CN113781093A - 数据分析方法及装置、系统、存储介质、电子设备 - Google Patents
数据分析方法及装置、系统、存储介质、电子设备 Download PDFInfo
- Publication number
- CN113781093A CN113781093A CN202110459841.9A CN202110459841A CN113781093A CN 113781093 A CN113781093 A CN 113781093A CN 202110459841 A CN202110459841 A CN 202110459841A CN 113781093 A CN113781093 A CN 113781093A
- Authority
- CN
- China
- Prior art keywords
- user
- activity
- data
- feature
- metadata set
- 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 68
- 238000007405 data analysis Methods 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 title claims abstract description 30
- 230000000694 effects Effects 0.000 claims abstract description 204
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000002776 aggregation Effects 0.000 claims abstract description 11
- 238000004220 aggregation Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 230000006399 behavior Effects 0.000 claims description 48
- 238000012216 screening Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 2
- 238000005065 mining Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 54
- 238000004364 calculation method Methods 0.000 description 26
- 238000004458 analytical method Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 8
- 238000013500 data storage Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation 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
- 238000013486 operation strategy Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000007704 transition 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及数据处理技术领域，具体涉及一种数据分析方法及装置、系统、存储介质以及电子设备。所述方法包括：获取目标时间的原始活动数据，对所述原始活动数据进行分析，以提取活动触达用户对应的活动用户元数据集合；对所述活动用户元数据集合中的活动用户进行特征提取，以获取包含用户行为特征的活动用户特征元数据集合；基于历史用户特征数据，结合所述用户元数据集合、所述活动用户特征元数据集合进行特征聚合，以获取包含用户时序行为特征的活动用户时序特征元数据集合；利用预设维度信息对所述活动用户时序特征元数据集合进行处理，以获取包含预设维度的一级用户特征数据。本方案得到的一级用户特征数据，便于再次对目标潜在用户进行挖掘。
Description
技术领域
本公开涉及数据处理技术领域，具体涉及一种数据分析方法、一种数据分析装置、一种数据分析系统、一种存储介质以及一种电子设备。
背景技术
随着互联网技术的快速发展，各类电商的规模也在不断的扩大；同时，电商的运营数据也在成规模的扩展。通过对运营数据进行有效、准确的分析，得到营销活动、用户购物意向等方面的数据，变得越来越重要。
现有技术中大多采用离线计算的方式来计算活动效果的相关数据，通过对数据进行粗略的统计，得到用户行为的统计结果。但这样的方式并不能根据业务需求和系统负载进行有效的扩展。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种数据分析方法、一种数据分析装置、一种数据分析系统、一种存储介质以及一种电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的第一方面，提供一种数据分析方法，包括：
获取目标时间的原始活动数据，对所述原始活动数据进行分析，以提取活动触达用户对应的活动用户元数据集合；
对所述活动用户元数据集合中的活动用户进行特征提取，以获取包含用户行为特征的活动用户特征元数据集合；
基于历史用户特征数据，结合所述用户元数据集合、所述活动用户特征元数据集合进行特征聚合，以获取包含用户时序行为特征的活动用户时序特征元数据集合；
利用预设维度信息对所述活动用户时序特征元数据集合进行处理，以获取包含预设维度的一级用户特征数据。
在本公开的一种示例性实施例中，所述方法还包括：
基于所述一级用户特征数据生成报告数据，存储在搜索引擎中。
在本公开的一种示例性实施例中，所述方法还包括：
响应于用户输入的目标特征，并利用所述目标特征对所述一级用户特征数据进行筛选，以获取二级目标用户。
在本公开的一种示例性实施例中，所述获取原始活动数据，包括：
响应于活动触发指令，创建待处理任务；
基于待处理任务，调用目标服务以获取所述原始活动数据。
在本公开的一种示例性实施例中，所述对所述活动用户元数据集合中的活动用户进行特征提取，以获取包含用户行为特征的活动用户特征元数据集合，包括：
基于预设行为特征对所述活动用户元数据集合中的活动用户进行特征提取，以筛选包含所述预设行为特征的用户并生成所述活动用户特征元数据集合。
在本公开的一种示例性实施例中，所述基于历史用户特征数据，结合所述用户元数据集合、所述活动用户特征元数据集合进行特征聚合，以获取包含用户时序行为特征的活动用户时序特征元数据集合，包括：
对所述用户元数据集合中的用户进行分类，以获取当前目标时间对应的第一类型用户和第二类型用户；
基于目标特征对应的第一类型用户，和前序时间对应内的所述目标特征对应的所述活动用户特征元数据集合，更新所述目标特征对应的第一类型用户序列；以及
基于所述第二类型用户对所述前序时间对应的所述活动用户时序特征元数据集合进行更新，以获取更新的所述目标特征对应的第二类型用户序列；
基于更新后的所述第一类型用户序列和所述第二类型用户序列构建所述当前目标时间内所述目标特征对应的所述活动用户时序特征元数据集合。
在本公开的一种示例性实施例中，所述方法还包括：
将所述当前目标时间对应的所述活动用户时序特征元数据集合配置为前序时间对应的所述活动用户时序特征元数据集合，以迭代更新所述活动用户时序特征元数据集合。
根据本公开的第二方面，提供一种数据分析装置，包括：
活动用户元数据获取模块，用于获取目标时间的原始活动数据，对所述原始活动数据进行分析，以提取活动触达用户对应的活动用户元数据集合；
活动用户特征元数据获取模块，用于对所述活动用户元数据集合中的活动用户进行特征提取，以获取包含用户行为特征的活动用户特征元数据集合；
活动用户时序特征元数据获取模块，用于基于历史用户特征数据，结合所述用户元数据集合、所述活动用户特征元数据集合进行特征聚合，以获取包含用户时序行为特征的活动用户时序特征元数据集合；
一级用户特征数据获取模块，用于利用预设维度信息对所述活动用户时序特征元数据集合进行处理，以获取包含预设维度的一级用户特征数据。
根据本公开的第三方面，提供一种数据分析系统，包括：
活动创建模块，用于响应用户配置的活动信息创建当前活动任务，并将所述当前活动任务注册到任务管理模块；
任务调度模块，用于响应所述当前活动任务，在关系型数据库配置所述当前活动任务对应的任务状态数据，以及向对象存储服务器获取元数据并以执行上述的数据分析方法；
数据查询模块，用于根据用户输入端目标特征进行目标用户筛选，以获取包含所述目标特征的二级目标用户。
根据本公开的第四方面，提供一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的数据分析方法。
根据本公开的第五方面，提供一种电子设备，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行上述的数据分析方法。
本公开的一种实施例所提供的数据分析方法中，首先获取目标时间对应的原始活动数据，并对数据进行关联性分析来获取活动用户元数据集合；再对活动用于元数据集合进行用户特征提取得到包含用户行为特征的活动用户特征元数据集合；再将该些数据结合历史用户特征数据，从而对历史用户特征数据进行更新，以得到目标时间对应的包含时序特征的活动用户时序特征元数据集合；通过利用预设的维度信息对活动用户时序特征元数据进行分析和筛选，从而得到各用户包含时序特征变化的一级用户特征数据，进而能够结合时序对用户特征变化进行跟踪。通过得到包含时序特征的一级用户特征数据，便于再次对目标潜在用户进行挖掘。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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的附图。
图1示意性示出本公开示例性实施例中一种数据分析方法的示意图；
图2示意性示出本公开示例性实施例中一种获取活动用户时序特征元数据集合方法的示意图；
图3示意性示出本公开示例性实施例中一种数据分析方法的示意图；
图4示意性示出本公开示例性实施例中一种基于4A状态特征数据的处理方法的示意图；
图5示意性示出本公开示例性实施例中一种基于购买行为特征数据的处理方法的示意图；
图6示意性示出本公开示例性实施例中一种迭代计算的逻辑示意图；
图7示意性示出本公开示例性实施例中一种数据分析装置的示意图；
图8示意性示出本公开示例性实施例中一种数据分析系统的示意图；
图9示意性示出本公开示例性实施例中一种数据架构的示意图；
图10示意性示出本公开示例性实施例中一种电子设备的装置示意图；
图11示意性示出本公开示例性实施例中一种存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施方式中首先提供了一种数据分析方法，可以应用于对商家营销活动有效性的评估，以及对潜在用户、高质量用户的再挖掘。参考图1中所示，上述的数据分析方法可以包括以下步骤：
S1，获取目标时间的原始活动数据，对所述原始活动数据进行分析，以提取活动触达用户对应的活动用户元数据集合；
S2，对所述活动用户元数据集合中的活动用户进行特征提取，以获取包含用户行为特征的活动用户特征元数据集合；
S3，基于历史用户特征数据，结合所述用户元数据集合、所述活动用户特征元数据集合进行特征聚合，以获取包含用户时序行为特征的活动用户时序特征元数据集合；
S4，利用预设维度信息对所述活动用户时序特征元数据集合进行处理，以获取包含预设维度的一级用户特征数据。
本示例实施方式所提供的数据分析方法，一方面，可以得到各用户包含时序特征变化的一级用户特征数据，进而能够结合时序对用户特征变化进行跟踪。另一方面，通过得到包含时序特征的一级用户特征数据，便于再次对目标潜在用户进行挖掘。
下面，将结合附图及实施例对本示例实施方式中的数据分析方法的各个步骤进行更详细的说明。
在步骤S1中，获取目标时间的原始活动数据，对所述原始活动数据进行分析，以提取活动触达用户对应的活动用户元数据集合。
本示例实施方式中，上述的方法可以由服务器端和用户终端协作执行。具体来说，用户可以在终端设备上针对指定品牌、或者指定的商家创建活动任务，并配置具体的活动任务数据；例如，用户可以配合活动类型、活动时间、渠道类型等活动参数。例如，活动类型可以包括广告投放、直播互动、优惠券投放等等；活动时间可以是自定义的几个小时，或者是连续的多天。在活动任务数据创建完成后，便可以存储在服务器端。具体的，服务器端可以采用OSS数据存储服务(Object Storage Service，对象存储服务)。或者，在本公开的其他示例性实施例中，也可以在服务器端采用Hive(数据仓库)格式进行存储。
此外，上述的数据分析方法可以基于Spark框架；针对上述的活动任务，可以在MySQL关系数据库中配置该活动任务对应的任务运行状态表；同时，可以创建一Spark任务用于监控该任务运行状态表，例如活动任务状态监控任务；其中，任务运行状态可以是指Spark任务的等待、运行中、成功和失败等状态。另外，针对活动任务对应的数据结果，可以在MySQL关系数据库中配置该活动任务对应的数据计算状态表；同时，可以创建另一Spark任务用于监控该数据计算状态表，例如计算结果监控任务。其中，数据结果状态可以是指运行效果报告数据的等待、生产中、可用、任务失败不可用等状态。
本示例实施方式中，上述的步骤S1可以包括：
步骤S11，响应于活动触发指令，创建待处理任务；
步骤S12，基于待处理任务，调用目标服务以获取所述原始活动数据
具体来说，基于上述用户已创建的活动任务，可以根据用户触发的活动触发指令，或者基于定时任务触发的活动触发指令，创建战队该活动任务对应的待处理任务。举例来说，可以是用户在获取新的营销数据后，主动触发创建待处理任务；或者，可以是利用预先设定的定时任务，在活动期间每天的指定时间创建针对已更新的用户数据的待处理任务。
在执行待处理任务时，可以通过服务调用的方式向OSS服务器上提取指定时间周期的原始活动数据。举例来说，原始活动数据可以包括针对指定品牌或指定商家的活动类型、活动行为、活动时间等；还可以提取不同类型的用户活动行为数据表；例如，对应的数据表格可以包括广告曝光表、广告点击表等。该些表格可以为Hive格式的表格。在获取上述的各项原始活动数据后，可以进行数据清洗，利用用户ID或者商品ID等标识对各数据表进行关联，从而提取到由活动触达用户组成的活动用户元数据集合。并将该活动用户元数据集合存储至OSS上，以完成对第一界面的数据处理。
举例而言，活动触达用户的数据表可以如表1所示，活动触达用户对应的活动用户元数据可以包括活动触达用户的用户ID，以及对应的活动触达用户的日期信息。活动用户元数据集合可以通过表1来表示。
| 字段 | 类型 | 说明 |
| dt | DATE | 日期 |
| user_pin | STRING | 用户ID编码 |
表1
在步骤S2中，对所述活动用户元数据集合中的活动用户进行特征提取，以获取包含用户行为特征的活动用户特征元数据集合。
本示例实施方式中，在将活动用户元数据集合后，可以生成一任务完成指示信息。基于该任务完成指示信息，可以生成第二阶段数据的处理指令。基于该指令向OSS中提取活动用户元数据集合，以及用户行为特征表；将用户行为特征表中用户行为特征，与活动用户元数据集合中的活动触达用户数据进行关联，相当于利用用户行为特征对活动触达用户进行用户筛选，从而得到含用户行为特征的活动用户特征元数据集合。其中，用户特征表对应的用户行为特征可以包括购买、浏览、添加购物车等用户行为。在进行数据关联时，可以利用用户ID或者商品ID进行关联。从而得到第二阶段的数据结果。
举例来说，参考表2所示，活动用户特征元数据集合中可以包括日期、用户ID、用户购买金额等信息。其中，用户可以是指在活动期间有过购买行为的用户，日期可以是活动触达用户的购买时间。活动用户特征元数据集合可以通过表2来表示。
| 字段 | 类型 | 说明 |
| dt | DATE | 日期 |
| user_pin | STRING | 用户ID编码 |
| gmv | DOUBLE | 用户购买金额 |
表2
在步骤S3中，基于历史用户特征数据，结合所述用户元数据集合、所述活动用户特征元数据集合进行特征聚合，以获取包含用户时序行为特征的活动用户时序特征元数据集合。
本示例实施方式中，在上述的第一阶段的用户元数据集合、第二阶段的活动用户特征元数据集合的基础上，结合利用用户特征数据，对用户的多种特征进行聚合。其中，历史用户特征数据可以包括既有用户的4A状态表、用户平台注册时间表、品牌粉丝统计表等用户特征表。具体的，可以由OSS服务器上获取该些数据。其中，“4A”可以是指为了使营销活动和用户运营策略更具有针对性，4A用户分层模型根据用户与品牌商品互动行为的深浅程度将用户分为认知(Aware)、吸引(Appeal)、行动(Act)和拥护(Advocate)四个层次，关系逐次递进。
举例来说，如表3所示，活动用户时序特征元数据集合可以包括多个字段，包括日期、用户ID、活动触达时间序列、活动触达用户标签时间序列、活动触达用户购买特征序列，以及购买信息。
表3
本示例实施方式中，具体的，参考图2所示，上述的步骤S3可以包括：
步骤S31，对所述用户元数据集合中的用户进行分类，以获取当前目标时间对应的第一类型用户和第二类型用户；
步骤S32，基于目标特征对应的第一类型用户，和前序时间对应内的所述目标特征对应的所述活动用户特征元数据集合，更新所述目标特征对应的第一类型用户序列；以及
步骤S33，基于所述第二类型用户对所述前序时间对应的所述活动用户时序特征元数据集合进行更新，以获取更新的所述目标特征对应的第二类型用户序列；
步骤S34，基于更新后的所述第一类型用户序列和所述第二类型用户序列构建所述当前目标时间内所述目标特征对应的所述活动用户时序特征元数据集合。
本示例实施方式中，举例而言，参考图4所示，以用户的4A状态序列为例，结合活动用户元数据集合、4A状态特征数据表，以及前一天的4A状态序列数据，计算当前的目标时间，即最新一天的4A状态序列数据。
在获取上述的各项数据后，可以创建针对4A状态特征数据的计划任务，其中计划任务可以配置有活动时间dt、品牌编码等信息。输入并执行计划任务后，可以手段读取用户元数据集合，得到活动渠道触达用户，读取时间dt前所有活动触达用户。并将触达用户分为首次触达和非首次触达两种。对于dt当天首次触达的用户，结合dt当天和dt前一天的4A状态特征数据，计算出由触达前一天和触达当天的4A状态组成的序列[a0,a1]，即第一类型用户序列。对于dt当天非首次触达的用户，由dt前一天的活动人群时间序列特征数据，可获取每个用户的4A状态序列数据[a0,a1,…,an]，结合dt当天的4A状态特征数据，将这部分用户dt当天4A状态插入[a0,a1,…,an]的尾部，获取触达前一天至dt的4A状态序列[a0,a1,…,an,a(n+1)]，即第二类型用户序列。再将更新好的首次触达与非首次触达用户的4A状态序列数据合并起来，得到dt当天的4A状态时间序列计算结果。并可以用于进行后续人群分析报告的计算。
本示例实施方式中，举例而言，参考图5所示，以活动触达用户的购买行为特征为例，对上述的步骤S31-步骤S34进行说明。
具体的，涉及的数据包括活动用户元数据集合、购买特征数据，以及前一天的购买特征序列数据。在创建并输入针对购买特征的计划任务后，可以读取如表1所示的活动触达用户，获取计算时间dt前所有活动触达用户。结合dt当天的购买数据，计算出dt前触达用户在dt当天的购买数据。通过用户的触达时间，以及购买时间，从全部购买数据中，选取活动产生的有效购买，选取规则为：购买发生在用户触达之后的x天以内。通过计算得到的dt当天有效购买数据，结合dt前一天的购买特征数据，可将dt当天购买的用户分为首次购买和非首次购买两种，即第一类型用户和第二类型用户。对于dt当天首次购买的用户，可结合历史购买数据，更新购买特征，包括历史、365天、180天三种维度下的新老客标签等(即表3所示的purchase_status_map)。同时更新购买时间与购买金额的对应关系对应表(即表3所示的purchase_info_map)。对于dt当天非首次购买的用户，由于购买特征已经在之前的某次迭代中更新过了，只需要更新购买时间与购买金额的对应关系表。将更新好的首次购买与非首次购买用户的购买特征数据合并起来，得到dt当天的购买特征计算结果。可以用来进行后续购买分析报告的计算。
本示例实施方式中，上述的方法还可以包括：将所述当前目标时间对应的所述活动用户时序特征元数据集合配置为前序时间对应的所述活动用户时序特征元数据集合，以迭代更新所述活动用户时序特征元数据集合。
举例来说，基于上述的方法，如图6所示的迭代计算策略，在用户创建的活动对应的互动时间内，在第一天时，可以基于用户特征数据表和包含触达用户数据的活动用户元数据集合进行计算。在其他的每一天里，便可以基于前一日的数据和当日的数据进行迭代运算，从而能够得到连续的用户的时序特征变化数据。
在步骤S4中，利用预设维度信息对所述活动用户时序特征元数据集合进行处理，以获取包含预设维度的一级用户特征数据。
本示例实施方式中，在获取多个特征类别对应的活动用户时序特征元数据集合后，还可以根据预设的维度对活动用户时序特征元数据集合进行数据统计，从而得到一级用户特征数据，并形成活动效果分析数据表。基于所述一级用户特征数据生成的活动效果分析报告数据，可以存储在ElasticSearch搜索引擎中，便于用户快速、实时的读取报告数据。
举例来说，如表4所示，一级用户特征数据可以包括各特征标签下累计新增用户数量、用户4A状态流转数量、三种维度下的新客人数，以及三种维度下的老客人数等等。
表4
基于以上内容，在本示例实施方式中，参考图3所示，上述的方法还可以包括：
步骤S5，响应于用户输入的目标特征，并利用所述目标特征对所述一级用户特征数据进行筛选，以获取二级目标用户。
具体来说，对于用户而言，还可以利用特征关键词对一级用户特征数据进行筛选，从而可以筛选出包含指定特征的潜在用户。
举例来说，用户可以预先配置关键特征对应的关键词，并在用户终端输入关键词，在ElasticSearch搜索引擎利用关键词对一级用户特征数据进行目标用户的筛选，从而可以筛选出包含目标特征的用户人群。
本公开提供的数据分析方法，在用户创建营销活动对应的活动任务后，可以通过多种渠道原始活动数据，并进行统计和分析来得到实际活动触达人群对应的活动用户元数据集合，得到第一阶段数据结果。然后，利用预设的用户行为特征表对活动用户元数据集合进行关联，得到包含人群行为特征的活动用户特征元数据集合，得到第二阶段数据结果。之后，在第一阶段数据结果、第二阶段数据结果的基础上，结合已有的用户特征数据表，进行基于时序变化的特征聚合，从而生成活动人群时间序列特征数据，并基于该数据生成营销效果分析报告。通过得到活动人群时间序列特征数据，可以准确的获取各个用户的用户购买行为变化和用户标签变化的时序结果，以及随时间变化各类型用户数量的增加或减小。能够准确的得到营销活动中每一天的数据变化。或者，在一些实施例中，也可以根据需要将迭代计算的时间周期划分为1小时或几个小时。本公开可以实现先触达后购买的效果分析方法和基于时间序列的运营活动效果计算流程，可以支持对触达人群进行购买等行为的分析，通过选取触达后x天之内的购买行为数据，帮助品牌商评估由运营活动产生的有效转化效果。此外，本装置可结合时间的变化，用迭代计算用户特征时间序列的方式，来获取活动周期内用户层次、特征以及行为的变化情况，帮助品牌商多角度的评估营销活动的效果。根据运营效果分析，再次识别关键潜在人群的方法。可以基于用户运营效果数据，进行关键潜在人群提取，帮助品牌商进行再次触达，迭代地提升营销活动效果。
需要注意的是，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
进一步的，参考图7所示，本示例的实施方式中还提供了一种数据分析装置70，包括：活动用户元数据获取模块701、活动用户特征元数据获取模块702、活动用户时序特征元数据获取模块703以及一级用户特征数据获取模块704其中：
所述活动用户元数据获取模块701可以用于获取目标时间的原始活动数据，对所述原始活动数据进行分析，以提取活动触达用户对应的活动用户元数据集合。
所述活动用户特征元数据获取模块702可以用于对所述活动用户元数据集合中的活动用户进行特征提取，以获取包含用户行为特征的活动用户特征元数据集合。
所述活动用户时序特征元数据获取模块703可以用于基于历史用户特征数据，结合所述用户元数据集合、所述活动用户特征元数据集合进行特征聚合，以获取包含用户时序行为特征的活动用户时序特征元数据集合。
所述一级用户特征数据获取模块704可以用于利用预设维度信息对所述活动用户时序特征元数据集合进行处理，以获取包含预设维度的一级用户特征数据。
本示例实施方式中，所述数据分析装置70还可以包括：第一报告生成模块。
所述第一报告生成模块可以用于基于所述一级用户特征数据生成报告数据，存储在搜索引擎中。
本示例实施方式中，所述数据分析装置70还可以包括：目标用户筛选模块。
所述目标用户筛选模块可以用于响应于用户输入的目标特征，并利用所述目标特征对所述一级用户特征数据进行筛选，以获取二级目标用户。
本示例实施方式中，所述活动用户元数据获取模块701还可以包括：任务创建模块、数据提取模块。其中，
所述任务创建模块可以用于响应于活动触发指令，创建待处理任务。
所述数据提取模块可以用于基于待处理任务，调用目标服务以获取所述原始活动数据。
本示例实施方式中，所述活动用户特征元数据获取模块702可以用于基于预设行为特征对所述活动用户元数据集合中的活动用户进行特征提取，以筛选包含所述预设行为特征的用户并生成所述活动用户特征元数据集合。
本示例实施方式中，所述活动用户时序特征元数据获取模块703可以包括：用户分类模块、第一类型用户处理模块、第二类型用户处理模块和数据整合模块。其中：
所述用户分类模块可以用于对所述用户元数据集合中的用户进行分类，以获取当前目标时间对应的第一类型用户和第二类型用户；
所述第一类型用户处理模块可以用于基于目标特征对应的第一类型用户，和前序时间对应内的所述目标特征对应的所述活动用户特征元数据集合，更新所述目标特征对应的第一类型用户序列。
所述第二类型用户处理模块可以用于基于所述第二类型用户对所述前序时间对应的所述活动用户时序特征元数据集合进行更新，以获取更新的所述目标特征对应的第二类型用户序列。
所述数据整合模块可以用于基于更新后的所述第一类型用户序列和所述第二类型用户序列构建所述当前目标时间内所述目标特征对应的所述活动用户时序特征元数据集合。
本示例实施方式中，所述活动用户时序特征元数据获取模块703还可以包括：迭代管理模块。
所述迭代管理模块可以用于将所述当前目标时间对应的所述活动用户时序特征元数据集合配置为前序时间对应的所述活动用户时序特征元数据集合，以迭代更新所述活动用户时序特征元数据集合。
上述的数据分析装置中各模块的具体细节已经在对应的数据分析方法中进行了详细的描述，因此此处不再赘述。
进一步的，参考图8所示，本示例的实施方式中还提供了一种数据分析系统80，包括：活动创建模块801、任务调度模块802、数据查询模块803。其中，
所述活动创建模块801可以用于响应用户配置的活动信息创建当前活动任务，并将所述当前活动任务注册到任务管理模块。
所述任务调度模块802可以用于响应所述当前活动任务，在关系型数据库配置所述当前活动任务对应的任务状态数据，以及向对象存储服务器获取元数据并以执行上述实施例中所述的数据分析方法。
所述数据查询模块803可以用于根据用户输入端目标特征进行目标用户筛选，以获取包含所述目标特征的二级目标用户。
本示例实施方式中，上述的数据分析系统还可以包括数据存储模块。
具体来说，用户可以通过活动创建模块801创建活动任务，配置对应的活动信息。其中，活动信息可以包括：活动类型、活动时间等参数。并将生成的活动任务注册到任务调度模块802。
对于任务调度模块802来说，可以包括任务状态数据库和任务执行模块。其中，任务状态数据库可以包括在MySQL关系数据库上建立的任务运行状态表和数据计算状态表。其中，任务运行状态可以包括Spark任务的等待、运行中、成功和失败等状态；数据计算状态可以是指运营效果报告数据在等待、生产中、可用、任务失败不可用等状态。任务执行模块可以用于根据每天的数据和任务状态，以及用户注册的活动信息，形成执行计划，按上述数据分析方案对应的内容，按照次序分四个阶段实现数据计算。
本示例实施方式中，上述的数据分析系统还可以包括数据存储模块。具体来说，本方案中涉及了用于描述用户触达时间的活动用户元数据集合，用于描述活动人群特征数据的活动用户特征元数据集合，用于描述活动人群时序特征的活动用户时序特征元数据集合，以及用于描述活动效果分析的报告统计表。具体的，活动效果分析报告统计表存储在ElasticSearch搜索引擎上，便于快速、实时的读取报告数据；其余各项数据表存储在OSS服务器上，通过OSS数据存储服务进行读写。
本示例实施方式中，参考图9所示，可以使用Spark分布式计算框架，可以包含OSS存储服务器92、ElasticSearch搜索引擎91、Spark计算集群93以及Hive数据仓库94；其中，Spark计算集群93可以包括活动人群计算模块931、活动人群特征挖掘模块932、活动人群时序特征计算模块933、效果分析报告计算模块934。对于任务执行模块而言，用户运营效果数据计算可以分成四个阶段；其中，第一个计算阶段可以是对各活动渠道触达的用户进行提取，由活动人群计算模块实现，此阶段通过从服务端获取相关的活动参数，例如存储在Hive数据仓库中的营销活动行为表，包括活动类型、活动行为、活动时间等，读取不同类型的用户活动行为hive表，包括广告曝光表、广告点击表等。提取每天的活动触达人群数据，以活动人群元数据的形式存储在OSS服务器上。第二个计算阶段是对第一阶段的结果-活动触达人群进行特征的提取，由活动人群特征挖掘模块完成实现，它读取OSS服务器中活动触达人群元数据，以及从Hive数据仓库中获取用户行为特征hive表，将数据关联生成活动人群特征，以活动人群特征元数据的形式存储在OSS服务器上。第三个计算阶段可以是在第一、二阶段的计算结果的基础上，结合Hive数据仓库中已有的用户4A状态表、用户平台注册时间表、品牌粉丝统计表等用户特征hive表，由活动人群时序特征计算模块实现，将用户的多种特征进行聚合，生成活动人群时间序列特征数据，以活动人群时序特征元数据的形式存储在OSS服务器上。第四个计算阶段是根据第三阶段的结果，由效果分析报告计算模块完成实现，将活动效果数据计算出来，并存储在ElasticSearch搜索引擎上，可以包括包含了购买了商品的人群特征的人群分析报告，以及包含了购买商品的商品特征的购买分析报告，等等。其具体的方案细节与上述数据分析方法对应的实施例相同，在此不再赘述。
本公开通过使用Spark分布式计算框架，将活动效果分析报告统计表存储在ElasticSearch搜索引擎上，将用户触达时间数据表、活动人群特征数据表、活动人群时序特征组合表、活动效果分析报告统计表等数据存储在存储在OSS上，通过OSS数据存储服务进行读写；实现了可扩展的计算、存储、服务松耦合的用户运营效果数据评估方法。在活动效果追踪过程中，从Hive数据仓库中挖掘出来运营人群特征数据，通过Spark清洗加工后为用户保留，并使用OSS来进行存储，方便打通其他OSS相关的数据流，帮助品牌商针对关键特征人群进行再营销。此外，本装置使用ElasticSearch存储效果分析数据，便于快速、实时的读取报告。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
在本公开的示例性实施例中，还提供了一种能够实现上述方法的计算机系统。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图10来描述根据本发明的这种实施方式的电子设备的计算机系统600。图10显示的计算机系统600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图10所示，计算机系统600以通用计算设备的形式表现。计算机系统600的组件可以包括但不限于：上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的步骤。
存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
计算机系统600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该计算机系统600交互的设备通信，和/或与使得该计算机系统600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。通过输入/输出(I/O)接口650还可以连接显示单元640。并且，计算机系统600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器660通过总线630与计算机系统600的其它模块通信。应当明白，尽管图中未示出，可以结合计算机系统600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图11所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、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)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (11)
1.一种数据分析方法，其特征在于，所述方法包括：
获取目标时间的原始活动数据，对所述原始活动数据进行分析，以提取活动触达用户对应的活动用户元数据集合；
对所述活动用户元数据集合中的活动用户进行特征提取，以获取包含用户行为特征的活动用户特征元数据集合；
基于历史用户特征数据，结合所述用户元数据集合、所述活动用户特征元数据集合进行特征聚合，以获取包含用户时序行为特征的活动用户时序特征元数据集合；
利用预设维度信息对所述活动用户时序特征元数据集合进行处理，以获取包含预设维度的一级用户特征数据。
2.根据权利要求1所述的数据分析方法，其特征在于，所述方法还包括：
基于所述一级用户特征数据生成报告数据，存储在搜索引擎中。
3.根据权利要求1或2所述的数据分析方法，其特征在于，所述方法还包括：
响应于用户输入的目标特征，并利用所述目标特征对所述一级用户特征数据进行筛选，以获取二级目标用户。
4.根据权利要求1所述的数据分析方法，其特征在于，所述获取原始活动数据，包括：
响应于活动触发指令，创建待处理任务；
基于待处理任务，调用目标服务以获取所述原始活动数据。
5.根据权利要求1所述的数据分析方法，其特征在于，所述对所述活动用户元数据集合中的活动用户进行特征提取，以获取包含用户行为特征的活动用户特征元数据集合，包括：
基于预设行为特征对所述活动用户元数据集合中的活动用户进行特征提取，以筛选包含所述预设行为特征的用户并生成所述活动用户特征元数据集合。
6.根据权利要求1所述的数据分析方法，其特征在于，所述基于历史用户特征数据，结合所述用户元数据集合、所述活动用户特征元数据集合进行特征聚合，以获取包含用户时序行为特征的活动用户时序特征元数据集合，包括：
对所述用户元数据集合中的用户进行分类，以获取当前目标时间对应的第一类型用户和第二类型用户；
基于目标特征对应的第一类型用户，和前序时间对应内的所述目标特征对应的所述活动用户特征元数据集合，更新所述目标特征对应的第一类型用户序列；以及
基于所述第二类型用户对所述前序时间对应的所述活动用户时序特征元数据集合进行更新，以获取更新的所述目标特征对应的第二类型用户序列；
基于更新后的所述第一类型用户序列和所述第二类型用户序列构建所述当前目标时间内所述目标特征对应的所述活动用户时序特征元数据集合。
7.根据权利要求6所述的数据分析方法，其特征在于，所述方法还包括：
将所述当前目标时间对应的所述活动用户时序特征元数据集合配置为前序时间对应的所述活动用户时序特征元数据集合，以迭代更新所述活动用户时序特征元数据集合。
8.一种数据分析装置，其特征在于，所述装置包括：
活动用户元数据获取模块，用于获取目标时间的原始活动数据，对所述原始活动数据进行分析，以提取活动触达用户对应的活动用户元数据集合；
活动用户特征元数据获取模块，用于对所述活动用户元数据集合中的活动用户进行特征提取，以获取包含用户行为特征的活动用户特征元数据集合；
活动用户时序特征元数据获取模块，用于基于历史用户特征数据，结合所述用户元数据集合、所述活动用户特征元数据集合进行特征聚合，以获取包含用户时序行为特征的活动用户时序特征元数据集合；
一级用户特征数据获取模块，用于利用预设维度信息对所述活动用户时序特征元数据集合进行处理，以获取包含预设维度的一级用户特征数据。
9.一种数据分析系统，其特征在于，包括：
活动创建模块，用于响应用户配置的活动信息创建当前活动任务，并将所述当前活动任务注册到任务管理模块；
任务调度模块，用于响应所述当前活动任务，在关系型数据库配置所述当前活动任务对应的任务状态数据，以及向对象存储服务器获取元数据并以执行权利要求1至7中任一项所述的数据分析方法；
数据查询模块，用于根据用户输入端目标特征进行目标用户筛选，以获取包含所述目标特征的二级目标用户。
10.一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现根据权利要求1至7中任一项所述的数据分析方法。
11.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至7中任一项所述的数据分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110459841.9A CN113781093A (zh) | 2021-04-27 | 2021-04-27 | 数据分析方法及装置、系统、存储介质、电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110459841.9A CN113781093A (zh) | 2021-04-27 | 2021-04-27 | 数据分析方法及装置、系统、存储介质、电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113781093A true CN113781093A (zh) | 2021-12-10 |
Family
ID=78835710
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110459841.9A Pending CN113781093A (zh) | 2021-04-27 | 2021-04-27 | 数据分析方法及装置、系统、存储介质、电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113781093A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787136A (zh) * | 2016-05-24 | 2016-07-20 | 北京京东尚科信息技术有限公司 | 数据挖掘方法和装置 |
| CN107665444A (zh) * | 2017-05-19 | 2018-02-06 | 新站保险代理股份有限公司 | 一种基于用户在线行为的网络广告即时效应评价方法及系统 |
| CN108053257A (zh) * | 2017-12-27 | 2018-05-18 | 互动派科技股份有限公司 | 一种大数据用户运营金字塔体系的建立方法及应用系统 |
| CN111125266A (zh) * | 2019-12-24 | 2020-05-08 | 中国建设银行股份有限公司 | 数据处理方法、装置、设备及存储介质 |
| CN111177541A (zh) * | 2019-12-20 | 2020-05-19 | 上海淇玥信息技术有限公司 | 基于用户标签生成时间的数据分析方法及装置、服务器、存储介质 |
| US10672035B1 (en) * | 2013-03-15 | 2020-06-02 | Verizon Media Inc. | Systems and methods for optimizing advertising spending using a user influenced advertisement policy |
| CN111612499A (zh) * | 2020-04-03 | 2020-09-01 | 浙江口碑网络技术有限公司 | 信息的推送方法及装置、存储介质、终端 |
-
2021
- 2021-04-27 CN CN202110459841.9A patent/CN113781093A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10672035B1 (en) * | 2013-03-15 | 2020-06-02 | Verizon Media Inc. | Systems and methods for optimizing advertising spending using a user influenced advertisement policy |
| CN105787136A (zh) * | 2016-05-24 | 2016-07-20 | 北京京东尚科信息技术有限公司 | 数据挖掘方法和装置 |
| CN107665444A (zh) * | 2017-05-19 | 2018-02-06 | 新站保险代理股份有限公司 | 一种基于用户在线行为的网络广告即时效应评价方法及系统 |
| CN108053257A (zh) * | 2017-12-27 | 2018-05-18 | 互动派科技股份有限公司 | 一种大数据用户运营金字塔体系的建立方法及应用系统 |
| CN111177541A (zh) * | 2019-12-20 | 2020-05-19 | 上海淇玥信息技术有限公司 | 基于用户标签生成时间的数据分析方法及装置、服务器、存储介质 |
| CN111125266A (zh) * | 2019-12-24 | 2020-05-08 | 中国建设银行股份有限公司 | 数据处理方法、装置、设备及存储介质 |
| CN111612499A (zh) * | 2020-04-03 | 2020-09-01 | 浙江口碑网络技术有限公司 | 信息的推送方法及装置、存储介质、终端 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102253936B (zh) | 记录用户访问商品信息的方法及搜索方法和服务器 | |
| CN102737334B (zh) | 微细分定义系统 | |
| CN107507028B (zh) | 用户偏好确定方法、装置、设备及存储介质 | |
| AU2019283926A1 (en) | Predictive issue detection | |
| Hu et al. | Knowledge discovery of weighted RFM sequential patterns from customer sequence databases | |
| US11768908B2 (en) | System and method for collection of a website in a past state and retroactive analysis thereof | |
| CA2941700A1 (en) | Clickstream purchase prediction using hidden markov models | |
| CN111666304B (zh) | 数据处理装置、数据处理方法、存储介质与电子设备 | |
| CN104090888A (zh) | 一种用户行为数据的分析方法和装置 | |
| CN107205042B (zh) | 一种信息精准推送方法及系统 | |
| CN109034853B (zh) | 基于种子用户寻找相似用户方法、装置、介质和电子设备 | |
| CN108932625B (zh) | 用户行为数据的分析方法、装置、介质和电子设备 | |
| CN111782611B (zh) | 预测模型建模方法、装置、设备及存储介质 | |
| CN113297287A (zh) | 用户策略自动部署方法、装置及电子设备 | |
| CN113592605A (zh) | 基于相似产品的产品推荐方法、装置、设备及存储介质 | |
| CN111159515B (zh) | 数据处理方法、装置及电子设备 | |
| CN112287111B (zh) | 一种文本处理方法和相关装置 | |
| Farruh | Consumer life cycle and profiling: A data mining perspective | |
| Lettner et al. | Mobile interaction analysis: towards a novel concept for interaction sequence mining | |
| CN113793161A (zh) | 广告投放方法、广告投放装置、可读存储介质及电子设备 | |
| CN112801685A (zh) | 信息推送方法、装置、计算机设备及存储介质 | |
| Nowling et al. | A domain-driven, generative data model for big pet store | |
| JP6592574B1 (ja) | 記事解析装置、および、記事解析方法 | |
| CN113781093A (zh) | 数据分析方法及装置、系统、存储介质、电子设备 | |
| CN111127057A (zh) | 一种多维用户画像恢复方法 |
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 |