CN113469482A - 用于数据分析的方法、设备以及计算机可读存储介质 - Google Patents
用于数据分析的方法、设备以及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113469482A CN113469482A CN202010247398.4A CN202010247398A CN113469482A CN 113469482 A CN113469482 A CN 113469482A CN 202010247398 A CN202010247398 A CN 202010247398A CN 113469482 A CN113469482 A CN 113469482A
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- determining
- current
- event
- 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
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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3466—Performance evaluation by tracing or monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
- G06F2201/81—Threshold
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
- G06F2201/86—Event-based monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例涉及一种用于数据分析的方法、设备以及计算机可读存储介质。该方法包括至少基于与影响历史事件的历史因素相关联的历史条件数据和历史结果数据生成所述历史因素和所述历史事件的结果之间的关联关系,所述历史结果数据指示由所述历史因素引起的所述历史事件的所述结果;确定针对当前事件所选择的至少一个感兴趣的目标结果,所述当前事件与所述历史事件相关联;确定影响所述当前事件的当前因素和与所述至少一个感兴趣的目标结果相关联的至少一个目标对象;以及至少基于所述关联关系、与所述当前因素相关联的当前条件数据和所述至少一个目标对象,确定所述至少一个感兴趣的目标结果的数据。以此方式,能够实现更细粒度的预测,满足用户对决策精细化的需求。
Description
技术领域
本公开的实施例涉及人工智能领域,更具体地,涉及用于数据分析的方法、系统和存储介质。
背景技术
一般而言,用户在做决策之前,希望能够提前评估该决策可能实现的效果,或者对比多种决策方案之间的效果差异。例如,在市场研究领域,决策者希望了解通过调整产品、服务、品牌等战略是否能提升客户满意度,采用哪种策略能达到最佳的提升效果。
又例如在人力资源管理领域,管理者希望了解不同的员工激励政策将达到怎样的激励效果,从而在企业利益和员工利益之间找到平衡。此外,在故障识别领域,操作人员希望了解哪些技术流程、操作方法以及设备结构的改进能够降低发生故障的可能性。
该决策可能引起的效果可以通过基于因果模型的策略预测系统来实现。这种因果模型通常可以通过历史数据来建立。在建立因果模型之后,通过输入不同的策略,策略预测系统可以对策略效果进行预测,从而实现对决策效果的评估,帮助用户选择效果最优的策略。
发明内容
本公开的实施例提供一种用于数据分析的方法、系统和存储介质。
根据本公开的第一方面,提出了一种用于数据分析的方法。该方法包括:至少基于与影响历史事件的历史因素相关联的历史条件数据和历史结果数据生成所述历史因素和所述历史事件的结果之间的关联关系,所述历史结果数据指示由所述历史因素引起的所述历史事件的所述结果;确定针对当前事件所选择的至少一个感兴趣的目标结果,所述当前事件与所述历史事件相关联;确定影响所述当前事件的当前因素和与所述至少一个感兴趣的目标结果相关联的至少一个目标对象;以及至少基于所述关联关系、与所述当前因素相关联的当前条件数据和所述至少一个目标对象,确定所述至少一个感兴趣的目标结果的数据。
根据本公开的第二方面,提出了一种用于数据分析的设备。该设备包括:至少一个处理单元;至少一个存储器,该至少一个存储器被耦合到该至少一个处理单元并且存储用于由该至少一个处理单元执行的指令,该指令当由该至少一个处理单元执行时,使得该设备执行动作,该动作包括:至少基于与影响历史事件的历史因素相关联的历史条件数据和历史结果数据生成所述历史因素和所述历史事件的结果之间的关联关系,所述历史结果数据指示由所述历史因素引起的所述历史事件的所述结果;确定针对当前事件所选择的至少一个感兴趣的目标结果,所述当前事件与所述历史事件相关联;确定影响所述当前事件的当前因素和与所述至少一个感兴趣的目标结果相关联的至少一个目标对象;以及至少基于所述关联关系、与所述当前因素相关联的当前条件数据和所述至少一个目标对象,确定所述至少一个感兴趣的目标结果的数据。
在本公开的第三方面,提供了一种计算机可读存储介质。该计算机可读存储介质具有存储在其上的计算机可读程序指令,该计算机可读程序指令用于执行根据第一方面所描述的方法。
提供发明内容部分是为了以简化的形式来介绍对概念的选择,它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或必要特征,也无意限制本公开的范围。
附图说明
通过结合附图对本公开示例性实施例进行更详细的描述,本公开的上述以及其它目的、特征和优势将变得更加明显,其中,在本公开示例性实施例中,相同的参考标号通常代表相同部件。
图1图示了本公开实施例可以在其中执行的环境的示意图;
图2图示了根据本公开实施例的因果关系的实例的有向无环图;
图3图示了根据本公开的实施例的一个使用场景的示意图;
图4图示了根据本公开实施例的数据分析的交互过程的示意图;
图5图示了根据本公开实施例的数据分析的示例性过程的流程图;
图6图示了根据本公开实施例的确定历史因素和历史事件结果之间的过程的流程图;
图7图示了根据本公开实施例的确定目标对象的过程的流程图;
以及
图8图示了可以用来实施本公开内容的实施例的示例设备的示意性框图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例,然而应该理解,可以以各种形式实现本公开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使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
在本公开的实施例中,术语“模型”一般是指针对参照某种系统的特征,采用数学语言概括地或近似地表述出的该系统的关系结构。模型一般可以通过利用已知数据进行训练来生成。生成的模型可以包括模型结构和模型参数等等。模型参数可以根据具体模型的类型不同而不同。术语“因果模型”(causal model)一般是指描述系统的因果效应结构。
一般而言,用户在做决策之前,希望能够提前评估该决策可能实现的效果,或者对比多种决策方案之间的效果差异。例如,在零售业行业,在制定促销方案前,决策者希望了解每种促销方案将会带来多大的收益,从而选择最佳促销方案。
随着计算机技术的不断发展,数据分析已经被广泛地应用于人们生活的各个方面,诸如深度神经网络模型等分析设备越来越多地被用于决策评估和目标预测等各种类型的任务中。因此,上述决策可能带来的效果可以通过建立因果模型来实现。这种因果模型通常可以通过历史数据来建立。在建立因果模型之后,通过输入不同的策略,策略预测系统可以对策略效果进行预测,从而实现对决策效果的评估,满足各领域的用户需求。
然而,针对用于生成因果模型的数据,传统的方案对于数据样本的类型存在特定的类型要求,从而使得模型的生成具有一定的局限性。此外,传统方案生成的因果模型,例如基于贝叶斯网络生成的模型结构存在一些问题。例如这种因果模型只能实现对平均效果的预测,无法对个体或不同群体做出更细粒度的预测,从而无法满足用户对决策精细化的需求。因此,期望实现能够针对不同粒度下的目标对象而对决策做出更加精确和有目的性的预测。
此外,还期望实现一种自动化的数据分析方案。例如能够从用户设备或诸如工业传感器等信息采集设备连续或定期获取数据样本来作为决策数据,以根据客户需要分析相应的决策效果。
还可能期望的是,对所预测的决策效果进行评估,一旦发现预测的决策效果与用户希望的效果存在差距,则为用户生成警示,以使得用户能够及时调整策略。
根据本公开的一些实施例,提出一种用于数据分析的方案。在该方案中,首先可以至少基于与影响历史事件的历史因素相关联的历史条件数据和历史结果数据生成历史因素和历史事件的结果之间的关联关系。该历史结果数据指示由历史因素引起的历史事件的结果。随后,可以确定针对当前事件所选择的至少一个感兴趣的目标结果。该当前事件与历史事件存在一定的关联。之后可以确定影响该当前事件的当前因素和与至少一个感兴趣的目标结果相关联的至少一个目标对象,并且可以进而至少基于关联关系、与当前因素相关联的当前条件数据和至少一个目标对象,确定至少一个感兴趣的目标结果的数据。以此方式,能够实现更细粒度的预测,满足用户对决策精细化的需求。
示例环境
以下将参照附图来具体描述本公开的实施例。图1示出了本公开的多个实施例能够在其中实现的示例环境100的示意图。如图1所示,该示例环境100包括数据分析设备110。该数据分析设备110可以包括数据库111和预测单元112。
数据库111可以用于存储通过多种渠道、例如信息采集设备、调查问卷等方式获取所需的数据文件。例如,针对零售行业,数据库111可以存储以往的促销方案及历史销售记录等信息。
此外,数据库111还可以具有对数据进行常规预处理的功能。该预处理例如可以包括异常数据检测、数据清洗、缺失值填补、样本过滤、因素选择等步骤,从而提高数据质量。
预测单元112可以用于利用从数据库111提取到的已有数据来学习特定的知识,以用于处理新数据。预测单元112可以被设计用于执行各种任务,诸如决策评估、结果预测、目标检测等等。分析单元120的示例包括但不限于各类深度神经网络(DNN)、卷积神经网络(CNN)、支持向量机(SVM)、决策树、随机森林模型等等。
在一些实施例中,如果预测单元112用于执行决策评估任务,例如通过某些商业数据评估商场促销事件对于商场营业额的影响,预测单元112可以提供对于输入的与商场促销事件相关联的因素的评估。
在一些实施例中,预测单元112可以从数据库111中获取与历史促销事件关联的商业数据并基于这些数据生成影响历史促销事件的因素与结果(例如营业额)之间的因果关系模型。在一些实施例中,可以将影响当前促销事件的因素输入到分析单元120所建立的因果关系模型中,来预测感兴趣的与当前促销事件相关联的结果。
在一些实施例中,如果预测单元112用于执行工业自动化场景下的目标检测,预测单元112例如通过与技术流程、操作方法以及设备结构相关联的数据来分析其对于设备故障的影响。
在一些实施例中,预测单元112可以从外部信息采集设备周期性地获取与设备操作以及设备属性相关联的数据样本并进行数据样本对设备故障的影响的数据分析。如果确定某些设备操作以及设备属性引起设备故障的可能性超出阈值范围,预测单元112还可以向用户发出预警。
应当理解,图1示出的运行环境100仅仅出于示例性的目的,而并非旨在对运行环境进行限定。运行环境100还可以包括任意数目的计算单元或处理单元。
在下文中将结合图1进一步详细描述在预测单元112中的因果关系模型的生成和针对预定目标的预测过程。
因果关系示例
图2图示了根据本公开实施例的因果关系的实例的有向无环图(DirectedAcyclic Graph,DAG)。在描述因果关系模型的生成以及预测过程之前,首先结合图2阐述关于因果效应的一个实例。
通常使用DAG来描述多个变量之间的因果效应。该DAG可以包括代表变量的节点以及代表变量之间的因果效应的有向边和路径。例如,由父节点指向其子节点的有向边可以表示:父节点所代表的变量与子节点所代表的变量之间具有直接因果效应。又例如,从一个节点指向另一节点的路径可以表示:两个节点所代表的变量之间具有间接因果效应。
在图2中,变量“优惠幅度”210、变量“商品类别”230可以被视为处理变量,变量“促销结果”240为结果变量。变量“优惠幅度”210以及变量“商品类别”230到变量“促销结果”240的边203和204可以被定义为直接边,这表示变量“优惠幅度”210以及变量“商品类别”230能够对变量“促销结果”240产生直接的影响。
此外,图2还包括中介变量“客户体验”220。变量“优惠幅度”210到变量“客户体验”220的边201可以被定义为直接边,而变量“优惠幅度”210经过变量“客户体验”220到变量“促销结果”240的边202可以被定义为间接边。这表示,变量“优惠幅度”210能够影响变量“客户体验”220,而变量“客户体验”220又可以对变量“促销结果”240造成影响。
例如,如果优惠幅度较大,则可能造成前来购买商品的客户过多,甚至超出商场能够承担的负荷。由此可能造成商场的停车位不足、销售人员服务水平下降、库存商品不足等影响客户体验的情况,因此客户体验也会影响到最终的销售额。
应当理解,图2示出的有向无环图仅仅示例性的表示了可能影响结果变量的条件变量(即处理变量和中介变量)。图2示出的有向无环图还可以包括其他可能的处理变量和中介变量以及它们与结果变量之间的直接边和/或间接边。
示例使用场景
图3图示了根据本公开的实施例的一个使用场景的示意图。以下结合图3进一步说明根据本公开的实施例的应用。
如图3所示,使用场景500可以包括图1中的数据分析设备110和用户设备310。数据分析设备110与用户设备310之间可以进行通信。
例如,在因果模型建立阶段,数据分析设备110可以周期性地从用户设备获取与可能影响所要预测的目标结果相关联的条件数据的多个数据样本,使得数据分析设备110能够基于大量数据样本建立用于预测目标结果的因果模型。
在一些实施例中,如果数据分析设备110执行工业自动化场景下的目标检测,用户设备310例如可以与布置在工业自动化场景下的多个工业传感器(未示出)连接。工业传感器将采集的环境数据上报到用户设备310,而这些环境数据经由用户设备310被发送的数据分析设备110,以使得数据分析设备能够获得足够的数据样本。
此外,在结果预测阶段,数据分析设备110可以从用户设备310获取用户对于该预测过程的一些个性化需求,例如感兴趣的预测目标、针对数据样本的约束条件等。在预测完成之后,数据分析设备110可以向用户设备310发送预测结果。
在一些实施例中,如果数据分析设备110确定预测结果与用户期望的结果存在较大差距,数据分析设备110还可以向用户设备310发送关于该差距的警报。
应当理解,图3仅仅示出了示例性的应用场景。在该场景中可以包括任意数目的用户设备310。此外,数据分析设备110也可以例如作为用户设备310中的模块,或以芯片的形式被集成在该用户设备310中。
示例交互过程
图4图示了根据本公开实施例的数据分析的交互过程400的示意图。在交互过程可以被实施在图3中示出的使用场景中。因此,仍以图3中的数据分析设备110和用户设备310为例来描述交互过程。
数据分析设备110可以从用户设备310获取405影响事件的因素的条件数据和由于该因素造成的事件结果的数据。在一些实施中,条件数据可以周期性地或连续地从用户设备310发送至数据分析设备110。该条件数据例如是由用户输入到用户设备310的数据。可选的,该条件数据也可以是连接到用户设备310的例如传感器等其他外围数据采集设备采集并上报到用户设备310的数据。
通过大量数据样本,数据分析设备110可以确定410条件数据和结果数据之间的因果关系,例如,传感器采集到关于部件的温度数据、部件所处的工业环境的环境数据、部件的使用频率数据和该部件的老化程度数据的多个数据样本。数据分析设备110例如可以确定针对该部件而言,部件温度水平、环境因素、使用频率对部件老化程度的影响。此外数据分析设备110例如还可以进一步预测该部件出现故障的可能性、出现故障的频率间隔以及由此带来的设备维护成本等等。
用户设备310可以向数据分析设备110发送415针对另一事件的指示。该指示例如可以包括用户针对该另一事件感兴趣的预测目标、影响该另一事件的可能因素、与可能因素有关的约束条件以及与用户感兴趣的目标结果关联的目标对象中的一个或多个信息。
数据分析设备110例如从指示中获取到影响该另一事件的可能因素的条件数据和用户针对该另一事件感兴趣的预测目标。例如该可能因素的条件数据可以是另一部件所处操作环境的一些环境参数,而该另一部件与先前事件中的部件由同样的材料组成。数据分析设备110可以确定该另一事件与先前事件相关联并且进而可以获取基于先前事件建立的因果关系模型。
数据分析设备110可以根据该因果关系模型和从来自用户设备310的指示中获取的一个或多个信息来确定420用户针对该另一事件感兴趣的预测目标的结果。例如,数据分析设备110可以将从来自用户设备310的指示中获取的一个或多个信系输入到因果模型中,将该因果模型的输出结果作为预测目标的结果。
数据分析设备110可以将该预测目标的结果发送425至用户设备310。如果用户对于预测目标的结果不满意,可以调整影响事件的因素的条件数据并发送给数据分析设备110进行再次预测。
此外,数据分析设备110可以基于预测目标的结果进行自动分析。例如用户设备310已经在之前将期望的结果范围发送到数据分析设备110。基于该期望的结果范围,如果数据分析设备110确定预测结果和期望结果之间的差异超出阈值差异,则可以向用户设备发送有关差异的警报。
以上从数据交互的角度简要描述了根据本公开的实施例的数据分析过程。以下将进一步结合另一实例对数据分析的细节进行阐述。
数据分析的示例过程
下文将参考图5至图7来更详细描述用于数据分析的过程。图5示出了根据本公开的一些实施例的用于数据分析的过程500的流程图。过程500可以由图1的数据分析设备110来实现。为了方便讨论,将结合图1来描述过程500。
如图5所示,在框510,数据分析设备110至少基于与影响历史事件的历史因素相关联的历史条件数据和历史结果数据生成历史因素和历史事件的结果之间的关联关系。该历史结果数据指示由历史因素引起的历史事件的结果。
在一些实施例中,数据分析设备110例如可以获取历史条件数据。该历史条件数据例如可以从在图1中示出的数据库111中得到。此外,该历史条件数据也可以通过其他方式、例如从周期性地从数据采集设备获取数据分析设备110中。如上文所述,该数据采集设备可以是直接或间接地连接到数据分析设备110。该数据采集设备例如可以是多个传感器。
在一些实施例中,所获取的历史条件数据可以包括不同的数据类型。例如,该历史条件数据的数据样本可以是离散的。此外,该历史条件数据的数据样本也可以是连续的。或者,历史条件数据的数据样本可以既包括离散数据样本又包括连续数据样本。
在一些实施例中,数据分析设备110还可以确定与历史条件数据相关联的历史结果数据,因为历史条件数据与影响历史事件的历史因素相关联,因此该历史结果数据可以指示由历史因素引起的历史事件的结果。例如,根据图2中示出的表示因果关系的有向无环图中示出的,历史条件数据例如可以是优惠幅度的情况,而历史结果数据例如可以是促销结果的情况。该历史结果数据例如也可以从数据库111直接获取。备选的,该历史结果数据例如也可以从其他外部设备输入的历史事件记录信息中获得。
基于该历史条件数据和历史结果数据,数据分析设备110能够生成历史因素和历史事件的结果之间的关联关系。
一种可能的情况是,例如由于所获得的历史条件数据的数据样本的样本数目不足或较为单一无法直接获得与某些历史条件数据相关联的历史结果数据。例如,所获取的历史条件数据的数据样本是与化妆品促销有关的数据,而历史结果是关于女性服装促销的收益。由于商品类型的不同会导致消费群体、消费周期、消费能力的差异,因此无法建立历史条件数据与历史结果数据之间的直接因果关系。
可能需要借助其他数据来确定它们之间的关系。因此,以下将结合图4进一步阐述图5的框510。图6是示出了根据本公开实施例的确定历史因素和历史事件结果之间的过程的流程图。
在框610,数据分析设备110获取历史条件数据。在框620,数据分析设备110判断所获取的历史条件数据的数据样本数目是否低于阈值数目,如果历史条件数据的数据样本数目低于阈值数目,即样本数目不足,则在框630,数据分析设备110获取参考数据。该参考数据例如包括专家知识。该参考数据能够指示历史条件数据对历史结果的影响程度。
继续参考图6,在框640,数据分析设备110可以通过历史条件数据和参考数据确定历史结果数据。在框650,数据分析设备110可以基于历史条件数据和历史结果数据,生成所述关联关系。
回到框620,如果历史条件数据的数据样本数目不低于阈值数目,则在框660,可以数据分析设备110基于历史条件数据确定历史结果数据,如在上文中已经描述的那样,并且在框650,基于历史条件数据和历史结果数据,生成所述关联关系。应当理解,在历史条件数据样本充足的情况下,也可以通过获取专家知识来进一步优化关联关系的建立过程。
此外,在生成影响历史事件的因素和历史事件结果的关联关系,即因果模型之后,可以进一步调整因果模型。例如在因果图中“修剪”掉一些对历史事件的影响较弱的边等等。例如,数据分析设备110可以通过计算因果模型中各个节点的影响因子的权重来减去一些分支。此外,也可以通过接收来自用户的指令来实施“修剪”过程。例如根据用户经验省略掉对预测目标影响较小的因素。
重新参考图5,在框520,数据分析设备110确定针对当前事件所选择的至少一个感兴趣的目标结果。该当前事件可以与历史事件相关联。例如,如果历史事件是某商场第一季度的促销情况,当前事件例如可以是该商场第三季度的促销情况。
在一个实施例中,可以接收来自用户的关于数据分析的指示并且基于该指示确定用户针对该当前事件选择的一个感兴趣的目标结果,这个目标结果可以是期望知晓的、由于当前事件的发生可能造成的结果。如果事件例如是该商场第三季度的促销情况,则感兴趣的目标结果例如是商品销售额。
可选地,该指示也可以包括用户选择的多个感兴趣的目标结果,这些目标结果都是由于事件的发生可能得到的。例如如果事件例如是该商场第三季度的促销情况,则感兴趣的目标结果例如是商品销售额、销售利润和销售量增长幅度等等。
与传统方式的因果模型只能选择一个目标结果相比,根据本公开的实施例的因果模型能够实现对于多个目标结果的预测。这能够提高数据分析的效率,为数据分析提供了扩展度和灵活度。
在框530,数据分析设备110确定影响当前事件的当前因素和与至少一个感兴趣的目标结果相关联的至少一个目标对象。仍以当前事件是该商场第三季度的促销情况为例,影响当前事件的当前因素例如可以涉及促销手段、例如商品降价幅度、买赠方案、积分换礼券方案等等。在一个实施例中,影响当前事件的当前因素可以通过来自用户的关于数据分析的指示进行获取。在一个实施例中,影响当前事件的当前因素也可以根据用户选择的至少一个感兴趣的目标结果自动地从影响相关历史事件的因素中进行选择。
对于与至少一个感兴趣的目标结果相关联的至少一个目标对象,根据本公开的方案可以将目标对象划分为不同粒度。图7图示了根据本公开实施例的确定目标对象的过程的流程图。以下结合图7来说明目标对象的确定。
在一个实施例中,在框710,数据分析设备110可以确定与当前因素的当前条件数据的数据样本相关联的对象集合。仍以当前事件是该商场第三季度的促销情况为例,对象集合例如可以是全体消费者。在框720,数据分析设备110可以进一步确定所期望的分组粒度。
在一个实施例中,可以接收来自用户的关于数据分析的指示并且基于该指示确定用户所期望的分组粒度。
在一些实施例中,所期望的分组粒度例如可以是个体对象。例如,商场的某位VVIP客户。当所期望的分组粒度为个体粒度时,用户可以获取训练数据或新数据文件,通过样本个体ID等信息,选定一个个体,获取该个体的相关数据,作为因果模型的初始值。
在一些实施例中,所期望的分组粒度例如可以是具有预定对象属性的一组对象。例如,年龄在28至35岁之间的女性消费者。当所期望的分组粒度为群体粒度时,用户可以获取训练数据或新数据文件,数据分析设备110可以会自动统计该群体各要素的均值,例如,以因果图(参见图2)中各个父节点的均值为基础,计算因果模型中非父节点的初始值。
在一个实施例中,所期望的分组粒度例如可以是多组对象,该多组对象各自具有不同的对象属性。当所期望的分组粒度为多组粒度时,用户可以获取训练数据或新数据文件,通过筛选条件筛选出不同的群体,如按性别分组的群体,或按商品类别分组的群体,对不同的分组群体分别建立因果模型,并分别计算因果模型中的初始值。
在框730,数据分析设备110可以基于分组粒度从对象集合中,确定与至少一个感兴趣的目标结果相关联的至少一个目标对象。
以此方式,根据本公开的实施例的因果模型能够实现更细粒度的预测,以满足用户对决策精细化的需求。
此外,在一个实施例中,数据分析设备110还可以确定当前因素的约束条件,该约束条件可以指示针对当前因素可选择的数据范围。例如影响当前事件的当前因素是商品降价幅度,则约束条件例如可以是折扣为5折到9折之间。再例如如果影响当前事件的当前因素是买赠方案,则约束条件例如可以是根据商品的品类设备消费返还金额从8%-10%不等。数据分析设备110可以基于约束条件确定与当前因素相关联的当前条件数据。
在一个实施例中,可以接收来自用户的关于数据分析的指示并且基于该指示确定用户所期望的约束条件。
重新回到图5,在框540,数据分析设备110至少基于关联关系、与当前因素相关联的当前条件数据和至少一个目标对象,确定至少一个感兴趣的目标结果的数据。
在一个实施例中,关联关系是上文中所述的因果模型。数据分析设备110可以将当前条件数据和至少一个目标对象的标识输入到因果模型中,该模型的输出则作为目标结果的数据。
此外,在一个实施例中,数据分析设备110可以获取针对至少一个目标对象的条件数据样本,该条件数据样本可以是历史训练数据样本或新数据样本。数据分析设备110基于该条件数据样本和因果模型来确定基于该至少一个目标对象的目标结果的数据。
通过本公开描述的数据分析的方案,能够建立用于决策估计的因果模型,该模型可以针对多个目标以及不同粒度的对象组进行目标结果的预测。以此方式,提高了分析的灵活度和精确性。同时,满足了用户对于不同预测粒度的需求。
示例设备
图8示出了可以用来实施本公开内容的实施例的示例设备800的示意性框图。例如,如图1所示的数据分析设备110或预测单元112可以由设备800来实施。如图所示,设备800包括中央处理单元(CPU)801,其可以根据存储在只读存储器(ROM)802中的计算机程序指令或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序指令,来执行各种适当的动作和处理。在RAM 803中,还可存储单元800操作所需的各种程序和数据。CPU801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键物理盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁物理盘、光物理盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理,例如方法500、600以及700可由处理单元801执行。例如,在一些实施例中,方法500、600以及700可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序被加载到RAM803并由CPU 801执行时,可以执行上文描述的方法500、600以及700的一个或多个动作。
本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储单元、磁存储单元、光存储单元、电磁存储单元、半导体存储单元或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机物理盘、硬物理盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩物理盘只读存储器(CD-ROM)、数字多功能物理盘(DVD)、记忆棒、软物理盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储单元。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (29)
1.一种用于数据分析的方法,包括:
至少基于与影响历史事件的历史因素相关联的历史条件数据和历史结果数据生成所述历史因素和所述历史事件的结果之间的关联关系,所述历史结果数据指示由所述历史因素引起的所述历史事件的所述结果;
确定针对当前事件所选择的至少一个感兴趣的目标结果,所述当前事件与所述历史事件相关联;
确定影响所述当前事件的当前因素和与所述至少一个感兴趣的目标结果相关联的至少一个目标对象;以及
至少基于所述关联关系、与所述当前因素相关联的当前条件数据和所述至少一个目标对象,确定所述至少一个感兴趣的目标结果的数据。
2.根据权利要求1所述的方法,还包括:
获取历史条件数据,所述历史条件数据包括以下中的至少一项:
连续型历史条件数据,以及
离散型历史条件数据。
3.根据权利要求2所述的方法,其中获取所述历史条件数据包括:
周期性地从数据采集设备获取所述历史条件数据。
4.根据权利要求2所述的方法,其中生成所述关联关系包括:
响应于所获取的历史条件数据的数据样本数目低于阈值数目,获取参考数据,所述参考数据指示所述历史条件数据对所述历史结果的影响程度;
基于所述历史条件数据和所述参考数据,确定所述历史结果数据;以及
基于所述历史条件数据和所述历史结果数据,生成所述关联关系。
5.根据权利要求1所述的方法,其中确定所述至少一个感兴趣的目标结果包括:
从用户设备接收关于所述数据分析的第一指示;以及
基于所述第一指示确定所述至少一个感兴趣的目标结果。
6.根据权利要求1所述的方法,还包括:
确定所述当前因素的约束条件,所述约束条件指示针对所述当前因素可选择的数据范围;以及
基于所述约束条件确定与所述当前因素相关联的所述当前条件数据。
7.根据权利要求6所述的方法,其中确定所述约束条件包括:
从用户设备获取关于所述数据分析的第二指示;以及
基于所述第二指示确定所述约束条件。
8.根据权利要求1所述的方法,其中确定所述目标对象包括:
确定与所述当前因素的当前条件数据的数据样本相关联的对象集合;
确定所期望的分组粒度;以及
基于所述分组粒度从所述对象集合中,确定与所述至少一个感兴趣的目标结果相关联的所述至少一个目标对象。
9.根据权利要求8所述的方法,其中确定所述分组粒度包括:
从用户设备获取关于所述数据分析的第三指示;以及
基于所述第三指示确定所述约束条件。
10.根据权利要求8所述的方法,其中所述分组粒度包括以下中的至少一项:
个体对象,
具有预定对象属性的一组对象,以及
多组对象,所述多组对象具有不同的对象属性。
11.根据权利要求1所述的方法,其中所述关联关系是因果关系模型,其中确定所述目标结果的所述数据包括:
通过将所述当前条件数据和所述至少一个目标对象的标识输入到所述因果关系模型,来确定所述目标结果的所述数据。
12.根据权利要求1所述的方法,还包括:
向用户设备输出所确定的所述目标结果的所述数据。
13.根据权利要求1所述的方法,还包括:
为用户设备显示所确定的所述目标结果的所述数据。
14.根据权利要求1所述的方法,还包括:
获取所述目标结果的预定参考量;以及
响应于确定所述数据与所述预定参考量之间的差异超出阈值差异,向用户设备输出表征所述差异的信号。
15.一种用于数据分析的设备,包括:
至少一个处理器;以及
与所述至少一个处理器耦合的存储器,所述存储器包含有存储于其中的指令,所述指令在被所述至少一个处理单元执行时,使得所述设备执行动作,所述动作包括:
至少基于与影响历史事件的历史因素相关联的历史条件数据和历史结果数据生成所述历史因素和所述历史事件的结果之间的关联关系,所述历史结果数据指示由所述历史因素引起的所述历史事件的所述结果;
确定针对当前事件所选择的至少一个感兴趣的目标结果,所述当前事件与所述历史事件相关联;
确定影响所述当前事件的当前因素和与所述至少一个感兴趣的目标结果相关联的至少一个目标对象;以及
至少基于所述关联关系、与所述当前因素相关联的当前条件数据和所述至少一个目标对象,确定所述至少一个感兴趣的目标结果的数据。
16.根据权利要求15所述的设备,所述动作还包括:
获取历史条件数据,所述历史条件数据包括以下中的至少一项:
连续型历史条件数据,以及
离散型历史条件数据。
17.根据权利要求15所述的设备,其中通过以下方式获取所述历史条件数据:
周期性地从数据采集设备获取所述历史条件数据。
18.根据权利要求15所述的设备,其中通过以下方式生成所述关联关系:
响应于所获取的历史条件数据的数据样本数目低于阈值数目,获取参考数据,所述参考数据指示所述历史条件数据对所述历史结果的影响程度;
基于所述历史条件数据和所述参考数据,确定所述历史结果数据;以及
基于所述历史条件数据和所述历史结果数据,生成所述关联关系。
19.根据权利要求15所述的设备,其中通过以下方式确定所述至少一个感兴趣的目标结果:
从用户设备接收关于所述数据分析的第一指示;以及
基于所述第一指示确定所述至少一个感兴趣的目标结果。
20.根据权利要求15所述的设备,所述动作还包括:
确定所述当前因素的约束条件,所述约束条件指示针对所述当前因素可选择的数据范围;以及
基于所述约束条件确定与所述当前因素相关联的所述当前条件数据。
21.根据权利要求20所述的设备,其中通过以下方式确定所述约束条件:
从用户设备获取关于所述数据分析的第二指示;以及
基于所述第二指示确定所述约束条件。
22.根据权利要求15所述的设备,其中通过以下方式确定所述目标对象:
确定与所述当前因素的当前条件数据的数据样本相关联的对象集合;
确定所期望的分组粒度;以及
基于所述分组粒度从所述对象集合中,确定与所述至少一个感兴趣的目标结果相关联的所述至少一个目标对象。
23.根据权利要求22所述的设备,其中通过以下方式确定所述分组粒度:
从用户设备获取关于所述数据分析的第三指示;以及
基于所述第三指示确定所述约束条件。
24.根据权利要求22所述的设备,其中所述分组粒度包括以下中的至少一项:
个体对象,
具有预定对象属性的一组对象,以及
多组对象,所述多组对象具有不同的对象属性。
25.根据权利要求15所述的设备,其中所述关联关系是因果关系模型,其中通过以下方式确定所述目标结果的所述数据:
通过将所述当前条件数据和所述至少一个目标对象的标识输入到所述因果关系模型,来确定所述目标结果的所述数据。
26.根据权利要求15所述的设备,所述动作还包括:
向用户设备输出所确定的所述目标结果的所述数据。
27.根据权利要求15所述的设备,所述动作还包括:
为用户设备显示所确定的所述目标结果的所述数据。
28.根据权利要求15所述的设备,所述动作还包括:
获取所述目标结果的预定参考量;以及
响应于确定所述数据与所述预定参考量之间的差异超出阈值差异,向用户设备输出表征所述差异的信号。
29.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现根据权利要求1-15中的任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010247398.4A CN113469482A (zh) | 2020-03-31 | 2020-03-31 | 用于数据分析的方法、设备以及计算机可读存储介质 |
JP2021056535A JP2021170326A (ja) | 2020-03-31 | 2021-03-30 | データ分析に用いられる方法、デバイス及びプログラム |
US17/217,238 US20210304015A1 (en) | 2020-03-31 | 2021-03-30 | Method, device, and computer readable storage media for data analysis |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010247398.4A CN113469482A (zh) | 2020-03-31 | 2020-03-31 | 用于数据分析的方法、设备以及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113469482A true CN113469482A (zh) | 2021-10-01 |
Family
ID=77854913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010247398.4A Pending CN113469482A (zh) | 2020-03-31 | 2020-03-31 | 用于数据分析的方法、设备以及计算机可读存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210304015A1 (zh) |
JP (1) | JP2021170326A (zh) |
CN (1) | CN113469482A (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114860559A (zh) * | 2022-04-25 | 2022-08-05 | 北京字节跳动网络技术有限公司 | 用户操作录制方法、重现方法、装置、可读介质及设备 |
CN117972184A (zh) * | 2022-10-24 | 2024-05-03 | 中兴通讯股份有限公司 | 用户偏好分析方法及装置 |
CN117951627A (zh) * | 2024-03-21 | 2024-04-30 | 潍柴动力股份有限公司 | 一种时序数据预测方法、装置及电子设备 |
-
2020
- 2020-03-31 CN CN202010247398.4A patent/CN113469482A/zh active Pending
-
2021
- 2021-03-30 US US17/217,238 patent/US20210304015A1/en active Pending
- 2021-03-30 JP JP2021056535A patent/JP2021170326A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
US20210304015A1 (en) | 2021-09-30 |
JP2021170326A (ja) | 2021-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210304015A1 (en) | Method, device, and computer readable storage media for data analysis | |
US20150371244A1 (en) | Forecasting information technology workload demand | |
CN111131424B (zh) | 一种基于emd和多变量lstm相结合的服务质量预测方法 | |
Chen | The gamma CUSUM chart method for online customer churn prediction | |
US20150278849A1 (en) | Distributed processing of transaction data | |
US20200234218A1 (en) | Systems and methods for entity performance and risk scoring | |
US20210103899A1 (en) | Waste management system and method | |
CN109685537B (zh) | 用户行为的分析方法、装置、介质和电子设备 | |
CN112365283B (zh) | 一种优惠券发放方法、装置、终端设备及存储介质 | |
CN112232546A (zh) | 一种推荐概率预估方法、装置、电子设备及存储介质 | |
WO2021171202A1 (en) | Systems and methods using inventory data to measure and predict availability of products and optimize assortment | |
CN112598472A (zh) | 产品推荐方法、装置、系统、介质和程序产品 | |
CN113780329A (zh) | 用于识别数据异常的方法、装置、服务器和介质 | |
CN113065882A (zh) | 一种商品处理方法、装置及电子设备 | |
CN115797005A (zh) | 预测模型的训练、商品推荐方法、装置、电子设备及介质 | |
CN113626734B (zh) | 用户行为引导方法、装置、电子设备及存储介质 | |
US10467654B2 (en) | Forecasting customer channel choice using cross-channel loyalty | |
CN113780479A (zh) | 周期预测模型的训练方法及装置、周期预测方法、设备 | |
Yang et al. | Examining multi-category cross purchases models with increasing dataset scale–An artificial neural network approach | |
US20190156225A1 (en) | Optimizing a hierarchical rule-based decision policy | |
CN115983902A (zh) | 基于用户实时事件的信息推送方法及系统 | |
CN115392992A (zh) | 商品推荐方法、终端设备及计算机可读存储介质 | |
CN111784091A (zh) | 用于处理信息的方法和装置 | |
Stephen et al. | An intelligent cloud-based customer relationship management system to determine flexible pricing for customer retention | |
US20180322397A1 (en) | Detecting case families with anomalous frequencies in rule-based decision policies |
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 |