CN114708024A - 店铺数据的处理方法、装置、计算机设备和存储介质 - Google Patents
店铺数据的处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114708024A CN114708024A CN202210354549.5A CN202210354549A CN114708024A CN 114708024 A CN114708024 A CN 114708024A CN 202210354549 A CN202210354549 A CN 202210354549A CN 114708024 A CN114708024 A CN 114708024A
- Authority
- CN
- China
- Prior art keywords
- index
- total
- influence
- transaction
- store
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
-
- 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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0213—Consumer transaction fees
Abstract
本申请涉及一种店铺数据的处理方法、装置、计算机设备、存储介质和计算机程序产品。该方法包括:获取与目标店铺的成交总额相关联的总额影响指标集合,其中,总额影响指标是指影响成交总额的指标;获取目标店铺对应的交易不可控因素;针对总额影响指标集合中的每个总额影响指标,将交易不可控因素输入至预先训练好的总额影响指标预测模型,得到总额影响指标的预测指标值,其中,总额影响指标预测模型与总额影响指标相对应;在总额影响指标集合中,根据总额影响指标的预测指标值,确定异常的总额影响指标。采用本方法能够提高异常的总额影响指标的识别准确性。
Description
技术领域
本申请涉及异常数据识别技术领域,特别是涉及一种店铺数据的处理方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着人们生活水平的提高,商场已成为人们生活中必不可少的消费地点。在商场管理中,提升商场中店铺营收的成交总额,是商场正常运营的需求之一。
传统技术中,为了提升店铺营收的成交总额,通常是依赖于专家的经验,人为地分析出导致成交总额偏低的异常的总额影响指标。该总额影响指标是指影响成交总额的指标,例如可以是客单价、进店客流等等。
然而,采用人为方式来找出异常的总额影响指标,存在准确性较低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高异常的总额影响指标的识别准确性的店铺数据的处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种店铺数据的处理方法。所述方法包括:
获取与目标店铺的成交总额相关联的总额影响指标集合,其中,所述总额影响指标集合是由至少一个总额影响指标构成的集合,所述总额影响指标是指影响成交总额的指标;
获取目标店铺对应的交易不可控因素,其中,所述交易不可控因素是指在交易过程中不能被干预的因素;
针对所述总额影响指标集合中的每个总额影响指标,将所述交易不可控因素输入至预先训练好的总额影响指标预测模型,得到总额影响指标的预测指标值,其中,所述总额影响指标预测模型与所述总额影响指标相对应;
在所述总额影响指标集合中,根据所述总额影响指标的预测指标值,确定异常的总额影响指标。
在其中一个实施例中,所述方法还包括:
将所述交易不可控因素输入至预先训练好的成交总额预测模型,得到目标店铺的预测成交总额;
根据所述预测成交总额和目标店铺的实际成交总额,确定成交总额对应的第一经营指数;
根据所述第一经营指数,判断目标店铺的成交总额是否异常。
在其中一个实施例中,所述第一经营指数包括第一店铺经营指数、第一品牌经营指数或第一行业经营指数中的一种或多种;
所述将所述交易不可控因素输入至预先训练好的成交总额预测模型,得到目标店铺的预测成交总额,包括:
将目标店铺对应的外部环境信息输入至预先训练好的第一成交总额预测模型,得到目标店铺的第一预测成交总额,
所述根据所述预测成交总额和目标店铺的实际成交总额,确定成交总额对应的第一经营指数,包括:
将目标店铺的实际成交总额与所述第一预测成交总额相除,得到成交总额对应的第一店铺经营指数;
和/或,
所述将所述交易不可控因素输入至预先训练好的成交总额预测模型,得到目标店铺的预测成交总额,包括:
将目标店铺对应的所属品牌信息和外部环境信息输入至预先训练好的第二成交总额预测模型,得到目标店铺的第二预测成交总额,
所述根据所述预测成交总额和目标店铺的实际成交总额,确定成交总额对应的第一经营指数,包括:
将目标店铺的实际成交总额与所述第二预测成交总额相除,得到成交总额对应的第一品牌经营指数;
和/或,
所述将所述交易不可控因素输入至预先训练好的成交总额预测模型,得到目标店铺的预测成交总额,包括:
将目标店铺对应的所属行业信息、所属品牌信息和外部环境信息输入至预先训练好的第三成交总额预测模型,得到目标店铺的第三预测成交总额,
所述根据所述预测成交总额和目标店铺的实际成交总额,确定成交总额对应的第一经营指数,包括:
将目标店铺的实际成交总额与所述第三预测成交总额相除,得到成交总额对应的第一行业经营指数。
在其中一个实施例中,所述根据所述第一经营指数,判断目标店铺的成交总额是否异常,包括:
若所述第一经营指数小于预设的第一最小指数阈值,或所述第一经营指数大于预设的第一最大指数阈值,则判定目标店铺的成交总额异常。
在其中一个实施例中,所述在所述总额影响指标集合中,根据所述总额影响指标的预测指标值,确定异常的总额影响指标,包括:
针对所述每个总额影响指标,根据所述预测指标值和总额影响指标的实际指标值,确定总额影响指标对应的第二经营指数;
在所述总额影响指标集合中,将所述第二经营指数小于预设的第二最小指数阈值的总额影响指标,以及所述第二经营指数大于预设的第二最大指数阈值的总额影响指标,确定为异常的总额影响指标。
在其中一个实施例中,所述第二经营指数包括第二店铺经营指数、第二品牌经营指数或第二行业经营指数中的一种或多种;
所述将所述交易不可控因素输入至预先训练好的总额影响指标预测模型,得到总额影响指标的预测指标值,包括:
将目标店铺对应的外部环境信息输入至预先训练好的第一总额影响指标预测模型,得到总额影响指标的第一预测指标值,
所述根据所述预测指标值和总额影响指标的实际指标值,确定总额影响指标对应的第二经营指数,包括:
将总额影响指标的实际指标值与所述第一预测指标值相除,得到总额影响指标对应的第二店铺经营指数;
和/或,
所述将所述交易不可控因素输入至预先训练好的总额影响指标预测模型,得到总额影响指标的预测指标值,包括:
将目标店铺对应的所属品牌信息和外部环境信息输入至预先训练好的第二总额影响指标预测模型,得到总额影响指标的第二预测指标值,
所述根据所述预测指标值和总额影响指标的实际指标值,确定总额影响指标对应的第二经营指数,包括:
将总额影响指标的实际指标值与所述第二预测指标值相除,得到总额影响指标对应的第二品牌经营指数;
和/或,
所述将所述交易不可控因素输入至预先训练好的总额影响指标预测模型,得到总额影响指标的预测指标值,包括:
将目标店铺对应的所属行业信息、所属品牌信息和外部环境信息输入至预先训练好的第三总额影响指标预测模型,得到总额影响指标的第三预测指标值,
所述根据所述预测指标值和总额影响指标的实际指标值,确定总额影响指标对应的第二经营指数,包括:
将总额影响指标的实际指标值与所述第三预测指标值相除,得到总额影响指标对应的第二行业经营指数。
第二方面,本申请还提供了一种店铺数据的处理装置。所述装置包括:
指标获取模块,用于获取与目标店铺的成交总额相关联的总额影响指标集合,其中,所述总额影响指标集合是由至少一个总额影响指标构成的集合,所述总额影响指标是指影响成交总额的指标;
因素获取模块,用于获取目标店铺对应的交易不可控因素,其中,所述交易不可控因素是指在交易过程中不能被干预的因素;
指标值预测模块,用于针对所述总额影响指标集合中的每个总额影响指标,将所述交易不可控因素输入至预先训练好的总额影响指标预测模型,得到总额影响指标的预测指标值,其中,所述总额影响指标预测模型与所述总额影响指标相对应;
指标识别模块,在所述总额影响指标集合中,根据所述总额影响指标的预测指标值,确定异常的总额影响指标。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取与目标店铺的成交总额相关联的总额影响指标集合,其中,所述总额影响指标集合是由至少一个总额影响指标构成的集合,所述总额影响指标是指影响成交总额的指标;
获取目标店铺对应的交易不可控因素,其中,所述交易不可控因素是指在交易过程中不能被干预的因素;
针对所述总额影响指标集合中的每个总额影响指标,将所述交易不可控因素输入至预先训练好的总额影响指标预测模型,得到总额影响指标的预测指标值,其中,所述总额影响指标预测模型与所述总额影响指标相对应;
在所述总额影响指标集合中,根据所述总额影响指标的预测指标值,确定异常的总额影响指标。
第四方面,本申请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,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以下步骤:
获取与目标店铺的成交总额相关联的总额影响指标集合,其中,所述总额影响指标集合是由至少一个总额影响指标构成的集合,所述总额影响指标是指影响成交总额的指标;
获取目标店铺对应的交易不可控因素,其中,所述交易不可控因素是指在交易过程中不能被干预的因素;
针对所述总额影响指标集合中的每个总额影响指标,将所述交易不可控因素输入至预先训练好的总额影响指标预测模型,得到总额影响指标的预测指标值,其中,所述总额影响指标预测模型与所述总额影响指标相对应;
在所述总额影响指标集合中,根据所述总额影响指标的预测指标值,确定异常的总额影响指标。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取与目标店铺的成交总额相关联的总额影响指标集合,其中,所述总额影响指标集合是由至少一个总额影响指标构成的集合,所述总额影响指标是指影响成交总额的指标;
获取目标店铺对应的交易不可控因素,其中,所述交易不可控因素是指在交易过程中不能被干预的因素;
针对所述总额影响指标集合中的每个总额影响指标,将所述交易不可控因素输入至预先训练好的总额影响指标预测模型,得到总额影响指标的预测指标值,其中,所述总额影响指标预测模型与所述总额影响指标相对应;
在所述总额影响指标集合中,根据所述总额影响指标的预测指标值,确定异常的总额影响指标。
上述店铺数据的处理方法、装置、计算机设备、存储介质和计算机程序产品,获取与目标店铺的成交总额相关联的总额影响指标集合。另外还获取目标店铺对应的交易不可控因素。该交易不可控因素是指在交易过程中不能被干预的因素,例如可以是营业时间信息、突发事件信息等等。然后,针对总额影响指标集合中的每个总额影响指标,将交易不可控因素输入至相对应的预先训练好的总额影响指标预测模型,得到总额影响指标的预测指标值。可以理解,每个总额影响指标有其对应的预测指标值。进而根据每个总额影响指标的预测指标值,从总额影响指标集合中,识别出异常的总额影响指标。从而实现自动找出异常的总额影响指标的目的。相对于需依赖人工经验来人为地找出异常的总额影响指标的方式,本申请采用对店铺数据的自动处理来确定异常的总额影响指标,有利于提高异常的总额影响指标的识别准确性。
附图说明
图1为一个实施例中店铺数据的处理方法的流程示意图;
图2为一个实施例中目标店铺的成交总额是否异常的判别步骤的流程示意图;
图3为另一个实施例中店铺数据的处理方法的流程示意图;
图4为一个实施例中店铺数据的处理装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种店铺数据的处理方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤S102,获取与目标店铺的成交总额相关联的总额影响指标集合。
其中,成交总额即:Gross Merchandise Volume(GMV)。总额影响指标集合是由至少一个总额影响指标构成的集合,总额影响指标是指影响成交总额的指标。总额影响指标例如可以是进店客流、转化率、客单价等等。
具体地,服务器获取与目标店铺的成交总额相关联的总额影响指标集合。可选地,服务器在目标店铺的成交总额异常的情况下,获取与目标店铺的成交总额相关联的总额影响指标集合。在一些实施例中,目标店铺的成交总额异常是指目标店铺的成交总额偏低。在另一些实施例中,目标店铺的成交总额异常是指目标店铺的成交总额偏高。以目标店铺的成交总额偏低为例,在服务器检测到目标店铺的成交总额偏低的情况下,获取与成交总额相关联的总额影响指标集合。该成交总额与总额影响指标集合的关联关系可预先建立。
示例性地,在服务器检测到目标店铺的成交总额偏低的情况下,获取与成交总额相关联的进店客流、转化率和客单价。其中,成交总额=进店客流x转化率x客单价。
步骤S104,获取目标店铺对应的交易不可控因素。
其中,交易不可控因素是指在交易过程中不能被干预的因素。交易不可控因素也可以称之为宏观因素。交易不可控因素例如可以是外部环境信息、所属品牌信息、所属行业信息等等。外部环境信息是指店铺营业过程中所处的外部环境的信息,例如可以是日期信息、节假日信息、季节信息、地域信息、表征是否疫情的信息等等。
具体地,服务器获取目标店铺对应的交易不可控因素。示例性地,服务器获取目标店铺对应的日期信息、节假日信息、季节信息和表征是否疫情的信息。
步骤S106,针对总额影响指标集合中的每个总额影响指标,将交易不可控因素输入至预先训练好的总额影响指标预测模型,得到总额影响指标的预测指标值。
其中,总额影响指标预测模型与总额影响指标相对应。
示例性地,针对进店客流,服务器将日期信息、节假日信息、季节信息和表征是否疫情的信息输入至预先训练好的进店客流预测模型,得到进店客流的预测指标值。
针对转化率,服务器将日期信息、节假日信息、季节信息和表征是否疫情的信息输入至预先训练好的转化率预测模型,得到转化率的预测指标值。
针对客单价,服务器将日期信息、节假日信息、季节信息和表征是否疫情的信息输入至预先训练好的客单价预测模型,得到客单价的预测指标值。
步骤S108,在总额影响指标集合中,根据总额影响指标的预测指标值,确定异常的总额影响指标。
具体地,在总额影响指标集合中,服务器将预测指标值满足指标异常条件的总额影响指标,确定为异常的总额影响指标。示例性地,在进店客流、转化率和客单价中,若进店客流的预测指标值满足指标异常条件,则进店客流为异常的总额影响指标;若转化率的预测指标值和客单价的预测指标值不满足指标异常条件,则转化率和客单价为正常的总额影响指标。
上述店铺数据的处理方法中,获取与目标店铺的成交总额相关联的总额影响指标集合。另外还获取目标店铺对应的交易不可控因素。该交易不可控因素是指在交易过程中不能被干预的因素,例如可以是营业时间信息、突发事件信息等等。然后,针对总额影响指标集合中的每个总额影响指标,将交易不可控因素输入至相对应的预先训练好的总额影响指标预测模型,得到总额影响指标的预测指标值。可以理解,每个总额影响指标有其对应的预测指标值。进而根据每个总额影响指标的预测指标值,从总额影响指标集合中,识别出异常的总额影响指标。从而实现自动找出异常的总额影响指标的目的。相对于需依赖人工经验来人为地找出异常的总额影响指标的方式,本方法采用对店铺数据的自动处理来确定异常的总额影响指标,有利于提高异常的总额影响指标的准确性。
在一个实施例中,如图3所示,该方法还包括以下步骤:
步骤S112,将交易不可控因素输入至预先训练好的成交总额预测模型,得到目标店铺的预测成交总额;
步骤S114,根据预测成交总额和目标店铺的实际成交总额,确定成交总额对应的第一经营指数;
步骤S116,根据第一经营指数,判断目标店铺的成交总额是否异常。
示例性地,服务器将日期信息、节假日信息、季节信息和表征是否疫情的信息输入至预先训练好的成交总额预测模型,得到目标店铺的预测成交总额。然后,服务器获取目标店铺的实际成交总额,并根据预测成交总额和实际成交总额,确定成交总额对应的第一经营指数。可选地,服务器将实际成交总额与预测成交总额相除,得到成交总额对应的第一经营指数。可选地,服务器将实际成交总额与预测成交总额相减,得到成交总额对应的第一经营指数。最后,服务器根据第一经营指数,判断目标店铺的成交总额是否异常。可选地,服务器根据第一经营指数是否超过预设的指数阈值范围的结果,判断目标店铺的成交总额是否异常。
可选地,成交总额预测模型的训练过程包括:获取样本交易不可控因素和样本成交总额,将样本交易不可控因素作为输入数据,对初始成交总额预测模型进行训练,其中,初始成交总额预测模型的损失函数是根据初始成交总额预测模型输出的预测成交总额与样本成交总额之间的偏差构建的。
本实施例中,通过模型先预测预测成交总额,然后根据预测成交总额和实际成交总额计算第一经营指数,最后根据第一经营指数判断目标店铺的成交总额是否异常,从而实现了成交总额异常的自动识别。
在一个实施例中,第一经营指数包括第一店铺经营指数、第一品牌经营指数或第一行业经营指数中的一种或多种。基于此,步骤S112和步骤S114可通过多种方式实现,例举如下:
实现方式一:
将目标店铺对应的外部环境信息输入至预先训练好的第一成交总额预测模型,得到目标店铺的第一预测成交总额;
将目标店铺的实际成交总额与第一预测成交总额相除,得到成交总额对应的第一店铺经营指数。
示例性地,第一预测成交总额=f11(日期信息,节假日信息,季节信息,表征是否疫情的信息)。f11可以是诸如lightGBM类似的机器学习模型。
实现方式二:
将目标店铺对应的所属品牌信息和外部环境信息输入至预先训练好的第二成交总额预测模型,得到目标店铺的第二预测成交总额;
将目标店铺的实际成交总额与第二预测成交总额相除,得到成交总额对应的第一品牌经营指数。
示例性地,第二预测成交总额=f12(所属品牌信息,日期信息,节假日信息,季节信息,表征是否疫情的信息)。f12可以是诸如lightGBM类似的机器学习模型。
实现方式三:
将目标店铺对应的所属行业信息、所属品牌信息和外部环境信息输入至预先训练好的第三成交总额预测模型,得到目标店铺的第三预测成交总额;
将目标店铺的实际成交总额与第三预测成交总额相除,得到成交总额对应的第一行业经营指数。
示例性地,第三预测成交总额=f13(所属行业信息,所属品牌信息,日期信息,节假日信息,季节信息,表征是否疫情的信息)。f13可以是诸如lightGBM类似的机器学习模型。
本实施例中,提供多种可选择的不同因素影响下的经营指数来评估店铺的经营情况,增加了店铺经营评估的功能,可满足用户的不同需求。
可选地,第一成交总额预测模型、第二成交总额预测模型和第三成交总额预测模型的训练过程与成交总额预测模型的训练过程类似,在此不再赘述。
在一个实施例中,步骤S116具体可以通过以下步骤实现:
步骤S1162,若第一经营指数小于预设的第一最小指数阈值,或第一经营指数大于预设的第一最大指数阈值,则判定目标店铺的成交总额异常。
具体地,假设第一经营指数表示为I1,第一最小指数阈值表示为T11,第一最大指数阈值表示为T12。若I1〈T11,或者I1〉T12,则服务器判定目标店铺的成交总额异常。若T11〈I1〈T12,则服务器判定目标店铺的成交总额正常。
可选地,第一最小指数阈值和第一最大指数阈值可采用2sigma模型来确定,具体的实现方式为:服务器获取历史第一经营指数集合,确定历史第一经营指数集合所满足的正态分布,将正态分布中属于2倍标准差的数值确定第一最小指数阈值和第一最大指数阈值。
本实施例中,将第一经营指数超出预设的指数阈值范围的成交总额判定为异常,有利于提高异常成交总额识别的准确性。
在一个实施例中,步骤S108具体可以通过以下步骤实现:
步骤S1082,针对每个总额影响指标,根据预测指标值和总额影响指标的实际指标值,确定总额影响指标对应的第二经营指数;
步骤S1084,在总额影响指标集合中,将第二经营指数小于预设的第二最小指数阈值的总额影响指标,以及第二经营指数大于预设的第二最大指数阈值的总额影响指标,确定为异常的总额影响指标。
具体地,针对每个总额影响指标,服务器根据预测指标值和总额影响指标的实际指标值,确定总额影响指标对应的第二经营指数。可选地,服务器将实际指标值与预测指标值相除,得到总额影响指标对应的第二经营指数。可选地,服务器将实际指标值与预测指标值相减,得到总额影响指标对应的第二经营指数。示例性地,针对进店客流,服务器将进店客流的实际指标值与预测指标值相除,得到进店客流对应的第二经营指数I21。针对转化率,服务器将转化率的实际指标值与预测指标值相除,得到转化率对应的第二经营指数I22。针对客单价,服务器将客单价的实际指标值与预测指标值相除,得到客单价对应的第二经营指数I23。
然后,假设第二最小指数阈值表示为T21,第二最大指数阈值表示为T22。服务器分别比较I21、I22及I23与T21及T22的大小,若I21〈T21,I22〉T22,则服务器判定进店客流和转化率为异常的总额影响指标。若T21〈I23〈T22,则服务器判定客单价为正常的总额影响指标。其中,每个总额影响指标对应有一个第二最小指数阈值和一个第二最大指数阈值。可选地,针对每个总额影响指标,第二最小指数阈值和第二最大指数阈值可采用2sigma模型来确定。
本实施例中,将第二经营指数超出预设的指数阈值范围的总额影响指标判定为异常,有利于提高异常总额影响指标识别的准确性。
在一个实施例中,第二经营指数包括第二店铺经营指数、第二品牌经营指数或第二行业经营指数中的一种或多种。基于此,步骤S106和步骤S1082可通过多种方式实现,例举如下:
实现方式一:
将目标店铺对应的外部环境信息输入至预先训练好的第一总额影响指标预测模型,得到总额影响指标的第一预测指标值;
将总额影响指标的实际指标值与第一预测指标值相除,得到总额影响指标对应的第二店铺经营指数。
示例性地,第一预测指标值=f21(日期信息,节假日信息,季节信息,表征是否疫情的信息)。f21可以是诸如lightGBM类似的机器学习模型。
实现方式二:
将目标店铺对应的所属品牌信息和外部环境信息输入至预先训练好的第二总额影响指标预测模型,得到总额影响指标的第二预测指标值;
将总额影响指标的实际指标值与第二预测指标值相除,得到总额影响指标对应的第二品牌经营指数。
示例性地,第二预测指标值=f22(所属品牌信息,日期信息,节假日信息,季节信息,表征是否疫情的信息)。f22可以是诸如lightGBM类似的机器学习模型。
实现方式三:
将目标店铺对应的所属行业信息、所属品牌信息和外部环境信息输入至预先训练好的第三总额影响指标预测模型,得到总额影响指标的第三预测指标值;
将总额影响指标的实际指标值与第三预测指标值相除,得到总额影响指标对应的第二行业经营指数。
示例性地,第三预测指标值=f23(所属行业信息,所属品牌信息,日期信息,节假日信息,季节信息,表征是否疫情的信息)。f23可以是诸如lightGBM类似的机器学习模型。
本实施例中,提供多种可选择的不同因素影响下的经营指数来评估总额影响指标的经营情况,增加了总额影响指标评估的功能,有利于后续准确识别出异常的总额影响指标。
可选地,第一总额影响指标预测模型、第二总额影响指标预测模型和第三总额影响指标预测模型的训练过程与成交总额预测模型的训练过程类似,在此不再赘述。
基于同一发明构思,在一个实施例中,如图3所示,提供了一种店铺数据的处理方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤S202,获取目标店铺对应的异常的总额影响指标。
其中,总额影响指标是指影响成交总额的指标。
具体地,服务器获取目标店铺对应的异常的总额影响指标。可选地,在目标店铺的成交总额异常的情况下,服务器获取与成交总额相关联的总额影响指标集合,并获取目标店铺对应的交易不可控因素。然后,服务器针对总额影响指标集合中的每个总额影响指标,将交易不可控因素输入至预先训练好的总额影响指标预测模型,得到总额影响指标的预测指标值。最后,服务器在总额影响指标集合中,根据总额影响指标的预测指标值,确定目标店铺对应的异常的总额影响指标。
步骤S204,获取与异常的总额影响指标相关联的指标影响参数集合。
其中,指标影响参数集合是由至少一个指标影响参数构成的集合。指标影响参数是指使总额影响指标的指标值发生变化的参数。以总额影响指标为进店客流为例,其关联的指标影响参数可以是不同年龄段的进店人数、不同性别的进店人数等等。该总额影响指标与指标影响参数集合的关联关系可预先建立。
示例性地,服务器获取与异常的进店客流相关联的不同年龄段的进店人数、不同性别的进店人数和不同停留时长的进店人数。
步骤S206,针对指标影响参数集合中的每个指标影响参数,将目标店铺对应的交易不可控因素输入至预先训练好的第一指标影响参数预测模型,得到指标影响参数的预测参数值。
其中,第一指标影响参数预测模型与指标影响参数相对应。
示例性地,若进店客流异常,则针对不同年龄段的进店人数,服务器将目标店铺对应的交易不可控因素输入至与各年龄段的进店人数相对应的进店人数预测模型,得到不同年龄段的预测进店人数。
举例而言:针对20岁以下的进店人数,服务器将日期信息、节假日信息、季节信息和表征是否疫情的信息输入至预先训练好的进店人数预测模型A,得到20岁以下的预测进店人数。
针对20~30岁的进店人数,服务器将日期信息、节假日信息、季节信息和表征是否疫情的信息输入至预先训练好的进店人数预测模型B,得到20~30岁的预测进店人数。
针对30岁以上的进店人数,服务器将日期信息、节假日信息、季节信息和表征是否疫情的信息输入至预先训练好的进店人数预测模型C,得到30岁以上的预测进店人数。
同理,针对不同性别的进店人数和不同停留时长的进店人数,其处理过程与不同年龄段的进店人数的处理过程类似,在此不再赘述。
步骤S208,针对每个指标影响参数,根据指标影响参数的实际参数值与预测参数值,确定指标影响参数的目标参数值。
其中,目标参数值用于表征是基于目标店铺对应的交易可控因素获得的参数值。
示例性地,针对20岁以下的进店人数,服务器将20岁以下的实际进店人数与预测进店人数相减,得到20岁以下的目标进店人数;
针对20~30岁的进店人数,服务器将20~30岁的进店人数实际进店人数与预测进店人数相减,得到20~30岁的目标进店人数。
针对30岁以上的进店人数,服务器将30岁以上的实际进店人数与预测进店人数相减,得到30岁以上的目标进店人数。
当然,除了采用参数值相减的方式,还可以通过其他方式来计算指标影响参数的目标参数值。例如通过指标影响参数的实际参数值、预测参数值和目标参数值构建的预设函数曲线图来确定,或者通过将指标影响参数的实际参数值、预测参数值输入至预先训练好的目标参数值预测模型中预测得到。
步骤S210,在指标影响参数集合中,根据目标参数值和预设的参数阈值,确定异常的指标影响参数。
示例性地,针对20岁以下的进店人数,服务器将20岁以下的目标进店人数与对应预设的参数阈值进行比较,根据比较结果判断20岁以下的进店人数是否异常。若比较结果满足参数异常条件,则服务器判定该参数异常。若比较结果不满足参数异常条件,则服务器判定该参数正常。
针对20~30岁的进店人数,服务器将20~30岁的目标进店人数与对应预设的参数阈值进行比较,根据比较结果判断20~30岁的进店人数是否异常。若比较结果满足参数异常条件,则服务器判定该参数异常。若比较结果不满足参数异常条件,则服务器判定该参数正常。
针对30岁以上的进店人数,服务器将30岁以上的目标进店人数与对应预设的参数阈值进行比较,根据比较结果判断30岁以上的进店人数是否异常。若比较结果满足参数异常条件,则服务器判定该参数异常。若比较结果不满足参数异常条件,则服务器判定该参数正常。
上述店铺数据的处理方法中,获取目标店铺对应的异常的总额影响指标,进而获取与该异常的总额影响指标相关联的指标影响参数集合。然后,针对指标影响参数集合中的每个指标影响参数,将目标店铺对应的交易不可控因素(是指在交易过程中不能被干预的因素)输入至相对应的预先训练好的第一指标影响参数预测模型,得到指标影响参数的预测参数值。可以理解,每个指标影响参数有其对应的预测参数值。之后将指标影响参数的实际参数值与预测参数值相减,得到指标影响参数的目标参数值。由于在实际场景中,交易不可控因素也会使指标影响参数的参数值发生变化,因此该目标参数值可以理解为去除了交易不可控因素对参数值的影响,而获得单独由交易可控因素(例如性别、年龄、同行、停留时长等等)产生影响的参数值。如此后续可仅仅针对交易可控因素进行优化即可保证总额影响指标变得正常。最后根据目标参数值和预设的参数阈值,在指标影响参数集合中,识别出异常的指标影响参数。从而实现了自动找出导致总额影响指标发生异常的指标影响参数的目的,且后续只需对交易可控因素作出相应调整即可达到消除异常的目的。相对于需依赖人工经验来人为地找出导致总额影响指标发生异常的指标影响参数的方式,本方法采用对店铺数据的自动处理来确定异常的指标影响参数,有利于提高异常的指标影响参数的识别准确性。
在一个实施例中,涉及从总额影响指标相关联的候选指标影响参数集合中筛选出指标影响参数集合的过程。该过程具体可以通过以下步骤实现:
步骤S212,针对总额影响指标集合中的每个总额影响指标,获取与总额影响指标相关联的候选指标影响参数集合;
步骤S214,在每个总额影响指标关联的候选指标影响参数集合中,针对每个候选指标影响参数,将样本店铺对应的样本交易不可控因素输入至预先训练好的第二指标影响参数预测模型,得到候选指标影响参数的候选预测参数值;
步骤S216,在每个总额影响指标关联的候选指标影响参数集合中,针对每个候选指标影响参数,根据候选指标影响参数的候选实际参数值与候选预测参数值,确定候选指标影响参数的候选目标参数值;
步骤S218,在每个总额影响指标关联的候选指标影响参数集合中,根据候选指标影响参数的候选目标参数值,确定与总额影响指标相关联的指标影响参数集合。
其中,总额影响指标集合与成交总额相关联。第二指标影响参数预测模型与候选指标影响参数相对应。
示例性地,在总额影响指标集合中,服务器针对进店客流,获取与进店客流相关联的候选指标影响参数集合,例如可以是候选指标影响参数a(具体为20岁以下的进店人数),候选指标影响参数b(具体为20~30岁的进店人数),候选指标影响参数c(具体为30岁以上的进店人数),候选指标影响参数d(具体为停留10分钟以内的进店人数),候选指标影响参数e(具体为停留20分钟以上的进店人数)等等。同理,针对转化率和客单价,也分别关联有对应的样本候选指标影响参数集合。
然后,在进店客流关联的候选指标影响参数集合中,针对候选指标影响参数a(具体为20岁以下的进店人数),服务器将样本交易不可控因素中的样本日期信息、样本节假日信息、样本季节信息和样本表征是否疫情的信息输入至预先训练好的进店人数预测模型a,得到20岁以下的候选预测进店人数。另外也可以采用预设函数曲线图、神经网络预测模型来确定候选指标影响参数的候选目标参数值。同理,针对其他的候选指标影响参数b、候选指标影响参数c、候选指标影响参数d和候选指标影响参数e,也采用类似方法得到相应的候选预测进店人数。并且,针对转化率和客单价的样本候选指标影响参数集合,也采用类似方法得到候选指标影响参数的候选目标参数值。
之后,在进店客流关联的候选指标影响参数集合中,针对候选指标影响参数a(具体为20岁以下的进店人数),服务器将20岁以下的候选实际进店人数与候选预测进店人数相减,得到20岁以下的候选目标进店人数。同理,针对其他的候选指标影响参数b、候选指标影响参数c、候选指标影响参数d和候选指标影响参数e,也采用类似方法得到相应的候选目标进店人数。并且,针对转化率和客单价的样本候选指标影响参数集合,也采用类似方法得到候选指标影响参数的候选目标参数值。
最后,在进店客流关联的候选指标影响参数集合中,根据候选指标影响参数a、候选指标影响参数b、候选指标影响参数c、候选指标影响参数d和候选指标影响参数e的候选目标进店人数,筛选出与进店客流相关联的指标影响参数集合。例如指标影响参数集合包括候选指标影响参数a、候选指标影响参数b、候选指标影响参数c,候选指标影响参数e,即剔除了候选指标影响参数d。
本实施例中,从总额影响指标相关联的候选指标影响参数集合中筛选出指标影响参数集合作为优先的归因因素,可减少后续识别异常的指标影响参数的工作量,提高识别效率。
在一个实施例中,涉及筛选出相互独立的指标影响参数来构建指标影响参数集合的过程。在上述实施例的基础上,步骤S218具体可以通过以下步骤实现:
步骤S2182,在每个总额影响指标关联的候选指标影响参数集合中,根据候选指标影响参数的候选目标参数值,遍历计算两两候选指标影响参数之间的相关系数;
步骤S2184,在每个总额影响指标关联的候选指标影响参数集合中,剔除相关系数大于或等于预设的系数阈值的两两候选指标影响参数中的其中一个候选指标影响参数,得到与总额影响指标相关联的指标影响参数集合。
示例性地,在进店客流关联的候选指标影响参数集合中,服务器根据候选指标影响参数a、候选指标影响参数b、候选指标影响参数c、候选指标影响参数d和候选指标影响参数e的候选目标进店人数,遍历计算两两候选指标影响参数之间的皮尔逊相关系数,包括候选指标影响参数a与候选指标影响参数b之间的皮尔逊相关系数,候选指标影响参数a与候选指标影响参数c之间的皮尔逊相关系数,候选指标影响参数a与候选指标影响参数d之间的皮尔逊相关系数,候选指标影响参数a与候选指标影响参数e之间的皮尔逊相关系数,候选指标影响参数b与候选指标影响参数c之间的皮尔逊相关系数等等。
然后,服务器在进店客流关联的候选指标影响参数集合中,剔除相关系数大于或等于预设的系数阈值的两两候选指标影响参数中的其中一个候选指标影响参数,得到与总额影响指标相关联的指标影响参数集合。例如,候选指标影响参数a与候选指标影响参数c之间的皮尔逊相关系数大于预设的系数阈值,表明候选指标影响参数a与候选指标影响参数c关系紧密,则要么剔除候选指标影响参数a,要么剔除候选指标影响参数c。
同理,针对转化率和客单价,也采用类似方法获得由相互独立的指标影响参数构建的指标影响参数集合。
本实施例中,通过计算两两候选指标影响参数之间的相关系数,并剔除相关系数较高的两个候选指标影响参数中的一个,可保证剩下的候选指标影响参数之间相互独立。如此在后续总额影响指标出现异常时,可直接对导致总额影响指标出现异常的指标影响参数单独进行调整,由于参数间相互独立,因而该指标影响参数的调整几乎不会影响其他指标影响参数发生变化,从而保证调整的有效性,并且简化了调整方式。
在一个实施例中,涉及筛选出与总额影响指标关系稳定的指标影响参数来构建指标影响参数集合的过程。在上述实施例的基础上,步骤S218具体可以通过以下步骤实现:
步骤S2181,在每个总额影响指标关联的候选指标影响参数集合中,针对每个候选指标影响参数,根据候选指标影响参数的候选目标参数值,计算候选指标影响参数对应的第一边际贡献值;
步骤S2183,在每个总额影响指标关联的候选指标影响参数集合中,针对每个候选指标影响参数,根据候选指标影响参数的候选目标参数值和候选指标影响参数对应的第一边际贡献值,构建候选目标参数值与第一边际贡献值的散点图;
步骤S2185,在每个总额影响指标关联的候选指标影响参数集合中,针对每个候选指标影响参数,根据散点图,确定候选目标参数值与第一边际贡献值的函数关系,并对函数关系的显著性进行校验;
步骤S2187,在每个总额影响指标关联的候选指标影响参数集合中,将函数关系的显著性校验通过的候选指标影响参数所构成的集合,确定为与总额影响指标相关联的指标影响参数集合。
其中,第一边际贡献值为候选指标影响参数对总额影响指标的边际贡献值。
示例性地,在进店客流关联的候选指标影响参数集合中,服务器根据候选指标影响参数a、候选指标影响参数b、候选指标影响参数c、候选指标影响参数d和候选指标影响参数e的候选目标进店人数和进店客流的目标指标值(该目标指标值是通过进店客流的实际指标值与预测指标值相减获得的),计算候选指标影响参数a、候选指标影响参数b、候选指标影响参数c、候选指标影响参数d和候选指标影响参数e对应的第一边际贡献值。可选地,该第一边际贡献值为沙普利(shapley)值。
然后,服务器针对候选指标影响参数a,根据候选指标影响参数a的候选目标进店人数和候选指标影响参数a对应的第一边际贡献值,构建该候选目标进店人数与该第一边际贡献值的散点图。同理,针对候选指标影响参数b、候选指标影响参数c、候选指标影响参数d和候选指标影响参数e,也构建相应的散点图。
之后,服务器针对候选指标影响参数a,根据对应的散点图,确定候选目标进店人数与第一边际贡献值的函数关系,并对该函数关系的显著性进行校验。同理,针对候选指标影响参数b、候选指标影响参数c、候选指标影响参数d和候选指标影响参数e,也确定相应的函数关系并进行显著性检验。
最后,若显著性检验通过,表明该候选指标影响参数与总额影响指标关系稳定,则保留该候选指标影响参数,并作为指标影响参数。可选地,显著性检验通过的函数关系可以是线性回归关系,也可以是其他显著的函数关系,例如二次函数关系。若显著性检验不通过,表明该候选指标影响参数与总额影响指标关系不稳定,则剔除该候选指标影响参数。
本实施例中,实现了采用与总额影响指标关系稳定的指标影响参数来构建与总额影响指标相关联的指标影响参数集合,有利于后续快速且准确地识别出异常的指标影响参数。
在一个实施例中,涉及筛选出对总额影响指标较为重要的指标影响参数来构建指标影响参数集合的过程。在上述实施例的基础上,步骤S218具体可以通过以下步骤实现:
步骤S218a,在每个总额影响指标关联的候选指标影响参数集合中,针对每个候选指标影响参数,根据候选指标影响参数的候选目标参数值,计算候选指标影响参数对应的第一边际贡献值;
步骤S218b,在每个总额影响指标关联的候选指标影响参数集合中,将第一边际贡献值大于或等于预设的贡献阈值的候选指标影响参数所构成的集合,确定为与总额影响指标相关联的指标影响参数集合。
示例性地,在进店客流关联的候选指标影响参数集合中,服务器根据候选指标影响参数a、候选指标影响参数b、候选指标影响参数c、候选指标影响参数d和候选指标影响参数e的候选目标进店人数和进店客流的目标指标值,计算候选指标影响参数a、候选指标影响参数b、候选指标影响参数c、候选指标影响参数d和候选指标影响参数e对应的第一边际贡献值。可选地,该第一边际贡献值为沙普利(shapley)值。
然后,在进店客流关联的候选指标影响参数集合中,将第一边际贡献值大于或等于预设的贡献阈值的候选指标影响参数所构成的集合,确定为与进店客流相关联的指标影响参数集合。
本实施例中,实现了采用对总额影响指标较为重要的指标影响参数来构建与总额影响指标相关联的指标影响参数集合,有利于后续快速且准确地识别出异常的指标影响参数。
在一个实施例中,可在上述关于指标影响参数集合的构建的多个实施例中,选取至少两个实施例进行组合,获得指标影响参数集合的其他构建方式。举例而言,在一个实施例中,涉及筛选出与总额影响指标关系稳定且重要的指标影响参数来构建指标影响参数集合的过程。在上述实施例的基础上,步骤S218具体可以通过以下步骤实现:
在每个总额影响指标关联的候选指标影响参数集合中,针对每个候选指标影响参数,根据候选指标影响参数的候选目标参数值,计算候选指标影响参数对应的第一边际贡献值;
在每个总额影响指标关联的候选指标影响参数集合中,针对每个候选指标影响参数,根据候选指标影响参数的候选目标参数值和候选指标影响参数对应的第一边际贡献值,构建候选目标参数值与第一边际贡献值的散点图;
在每个总额影响指标关联的候选指标影响参数集合中,针对每个候选指标影响参数,根据散点图,确定候选目标参数值与第一边际贡献值的函数关系,并对函数关系的显著性进行校验;
在每个总额影响指标关联的候选指标影响参数集合中,将函数关系的显著性校验通过的候选指标影响参数所构成的集合,确定为与总额影响指标相关联的初始指标影响参数集合;
在每个总额影响指标关联的初始指标影响参数集合中,将第一边际贡献值大于或等于预设的贡献阈值的候选指标影响参数所构成的集合,确定为与总额影响指标相关联的指标影响参数集合。
本实施例中,实现了采用与总额影响指标关系稳定且重要的指标影响参数来构建与总额影响指标相关联的指标影响参数集合,有利于后续快速且准确地识别出异常的指标影响参数。
在一个实施例中,涉及筛选出相互独立的、与总额影响指标关系稳定且重要的指标影响参数来构建指标影响参数集合的过程。在上述实施例的基础上,步骤S218具体可以通过以下步骤实现:
在每个总额影响指标关联的候选指标影响参数集合中,根据候选指标影响参数的候选目标参数值,遍历计算两两候选指标影响参数之间的相关系数;
在每个总额影响指标关联的候选指标影响参数集合中,剔除相关系数大于或等于预设的系数阈值的两两候选指标影响参数中的其中一个候选指标影响参数,得到与总额影响指标相关联的第一指标影响参数集合。
在每个总额影响指标关联的第一指标影响参数集合中,针对每个候选指标影响参数,根据候选指标影响参数的候选目标参数值,计算候选指标影响参数对应的第一边际贡献值;
在每个总额影响指标关联的第一指标影响参数集合中,针对每个候选指标影响参数,根据候选指标影响参数的候选目标参数值和候选指标影响参数对应的第一边际贡献值,构建候选目标参数值与第一边际贡献值的散点图;
在每个总额影响指标关联的第一指标影响参数集合中,针对每个候选指标影响参数,根据散点图,确定候选目标参数值与第一边际贡献值的函数关系,并对函数关系的显著性进行校验;
在每个总额影响指标关联的第一指标影响参数集合中,将函数关系的显著性校验通过的候选指标影响参数所构成的集合,确定为与总额影响指标相关联的第二指标影响参数集合;
在每个总额影响指标关联的第二指标影响参数集合中,将第一边际贡献值大于或等于预设的贡献阈值的候选指标影响参数所构成的集合,确定为与总额影响指标相关联的指标影响参数集合。
本实施例中,实现了采用相互独立的、与总额影响指标关系稳定且重要的指标影响参数来构建与总额影响指标相关联的指标影响参数集合,有利于后续快速且准确地识别出异常的指标影响参数。
在一个实施例中,该方法还包括以下步骤:
步骤S222,获取异常的指标影响参数对应的函数关系;
步骤S224,根据函数关系,对异常的指标影响参数的目标参数值进行调整,得到异常的指标影响参数调整后的目标参数值;
步骤S226,输出异常的指标影响参数调整后的目标参数值。
其中,函数关系为异常的指标影响参数的目标参数值与第二边际贡献值的函数关系,第二边际贡献值为异常的指标影响参数对异常的总额影响指标的边际贡献值。该函数关系可预先存储于服务器中。该函数关系也可反映指标影响参数的目标参数值与总额影响指标的目标指标值之前的函数关系,即两者可以等同。
具体地,服务器根据异常的指标影响参数,获取异常的指标影响参数的目标参数值与第二边际贡献值的函数关系。然后,服务器根据该函数关系,对异常的指标影响参数的目标参数值进行调整,得到异常的指标影响参数调整后的目标参数值,并且,若指标影响参数间相互独立,服务器可根据调整后的目标参数值和函数关系,获得总额影响指标的指标变化值,进而获得总额影响指标调整后的指标值。最后,服务器输出异常的指标影响参数调整后的目标参数值。
本实施例中,可根据提前存储的函数关系,对异常的指标影响参数的目标参数值进行调整,使得异常的总额影响指标的指标值朝着收益正常的方向变化,并且可获得一个反事实的预估,从而给出有效的优化建议。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的店铺数据的处理方法的店铺数据的处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个店铺数据的处理装置实施例中的具体限定可以参见上文中对于店铺数据的处理方法的限定,在此不再赘述。
在一个实施例中,如图4所示,提供了一种店铺数据的处理装置,包括:
指标获取模块302,用于获取与目标店铺的成交总额相关联的总额影响指标集合,其中,总额影响指标集合是由至少一个总额影响指标构成的集合,总额影响指标是指影响成交总额的指标;
因素获取模块304,用于获取目标店铺对应的交易不可控因素,其中,交易不可控因素是指在交易过程中不能被干预的因素;
指标值预测模块306,用于针对总额影响指标集合中的每个总额影响指标,将交易不可控因素输入至预先训练好的总额影响指标预测模型,得到总额影响指标的预测指标值,其中,总额影响指标预测模型与总额影响指标相对应;
指标识别模块308,在总额影响指标集合中,根据总额影响指标的预测指标值,确定异常的总额影响指标。
上述店铺数据的处理装置中,获取与目标店铺的成交总额相关联的总额影响指标集合。另外还获取目标店铺对应的交易不可控因素。该交易不可控因素是指在交易过程中不能被干预的因素,例如可以是营业时间信息、突发事件信息等等。然后,针对总额影响指标集合中的每个总额影响指标,将交易不可控因素输入至相对应的预先训练好的总额影响指标预测模型,得到总额影响指标的预测指标值。可以理解,每个总额影响指标有其对应的预测指标值。进而根据每个总额影响指标的预测指标值,从总额影响指标集合中,识别出异常的总额影响指标。从而实现在店铺的成交总额异常时,自动找出异常的总额影响指标的目的。相对于需依赖人工经验来人为地找出异常的总额影响指标的方式,本装置采用对店铺数据的自动处理来确定异常的总额影响指标,有利于提高异常的总额影响指标的识别准确性。
在一个实施例中,该装置还包括:
总额预测模块,用于将交易不可控因素输入至预先训练好的成交总额预测模型,得到目标店铺的预测成交总额;
指数确定模块,用于根据预测成交总额和目标店铺的实际成交总额,确定成交总额对应的第一经营指数;
总额识别模块,用于根据第一经营指数,判断目标店铺的成交总额是否异常。
在一个实施例中,总额识别模块具体用于若第一经营指数小于预设的第一最小指数阈值,或第一经营指数大于预设的第二最大指数阈值,则判定目标店铺的成交总额异常。
在一个实施例中,指标识别模块308具体用于针对每个总额影响指标,根据预测指标值和总额影响指标的实际指标值,确定总额影响指标对应的第二经营指数;在总额影响指标集合中,将第二经营指数小于预设的第二最小指数阈值的总额影响指标,以及第二经营指数大于预设的第二最大指数阈值的总额影响指标,确定为异常的总额影响指标。
上述店铺数据的处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种店铺数据的处理方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种店铺数据的处理方法,其特征在于,所述方法包括:
获取与目标店铺的成交总额相关联的总额影响指标集合,其中,所述总额影响指标集合是由至少一个总额影响指标构成的集合,所述总额影响指标是指影响成交总额的指标;
获取目标店铺对应的交易不可控因素,其中,所述交易不可控因素是指在交易过程中不能被干预的因素;
针对所述总额影响指标集合中的每个总额影响指标,将所述交易不可控因素输入至预先训练好的总额影响指标预测模型,得到总额影响指标的预测指标值,其中,所述总额影响指标预测模型与所述总额影响指标相对应;
在所述总额影响指标集合中,根据所述总额影响指标的预测指标值,确定异常的总额影响指标。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述交易不可控因素输入至预先训练好的成交总额预测模型,得到目标店铺的预测成交总额;
根据所述预测成交总额和目标店铺的实际成交总额,确定成交总额对应的第一经营指数;
根据所述第一经营指数,判断目标店铺的成交总额是否异常。
3.根据权利要求2所述的方法,其特征在于,所述第一经营指数包括第一店铺经营指数、第一品牌经营指数或第一行业经营指数中的一种或多种;
所述将所述交易不可控因素输入至预先训练好的成交总额预测模型,得到目标店铺的预测成交总额,包括:
将目标店铺对应的外部环境信息输入至预先训练好的第一成交总额预测模型,得到目标店铺的第一预测成交总额,
所述根据所述预测成交总额和目标店铺的实际成交总额,确定成交总额对应的第一经营指数,包括:
将目标店铺的实际成交总额与所述第一预测成交总额相除,得到成交总额对应的第一店铺经营指数;
和/或,
所述将所述交易不可控因素输入至预先训练好的成交总额预测模型,得到目标店铺的预测成交总额,包括:
将目标店铺对应的所属品牌信息和外部环境信息输入至预先训练好的第二成交总额预测模型,得到目标店铺的第二预测成交总额,
所述根据所述预测成交总额和目标店铺的实际成交总额,确定成交总额对应的第一经营指数,包括:
将目标店铺的实际成交总额与所述第二预测成交总额相除,得到成交总额对应的第一品牌经营指数;
和/或,
所述将所述交易不可控因素输入至预先训练好的成交总额预测模型,得到目标店铺的预测成交总额,包括:
将目标店铺对应的所属行业信息、所属品牌信息和外部环境信息输入至预先训练好的第三成交总额预测模型,得到目标店铺的第三预测成交总额,
所述根据所述预测成交总额和目标店铺的实际成交总额,确定成交总额对应的第一经营指数,包括:
将目标店铺的实际成交总额与所述第三预测成交总额相除,得到成交总额对应的第一行业经营指数。
4.根据权利要求2所述的方法,其特征在于,所述根据所述第一经营指数,判断目标店铺的成交总额是否异常,包括:
若所述第一经营指数小于预设的第一最小指数阈值,或所述第一经营指数大于预设的第一最大指数阈值,则判定目标店铺的成交总额异常。
5.根据权利要求1所述的方法,其特征在于,所述在所述总额影响指标集合中,根据所述总额影响指标的预测指标值,确定异常的总额影响指标,包括:
针对所述每个总额影响指标,根据所述预测指标值和总额影响指标的实际指标值,确定总额影响指标对应的第二经营指数;
在所述总额影响指标集合中,将所述第二经营指数小于预设的第二最小指数阈值的总额影响指标,以及所述第二经营指数大于预设的第二最大指数阈值的总额影响指标,确定为异常的总额影响指标。
6.根据权利要求5所述的方法,其特征在于,所述第二经营指数包括第二店铺经营指数、第二品牌经营指数或第二行业经营指数中的一种或多种;
所述将所述交易不可控因素输入至预先训练好的总额影响指标预测模型,得到总额影响指标的预测指标值,包括:
将目标店铺对应的外部环境信息输入至预先训练好的第一总额影响指标预测模型,得到总额影响指标的第一预测指标值,
所述根据所述预测指标值和总额影响指标的实际指标值,确定总额影响指标对应的第二经营指数,包括:
将总额影响指标的实际指标值与所述第一预测指标值相除,得到总额影响指标对应的第二店铺经营指数;
和/或,
所述将所述交易不可控因素输入至预先训练好的总额影响指标预测模型,得到总额影响指标的预测指标值,包括:
将目标店铺对应的所属品牌信息和外部环境信息输入至预先训练好的第二总额影响指标预测模型,得到总额影响指标的第二预测指标值,
所述根据所述预测指标值和总额影响指标的实际指标值,确定总额影响指标对应的第二经营指数,包括:
将总额影响指标的实际指标值与所述第二预测指标值相除,得到总额影响指标对应的第二品牌经营指数;
和/或,
所述将所述交易不可控因素输入至预先训练好的总额影响指标预测模型,得到总额影响指标的预测指标值,包括:
将目标店铺对应的所属行业信息、所属品牌信息和外部环境信息输入至预先训练好的第三总额影响指标预测模型,得到总额影响指标的第三预测指标值,
所述根据所述预测指标值和总额影响指标的实际指标值,确定总额影响指标对应的第二经营指数,包括:
将总额影响指标的实际指标值与所述第三预测指标值相除,得到总额影响指标对应的第二行业经营指数。
7.一种店铺数据的处理装置,其特征在于,所述装置包括:
指标获取模块,用于获取与目标店铺的成交总额相关联的总额影响指标集合,其中,所述总额影响指标集合是由至少一个总额影响指标构成的集合,所述总额影响指标是指影响成交总额的指标;
因素获取模块,用于获取目标店铺对应的交易不可控因素,其中,所述交易不可控因素是指在交易过程中不能被干预的因素;
指标值预测模块,用于针对所述总额影响指标集合中的每个总额影响指标,将所述交易不可控因素输入至预先训练好的总额影响指标预测模型,得到总额影响指标的预测指标值,其中,所述总额影响指标预测模型与所述总额影响指标相对应;
指标识别模块,在所述总额影响指标集合中,根据所述总额影响指标的预测指标值,确定异常的总额影响指标。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210354549.5A CN114708024A (zh) | 2022-04-06 | 2022-04-06 | 店铺数据的处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210354549.5A CN114708024A (zh) | 2022-04-06 | 2022-04-06 | 店铺数据的处理方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114708024A true CN114708024A (zh) | 2022-07-05 |
Family
ID=82172945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210354549.5A Pending CN114708024A (zh) | 2022-04-06 | 2022-04-06 | 店铺数据的处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114708024A (zh) |
-
2022
- 2022-04-06 CN CN202210354549.5A patent/CN114708024A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564286B (zh) | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 | |
US8195473B2 (en) | Method and system for optimized real estate appraisal | |
JP3581094B2 (ja) | 残価予測システム及びその方法、並びにコンピュータ上で動作する残価予測プログラムを記録した記録媒体 | |
CN107491970B (zh) | 实时反作弊检测监控方法和系统以及计算设备 | |
US8781912B2 (en) | Computer-based method and computer program product for setting floor prices for items sold at auction | |
CN112734559B (zh) | 企业信用风险评价方法、装置及电子设备 | |
US11804302B2 (en) | Supervised machine learning-based modeling of sensitivities to potential disruptions | |
US20160307272A1 (en) | System for reducing computational costs associated with predicting demand for products | |
CA3037941A1 (en) | Method and system for generating and using vehicle pricing models | |
CN112232949B (zh) | 基于区块链的借贷风险的预测方法和装置 | |
CN113283924A (zh) | 需求预测方法以及需求预测装置 | |
CN111626855A (zh) | 债券信用利差预测方法及系统 | |
CN114782201A (zh) | 股票推荐方法、装置、计算机设备和存储介质 | |
CN114708024A (zh) | 店铺数据的处理方法、装置、计算机设备和存储介质 | |
CN114708026A (zh) | 店铺数据的处理方法、装置、计算机设备和存储介质 | |
CN114170000A (zh) | 信用卡用户风险类别识别方法、装置、计算机设备和介质 | |
CN112686470A (zh) | 电网饱和负荷预测方法、装置及终端设备 | |
Burger et al. | Deriving correlation matrices for missing financial time-series data | |
CN114429397A (zh) | 模型拟合方法、装置、电子设备及存储介质 | |
Sánchez-Montero et al. | The Fractional Brownian Model, Applied in the Credit Placement of the Popular and Solidarity Financial Sector | |
CN117422374A (zh) | 基于大数据技术的食堂智能采购方法、电子设备及介质 | |
CN114997999A (zh) | 一种人工智能金融数据管理系统 | |
CN116703216A (zh) | 业务场景评分方法、装置、计算机设备和存储介质 | |
CN117407691A (zh) | 用户风险预测模型的构建方法、用户风险预测方法和装置 | |
CN117372155A (zh) | 信用风险处理方法、装置、计算机设备和存储介质 |
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 |