大的维度组合。假定输出的根因阶段集合PRCA＝{P3->P4}，说明阶段P3到P4的转化率存在一定问题，对应的当前周期和上一周期的转化率分别为F(P3->P4)，F'(P3->P4)，接下来将围绕P3到P4的转化率，对所有相关维度进行钻取评价，最终输出维度集合和维度元素。
表1业务节点流程表
表2业务指标流程表
| 序号 | 指标符号 | 指标说明 |
| 1 | m1 | 进入门户首页的用户量 |
| 2 | m2 | 进入产品1落地页的用户量 |
| 3 | m3 | 进入产品1报价页的用户量 |
| 4 | m4 | 进入产品1支付页的用户量 |
| 5 | m5 | 产品1支付成功的用户量 |
| 6 | m'2 | 进入产品2介绍页的用户量 |
| 7 | m'3 | 进入产品2信息填写页的用户量 |
| 8 | m'4 | 进入产品2支付页的用户量 |
| 9 | m'5 | 产品2支付成功的用户量 |
| 10 | m"2 | 进入产品3介绍页的用户量 |
| 11 | m"3 | 进入产品3信息填写页的用户量 |
| 12 | m"4 | 进入产品3支付页的用户量 |
| 13 | m"5 | 产品3支付成功的用户量 |
本申请提供了一种面向流程阶段的指标异常的根因定位方法，基于获取到的异常指标以及预先生成的指标流程图，依次确定出顺序在所述异常指标之前的各个指标以及对应的流程阶段；基于每个待检测阶段在当前检测周期和上一检测周期的指标值，依次确定各相邻检测阶段在当前检测周期和上一检测周期的转化率；基于所述每个待检测阶段在当前检测周期和上一检测周期的指标值﹑各相邻检测阶段在当前检测周期和上一检测周期的转化率，确定出初始阶段及后续每个相邻阶段的转化对异常指标的影响度和影响值；基于计算得到的初始阶段及后续每个相邻阶段转化的影响度，确定出至少一个，可能为初始阶段或某个相邻阶段转化，加入根因集合。
这样，通过指标流程图定位异常相关指标及对应的流程阶段，在此基础上确定各相邻检测阶段的转化率，进一步确定出初始阶段及后续每个相邻阶段转化对异常指标的影响度和影响值，最终计算得到根因集合，从而有效提高了异常指标根因定位的准确性和解释性。
基于同一申请构思，本申请实施例中还提供了与上述实施例提供的一种面向流程阶段的指标异常的根因定位方法对应的一种面向流程阶段的指标异常的根因定位系统，由于本申请实施例中的系统解决问题的原理与本申请上述实施例一种面向流程阶段的指标异常的根因定位方法相似，因此系统的实施可以参见方法的实施，重复之处不再赘述。
请参阅图4，图4为本申请实施例所提供的一种面向流程阶段的指标异常的根因定位系统的结构示意图。如图4中所示，根因定位系统400包括：
指标和检测阶段确定模块401，用于基于获取到的异常指标以及预先生成的指标流程图，依次确定出顺序在所述异常指标之前的各个指标以及对应的流程阶段；
转化率确定模块402，用于基于每个待检测阶段在当前检测周期和上一检测周期的指标值，依次确定各相邻检测阶段在当前检测周期和上一检测周期的转化率；
影响值和影响度确定模块403，基于所述每个待检测阶段在当前检测周期和上一检测周期的指标值﹑各相邻检测阶段在当前检测周期和上一检测周期的转化率，确定出初始阶段及后续每个相邻阶段的转化对异常指标的影响度和影响值；
根因定位模块404，用于基于计算得到的初始阶段及后续每个相邻阶段转化的影响度，确定出至少一个，可能为初始阶段或某个相邻阶段转化，加入根因集合。
可选的，指标和检测阶段确定模块401在用于通过以下步骤生成指标流程图，包括：
基于业务流程，生成与所述业务执行流程顺序对应的节点流程图，其中，节点流程图中的每个节点表示流程中的某个阶段或任务单元；
确定所述节点流程图中包含的每一个节点与对应的指标的映射关系；
根据所述节点流程图以及每一个节点及对应的指标的映射关系生成所述指标流程图。
可选的，转化率确定模块402在用于基于所述每个待检测阶段在当前检测周期和上一检测周期的指标值，依次确定各相邻阶段在当前检测周期和上一检测周期的转化率时，所述转化率确定模块402用于：
针对每一个待检测阶段，获取该待检测阶段在当前检测周期的指标值以及上一个检测周期的历史指标值；针对每一对相邻的检测阶段，依次计算出该相邻阶段在当前检测周期的转化率和上一检测周期的转化率。
可选的，影响值和影响度确定模块403在用于基于所述每个待检测阶段在当前检测周期和上一检测周期的指标值﹑各相邻检测阶段在当前检测周期和上一检测周期的转化率确定出初始阶段及后续每个相邻阶段的转化对异常指标的影响度和影响值时，所述影响值和影响度确定模块403用于：
针对初始检测阶段，基于该检测，阶段在当前周期的指标值、该检测阶段在上一周期的指标值以及后续各相邻检测阶段在上一周期的转化率，确定出该检测阶段对异常指标的影响值；
基于计算得到的影响值、异常指标在当前周期的指标值以及异常指标在上一周期的指标值，计算得到该检测阶段对异常指标的影响度；
针对每个相邻阶段的转化，基于该检测阶段在当前周期的指标值、该相邻阶段转化在当前周期的转化率、该相邻阶段转化在上一周期的转化率以及后续各相邻检测阶段在上一周期的转化率，确定出该相邻阶段转化对异常指标的影响值；
基于计算得到的影响值、异常指标在当前周期的指标值以及异常指标在上一周期的指标值，计算得到该相邻阶段转化对异常指标的影响度。
可选的，根因定位模块404在用于基于计算得到的初始阶段及后续每个相邻阶段转化的影响度，确定出至少一个，可能为初始阶段或某个相邻阶段转化，加入根因集合时，所述根因定位模块404：
将计算得到的初始阶段及后续每个相邻阶段的转化对异常指标的影响度按照由大到小排序；
针对每个影响度，检测该影响度是否大于预设的最低影响度阈值，如果大于，则将该影响度对应的阶段转化或者初始阶段加入根因集合中，更新所述根因集合，并将所述根因集合内包括的多个影响度进行加和，得到加和影响度；如果小于，则停止更新所述根因集合；
检测确定出的加和影响度是否大于预设的最高影响度阈值，如果大于，则输出最终的根因集合，如果小于，继续执行选取下一个影响度，确定更新后的加和影响度。
本申请提供了一种面向流程阶段的指标异常的根因定位系统，指标和检测阶段确定模块，用于基于获取到的异常指标以及预先生成的指标流程图，依次确定出顺序在所述异常指标之前的各个指标以及对应的流程阶段；转化率确定模块，用于基于每个待检测阶段在当前检测周期和上一检测周期的指标值，依次确定各相邻检测阶段在当前检测周期和上一检测周期的转化率；影响值和影响度确定模块，用于基于所述每个待检测阶段在当前检测周期和上一检测周期的指标值﹑各相邻检测阶段在当前检测周期和上一检测周期的转化率，确定出初始阶段及后续每个相邻阶段的转化对异常指标的影响度和影响值；根因定位模块，用于基于计算得到的初始阶段及后续每个相邻阶段转化的影响度，确定出至少一个，可能为初始阶段或某个相邻阶段转化，加入根因集合。
这样，通过指标流程图定位异常相关指标及对应的流程阶段，在此基础上确定各相邻检测阶段的转化率，进一步确定出初始阶段及后续每个相邻阶段转化对异常指标的影响度和影响值，最终计算得到根因集合，从而有效提高了异常指标根因定位的准确性和解释性。
请参阅图5，图5为本申请实施例所提供的一种电子设备的结构示意图。如图5中所示，所述电子设备500包括处理器510、存储器520和总线530。
所述存储器520存储有所述处理器510可执行的机器可读指令，当电子设备500运行时，所述处理器510与所述存储器520之间通过总线530通信，所述机器可读指令被所述处理器510执行时，可以执行如上述图1所示方法实施例中的面向流程阶段的指标异常的根因定位方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例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计算机程序，所述计算机程序被处理器运行时可以执行如上述图1所示实施例中的面向流程阶段的指标异常的根因定位方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
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，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本申请所提供的几个实施例中，应所述理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者所述技术方案的部分可以以软件产品的形式体现出来，所述计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(RandomAccessMemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种面向流程阶段的指标异常的根因定位方法，其特征在于，所述根因定位方法包括：
基于获取到的异常指标以及预先生成的指标流程图，依次确定出顺序在所述异常指标之前的各个指标以及对应的流程阶段；
基于每个待检测阶段在当前检测周期和上一检测周期的指标值，依次确定各相邻检测阶段在当前检测周期和上一检测周期的转化率；
基于所述每个待检测阶段在当前检测周期和上一检测周期的指标值﹑各相邻检测阶段在当前检测周期和上一检测周期的转化率，确定出初始阶段及后续每个相邻阶段的转化对异常指标的影响度和影响值；
基于计算得到的初始阶段及后续每个相邻阶段转化的影响度，确定出至少一个初始阶段或者相邻阶段转化，并将确定出来的至少一个初始阶段或者相邻阶段转化加入根因集合；
通过以下步骤生成指标流程图，包括：
基于业务流程，生成与所述业务执行流程顺序对应的节点流程图，其中，节点流程图中的每个节点表示流程中的某个阶段或任务单元；
确定所述节点流程图中包含的每一个节点与对应的指标的映射关系；
根据所述节点流程图以及每一个节点及对应的指标的映射关系生成所述指标流程图；
基于所述每个待检测阶段在当前检测周期和上一检测周期的指标值﹑各相邻检测阶段在当前检测周期和上一检测周期的转化率，确定出初始阶段及后续每个相邻阶段的转化对异常指标的影响度和影响值，包括：
针对初始检测阶段，基于该检测阶段在当前周期的指标值、该检测阶段在上一周期的指标值以及后续各相邻检测阶段在上一周期的转化率，确定出该检测阶段对异常指标的影响值；
基于计算得到的影响值、异常指标在当前周期的指标值以及异常指标在上一周期的指标值，计算得到该检测阶段对异常指标的影响度；
针对每个相邻阶段的转化，基于该检测阶段在当前周期的指标值、该相邻阶段转化在当前周期的转化率、该相邻阶段转化在上一周期的转化率以及后续各相邻检测阶段在上一周期的转化率，确定出该相邻阶段转化对异常指标的影响值；
基于计算得到的影响值、异常指标在当前周期的指标值以及异常指标在上一周期的指标值，计算得到该相邻阶段转化对异常指标的影响度。
2.根据权利要求1所述的定位方法，其特征在于，基于所述每个待检测阶段在当前检测周期和上一检测周期的指标值，依次确定各相邻阶段在当前检测周期和上一检测周期的转化率，包括：
针对每一个待检测阶段，获取该待检测阶段在当前检测周期的指标值以及上一个检测周期的历史指标值；针对每一对相邻的检测阶段，依次计算出该相邻阶段在当前检测周期的转化率和上一检测周期的转化率。
3.根据权利要求1所述的根因定位方法，其特征在于，基于计算得到的初始阶段及后续每个相邻阶段转化的影响度，确定出至少一个初始阶段或者相邻阶段转化，并将确定出来的至少一个初始阶段或者相邻阶段转化加入根因集合，包括：
将计算得到的初始阶段及后续每个相邻阶段的转化对异常指标的影响度按照由大到小排序；
针对每个影响度，检测该影响度是否大于预设的最低影响度阈值，如果大于，则将该影响度对应的阶段转化或者初始阶段加入根因集合中，更新所述根因集合，并将所述根因集合内包括的多个影响度进行加和，得到加和影响度；如果小于，则停止更新所述根因集合；
检测确定出的加和影响度是否大于预设的最高影响度阈值，如果大于，则输出最终的根因集合，如果小于，继续执行选取下一个影响度，确定更新后的加和影响度。
4.一种面向流程阶段的指标异常的根因定位系统，其特征在于，所述根因定位系统包括：
指标和检测阶段确定模块，用于基于获取到的异常指标以及预先生成的指标流程图，依次确定出顺序在所述异常指标之前的各个指标以及对应的流程阶段；
转化率确定模块，用于基于每个待检测阶段在当前检测周期和上一检测周期的指标值，依次确定各相邻检测阶段在当前检测周期和上一检测周期的转化率；
影响值和影响度确定模块，用于基于所述每个待检测阶段在当前检测周期和上一检测周期的指标值﹑各相邻检测阶段在当前检测周期和上一检测周期的转化率，确定出初始阶段及后续每个相邻阶段的转化对异常指标的影响度和影响值；
根因定位模块，用于基于计算得到的初始阶段及后续每个相邻阶段转化的影响度，确定出至少一个初始阶段或者相邻阶段转化，并将确定出来的至少一个初始阶段或者相邻阶段转化加入根因集合；
根因定位系统还包括指标流程图生成模块，所述指标流程图生成模块用于：
基于业务流程，生成与所述业务执行流程顺序对应的节点流程图，其中，节点流程图中的每个节点表示流程中的某个阶段或任务单元；
确定所述节点流程图中包含的每一个节点与对应的指标的映射关系；
根据所述节点流程图以及每一个节点及对应的指标的映射关系生成所述指标流程图；
影响值和影响度确定模块在用于基于所述每个待检测阶段在当前检测周期和上一检测周期的指标值﹑各相邻检测阶段在当前检测周期和上一检测周期的转化率，确定出初始阶段及后续每个相邻阶段的转化对异常指标的影响度和影响值时，影响值和影响度确定模块具体用于：
针对初始检测阶段，基于该检测阶段在当前周期的指标值、该检测阶段在上一周期的指标值以及后续各相邻检测阶段在上一周期的转化率，确定出该检测阶段对异常指标的影响值；
基于计算得到的影响值、异常指标在当前周期的指标值以及异常指标在上一周期的指标值，计算得到该检测阶段对异常指标的影响度；
针对每个相邻阶段的转化，基于该检测阶段在当前周期的指标值、该相邻阶段转化在当前周期的转化率、该相邻阶段转化在上一周期的转化率以及后续各相邻检测阶段在上一周期的转化率，确定出该相邻阶段转化对异常指标的影响值；
基于计算得到的影响值、异常指标在当前周期的指标值以及异常指标在上一周期的指标值，计算得到该相邻阶段转化对异常指标的影响度。
5.根据权利要求4所述的根因定位系统，其特征在于，所述转化率确定模块在用于基于所述每个待检测阶段在当前检测周期和上一检测周期的指标值，依次确定各相邻阶段在当前检测周期和上一检测周期的转化率时，所述转化率确定模块用于：
针对每一个待检测阶段，获取该待检测阶段在当前检测周期的指标值以及上一个检测周期的历史指标值；针对每一对相邻的检测阶段，依次计算出该相邻阶段在当前检测周期的转化率和上一检测周期的转化率。
6.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至3中任一所述的面向流程阶段的指标异常的根因定位的步骤。
7.一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计算机程序，所述计算机程序被处理器运行时执行如权利要求1至3中任一所述的面向流程阶段的指标异常的根因定位的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110195548.6A CN113011707B (zh) | 2021-02-19 | 2021-02-19 | 一种面向流程阶段的指标异常的根因定位方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110195548.6A CN113011707B (zh) | 2021-02-19 | 2021-02-19 | 一种面向流程阶段的指标异常的根因定位方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113011707A CN113011707A (zh) | 2021-06-22 |
| CN113011707B true CN113011707B (zh) | 2024-03-01 |
Family
ID=76405205
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110195548.6A Active CN113011707B (zh) | 2021-02-19 | 2021-02-19 | 一种面向流程阶段的指标异常的根因定位方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113011707B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108009040A (zh) * | 2017-12-12 | 2018-05-08 | 杭州时趣信息技术有限公司 | 一种确定故障根因的方法、系统和计算机可读存储介质 |
| CN110516971A (zh) * | 2019-08-29 | 2019-11-29 | 杭州网易再顾科技有限公司 | 异常检测的方法、装置、介质和计算设备 |
| CN111327435A (zh) * | 2018-12-13 | 2020-06-23 | 中兴通讯股份有限公司 | 一种根因定位方法、服务器和存储介质 |
-
2021
- 2021-02-19 CN CN202110195548.6A patent/CN113011707B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108009040A (zh) * | 2017-12-12 | 2018-05-08 | 杭州时趣信息技术有限公司 | 一种确定故障根因的方法、系统和计算机可读存储介质 |
| CN111327435A (zh) * | 2018-12-13 | 2020-06-23 | 中兴通讯股份有限公司 | 一种根因定位方法、服务器和存储介质 |
| CN110516971A (zh) * | 2019-08-29 | 2019-11-29 | 杭州网易再顾科技有限公司 | 异常检测的方法、装置、介质和计算设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113011707A (zh) | 2021-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106951925B (zh) | 数据处理方法、装置、服务器及系统 | |
| CN102722709B (zh) | 一种垃圾图片识别方法和装置 | |
| JP6843882B2 (ja) | 履歴ログからの学習と、ｅｔｌツール内のデータアセットに関するデータベースオペレーションの推奨 | |
| US8676818B2 (en) | Dynamic storage and retrieval of process graphs representative of business processes and extraction of formal process models therefrom | |
| CN107391542B (zh) | 一种基于文件知识图谱的开源软件社区专家推荐方法 | |
| US8170894B2 (en) | Method of identifying innovations possessing business disrupting properties | |
| CN110689084B (zh) | 一种异常用户识别方法及装置 | |
| CN111401700A (zh) | 一种数据分析方法、装置、计算机系统及可读存储介质 | |
| CN110909868A (zh) | 基于图神经网络模型的节点表示方法和装置 | |
| CN111339072B (zh) | 基于用户行为的变化值分析方法、装置、电子设备及介质 | |
| CN114997263B (zh) | 基于机器学习的结训率分析方法、装置、设备及存储介质 | |
| CN115600840A (zh) | 用户群体碳排放动态画像模型构建方法、装置及设备 | |
| CN109977131A (zh) | 一种房型匹配系统 | |
| CN113011707B (zh) | 一种面向流程阶段的指标异常的根因定位方法及系统 | |
| CN111460293B (zh) | 信息推送方法、装置及计算机可读存储介质 | |
| CN112990583A (zh) | 一种数据预测模型的入模特征确定方法及设备 | |
| CN104899283A (zh) | 一种针对单个不确定图的频繁子图挖掘与优化方法 | |
| CN104317892B (zh) | 可移植可执行文件的时序特征处理方法及装置 | |
| CN115034812B (zh) | 基于大数据的钢铁行业销售量预测方法及装置 | |
| CN111126629B (zh) | 模型的生成方法、刷单行为识别方法、系统、设备和介质 | |
| CN114881521A (zh) | 业务评估方法、装置、电子设备以及存储介质 | |
| CN114240179A (zh) | 一种基于事件图谱的财务流程挖掘方法和相关装置 | |
| CN113159926A (zh) | 贷款业务的还款日期确定方法及装置 | |
| CN112750047A (zh) | 行为关系信息提取方法及装置、存储介质、电子设备 | |
| CN112149880A (zh) | 用户规模预测方法、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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |