CN115169508B - 基于供应链平台的数据分析及管理方法 - Google Patents
基于供应链平台的数据分析及管理方法 Download PDFInfo
- Publication number
- CN115169508B CN115169508B CN202211100174.6A CN202211100174A CN115169508B CN 115169508 B CN115169508 B CN 115169508B CN 202211100174 A CN202211100174 A CN 202211100174A CN 115169508 B CN115169508 B CN 115169508B
- Authority
- CN
- China
- Prior art keywords
- behavior
- historical
- classification
- user
- portrait
- 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
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于供应链平台的数据分析及管理方法,包括:基于供应链平台采集每个历史用户的历史用户画像以及历史行为画像,并进行分类;确定目标用户与每个第一分类画像的第一匹配关系,并向目标用户配置第一标签列表;获取目标用户在预设时间内的操作行为,并获取与每个第二分类画像的第二匹配关系,进而向目标用户配置第二标签列表;建立对应关系;分别计算每个对应关系的匹配值,且提取预设时间内供应链平台对操作行为的环境影响因子,对匹配值进行优化来从操作行为中提取有效操作行为以及待确认操作行为进行管理。来提高分析的准确性,进而保证后续对不同的用户的操作行为数据的进行有效管理。
Description
技术领域
本发明涉及供应链技术领域,特别涉及一种基于供应链平台的数据分析及管理方法。
背景技术
就当今社会而言,会对不同的用户进行行为数据管理,但是在管理的过程中,如果该用户不存在过多操作行为,此时,如果再分析该用户已有的操作行为就会因为数据理论支撑不足,使得在分析过程中的分析出现失误,进而导致对该用户的行为数据管理出现不当的情况。
因此,本发明提出一种基于供应链平台的数据分析及管理方法。
发明内容
本发明提供一种基于供应链平台的数据分析及管理方法,用以通过将目标用户分别与第一分类画像以及第二分类画像依次匹配,来得到对应的标签列表,进而根据计算标签对应关系的匹配值,便于从目标用户的操作行为中提取有效操作行为以及待确认操作行为,来提高分析的准确性,进而保证后续对不同的用户的操作行为进行有效管理。
本发明提供一种基于供应链平台的数据分析及管理方法,包括:
步骤1:基于供应链平台采集每个历史用户的历史用户画像以及历史行为画像,并对所有历史用户画像进行第一分类以及对所有历史行为画像进行第二分类;
步骤2:基于所述供应链捕捉到目标用户存在触发行为时,确定所述目标用户与每个第一分类画像的第一匹配关系,并向所述目标用户配置第一标签列表;
步骤3:获取所述目标用户在预设时间内的操作行为,并获取与每个第二分类画像的第二匹配关系,进而向所述目标用户配置第二标签列表;
步骤4:建立所述第一标签列表中每个第一标签与所述第二标签列表中每个第二标签的对应关系;
步骤5:分别计算每个对应关系的匹配值,且提取预设时间内所述供应链平台对所述操作行为的环境影响因子,对所述匹配值进行优化;
步骤6:基于优化结果,从所述操作行为中提取有效操作行为以及待确认操作行为进行管理。
优选的,基于供应链平台采集每个历史用户的历史用户画像以及历史行为画像,包括:
采集所述供应链平台上存在的历史用户,并采集每个历史用户的历史用户信息以及历史操作行为;
基于第一用户分析标准,对对应的历史用户信息进行参数分析,获取对应的历史用户画像;
基于第一行为分析标准,对对应的历史用户信息以及历史操作行为进行参数分析,获取对应的历史行为画像。
优选的,对所有历史用户画像进行第一分类以及对所有历史行为画像进行第二分类,包括:
按照第一维度指标,对所述历史用户信息进行第一指标参数提取,同时,按照第二维度指标,对所述历史操作行为进行第二指标参数提取,构建提取列表,其中,所述提取列表中每行对应一个历史用户,且每列对应一个维度指标;
基于用户分类标准,对所述提取列表中的第一参数区域进行参数分析,来获取第一历史用户画像分类集合;
基于行为分类标准,对所述提取列表进行参数分析,来获取第一历史行为画像分类集合;
按照用户聚类原则,对获取的每个历史用户画像进行第一归类,得到第二历史用户画像分类集合;
按照行为聚类原则,对获取的每个历史行为画像进行第二归类,得到第二历史行为画像分类集合;
确定所述第一历史用户画像分类集合与第二历史用户画像分类集合的第一一致性,以及所述第一历史行为画像分类集合与第二历史行为画像分类集合的第二一致性;
基于所述第一一致性以及第二一致性,计算对应的合格值Z;
当合格值Z大于或等于预设值时,则将第一分类结果与第二分类结果作为对应的分类画像;
筛选每个第一分类对中的第一高合理分类以及每个第二分类对中的第二高合理分类,来获取得到与用户画像相关的最后分类以及与行为画像相关的最后分类。
优选的,确定所述目标用户与每个第一分类画像的第一匹配关系,并向所述目标用户配置第一标签列表,包括:
根据所述目标用户的用户信息,计算与每个第一分类画像中每个第一画像元素的第一匹配值;
基于同个第一分类画像的所有第一匹配值,向所述同个第一分类画像设置第一标签;
根据所有第一标签,构建得到所述目标用户的第一标签列表。
优选的,获取所述目标用户在预设时间内的操作行为,包括:
基于所述供应链平台捕捉所述目标用户在预设时间段内的第一操作行为;
基于所述供应链平台与关联平台之间的通信连接关系,调取所述目标用户在预设时间段内基于关联平台的第二操作行为;
基于所述第一操作行为以及第二操作行为,得到最后操作行为;
其中,所述最后的操作行为即为获取的所述目标用户在预设时间内的操作行为。
优选的,获取与每个第二分类画像的第二匹配关系,进而向所述目标用户配置第二标签列表,包括:
根据所述目标用户的操作行为,计算与每个第二分类画像中每个第二画像元素的第二匹配值;
基于同个第二分类画像的所有第二匹配值,向所述同个第二分类画像设置第二标签;
根据所有第二标签,构建得到所述目标用户的第二标签列表。
优选的,分别计算每个对应关系的匹配值,且提取预设时间内所述供应链平台对所述操作行为的环境影响因子,对所述匹配值进行优化,包括:
分别计算每个对应关系的匹配值;
根据所述目标用户的用户唯一标识,从平台工作日志中标注与所述操作行为匹配的若干条行为日志;
基于每条行为日志,构建行为集合;
按照所述行为集合中每条行为日志对应的行为环境,来确定对应的行为不确定因素;
按照所述行为集合,构建与行为不确定因素相关的行为因素集合;
分析所述行为因素集合中同个因素的出现概率以及每条行为日志对应的异常因素;
根据所述出现概率以及异常因素,得到对应的关键因素;
从反向调用数据库中,获取与所述关键因素匹配的反向调整因子,同时,根据每条行为日志对应的行为不确定因素,确定正向调整因子;
基于所述反向调整因子以及所有正向调整因子,对对应匹配值进行优化。
优选的,基于优化结果,从所述操作行为中提取有效操作行为以及待确认操作行为进行管理,包括:
从所有优化结果中筛选优化值大于预设值的第一值;
获取与所述第一值所对应的对应关系中的第一用户画像以及第一行为画像;
获取对应的同个对应关系中第一用户画像的用户元素与第一行为画像的行为元素匹配的第一匹配元素以及对应的同个对应关系中第一行为画像的行为元素与第一用户画像的用户元素匹配的第二匹配元素;
按照所述第一匹配元素以及第二匹配元素,建立对应的元素交叉阵列;
根据所述元素交叉阵列,确定所述目标行为中与第一行为画像相关的有效操作行为的第一管理权重;
从所有优化结果中筛选优化值小于预设值的第二值;
获取与所述第二值所对应的对应关系中的第二行为画像,并从所述目标行为中获取待确认操作行为,并配置第二管理权重;
按照第一管理权重、第二管理权重,对对应的有效操作行为以及待确认操作行为进行管理。
优选的,按照第一管理权重、第二管理权重,对对应的有效操作行为以及待确认操作行为进行管理,包括:
根据每个有效操作行为对应的第一管理权重,并基于第一管理数据库,配置对应的第一管理方式;
根据每个待确认操作行为对应的第二管理权重,并基于第二管理数据库,配置对应的第二管理方式;
基于所述第一管理方式以及第二管理方式,对对应行为进行管理。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于供应链平台的数据分析及管理方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明提供一种基于供应链平台的数据分析及管理方法,如图1所示,包括:
步骤1:基于供应链平台采集每个历史用户的历史用户画像以及历史行为画像,并对所有历史用户画像进行第一分类以及对所有历史行为画像进行第二分类;
步骤2:基于所述供应链捕捉到目标用户存在触发行为时,确定所述目标用户与每个第一分类画像的第一匹配关系,并向所述目标用户配置第一标签列表;
步骤3:获取所述目标用户在预设时间内的操作行为,并获取与每个第二分类画像的第二匹配关系,进而向所述目标用户配置第二标签列表;
步骤4:建立所述第一标签列表中每个第一标签与所述第二标签列表中每个第二标签的对应关系;
步骤5:分别计算每个对应关系的匹配值,且提取预设时间内所述供应链平台对所述操作行为的环境影响因子,对所述匹配值进行优化;
步骤6:基于优化结果,从所述操作行为中提取有效操作行为以及待确认操作行为进行管理。
该实施例中,供应链平台主要是存储不同用户的行为信息的平台,且从该平台来获取不同历史用户的性别、年龄、行为爱好等,来构建历史用户画像,且且通过获取不同历史用户的行为类型、行为操作操作(各种类型的消费金额等),来构建历史行为画像,从两方面构建画像,方便对后续目标用户的分析提供分析依据。
该实施例中,第一分类可以是按照行为爱好来对历史用户画像进行分类,可以按照行为爱好中的最喜欢以及第二喜欢的行为爱好,来实现有效分类。
该实施例中,第二分类可以是按照消费金额对历史行为画像进行分类,可以按照总的消费金额,或者是常规消费金额,又或者是大笔消费次数,实现有效分类。
该实施例中,触发行为比如,在基金界面进行买入等操作,但实际是否真正买入不需要直到,当存在点击买入这个操作时,就视为存在触发行为。
该实施例中,在确定第一匹配关系之前,也是需要确定该目标用户的用户画像的,以此目标用户的画像来与每个第一分类的画像进行匹配,建立第一匹配关系,得到第一标签序列,比如:目标用户的画像为最喜欢稳健型基金,第二喜欢网络购物,此时,就可以与每个第一分类的画像分别进行匹配,进而来确定与每个第一分类的画像的匹配结果,并向每个匹配结果设置一个第一标签,且第一标签主要与匹配的喜好有关。
该实施例中,在确定第二匹配关系之前,也是需要确定该目标用户的行为画像的,比如在预设时间内的行为操作、行为类型等,那么就可以与每个第二分类画像进行匹配,来确定与每个第二分类的画像的匹配结果,并向每个匹配结果设置一个第二标签,且第二标签主要与操作行为、行为类型等有关。
比如,历史用户画像1(包含喜好、年龄、性别)与对应的历史行为画像(行为类型、行为操作等)建立匹配,针对同个历史用户的其匹配按照百分百进度进行设置,比如最大喜好以及与最大喜好对应的行为类型及消费情况就为百分百匹配,剩余匹配依次递减等。
比如,第一标签列表中存在第一标签1、2、3,第二标签列表中存在第二标签a、b、c,此时,1分别与a、b、c,2分别与a、c、b,3分别a、b、c建立对应关系。
该实施例中,匹配值主要是计算的每个对应关系中第一标签与第二标签的匹配值,主要是为了分析该目标用户的可参考行为。
该实施例中,环境影响因子指的是会影响匹配值的影响因子,比如通过对目标用户与不同画像的匹配关系的影响,进而影响到匹配值,比如,撇脂值是0.8.但是优化之后,匹配值为0.82。
该实施例中,优化结果也就是指的各个对应关系所对应的优化后的匹配值。
该实施例中,提取匹配值高的对应关系中的行为画像对应的行为,来作为有效操作行为,将匹配值低的对应关系中的行为画像对应的行为,作为待确认操作行为,为后续对目标用户的行为的管理提供有效数据支撑。
上述技术方案的有益效果是:通过将目标用户分别与第一分类画像以及第二分类画像依次匹配,来得到对应的标签列表,进而根据计算标签对应关系的匹配值,便于从目标用户的操作行为中提取有效操作行为以及待确认操作行为,为管理提供有效基础。
本发明提供一种基于供应链平台的数据分析及管理方法,基于供应链平台采集每个历史用户的历史用户画像以及历史行为画像,包括:
采集所述供应链平台上存在的历史用户,并采集每个历史用户的历史用户信息以及历史操作行为;
基于第一用户分析标准,对对应的历史用户信息进行参数分析,获取对应的历史用户画像;
基于第一行为分析标准,对对应的历史用户信息以及历史操作行为进行参数分析,获取对应的历史行为画像。
该实施例中,历史用户指的是存在历史操作行为的用户,且在该供应链平台上存在的时长要大于预设时间段的时长。
该实施例中,历史用户信息与用户性别、年龄、行为爱好等有关,且历史操作行为与支付、购买、内容搜索、数据筛选等行为有关。
该实施例中,第一用户分析标准是预先设置好的,主要是围绕性别、年龄和行为喜好中的任一种来作为基准规则,实现对历史用户信息的分析,来构建对应的历史用户画像,且第一分析行为标准是以用户信息以及该用户对应的操作行为为基准来进行的分析,得到历史行为画像。
该实施例中,比如说是以对应的行为喜好为基准,来确定的画像,比如是,按照行为喜好1、行为喜好2等来确定的,比如是以对应的行为喜好以及按照喜好的操作行为为基准,来确定的。
该实施例中,一个历史用户对应一个历史用户画像以及一个历史行为画像。
上述技术方案的有益效果是:通过以不同的分析标准,来分析对应用户的历史用户信息以及历史行为信息,进而来得到对应的画像,为后续对目标用户的分析提供基础。
本发明提供一种基于供应链平台的数据分析及管理方法,对所有历史用户画像进行第一分类以及对所有历史行为画像进行第二分类,包括:
按照第一维度指标,对所述历史用户信息进行第一指标参数提取,同时,按照第二维度指标,对所述历史操作行为进行第二指标参数提取,构建提取列表,其中,所述提取列表中每行对应一个历史用户,且每列对应一个维度指标;
基于用户分类标准,对所述提取列表中的第一参数区域进行参数分析,来获取第一历史用户画像分类集合;
基于行为分类标准,对所述提取列表进行参数分析,来获取第一历史行为画像分类集合;
按照用户聚类原则,对获取的每个历史用户画像进行第一归类,得到第二历史用户画像分类集合;
按照行为聚类原则,对获取的每个历史行为画像进行第二归类,得到第二历史行为画像分类集合;
确定所述第一历史用户画像分类集合与第二历史用户画像分类集合的第一一致性,以及所述第一历史行为画像分类集合与第二历史行为画像分类集合的第二一致性;
基于所述第一一致性以及第二一致性,计算对应的合格值Z;
当合格值Z大于或等于预设值时,则将第一分类结果与第二分类结果作为对应的分类画像;
筛选每个第一分类对中的第一高合理分类以及每个第二分类对中的第二高合理分类,来获取得到与用户画像相关的最后分类以及与行为画像相关的最后分类。
该实施例中,第一维度指标,比如是,按照性别、年龄、行为喜好三个指标来对用户信息进行参数提取,进而按照第二维度指标,比如是,购物行为、基金行为、股票行为、亲友转账、账单搜索等指标来对历史操作行为进行参数提取,构建得到提取列表,且该提取列表,比如是存在10个历史用户,以及每个历史用户都存在按照第一维度指标和第二维度指标所提取的参数在内。
该实施例中,用户分类标准指的是按照第一维度指标实现的分类,比如,行为喜好为稳健行为类型、年龄在某个范围内、性别为女等,进而来实现对第一参数区域的参数分析,且第一参数区域指的是由不同历史用户对应的第一维度指标所提取的参数构成的区域,且该区域是提取列表中的区域,进而可以得到针对历史用户信息的历史用户画像分类。
该实施例中,行为分类标准,比如是按照行为类型、行为操作、行为频次等来对提取列表中与第二维度指标对应的参数区域进行分析,进而通过对用户信息的结合,来实现对提取列表参数的分析,得到历史行为画像分类。
该实施例中,用户聚类原则、用户行为原则,是预先设置好的,也就是采用归类的方式重新对指标进行参数提取,来确定不同的画像分类集合,且还通过采用聚类的方式对之前确定好的每个历史用户的画像进行归类,来得到对应的画像分类集合。
该实施例中,通过采用归类以及聚类两种方式获取得到的集合,来分别计算对应的一致性,进而来确定是否对画像分类合格。
该实施例中,第一分类对指的是针对用户画像的,第二分类对指的是针对行为画像的。
该实施例中,第一分类对中是包含小于第一预设阈值的集合1中对应的历史用户画像以及集合2中对应的历史用户画像在内的。
该实施例中,第二分类对中是包含小于第二预设阈值的集合1对应的历史行为画像以及集合2中对应的历史行为画像在内的。
该实施例中,比如第一分类对中存在的集合1中对应的历史用户画像的信息数量要优于集合2中对应的历史用户画像对应的信息数量,进而来将集合1中对应的历史用户画像作为第一高合理分类,且第二分类对以此类推。
该实施例中,预设值是预先设置好的,一般取值为0.8。
该实施例中,按照归类方式或者聚类方式进行分类之后对应的分类是一样的,但是其每个分类中具体包含的元素情况可能是不一样的。
该实施例中,贡献因子指的对用户信息或者操作行为的一致性贡献情况,且取值范围为(0,1)。
上述技术方案的有益效果是:通过按照归类方式与聚类方式,来对用户画像以及行为画像进行一致性确定,进而来确定合格值,且通过与预设值比较,来确定最后的分类画像结果,为目标用户的操作行为提供有效参考,方便对目标用户的行为进行合理有效分析。
本发明提供一种基于供应链平台的数据分析及管理方法,确定所述目标用户与每个第一分类画像的第一匹配关系,并向所述目标用户配置第一标签列表,包括:
根据所述目标用户的用户信息,计算与每个第一分类画像中每个第一画像元素的第一匹配值;
基于同个第一分类画像的所有第一匹配值,向所述同个第一分类画像设置第一标签;
根据所有第一标签,构建得到所述目标用户的第一标签列表。
该实施例中,比如是按照行为喜好进行的用户分类,进而来将目标信息的用户信息与分类画像中每个分类元素进行匹配,来确定对应的第一标签,比如,第一分类画像年龄是18-24,性别为女,行为爱好为转账行为。
该用户信息为年龄为23,性别为男,爱好为转账行为,对应的第一匹配值为:1*a1+0*a2+1*a3,且,a1、a2、a3分别表示对应的元素权重,进而根据与该分类画像的画像类型以及第一匹配值,得到对应的第一标签,进而构建得到第一标签列表。
上述技术方案的有益效果是:通过确定第一匹配值以及设置第一标签,便于构建第一标签列表,为后续进行匹配提供有效基础。
本发明提供一种基于供应链平台的数据分析及管理方法,获取所述目标用户在预设时间内的操作行为,包括:
基于所述供应链平台捕捉所述目标用户在预设时间段内的第一操作行为;
基于所述供应链平台与关联平台之间的通信连接关系,调取所述目标用户在预设时间段内基于关联平台的第二操作行为;
基于所述第一操作行为以及第二操作行为,得到最后操作行为;
其中,所述最后的操作行为即为获取的所述目标用户在预设时间内的操作行为。
该实施例中,操作行为包括在该供应链平台上发生的行为以及与供应链平台存在通信连接关系的平台上发生的行为,进而来得到操作行为。
上述技术方案的有益效果是:通过从供应链平台以及与该平台存在通信连接关系的其余平台上获取行为,来保证行为获取的完整性。
本发明提供一种基于供应链平台的数据分析及管理方法,获取与每个第二分类画像的第二匹配关系,进而向所述目标用户配置第二标签列表,包括:
根据所述目标用户的操作行为,计算与每个第二分类画像中每个第二画像元素的第二匹配值;
基于同个第二分类画像的所有第二匹配值,向所述同个第二分类画像设置第二标签;
根据所有第二标签,构建得到所述目标用户的第二标签列表。
该实施例中,比如是按照行为类型进行行为分类,进而来将目标用户的操作行为与行为分类画像中每个元素进行匹配,来确定对应的第二标签,比如,第二分类画像行为类型为向亲人朋友转账,消费0-10000。
该行为信息为向朋友转账,转账为2000,对应的第二匹配值为:1*b1+1*b2,且,b1、b2别表示对应的元素权重。
上述技术方案的有益效果是:通过确定第二匹配值以及设置第二标签,便于构建第二标签列表,为后续进行匹配提供有效基础。
本发明提供一种基于供应链平台的数据分析及管理方法,分别计算每个对应关系的匹配值,且提取预设时间内所述供应链平台对所述操作行为的环境影响因子,对所述匹配值进行优化,包括:
分别计算每个对应关系的匹配值;
根据所述目标用户的用户唯一标识,从平台工作日志中标注与所述操作行为匹配的若干条行为日志;
基于每条行为日志,构建行为集合;
按照所述行为集合中每条行为日志对应的行为环境,来确定对应的行为不确定因素;
按照所述行为集合,构建与行为不确定因素相关的行为因素集合;
分析所述行为因素集合中同个因素的出现概率以及每条行为日志对应的异常因素;
根据所述出现概率以及异常因素,得到对应的关键因素;
从反向调用数据库中,获取与所述关键因素匹配的反向调整因子,同时,根据每条行为日志对应的行为不确定因素,确定正向调整因子;
基于所述反向调整因子以及所有正向调整因子,对对应匹配值进行优化。
该实施例中,在计算每个对应关系的匹配值,包括:
其中,P表示对应对应关系的匹配值;表示对应关系中第一分类画像中的第i1个第一画像元素与对应关系中第二分类画像中第i2个第二画像元素之间的相似值;表示对应关系中第一分类画像中的第i1个第一画像元素与对应关系中第二分类画像中第i2个第二画像元素的匹配权重值,取值范围为[0,1],且;表示对应关系中第一分类画像中的所有第一画像元素T1与对应关系中第二分类画像中所有第二画像元素T2的相似值;其中,i1的取值范围为[1,m1],i2的取值范围为[1,m2];
该实施例中,用户唯一标识是可以指代该用户的标识,且对应的平台工作日志中可以提取到与该标识一致的行为日志。
该实施例中,行为集合包括预设时间段内与该目标用户一致的行为日志,且每条行为日志都有其对应的行为环境,比如,支付宝上的操作行为、网页上的操作行为等,进而来确定不确定因素。
该实施例中,每条行为日志都对应有行为不确定因素,进而,行为集合就包含所有条行为日志对应的所有行为不确定因素。
该实施例中,比如,对应的行为因素集合包括:因素1、2、3(行为日志1) 因素2、3(行为日志2) 因素1、4、8(行为日志3),每条行为日志都包含有对应的因素,且出现概率按照出现频次以及总因素个数来计算得到,异常因素指的是对行为造成危险影响的因素。
该实施例中,反向调用数据库指的是当不同的因素存在对应的安全危险时,将对应的因素进行安全调整,也就是获取反向调整因子进行安全调整,比如是会导致行为密码输入被窃取,就需要获取相关的保护情况,来避免被窃取情况的出现。
该实施例中,关键因素指的是出现概率高的因素以及异常因素,共同构成的。
该实施例中,正向调整因子是根据每条行为日志对应的行为不确定因素综合确定的,来进行的一个安全调整,比如,安全行为系数不高,对应的为0.3,此时进行正向调整后为0.3,也就是对匹配值进行了间接调整,也就是,在行为过程中可能会存在用户信息与操作行为不匹配的影响因素,比如是安全因素导致的。
该实施例中,比如,匹配值为0.36,对应优化后的匹配值为0.41。
上述技术方案的有益效果是:通过获取行为日志,并按照不同的出现概率以及异常因素进行反向调整因子以及正向调整因子的获取,是西安对匹配值的优化,进而保证后续匹配的合理性,便于从目标用户的操作行为中提取有效操作行为以及待确认操作行为,为管理提供有效基础。
本发明提供一种基于供应链平台的数据分析及管理方法,基于优化结果,从所述操作行为中提取有效操作行为以及待确认操作行为进行管理,包括:
从所有优化结果中筛选优化值大于预设值的第一值;
获取与所述第一值所对应的对应关系中的第一用户画像以及第一行为画像;
获取对应的同个对应关系中第一用户画像的用户元素与第一行为画像的行为元素匹配的第一匹配元素以及对应的同个对应关系中第一行为画像的行为元素与第一用户画像的用户元素匹配的第二匹配元素;
按照所述第一匹配元素以及第二匹配元素,建立对应的元素交叉阵列;
根据所述元素交叉阵列,确定所述目标行为中与第一行为画像相关的有效操作行为的第一管理权重;
从所有优化结果中筛选优化值小于预设值的第二值;
获取与所述第二值所对应的对应关系中的第二行为画像,并从所述目标行为中获取待确认操作行为,并配置第二管理权重;
按照第一管理权重、第二管理权重,对对应的有效操作行为以及待确认操作行为进行管理。
该实施例中,每个对应关系都存在一个优化值。
该实施例中,与优化值相关的预设值是预先设置好的,且根据大小比较,来分别获取对应的第一值与第二值。
该实施例中,由于每个对应关系中都存在一个用户标签一个第一标签列表包含若干类历史用户画像与目标用户在内。
该实施例中,对应关系是第一标签集合中的每个第一标签与第二标签集合中的每个第二标签一一对应情况下得到的,且每个对应关系包含一类历史用户画像以及一类历史行为画像在内,进而视为第一用户画像以及第二行为画像。
该实施例中,用户元素就是指的用户信息的各种指标,且行为元素就是在指的操作行为的各种指标。
该实施例中,比如,用户元素包括:元素1、2、3,行为元素包括:元素4、5、6,且第一匹配元素为1、2,第二匹配元素为5,且对应的元素交叉阵列为元素1、2、5。
该实施例中,有效操作行为就是从第一行为画像中确定有效操作行为,进而基于元素1、2、5来向对应有效操作行为设置管理权重,且涉及到的第二匹配元素越多,对应的管理权重越大。
该实施例中,且按照权重大小来对对应行为进行不同的管理。
上述技术方案的有益效果是:通过确定不同的匹配元素,来建立元素交叉阵列,进而通过设置不同的管理权重,实现对不同的操作行为的有效管理。
本发明提供一种基于供应链平台的数据分析及管理方法,按照第一管理权重、第二管理权重,对对应的有效操作行为以及待确认操作行为进行管理,包括:
根据每个有效操作行为对应的第一管理权重,并基于第一管理数据库,配置对应的第一管理方式;
根据每个待确认操作行为对应的第二管理权重,并基于第二管理数据库,配置对应的第二管理方式;
基于所述第一管理方式以及第二管理方式,对对应行为进行管理。
该实施例中,第一管理数据库包括不同的有效操作行为、管理权重以及对应的管理方式在内,第二管理数据库包括不同的待确认操作行为、管理权重以及对应的管理方式在内。
上述技术方案的有益效果是:第一管理数据库以及第二管理数据库是预先设置好的,包含不同的行为以及该行为对应的管理权重以及管理方式在内,进而可以通过配置对应的管理方式,实现对行为的有效管理。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (1)
1.一种基于供应链平台的数据分析及管理方法,其特征在于,包括:
步骤1:基于供应链平台采集每个历史用户的历史用户画像以及历史行为画像,并对所有历史用户画像进行第一分类以及对所有历史行为画像进行第二分类;
步骤2:基于所述供应链捕捉到目标用户存在触发行为时,确定所述目标用户与每个第一分类画像的第一匹配关系,并向所述目标用户配置第一标签列表;
步骤3:获取所述目标用户在预设时间内的操作行为,并获取与每个第二分类画像的第二匹配关系,进而向所述目标用户配置第二标签列表;
步骤4:建立所述第一标签列表中每个第一标签与所述第二标签列表中每个第二标签的对应关系;
步骤5:分别计算每个对应关系的匹配值,且提取预设时间内所述供应链平台对所述操作行为的环境影响因子,对所述匹配值进行优化;
步骤6:基于优化结果,从所述操作行为中提取有效操作行为以及待确认操作行为进行管理;
其中,基于供应链平台采集每个历史用户的历史用户画像以及历史行为画像,包括:
采集所述供应链平台上存在的历史用户,并采集每个历史用户的历史用户信息以及历史操作行为;
基于第一用户分析标准,对对应的历史用户信息进行参数分析,获取对应的历史用户画像;
基于第一行为分析标准,对对应的历史用户信息以及历史操作行为进行参数分析,获取对应的历史行为画像;
其中,对所有历史用户画像进行第一分类以及对所有历史行为画像进行第二分类,包括:
按照第一维度指标,对所述历史用户信息进行第一指标参数提取,同时,按照第二维度指标,对所述历史操作行为进行第二指标参数提取,构建提取列表,其中,所述提取列表中每行对应一个历史用户,且每列对应一个维度指标;
基于用户分类标准,对所述提取列表中的第一参数区域进行参数分析,来获取第一历史用户画像分类集合;
基于行为分类标准,对所述提取列表进行参数分析,来获取第一历史行为画像分类集合;
按照用户聚类原则,对获取的每个历史用户画像进行第一归类,得到第二历史用户画像分类集合;
按照行为聚类原则,对获取的每个历史行为画像进行第二归类,得到第二历史行为画像分类集合;
确定所述第一历史用户画像分类集合与第二历史用户画像分类集合的第一一致性,以及所述第一历史行为画像分类集合与第二历史行为画像分类集合的第二一致性;
基于所述第一一致性以及第二一致性,计算对应的合格值Z;
当合格值Z大于或等于预设值时,则将第一分类结果与第二分类结果作为对应的分类画像;
筛选每个第一分类对中的第一高合理分类以及每个第二分类对中的第二高合理分类,来获取得到与用户画像相关的最后分类以及与行为画像相关的最后分类;
其中,确定所述目标用户与每个第一分类画像的第一匹配关系,并向所述目标用户配置第一标签列表,包括:
根据所述目标用户的用户信息,计算与每个第一分类画像中每个第一画像元素的第一匹配值;
基于同个第一分类画像的所有第一匹配值,向所述同个第一分类画像设置第一标签;
根据所有第一标签,构建得到所述目标用户的第一标签列表;
其中,获取所述目标用户在预设时间内的操作行为,包括:
基于所述供应链平台捕捉所述目标用户在预设时间段内的第一操作行为;
基于所述供应链平台与关联平台之间的通信连接关系,调取所述目标用户在预设时间段内基于关联平台的第二操作行为;
基于所述第一操作行为以及第二操作行为,得到最后操作行为;
其中,所述最后的操作行为即为获取的所述目标用户在预设时间内的操作行为;
其中,获取与每个第二分类画像的第二匹配关系,进而向所述目标用户配置第二标签列表,包括:
根据所述目标用户的操作行为,计算与每个第二分类画像中每个第二画像元素的第二匹配值;
基于同个第二分类画像的所有第二匹配值,向所述同个第二分类画像设置第二标签;
根据所有第二标签,构建得到所述目标用户的第二标签列表;
其中,分别计算每个对应关系的匹配值,且提取预设时间内所述供应链平台对所述操作行为的环境影响因子,对所述匹配值进行优化,包括:
分别计算每个对应关系的匹配值;
根据所述目标用户的用户唯一标识,从平台工作日志中标注与所述操作行为匹配的若干条行为日志;
基于每条行为日志,构建行为集合;
按照所述行为集合中每条行为日志对应的行为环境,来确定对应的行为不确定因素;
按照所述行为集合,构建与行为不确定因素相关的行为因素集合;
分析所述行为因素集合中同个因素的出现概率以及每条行为日志对应的异常因素;
根据所述出现概率以及异常因素,得到对应的关键因素;
从反向调用数据库中,获取与所述关键因素匹配的反向调整因子,同时,根据每条行为日志对应的行为不确定因素,确定正向调整因子;
基于所述反向调整因子以及所有正向调整因子,对对应匹配值进行优化;
其中,在计算每个对应关系的匹配值,包括:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211100174.6A CN115169508B (zh) | 2022-09-09 | 2022-09-09 | 基于供应链平台的数据分析及管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211100174.6A CN115169508B (zh) | 2022-09-09 | 2022-09-09 | 基于供应链平台的数据分析及管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115169508A CN115169508A (zh) | 2022-10-11 |
CN115169508B true CN115169508B (zh) | 2022-11-29 |
Family
ID=83482385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211100174.6A Active CN115169508B (zh) | 2022-09-09 | 2022-09-09 | 基于供应链平台的数据分析及管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115169508B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115879915B (zh) * | 2023-02-21 | 2023-05-26 | 华能济南黄台发电有限公司 | 一种用于发电厂的跨平台标准化检修方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766438B (zh) * | 2019-08-22 | 2023-12-26 | 深圳供电局有限公司 | 一种通过人工智能对电网用户的用户行为进行分析的方法 |
CN115004180A (zh) * | 2020-03-17 | 2022-09-02 | 深圳市欢太科技有限公司 | 信息推送方法、装置、电子设备及存储介质 |
CN114840742A (zh) * | 2021-02-02 | 2022-08-02 | 小沃科技有限公司 | 用户画像构建装置、方法以及计算机可读介质 |
CN113807436A (zh) * | 2021-09-16 | 2021-12-17 | 未鲲(上海)科技服务有限公司 | 用户挖掘方法、装置、计算机设备及可读存储介质 |
-
2022
- 2022-09-09 CN CN202211100174.6A patent/CN115169508B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115169508A (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009174B (zh) | 风险识别模型训练方法、装置及服务器 | |
CN108960833B (zh) | 一种基于异构金融特征的异常交易识别方法,设备及存储介质 | |
CN110163242B (zh) | 风险识别方法、装置及服务器 | |
CN113110207A (zh) | 基于物联网传感器的虫害远程监测方法、系统及存储介质 | |
CN108648038B (zh) | 一种基于子图挖掘的信用炒作与恶意评价识别方法 | |
CN112668859A (zh) | 基于大数据的客户风险评级方法、装置、设备及存储介质 | |
CN107563757A (zh) | 数据风险控制的方法及装置 | |
CN112329811A (zh) | 异常账号识别方法、装置、计算机设备和存储介质 | |
CN116305168B (zh) | 一种多维度信息安全风险评估方法、系统及存储介质 | |
CN111062444B (zh) | 信用风险预测方法、系统、终端及存储介质 | |
CN115169508B (zh) | 基于供应链平台的数据分析及管理方法 | |
CN114707773A (zh) | 基于深度学习的虫害防治方案生成方法、系统及存储介质 | |
CN109670933A (zh) | 识别用户角色的方法、用户设备、存储介质及装置 | |
CN113177839A (zh) | 一种信用风险评估方法、装置、存储介质和设备 | |
WO2021174699A1 (zh) | 用户筛选方法、装置、设备及存储介质 | |
CN113205093A (zh) | 基于XGBoost回归与卷积网络的数据资产分析方法、系统及介质 | |
CN116739811A (zh) | 一种自适应风险控制的企业财务信息智能管理系统及方法 | |
CN116865994A (zh) | 一种基于大数据的网络数据安全预测方法 | |
CN117495512B (zh) | 订单数据的管理方法、装置、设备及存储介质 | |
CN107169830B (zh) | 一种基于聚类pu矩阵分解的个性化推荐方法 | |
CN115577172A (zh) | 物品推荐方法、装置、设备及介质 | |
CN102118382A (zh) | 一种基于兴趣组合的协作推荐攻击检测系统及方法 | |
CN112990989B (zh) | 价值预测模型输入数据生成方法、装置、设备和介质 | |
CN116484109B (zh) | 基于人工智能的客户画像分析系统及方法 | |
CN113112347A (zh) | 催收决策的确定方法、相关装置及计算机存储介质 |
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 |