CN115641019A - 指标异常分析方法、装置、计算机设备和存储介质 - Google Patents
指标异常分析方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115641019A CN115641019A CN202211246115.XA CN202211246115A CN115641019A CN 115641019 A CN115641019 A CN 115641019A CN 202211246115 A CN202211246115 A CN 202211246115A CN 115641019 A CN115641019 A CN 115641019A
- Authority
- CN
- China
- Prior art keywords
- dimension
- target
- index
- fluctuation
- value
- 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
Landscapes
- Complex Calculations (AREA)
Abstract
本申请涉及一种指标异常分析方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:在目标指标发生异常的情况下,获取与目标指标相关的多个维度和每个维度下的所有维度值;获取目标指标分别与各维度的相关性系数;将不同维度下的所有维度值进行交叉组合,并且根据各维度的相关性系数的大小,排列各维度值,得到多个维度组合;计算每个维度组合各自的波动正贡献度;将多个波动正贡献度中的最大波动正贡献度所对应的维度组合,作为目标维度组合,并基于目标维度组合确定目标指标发生异常的第一原因。采用本方法能够全面地分析指标异常的原因。
Description
技术领域
本申请涉及大数据技术领域,特别是涉及一种指标异常分析方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着大数据技术领域的发展,出现了大量的数据分析类应用,例如Tableau,Quick BI,ABI平台等。这些应用可以为银行业的管理者、业务人员等用户进行日常管理决策、经营分析、业务运行等活动提供数据支撑。
但是,这些应用的功能通常是固定的,无法实现自助式、灵活的业务分析,在业务的关键指标发生异常的情况下,难以全面地分析指标异常的原因。
发明内容
基于此,有必要针对上述技术问题,提供一种能够全面地分析指标异常原因的指标异常分析方法、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,本申请提供了一种指标异常分析方法。所述方法包括:
在目标指标发生异常的情况下,获取与目标指标相关的多个维度和每个维度下的所有维度值;
获取目标指标分别与各维度的相关性系数;
将不同维度下的所有维度值进行交叉组合,并且根据各维度的相关性系数的大小,排列各维度值,得到多个维度组合;
计算每个维度组合各自的波动正贡献度;
将多个波动正贡献度中的最大波动正贡献度所对应的维度组合,作为目标维度组合,并基于目标维度组合确定目标指标发生异常的第一原因。
在其中一个实施例中,多个维度包括第一维度、第二维度和第三维度,且第一维度、第二维度和第三维度各自对应的相关性系数依次递减,每个维度组合均包括属于第一维度的维度值、属于第二维度的维度值和属于第三维度的维度值。
在其中一个实施例中,计算每个维度组合各自的波动正贡献度,包括:获取目标指标的总波动值;对于多个维度组合中的当前维度组合,获取在满足当前维度组合的第一维度的维度值和第二维度的纬度值的条件下,与当前维度组合的第三维度的维度值对应的指标波动值,作为当前维度组合的指标波动值;基于各个维度组合的指标波动值分别与目标指标的总波动值间的比值,得到各个维度组合的波动正贡献度。
在其中一个实施例中,所述方法还包括:在目标指标发生异常的情况下,获取目标指标的总波动值和每个维度下的所有维度值的指标波动值;将每个维度下的每个维度值的指标波动值与目标指标的总波动值的比值,作为每个维度下的每个维度值的波动正贡献度;将每个维度下的所有维度值的波动正贡献度中的最大波动正贡献度所对应的维度值,作为每个维度下的目标维度值,并基于每个维度下的目标维度值确定目标指标发生异常的第二原因。
在其中一个实施例中,与目标指标相关的多个维度包括机构维度,机构维度的维度值包括多个分支机构,每个分支机构包括多个营业点,每个营业点包括多个资源管理方,每个资源管理方管理多个对象的资源,所述方法还包括:从机构维度的维度值中任选一个分支机构,作为目标分支机构;确定目标分支机构所包括的目标营业点和目标资源管理方,将目标营业点和目标营业点所对应的目标资源管理方进行关联,得到多个关联组合;确定与多个关联组合对应的目标对象集合;在目标指标发生异常的情况下,基于目标对象集合确定目标指标发生异常的第三原因。
在其中一个实施例中,与目标指标相关的多个维度包括机构维度,机构维度的维度值包括多个分支机构,每个分支机构包括多个营业点,每个营业点包括多个资源管理方,每个资源管理方管理多个对象的资源,所述方法还包括:根据对象的波动正贡献度,从多个对象中筛选出目标对象;确定目标对象所从属的目标资源管理方和目标营业点;根据目标营业点,确定目标对象所从属的目标分支机构;将目标分支机构、目标营业点、和目标资源管理方进行关联,得到目标关联组合;在目标指标发生异常的情况下,基于目标关联组合确定目标指标发生异常的第四原因。
在其中一个实施例中,所述方法还包括:对于采集周期小于预设周期的目标指标,通过第一时间序列模型,对目标指标的趋势图进行拟合,得到目标指标的预测波动范围;对于采集周期不小于预设周期的目标指标,通过第二时间序列模型,对目标指标的趋势图进行拟合,得到目标指标的预测波动范围;获取目标指标的当前波动值;在目标指标的当前波动值不满足目标指标的预测波动范围的情况下,确定目标指标发生异常。
第二方面,本申请还提供了一种指标异常分析装置。所述装置包括:
获取模块,用于在目标指标发生异常的情况下,获取与目标指标相关的多个维度和每个维度下的所有维度值;
获取模块,还用于获取目标指标分别与各维度的相关性系数;
组合模块,用于将不同维度下的所有维度值进行交叉组合,并且根据各维度的相关性系数的大小,排列各维度值,得到多个维度组合;
计算模块,用于计算每个维度组合各自的波动正贡献度;
确定模块,用于将多个波动正贡献度中的最大波动正贡献度所对应的维度组合,作为目标维度组合,并基于目标维度组合确定目标指标发生异常的第一原因。
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:
在目标指标发生异常的情况下,获取与目标指标相关的多个维度和每个维度下的所有维度值;
获取目标指标分别与各维度的相关性系数;
将不同维度下的所有维度值进行交叉组合,并且根据各维度的相关性系数的大小,排列各维度值,得到多个维度组合;
计算每个维度组合各自的波动正贡献度;
将多个波动正贡献度中的最大波动正贡献度所对应的维度组合,作为目标维度组合,并基于目标维度组合确定目标指标发生异常的第一原因。
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:
在目标指标发生异常的情况下,获取与目标指标相关的多个维度和每个维度下的所有维度值;
获取目标指标分别与各维度的相关性系数;
将不同维度下的所有维度值进行交叉组合,并且根据各维度的相关性系数的大小,排列各维度值,得到多个维度组合;
计算每个维度组合各自的波动正贡献度;
将多个波动正贡献度中的最大波动正贡献度所对应的维度组合,作为目标维度组合,并基于目标维度组合确定目标指标发生异常的第一原因。
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:
在目标指标发生异常的情况下,获取与目标指标相关的多个维度和每个维度下的所有维度值;
获取目标指标分别与各维度的相关性系数;
将不同维度下的所有维度值进行交叉组合,并且根据各维度的相关性系数的大小,排列各维度值,得到多个维度组合;
计算每个维度组合各自的波动正贡献度;
将多个波动正贡献度中的最大波动正贡献度所对应的维度组合,作为目标维度组合,并基于目标维度组合确定目标指标发生异常的第一原因。
上述指标异常分析方法、装置、计算机设备、存储介质和计算机程序产品,在目标指标发生异常的情况下,通过获取与目标指标相关的多个维度和每个维度下的所有维度值,并获取目标指标分别与各维度的相关性系数,将不同维度下的所有维度值进行交叉组合,并且根据各维度的相关性系数的大小排列各维度值,得到多个维度组合,计算每个维度组合各自的波动正贡献度,将多个波动正贡献度中的最大波动正贡献度所对应的维度组合,作为目标维度组合,将目标维度组合作为目标指标发生异常的主要影响因素,并根据目标维度组合确定目标指标发生异常的第一原因,能够从与目标指标相关的多个维度分析目标指标异常的原因,从而能够达到全面地分析目标指标异常的原因的目的。
附图说明
图1为一个实施例中指标异常分析方法的应用环境图;
图2为一个实施例中指标异常分析方法的流程示意图;
图3为一个实施例中计算维度组合的波动正贡献度步骤的流程示意图;
图4为另一个实施例中指标异常分析方法的系统框图;
图5为一个实施例中自定义预警规则的应用示意图;
图6为一个实施例中单维度分析的示意图;
图7为一个实施例中指标异常分析装置的结构框图;
图8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。
应当理解的是,本申请实施例中使用的“第一”、“第二”、“第三”、“第四”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。除非上下文另外清楚地指出,否则单数形式的“一个”、“一”或者“该”等类似词语也不表示数量限制,而是表示存在至少一个。
本申请实施例提供的指标异常分析方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。终端102可单独执行本申请实施例提供的指标异常分析方法,终端102和服务器104也可协同执行本申请实施例提供的指标异常分析方法。
当终端102单独执行指标异常分析方法时,终端102在目标指标发生异常的情况下,获取与目标指标相关的多个维度和每个维度下的所有维度值;获取目标指标分别与各维度的相关性系数;将不同维度下的所有维度值进行交叉组合,并且根据各维度的相关性系数的大小,排列各维度值,得到多个维度组合;计算每个维度组合各自的波动正贡献度;将多个波动正贡献度中的最大波动正贡献度所对应的维度组合,作为目标维度组合,并基于目标维度组合确定目标指标发生异常的第一原因。
当终端102和服务器104协同执行指标异常分析方法时,终端102在目标指标发生异常的情况下,获取与目标指标相关的多个维度和每个维度下的所有维度值;获取目标指标分别与各维度的相关性系数,并将与目标指标相关的多个维度和每个维度下的所有维度值、以及目标指标分别与各维度的相关性系数发送至服务器104。服务器104将不同维度下的所有维度值进行交叉组合,并且根据各维度的相关性系数的大小,排列各维度值,得到多个维度组合;计算每个维度组合各自的波动正贡献度;将多个波动正贡献度中的最大波动正贡献度所对应的维度组合,作为目标维度组合,并基于目标维度组合确定目标指标发生异常的第一原因。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种指标异常分析方法,该方法可以由终端或服务器单独执行,也可以由终端和服务器协同执行。以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤202,在目标指标发生异常的情况下,获取与目标指标相关的多个维度和每个维度下的所有维度值。
其中,目标指标是用户想要关注的业务指标,比如总部机构的资产余额。目标指标发生异常是目标指标在超出预设波动阈值的情况下的上涨或下跌,比如今日总部机构的资产余额比上日上涨了10000元,且异常原因未知。
维度是表征目标指标的不同角度,比如与目标指标为总部机构的资产余额的相关的多个维度可以包括机构维度、产品维度、对象层级维度。维度值是每个维度下的具体值,比如机构维度下的维度值可以包括分支机构A、分支机构分支机构B、分支机构C。
具体地,以多个维度包括第一维度、第二维度和第三维度为例,在目标指标发生异常的情况下,终端获取与目标指标相关的第一维度、第二维度和第三维度,以及第一维度下的所有维度值、第二维度下的所有维度值和第三维度下的所有维度值。
步骤204,获取目标指标分别与各维度的相关性系数。
其中,相关性系数是目标指标与各个维度之间的线性相关程度,相关性系数大于设定值,表示目标指标与各个维度之间具有强相关性;并且,相关性系数越大,表示目标指标与各个维度之间的线性关系越强。
具体地,以多个维度包括第一维度、第二维度和第三维度为例,终端获取目标指标与第一维度的相关性系数、目标指标与第二维度的相关性系数、以及目标指标与第三维度的相关性系数。
步骤206,将不同维度下的所有维度值进行交叉组合,并且根据各维度的相关性系数的大小,排列各维度值,得到多个维度组合。
其中,维度组合包括属于第一维度的维度值、属于第二维度的维度值和属于第三维度的维度值。
具体地,以多个维度包括第一维度、第二维度和第三维度为例,并且目标指标与第一维度的相关性系数、目标指标与第二维度的相关性系数、以及目标指标与第三维度的相关性系数依次递减,终端将不同维度下的所有维度值进行交叉组合,并且根据各维度的相关性系数的大小,排列各维度值,得到多个维度组合。
步骤208,计算每个维度组合各自的波动正贡献度。
其中,波动正贡献度是任一维度下的任一维度值的波动值与目标指标的总波动值的比值。
具体地,终端根据每个维度组合中所包括的维度值的波动正贡献度,计算每个维度组合各自的波动正贡献度。
步骤210,将多个波动正贡献度中的最大波动正贡献度所对应的维度组合,作为目标维度组合,并基于目标维度组合确定目标指标发生异常的第一原因。
其中,第一原因是基于与目标指标相关的多个维度确定的目标指标发生异常的原因。
具体地,终端将将多个波动正贡献度中的最大波动正贡献度所对应的维度组合,作为目标维度组合,将目标维度组合作为目标指标发生异常的主要影响因素,并基于目标维度组合确定目标指标发生异常的第一原因。
上述指标异常分析方法中,在目标指标发生异常的情况下,通过获取与目标指标相关的多个维度和每个维度下的所有维度值,并获取目标指标分别与各维度的相关性系数,将不同维度下的所有维度值进行交叉组合,并且根据各维度的相关性系数的大小排列各维度值,得到多个维度组合,计算每个维度组合各自的波动正贡献度,将多个波动正贡献度中的最大波动正贡献度所对应的维度组合,作为目标维度组合,将目标维度组合作为目标指标发生异常的主要影响因素,并根据目标维度组合确定目标指标发生异常的第一原因,能够达到全面地分析指标异常的原因的目的。
在一个实施例中,多个维度包括第一维度、第二维度和第三维度,且第一维度、第二维度和第三维度各自对应的相关性系数依次递减,第一维度下的维度值包括第一维度值、第二维度值,第二维度下的维度值包括第三维度值、第四维度值,第三维度下的维度值包括第五维度值、第六维度值和第七维度值;每个维度组合均包括属于第一维度的维度值、属于第二维度的维度值和属于第三维度的维度值;将不同维度下的所有维度值进行交叉组合,并且根据各维度的相关性系数的大小,排列各维度值,得到多个维度组合,包括:将第一维度下的第一维度值或第二维度值作为维度组合的第一元素;将第二维度下的第三维度值或第四维度值作为维度组合的第二元素;将第三维度下的第五维度值、第六维度值或第七维度值作为维度组合的第三元素;将第一元素、第二元素和第三元素按照第一元素、第二元素和第三元素的顺序进行排列,遍历所有第一元素、第二元素和第三元素,得到多个维度组合。
本实施例中,通过将不同维度下的所有维度值进行交叉组合,并根据各维度的相关性系数的大小,排列各维度值,能够达到基于与目标指标相关的多个维度下的维度值得到多个维度组合的目的。
在一个实施例中,如图3所示,计算每个维度组合各自的波动正贡献度,包括:
步骤302,获取目标指标的总波动值。
其中,目标指标的总波动值是指目标指标的波动值,比如总部机构的资产余额比上日上涨了10000元。
具体地,终端获取目标指标的总波动值。
步骤304,对于多个维度组合中的当前维度组合,获取在满足当前维度组合的第一维度的维度值和第二维度的纬度值的条件下,与当前维度组合的第三维度的维度值对应的指标波动值,作为当前维度组合的指标波动值。
其中,当前维度组合是多个维度组合中的任一个维度组合。例如,与目标指标为总部机构的资产余额的相关的第一维度、第二维度和第三维度分别是机构维度、产品维度和对象层级维度,机构维度下的维度值包括分支机构A,产品维度下的维度值包括产品代码I,对象层级维度下的维度值包括对象层级02,当前维度组合为(分支机构A,产品代码I、对象层级02),则当前维度组合的指标波动值为在机构维度下的维度值为分支机构A、且产品维度下的维度值为产品代码A的条件下,对象层级维度下的维度值为对象层级02的指标波动值(例如2000元)。
步骤306,基于各个维度组合的指标波动值分别与目标指标的总波动值间的比值,得到各个维度组合的波动正贡献度。
具体地,终端计算各个维度组合的指标波动值分别与目标指标的总波动值间的比值,得到各个维度组合的波动正贡献度。例如,目标指标是总部机构的资产余额,目标指标的总波动值是10000元,当前维度组合为(分支机构A,产品代码I、对象层级02),当前维度组合的指标波动值为2000元,则当前维度组合的波动正贡献度为2000/10000=20%。
本实施例中,通过获取在满足当前维度组合的第一维度的维度值和第二维度的纬度值的条件下,与当前维度组合的第三维度的维度值对应的指标波动值,作为当前维度组合的指标波动值,能够达到计算每个维度组合的波动正贡献度的目的。
在一个实施例中,多个维度组合包括第一类维度组合、第二类维度组合、第三类维度组合和第四类维度组合,计算每个维度组合各自的波动正贡献度,包括:获取目标指标的总波动值;获取在第一元素为第一维度值、第二元素为第三维度值的条件下的第三元素为第五维度值的指标波动值、第六维度值的指标波动值、和第七维度值的指标波动值,将第五维度值的指标波动值、第六维度值的指标波动值、和第七维度值的指标波动值分别与目标指标的总波动值的比值,作为第一类维度组合的波动正贡献度;获取在第一元素为第一维度值、第二元素为第四维度值的条件下的第三元素为第五维度值的指标波动值、第六维度值的指标波动值、和第七维度值的指标波动值,将第五维度值的指标波动值、第六维度值的指标波动值、和第七维度值的指标波动值分别与目标指标的总波动值的比值,作为第二类维度组合的波动正贡献度;获取在第一元素为第二维度值、第二元素为第三维度值的条件下的第三元素为第五维度值的指标波动值、第六维度值的指标波动值、和第七维度值的指标波动值,将第五维度值的指标波动值、第六维度值的指标波动值、和第七维度值的指标波动值分别与目标指标的总波动值的比值,作为第三类维度组合的波动正贡献度;获取在第一元素为第二维度值、第二元素为第四维度值的条件下的第三元素为第五维度值的指标波动值、第六维度值的指标波动值、和第七维度值的指标波动值,将第五维度值的指标波动值、第六维度值的指标波动值、和第七维度值的指标波动值分别与目标指标的总波动值的比值,作为第四类维度组合的波动正贡献度。
其中,第一类维度组合是将第一维度下的第一维度值作为维度组合的第一元素、将第二维度下的第三维度值作为维度组合的第二元素、以及将第三维度下的第五维度值、第六维度值、第七维度值作为维度组合的第三元素,按照第一元素、第二元素和第三元素的顺序进行排列得到的维度组合。第二类维度组合是将第一维度下的第一维度值作为维度组合的第一元素、将第二维度下的第四维度值作为维度组合的第二元素、以及将第三维度下的第五维度值、第六维度值、第七维度值作为维度组合的第三元素,按照第一元素、第二元素和第三元素的顺序进行排列得到的维度组合。第三类维度组合是将第一维度下的第二维度值作为维度组合的第一元素、将第二维度下的第三维度值作为维度组合的第二元素、以及将第三维度下的第五维度值、第六维度值、第七维度值作为维度组合的第三元素,按照第一元素、第二元素和第三元素的顺序进行排列得到的维度组合。第四类维度组合是将第一维度下的第二维度值作为维度组合的第一元素、将第二维度下的第四维度值作为维度组合的第二元素、以及将第三维度下的第五维度值、第六维度值、第七维度值作为维度组合的第三元素,按照第一元素、第二元素和第三元素的顺序进行排列得到的维度组合。
在一个实施例中,指标异常分析方法还包括在目标指标发生异常的情况下,获取目标指标的总波动值和每个维度下的所有维度值的指标波动值;将每个维度下的每个维度值的指标波动值与目标指标的总波动值的比值,作为每个维度下的每个维度值的波动正贡献度;将每个维度下的所有维度值的波动正贡献度中的最大波动正贡献度所对应的维度值,作为每个维度下的目标维度值,并基于每个维度下的目标维度值确定目标指标发生异常的第二原因。
其中,第二原因是基于与目标指标相关的单个维度确定的目标指标发生异常的原因。
例如,目标指标是总部机构的资产余额,与目标指标相关的第一维度、第二维度和第三维度分别是机构维度、产品维度和对象层级维度,机构维度下的维度值包括分支机构A和分支机构B,产品维度下的维度值包括产品代码I和产品代码II,对象层级维度下的维度值包括对象层级01、对象层级02、对象层级03。
具体地,在目标指标发生异常的情况下,终端获取目标指标的总波动值(例如1000元)、分支机构A的指标波动值(例如6000元)、分支机构B的指标波动值(例如4000元)、产品代码I的指标波动值(例如3000元)、产品代码II 的指标波动值(例如7000元),对象层级01的指标波动值(例如3000元)、对象层级02的指标波动值(例如40000元)、对象层级03的指标波动值(例如3000 元)。则当前维度组合的波动正贡献度为2000/10000=20%。终端计算分支机构A 的指标波动值与目标指标的总波动值的比值,得到分支机构A的波动正贡献度(6000/10000=60%)、分支机构B的波动正贡献度(4000/10000=40%)、产品代码I的波动正贡献度(3000/10000=30%)、产品代码II的波动正贡献度 (7000/10000=70%)、对象层级01的波动正贡献度(3000/10000=30%)、对象层级02的波动正贡献度(4000/10000=40%)、对象层级03的波动正贡献度 (3000/10000=30%)。终端比较分支机构A的波动正贡献度和分支机构B的波动正贡献度,将分支机构A作为机构维度下的目标维度值;比较产品代码I的波动正贡献度和产品代码II的波动正贡献度,将产品代码II作为产品维度下的目标维度值;比较对象层级01的波动正贡献度、对象层级02的波动正贡献度、对象层级03的波动正贡献度,将对象层级02作为对象层级维度下的目标维度值;将分支机构A、产品代码II和对象层级02作为目标指标发生异常的主要影响因素,并基于分支机构A、产品代码II和对象层级02确定目标指标发生异常的第二原因。
本实施例中,在目标指标发生异常的情况下,获取目标指标的总波动值和每个维度下的所有维度值的指标波动值;将每个维度下的每个维度值的指标波动值与目标指标的总波动值的比值,作为每个维度下的每个维度值的波动正贡献度;将每个维度下的所有维度值的波动正贡献度中的最大波动正贡献度所对应的维度值,作为每个维度下的目标维度值,并基于每个维度下的目标维度值确定目标指标发生异常的第二原因,能够达到从与目标指标相关的多个维度中单个维度分析目标指标异常的原因的目的。
在一个实施例中,与目标指标相关的多个维度包括机构维度,机构维度的维度值包括多个分支机构,每个分支机构包括多个营业点,每个营业点包括多个资源管理方,每个资源管理方管理多个对象的资源,指标异常分析方法还包括从机构维度的维度值中任选一个分支机构,作为目标分支机构;确定目标分支机构所包括的目标营业点和目标资源管理方,将目标营业点和目标营业点所对应的目标资源管理方进行关联,得到多个关联组合;确定与多个关联组合对应的目标对象集合;在目标指标发生异常的情况下,基于目标对象集合确定目标指标发生异常的第三原因。
其中,第三原因是与目标指标相关的机构维度下对象的波动正贡献度异常而导致的目标指标发生异常的原因。目标分支机构是用户想要关注的分支机构。
例如,目标指标是总部机构的资产余额,与目标指标相关的机构维度包括分支机构A和分支机构B,分支机构A包括营业点1、营业点2和营业点3,其中营业点1包括资源管理方甲和乙,营业点2包括资源管理方丙,营业点3包括资源管理方丁,且资源管理方甲、乙、丙、丁分别管理不同的对象的资源。
具体地,终端从机构维度的维度值中选择分支机构A作为目标分支机构;将分支机构A所包括的营业点1、营业点2和营业点3作为目标营业点,将营业点1所包括的资源管理方甲和乙、营业点2所包括的资源管理方丙、以及营业点3所包括的资源管理方丁作为目标资源管理方,将目标营业点和目标营业点所对应的目标资源管理方进行关联,得到关联组合1、关联组合2,其中关联组合1为{营业点1,资源管理方甲}、关联组合2为{营业点1,资源管理方乙}、关联组合3为{营业点2,资源管理方丙}、关联组合4为{营业点3,资源管理方丁};确定与多个关联组合对应的目标对象集合;在目标指标发生异常的情况下,基于目标对象集合确定目标指标发生异常的第三原因。
本实施例中,通过从分支机构下钻到对象,对目标分支机构进行穿透分析,能够达到基于与目标指标相关的机构维度,确定与目标指标发生异常的相关对象的目的。
在一个实施例中,与目标指标相关的多个维度包括机构维度,机构维度的维度值包括多个分支机构,每个分支机构包括多个营业点,每个营业点包括多个资源管理方,每个资源管理方管理多个对象的资源,指标异常分析方法还包括根据对象的波动正贡献度,从多个对象中筛选出目标对象;确定目标对象所从属的目标资源管理方和目标营业点;根据目标营业点,确定目标对象所从属的目标分支机构;将目标分支机构、目标营业点、和目标资源管理方进行关联,得到目标关联组合;在目标指标发生异常的情况下,基于目标关联组合确定目标指标发生异常的第四原因。
其中,第四原因是与目标指标相关的机构维度下分支机构、营业点、资源管理管理方的波动正贡献度异常而导致的目标指标发生异常的原因。目标对象是对象的波动正贡献度大于预设波动正贡献度的对象,预设波动正贡献度是根据分析需求确定的,可以是固定值,例如10%,也可以是相对值,例如在所有的对象的波动正贡献度中取前10%(即对象的波动正贡献度最大的前10%),本实施例对此不作限定。
具体地,终端从与机构维度的维度值相关的对象中,筛选出对象的波动正贡献度最大的前10%的对象作为目标对象;根据目标对象,确定目标对象所从属的资源管理方作为目标资源管理方;根据目标资源管理方,确定目标资源管理方所从属的分支机构作为目标分支机构;将目标分支机构、目标营业点、目标资源管理方进行关联,得到目标关联组合;在目标指标发生异常的情况下,基于目标对象集合确定目标指标发生异常的第四原因。
本实施例中,通过从对象回溯到分支机构,对对象进行归属分析,能够达到基于与目标指标相关的机构维度,确定与目标指标发生异常的相关分支机构、营业点、和资源管理方的目的。
在一个实施例中,指标异常分析方法还包括对于采集周期小于预设周期的目标指标,通过第一时间序列模型,对目标指标的趋势图进行拟合,得到目标指标的预测波动范围;对于采集周期不小于预设周期的目标指标,通过第二时间序列模型,对目标指标的趋势图进行拟合,得到目标指标的预测波动范围;获取目标指标的当前波动值;在目标指标的当前波动值不满足目标指标的预测波动范围的情况下,确定目标指标发生异常。
其中,第一时间序列模型可以是趋势模型和季节模型,第二时间序列模型可以是ARIMA模型(自回归移动平均模型,全称是Autoregressive Integrated Moving AverageModel)、自回归模型、滑动平均模型或组合-ARIMA模型。
具体地,终端对于采集周期小于预设周期的目标指标,通过第一时间序列模型,对目标指标的趋势图进行拟合,得到目标指标的预测波动范围;对于采集周期不小于预设周期的目标指标,通过第二时间序列模型,对目标指标的趋势图进行拟合,得到目标指标的预测波动范围;获取目标指标的当前波动值;在目标指标的当前波动值不满足目标指标的预测波动范围的情况下,确定目标指标发生异常。
本实施例中,根据采集周期的长短,通过不同的时间序列模型,得到目标指标的预测波动范围,并判断目标指标的当前波动值是否在目标指标的预测波动范围内,能够达到确定目标指标是否发生异常的目的。
在一个实施例中,指标异常分析方法还包括根据时间预警范围和数值预警范围,确定目标预警规则;根据目标预警规则,确定目标指标发生异常。
其中,时间预警范围可以是比上个周期大于或小于第一比例,上个周期、第一比例均是根据分析需求设定的,例如上个周期可以是上日、上周或上月等,第一比例可以是10%。目标预警规则是同时满足时间预警范围和数值预警范围的条件。
数值预警范围可以是大于或小于第一固定值,第一固定值是根据分析需求设定的,例如100。
具体地,终端获取时间预警范围和数值预警范围;根据时间预警范围和数值预警范围,确定目标预警规则;获取目标指标的当前波动值;在目标指标的当前波动值不符合目标预警规则的情况下,确定目标指标发生异常。
本实施例中,根据设置时间预警范围和数值预警范围,确定目标预警规则,并判断目标指标的当前波动值是否符合目标预警规则,能够达到确定目标指标是否发生异常的目的。
在一个实施例中,如图4所示,提供了一种指标异常分析系统,包括数据计算与存储模块,用于分析指标异动和归因的算法计算与存储,将数据以指标形式发布,构建机构的多维度指标服务体系,以接口形式对外发布,供异动预警和归因分析中的关注指标功能调用;基础服务模块,包括指标异动预警分析模块和指标归因分析模块。可视化模块,用于生成分析报告中的各类数据和图表,其中,数据生成用于生成异动报告和归因分析报告模板,将数据填充在异动预警报告和归因分析报告的对应位置;图表生成,用于分析报告模板,生成报告中需要展示的指标波动情况的折线图、单维度分析的柱形图、穿透分析的桑基图等。其中,指标异动预警模块用于支持规则预警和智能预警,自动监测指标的异动情况,当指标发送异动的时候,第一时间发送异动通知并分析异动原因。指标归因分析模块用于分析指标变动的影响因素,支持从单维度归因、多维度归因、穿透分析和归属分析方面,帮助用户全面地了解该指标。同时支持异动分析报告和归因分析报告一键推送到移动端,实现随时随地了解业务情况,支持业务决策。
指标异动预警分析模块执行异动预警包括以下步骤:
步骤1:用户选择想要关注的一个指标,指标为通过特定的统计逻辑计算出来能衡量事物发展程度的度量,例如支付金额、对象数、点击率。
步骤2:用户针对自己关注的指标,可以选择自动预警规则或自定义预警规则。自动预警规则通过时间序列模型根据指标波周期趋势判定该指标是否发生异动。时间序列算法会根据指标近几年来的进行曲线拟合,即用模型去拟合时间序列的观测数据。对于短的或简单的时间序列,可用趋势模型和季节模型加上误差来进行拟合。对于平稳时间序列,可用通用ARIMA模型(自回归滑动平均模型)及其特殊情况的自回归模型、滑动平均模型或组合-ARIMA模型等来进行拟合。若今日指标值不符合模型趋势的上下限,则判断该指标发生异动。
其中,趋势模型是指长期上升或长期下降的趋势。季节模型是指在某些时间序列中,存在明显的周期性变化(包括季度、月度、周度等变化)或其他一些固有因素引起的。误差是模型预测值和实际值之间的差值。
根据数据存储的时间长短来采取不同的时间序列模型进行拟合。例如,以6 个月为分界点,如果指标所包含的时间少于6个月,则是采用短的时间序列;如果指标所包含的时间多于6个月,则属于平稳时间序列。
自定义预警规则可以选择预警范围设定和预警固定值设定。同时自定义设定预警规则的时候点击‘+筛选条件’,可以添加多个筛选条件,筛选条件之间的关系可选择且/或。具体筛选条件如图5所示。
步骤2-1:在进行预警范围设定的时候,可以选择的时间范围有:比上日,比上周,比上月,比上季,比年初,比去年同期,比上周平均值,比上月平均值,比上季平均值,比本年平均值,比上年平均值。程度上选择条件有:大于,小于。百分比范围选择有:10%,20%,30%,40%,50%,60%,70%,80%, 90%,100%。
步骤2-2:在进行预警固定值设定的时候,程度上选择条件有:大于,等于,小于。接下来输入预警固定值并选择单位选择。
步骤3:配置预警规则后,用户可以选择:当异动发生的时候是否需要分析异动原因。在分析原因时,用户可以选择自动分析偏好或自定义分析偏好。
步骤3-1:自动分析偏好根据回归决策树找出关注指标异动原因、生成报告。
步骤3-2:自定义分析偏好中,根据机器学习算法找出关注指标异动的原因后,用户可以自定义异动分析报告的分析偏好展现。
步骤4:用户设置当指标发生异动时,推送异动通知以及报告的方式,包括推送的时间、方式、推送内容预览等。
在一个实施例中,目标指标是用户月增长量,在进行预警范围设定的时候,可以选择的时间范围为比上月,程度上选择条件为大于,百分比范围选择为 10%;在进行预警固定值设定的时候,程度上选择条件为大于,则
步骤1:将“用户月增长量”作为想要关注的指标;
步骤2:针对“用户月增长量”指标,选择自定义预警规则
步骤2-1:用户配置预警范围值设定,选择的时间范围为比上月,程度上选择条件为大于,百分比范围选择为10%,即当“用户月增长量”指标值为大于上月值10%时,为触发预警条件
步骤2-2:用户点击【+筛选条件】,并设置预警固定值大于300,单位选择为“个”时,为触发预警条件。
步骤3:配置自定义预警规则后,用户选择当指标异动时,自动展示“用户增长量”异动原因。
步骤4:用户设置“用户月增长量”指标异动条件和异动原因展示后,用户配置推送异动通知以及报告的方式为邮件推送。推送的时间为实时推送。
指标归因分析模块执行归因分析包括以下步骤:
指标归因分析包括三种实现方式:单维度分析、多维度分析、以及穿透归因分析,其中穿透归因分析包括穿透分析和归属分析。
在识别指标异常值的时候,主要运用孤立森林算法,并辅以回归决策树等其他算法识别指标异常值。在评估各个维度的波动正贡献度时,主要从回归决策树的基尼系数重要性、方差分析、相关性系数等方面进行投票;面对大量分析维度和分析精准度要求,选择贝叶斯、Xgboost、LGBM(LightGBM)、神经网络等算法,面对不同的指标和维度,对模型进行大量优化和改造以提升指标归因和预测的准确度,进而实现智能化辅助业务定位问题根因、预测业务发展。
单维度分析:
1、通过回归决策树等算法列举出与关注指标波动相关的所有维度,按相关性系数从高到低排名,相关性系数用于衡量每个维度对指标波动的影响情况。并列举每个维度下对应的维度值,按波动正贡献度从大到小排名。例如关注指标为“资产余额”且该指标有3个维度:机构维度、产品类型维度和币种维度。单维度分析会将这3个维度对指标异动的相关性系数从高到低排列,例如机构维度、产品类型维度和币种维度的相关性系数分别为:0.56、0.32和0.12。同时计算每个维度下对应的维度值并按波动正贡献度排序。单维度分析的结果是将所有维度中波动正贡献度最大的维度的波动,作为指标异动原因。
例如,关注指标为“资产余额”,今日资产余额的机构维度上涨了100元,其中分支机构A上涨了60元,分支机构B上涨了40元,则分支机构A的波动正贡献度为60%,分支机构B的波动正贡献度为40%。
如图6所示,计算机构维度下各个分支机构的波动情况对整个机构维度波动的影响。图中,分支机构(A分行)当日的资产余额为10亿元,比上日:+1.6 亿元的含义是:A分行当日的资产余额比上日增加了1.6亿元。
2、多维度分析
多维度分析:综合所有维度,展示存在自身波动异常的维度以及维度值。列举关注指标波动正贡献的维度组合,维度组合为指标下所有维度的集合并计算所有维度组合的波动贡献度,按波动正贡献度从大到小排名。例如关注指标为“资产余额”且该指标有3个维度:机构维度、产品类型维度和对象层级维度。多维度分析会将这三个维度下的所有维度值交叉组合做笛卡尔积并计算所有组合对指标波动的贡献度。多维度分析的结果是将所有维度组合中对指标波动的贡献度最大的维度组合的波动,作为指标的异动原因。
例如,关注指标为“资产余额”,总部机构(总行)的今日资产余额比昨日上涨了300元,关注指标今日机构维度下分支机构A、产品维度下产品代码A 和对象层级维度下对象层级02的今日资产余额比昨日上涨了20元,则对于维度组合“机构维度下分支机构A、产品维度下产品代码A和对象层级维度下对象层级02”的维度值波动正贡献度为:20/300=6.67%。
3、穿透归因分析
穿透分析:指按照分支机构、营业点、资源管理方、对象进行穿透分析,用户可以在选择某一分支机构后,对下属的营业点和资源管理方进行进一步组合分析。
归属分析:找出对关注指标的波动正贡献度达到10%的对象,并从对象回推,找出该对象所隶属的资源管理方、营业点以及所在分支机构。
本实施例中,通过指标异动提醒及通知,对指标进行多维度、深层次、智能化归因分析,能够提高指标异动分析的效率、降低指标异动分析的门槛,实现将现有BI(商业智能,全称为Business Intelligence)类数据应用工具融入业务流程,对业务经营提供异动预警、智能归因、精准预测等增强分析能力,最终借助PC端和移动端可视化能力为业务人员提供随时随地、智能化决策支持。
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指标异常分析方法的指标异常分析装置。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指标异常分析装置实施例中的具体限定可以参见上文中对于指标异常分析方法的限定,在此不再赘述。
在一个实施例中,如图7所示,提供了一种指标异常分析装置700,包括:获取模块702、组合模块704、计算模块706和确定模块708,其中:
获取模块702,用于在目标指标发生异常的情况下,获取与目标指标相关的多个维度和每个维度下的所有维度值。
获取模块702,还用于获取目标指标分别与各维度的相关性系数。
组合模块704,用于将不同维度下的所有维度值进行交叉组合,并且根据各维度的相关性系数的大小,排列各维度值,得到多个维度组合。
计算模块706,用于计算每个维度组合各自的波动正贡献度。
确定模块708,用于将多个波动正贡献度中的最大波动正贡献度所对应的维度组合,作为目标维度组合,并基于目标维度组合确定目标指标发生异常的第一原因。
在一个实施例中,多个维度包括第一维度、第二维度和第三维度,且第一维度、第二维度和第三维度各自对应的相关性系数依次递减,每个维度组合均包括属于第一维度的维度值、属于第二维度的维度值和属于第三维度的维度值。
在一个实施例中,计算模块706还用于获取目标指标的总波动值;对于多个维度组合中的当前维度组合,获取在满足当前维度组合的第一维度的维度值和第二维度的纬度值的条件下,与当前维度组合的第三维度的维度值对应的指标波动值,作为当前维度组合的指标波动值;基于各个维度组合的指标波动值分别与目标指标的总波动值间的比值,得到各个维度组合的波动正贡献度。
在一个实施例中,指标异常分析装置700还包括单维度分析模块,单维度分析模块用于在目标指标发生异常的情况下,获取目标指标的总波动值和每个维度下的所有维度值的指标波动值;将每个维度下的每个维度值的指标波动值与目标指标的总波动值的比值,作为每个维度下的每个维度值的波动正贡献度;将每个维度下的所有维度值的波动正贡献度中的最大波动正贡献度所对应的维度值,作为每个维度下的目标维度值,并基于每个维度下的目标维度值确定目标指标发生异常的第二原因。
在一个实施例中,与目标指标相关的多个维度包括机构维度,机构维度的维度值包括多个分支机构,每个分支机构包括多个营业点,每个营业点包括多个资源管理方,每个资源管理方管理多个对象的资源,指标异常分析装置700 还包括穿透分析模块,穿透分析模块用于从机构维度的维度值中任选一个分支机构,作为目标分支机构;确定目标分支机构所包括的目标营业点和目标资源管理方,将目标营业点和目标营业点所对应的目标资源管理方进行关联,得到多个关联组合;确定与多个关联组合对应的目标对象集合;在目标指标发生异常的情况下,基于目标对象集合确定目标指标发生异常的第三原因。
在一个实施例中,与目标指标相关的多个维度包括机构维度,机构维度的维度值包括多个分支机构,每个分支机构包括多个营业点,每个营业点包括多个资源管理方,每个资源管理方管理多个对象的资源,指标异常分析装置700 还包括归属分析模块,归属分析模块用于根据对象的波动正贡献度,从多个对象中筛选出目标对象;确定目标对象所从属的目标资源管理方和目标营业点;根据目标营业点,确定目标对象所从属的目标分支机构;将目标分支机构、目标营业点、和目标资源管理方进行关联,得到目标关联组合;在目标指标发生异常的情况下,基于目标关联组合确定目标指标发生异常的第四原因。
在一个实施例中,指标异常分析装置700还包括异常确定模块,异常确定模块用于对于采集周期小于预设周期的目标指标,通过第一时间序列模型,对目标指标的趋势图进行拟合,得到目标指标的预测波动范围;对于采集周期不小于预设周期的目标指标,通过第二时间序列模型,对目标指标的趋势图进行拟合,得到目标指标的预测波动范围;获取目标指标的当前波动值;在目标指标的当前波动值不满足目标指标的预测波动范围的情况下,确定目标指标发生异常。
上述指标异常分析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终端,其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。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和计算机程序。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。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种指标异常分析方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图8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,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,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,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,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。对于本申请所涉及的推送的信息,用户可以拒绝或可以便捷拒绝通知推送信息等。
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 (11)
1.一种指标异常分析方法,其特征在于,所述方法包括:
在目标指标发生异常的情况下,获取与所述目标指标相关的多个维度和每个维度下的所有维度值;
获取所述目标指标分别与各维度的相关性系数;
将不同维度下的所有维度值进行交叉组合,并且根据各维度的相关性系数的大小,排列各维度值,得到多个维度组合;
计算每个维度组合各自的波动正贡献度;
将多个波动正贡献度中的最大波动正贡献度所对应的维度组合,作为目标维度组合,并基于所述目标维度组合确定所述目标指标发生异常的第一原因。
2.根据权利要求1所述的方法,其特征在于,所述多个维度包括第一维度、第二维度和第三维度,且所述第一维度、第二维度和第三维度各自对应的相关性系数依次递减,每个所述维度组合均包括属于第一维度的维度值、属于第二维度的维度值和属于第三维度的维度值。
3.根据权利要求2所述的方法,其特征在于,所述计算每个维度组合各自的波动正贡献度,包括:
获取所述目标指标的总波动值;
对于多个维度组合中的当前维度组合,获取在满足所述当前维度组合的第一维度的维度值和第二维度的纬度值的条件下,与所述当前维度组合的第三维度的维度值对应的指标波动值,作为所述当前维度组合的指标波动值;
基于各个维度组合的指标波动值分别与所述目标指标的总波动值间的比值,得到各个维度组合的波动正贡献度。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述目标指标发生异常的情况下,获取所述目标指标的总波动值和每个维度下的所有维度值的指标波动值;
将每个维度下的每个维度值的指标波动值与所述目标指标的总波动值的比值,作为每个维度下的每个维度值的波动正贡献度;
将每个维度下的所有维度值的波动正贡献度中的最大波动正贡献度所对应的维度值,作为每个维度下的目标维度值,并基于所述每个维度下的目标维度值确定所述目标指标发生异常的第二原因。
5.根据权利要求1所述的方法,其特征在于,与目标指标相关的多个维度包括机构维度,机构维度的维度值包括多个分支机构,每个分支机构包括多个营业点,每个营业点包括多个资源管理方,每个资源管理方管理多个对象的资源,所述方法还包括:
从机构维度的维度值中任选一个分支机构,作为目标分支机构;
确定所述目标分支机构所包括的目标营业点和目标资源管理方,将所述目标营业点和所述目标营业点所对应的目标资源管理方进行关联,得到多个关联组合;
确定与所述多个关联组合对应的目标对象集合;
在所述目标指标发生异常的情况下,基于所述目标对象集合确定所述目标指标发生异常的第三原因。
6.根据权利要求1所述的方法,其特征在于,与目标指标相关的多个维度包括机构维度,机构维度的维度值包括多个分支机构,每个分支机构包括多个营业点,每个营业点包括多个资源管理方,每个资源管理方管理多个对象的资源,所述方法还包括:
根据对象的波动正贡献度,从多个对象中筛选出目标对象;
确定所述目标对象所从属的目标资源管理方和目标营业点;
根据所述目标营业点,确定所述目标对象所从属的目标分支机构;
将所述目标分支机构、目标营业点、和目标资源管理方进行关联,得到目标关联组合;
在所述目标指标发生异常的情况下,基于所述目标关联组合确定所述目标指标发生异常的第四原因。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对于采集周期小于预设周期的目标指标,通过第一时间序列模型,对所述目标指标的趋势图进行拟合,得到所述目标指标的预测波动范围;
对于采集周期不小于预设周期的目标指标,通过第二时间序列模型,对所述目标指标的趋势图进行拟合,得到所述目标指标的预测波动范围;
获取所述目标指标的当前波动值;
在所述目标指标的当前波动值不满足所述目标指标的预测波动范围的情况下,确定所述目标指标发生异常。
8.一种指标异常分析装置,其特征在于,所述装置包括:
获取模块,用于在目标指标发生异常的情况下,获取与所述目标指标相关的多个维度和每个维度下的所有维度值;
所述获取模块,还用于获取所述目标指标分别与各维度的相关性系数;
组合模块,用于将不同维度下的所有维度值进行交叉组合,并且根据各维度的相关性系数的大小,排列各维度值,得到多个维度组合;
计算模块,用于计算每个维度组合各自的波动正贡献度;
确定模块,用于将多个波动正贡献度中的最大波动正贡献度所对应的维度组合,作为目标维度组合,并基于所述目标维度组合确定所述目标指标发生异常的第一原因。
9.一种计算机设备,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7中任一项所述的方法的步骤。
10.一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7中任一项所述的方法的步骤。
11.一种计算机程序产品,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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211246115.XA CN115641019A (zh) | 2022-10-12 | 2022-10-12 | 指标异常分析方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211246115.XA CN115641019A (zh) | 2022-10-12 | 2022-10-12 | 指标异常分析方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115641019A true CN115641019A (zh) | 2023-01-24 |
Family
ID=84944516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211246115.XA Pending CN115641019A (zh) | 2022-10-12 | 2022-10-12 | 指标异常分析方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115641019A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227995A (zh) * | 2023-02-06 | 2023-06-06 | 北京三维天地科技股份有限公司 | 一种基于机器学习的指标分析方法及系统 |
CN116503025A (zh) * | 2023-06-25 | 2023-07-28 | 深圳高新区信息网有限公司 | 一种基于工作流引擎的业务工单流程处理方法 |
CN116542401A (zh) * | 2023-07-05 | 2023-08-04 | 江南大学附属医院 | 一种住院诊疗服务单元的医保超支预测方法与系统 |
CN117454089A (zh) * | 2023-11-17 | 2024-01-26 | 浙江预策科技有限公司 | 仪表盘的实时分析方法、装置、计算机设备及存储介质 |
-
2022
- 2022-10-12 CN CN202211246115.XA patent/CN115641019A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227995A (zh) * | 2023-02-06 | 2023-06-06 | 北京三维天地科技股份有限公司 | 一种基于机器学习的指标分析方法及系统 |
CN116227995B (zh) * | 2023-02-06 | 2023-09-12 | 北京三维天地科技股份有限公司 | 一种基于机器学习的指标分析方法及系统 |
CN116503025A (zh) * | 2023-06-25 | 2023-07-28 | 深圳高新区信息网有限公司 | 一种基于工作流引擎的业务工单流程处理方法 |
CN116503025B (zh) * | 2023-06-25 | 2023-09-19 | 深圳高新区信息网有限公司 | 一种基于工作流引擎的业务工单流程处理方法 |
CN116542401A (zh) * | 2023-07-05 | 2023-08-04 | 江南大学附属医院 | 一种住院诊疗服务单元的医保超支预测方法与系统 |
CN116542401B (zh) * | 2023-07-05 | 2023-09-19 | 江南大学附属医院 | 一种住院诊疗服务单元的医保超支预测方法与系统 |
CN117454089A (zh) * | 2023-11-17 | 2024-01-26 | 浙江预策科技有限公司 | 仪表盘的实时分析方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115641019A (zh) | 指标异常分析方法、装置、计算机设备和存储介质 | |
US11151418B2 (en) | Interactive modeling application adapted for execution via distributed computer-based systems | |
CN110738527A (zh) | 一种特征重要性排序方法、装置、设备和存储介质 | |
Liu et al. | Non-homogeneous volatility correlations in the bivariate multifractal model | |
CN114372681A (zh) | 基于流水数据的企业分类方法、装置、设备、介质和产品 | |
CN117829892A (zh) | 三维模型供需分析方法、装置、计算机设备和存储介质 | |
US20210334274A1 (en) | Systems and methods for monitoring user-defined metrics | |
CN117422195A (zh) | 水质评估方法、装置、计算机设备和存储介质 | |
CN116894721A (zh) | 一种指标预测方法、装置、计算机设备 | |
CN115759742A (zh) | 企业风险评估方法、装置、计算机设备和存储介质 | |
US20240020436A1 (en) | Automated data quality monitoring and data governance using statistical models | |
CN115936789A (zh) | 考虑非线性时间常数的资源数值变动数据生成方法和装置 | |
CN113837467B (zh) | 点对点能源项目评估方法、装置、计算机设备和存储介质 | |
CN115473219A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
CN115204501A (zh) | 企业评估方法、装置、计算机设备和存储介质 | |
US20130282427A1 (en) | Reputation-based service valuation | |
CN110383242A (zh) | 使用关键伪像和动态生成的循环进行有损数据压缩的系统和方法 | |
CN118193524A (zh) | 报表数据处理方法、装置、计算机设备和存储介质 | |
CN117495131A (zh) | 用电数据预测方法、装置、计算机设备和存储介质 | |
CN117853217A (zh) | 数据隐私保护的金融违约率预测方法、装置以及设备 | |
US20140207530A1 (en) | Fairly calibrated distribution matrix modeling | |
CN117114890A (zh) | 资源信息处理方法、装置、计算机设备和存储介质 | |
CN116596398A (zh) | 预测模型的选择方法、装置、设备、存储介质和程序产品 | |
CN116150227A (zh) | 一种目标对象的挖掘方法及装置 | |
CN118585684A (zh) | 基于大语言模型的对象处理方法、装置、计算机设备、存储介质和程序产品 |
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 |