CN116663951A - 用户留存数据分析模型构建以及分析方法、装置和设备 - Google Patents
用户留存数据分析模型构建以及分析方法、装置和设备 Download PDFInfo
- Publication number
- CN116663951A CN116663951A CN202310372814.7A CN202310372814A CN116663951A CN 116663951 A CN116663951 A CN 116663951A CN 202310372814 A CN202310372814 A CN 202310372814A CN 116663951 A CN116663951 A CN 116663951A
- Authority
- CN
- China
- Prior art keywords
- user retention
- model
- retention analysis
- data
- initial
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 498
- 230000014759 maintenance of location Effects 0.000 title claims abstract description 480
- 238000007405 data analysis Methods 0.000 title claims abstract description 60
- 238000010276 construction Methods 0.000 title claims description 9
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000004590 computer program Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims description 16
- 238000012800 visualization Methods 0.000 claims description 6
- 230000000717 retained effect Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000013480 data collection Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—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
- 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
- G06F16/2457—Query processing with adaptation to user needs
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及大数据数据分析技术领域，具体公开了一种用户留存数据分析模型构建以及分析方法、装置、计算机设备、存储介质和计算机程序产品。本方法通过目标业务的初始用户留存分析模型，确定初始用户留存分析结果，然后，根据初始用户留存分析结果以及预设用户留存指标来判断初始用户留存分析模型是否满足预设模型要求，在初始用户留存分析模型不满足预设模型要求的情况下，重新确定用户留存分析模型，直至更新后的用户留存分析结果满足预设模型要求时，得到目标用户留存分析模型，目标用户留存分析模型可以满足目标业务用户留存分析指标，进而通过目标留存分析模型获取目标用户分析结果，可以得到准确的用户留存分析结果。
Description
技术领域
本申请涉及大数据数据分析技术领域，特别是涉及一种用户留存数据分析模型构建以及分析方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着计算机应用技术的发展，出现了大量的业务服务，极大地方便了人们的生活。对于企业来说，主要通过对业务数据进行分析来查找业务存在的问题，以便根据分析结果，对业务服务进行改进，更好的满足用户需求。
在对业务服务进行分析的过程中，用户留存是一个重要指标，用于分析用户留存情况的用户留存分析模型也应运而生，在每个需要分析用户留存情况的测算中被大量建模使用。
但是，面对复杂多样的业务服务产品，传统的用户留存分析方法无法准确分析用户留存数据。
发明内容
基于此，有必要针对上述技术问题，提供一种支持用户留存数据分析的准确的用户留存数据分析模型构建方法、装置、计算机设备、计算机可读存储介质和计算机程序产品；另外还提供一种准确的用户留存数据分析方法、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，本申请提供了一种用户留存数据分析模型构建方法。所述方法包括：
获取目标业务的初始用户留存分析模型，基于所述初始用户留存分析模型对所述目标业务的业务数据进行分析，得到初始用户留存分析结果；
根据所述初始用户留存分析结果以及预设用户留存指标，确定所述初始用户留存分析模型的初始模型分析结果；
在所述初始模型分析结果不满足预设模型要求的情况下，重新确定用户留存分析模型，基于重新确定的所述用户留存分析模型，获得更新后的用户留存分析结果；
在所述更新后的用户留存分析结果满预设模型要求的情况下，得到目标用户留存分析模型。
在其中一个实施例中，所述获取目标业务的初始用户留存分析模型，包括：
获取用户留存分析模型集合、以及目标业务的业务指标；
基于所述业务指标，从所述用户留存分析模型集合中确定初始用户留存分析模型。
在其中一个实施例中，所述基于所述初始用户留存分析模型对所述目标业务的业务数据进行分析，得到初始用户留存分析结果，包括：
根据所述初始用户留存分析模型，提取与所述目标业务对应的业务数据；
将所述业务数据输入所述初始用户留存分析模型进行数据分析，得到初始用户留存分析结果。
在其中一个实施例中，所述据所述初始用户留存分析模型，提取与所述目标业务对应的业务数据，包括：
确定所述初始用户留存分析模型的数据采集指标；
基于所述数据采集指标，确定目标业务的业务数据中与所述数据采集指标对应的数据字段；
根据所述数字字段，生成数据字段采集指令；
执行所述数据字段采集指令，采集与所述数据字段采集指令对应的业务数据，得到目标业务数据。
在其中一个实施例中，所述将所述业务数据输入所述初始用户留存分析模型进行数据分析，得到初始用户留存分析结果之前，还包括：
对所述业务数据进行加工处理，得到加工处理后的业务数据；
所述将所述业务数据输入所述初始用户留存分析模型进行数据分析，得到初始用户留存分析结果包括：
将所述加工处理后的业务数据输入所述初始用户留存分析模型进行数据分析，得到初始用户留存分析结果。
在其中一个实施例中，所述根据所述初始用户留存分析结果以及预设用户留存指标，确定所述初始用户留存分析模型的初始模型分析结果，包括：
根据预设用户留存指标以及所述初始用户留存分析结果，确定所述初始用户留存分析模型的分析误差；
基于所述分析误差与所述预设分析误差阈值的大小关系，确定所述初始用户留存分析模型的初始模型分析结果。
在其中一个实施例中，所述方法还包括：
在所述初始用户留存分析模型不满足预设模型要求的情况下，重新获取目标业务对应的业务数据，基于重新获取的业务数据，确定重新获取的用户留存分析结果；
在所述重新获取的用户留存分析结果满足预设模型要求时，得到目标用户留存分析模型。
第二方面，本申请还提供了一种用户留存数据分析方法，所述方法包括：
获取目标用户留存分析模型以及目标业务对应的业务数据；
将所述目标业务对应的业务数据输入所述目标用户留存分析模型进行数据分析，得到目标用户留存分析结果；
将所述目标用户留存分析结果进行可视化展示。
第三方面，本申请还提供了一种用户留存数据分析模型构建装置。所述装置包括：
获取模块，用于获取目标业务的初始用户留存分析模型，基于所述初始用户留存分析模型对所述目标业务的业务数据进行分析，得到初始用户留存分析结果；
模型分析结果确定模块，用于根据所述初始用户留存分析结果以及预设用户留存指标，确定所述初始用户留存分析模型的初始模型分析结果；
重新确定模块，用于在所述初始模型分析结果不满足预设模型要求的情况下，重新确定用户留存分析模型，基于重新确定的所述用户留存分析模型，获得更新后的用户留存分析结果；
目标模型确定模块，用于在所述更新后的用户留存分析结果满足预设模型要求的情况下，得到目标用户留存分析模型。
第四方面，本申请还提供了一种用户留存数据分析装置。所述装置包括：
模型获取模块，用于获取目标用户留存分析模型以及目标业务对应的业务数据；
分析模块，用于将所述目标业务对应的业务数据输入所述目标用户留存分析模型进行数据分析，得到目标用户留存分析结果；
可视化模块，用于将所述目标用户留存分析结果进行可视化展示。
第五方面，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：
获取目标业务的初始用户留存分析模型，基于所述初始用户留存分析模型对所述目标业务的业务数据进行分析，得到初始用户留存分析结果；
根据所述初始用户留存分析结果以及预设用户留存指标，确定所述初始用户留存分析模型的初始模型分析结果；
在所述初始模型分析结果不满足预设模型要求的情况下，重新确定用户留存分析模型，基于重新确定的所述用户留存分析模型，获得更新后的用户留存分析结果；
在所述更新后的用户留存分析结果满足预设模型要求的情况下，得到目标用户留存分析模型。
第六方面，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：
获取目标用户留存分析模型以及目标业务对应的业务数据；
将所述目标业务对应的业务数据输入所述目标用户留存分析模型进行数据分析，得到目标用户留存分析结果；
将所述目标用户留存分析结果进行可视化展示。
第七方面，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：
获取目标业务的初始用户留存分析模型，基于所述初始用户留存分析模型对所述目标业务的业务数据进行分析，得到初始用户留存分析结果；
根据所述初始用户留存分析结果以及预设用户留存指标，确定所述初始用户留存分析模型的初始模型分析结果；
在所述初始模型分析结果不满足预设模型要求的情况下，重新确定用户留存分析模型，基于重新确定的所述用户留存分析模型，获得更新后的用户留存分析结果；
在所述更新后的用户留存分析结果满足预设模型要求的情况下，得到目标用户留存分析模型。
第八方面，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：
获取目标用户留存分析模型以及目标业务对应的业务数据；
将所述目标业务对应的业务数据输入所述目标用户留存分析模型进行数据分析，得到目标用户留存分析结果；
将所述目标用户留存分析结果进行可视化展示。
第九方面，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：
获取目标业务的初始用户留存分析模型，基于所述初始用户留存分析模型对所述目标业务的业务数据进行分析，得到初始用户留存分析结果；
根据所述初始用户留存分析结果以及预设用户留存指标，确定所述初始用户留存分析模型的初始模型分析结果；
在所述初始模型分析结果不满足预设模型要求的情况下，重新确定用户留存分析模型，基于重新确定的所述用户留存分析模型，获得更新后的用户留存分析结果；
在所述更新后的用户留存分析结果满足预设模型要求的情况下，得到目标用户留存分析模型。
第十方面，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：
获取目标用户留存分析模型以及目标业务对应的业务数据；
将所述目标业务对应的业务数据输入所述目标用户留存分析模型进行数据分析，得到目标用户留存分析结果；
将所述目标用户留存分析结果进行可视化展示。
上述用户留存数据分析模型构建以及分析方法、装置、计算机设备、存储介质和计算机程序产品，通过获取目标业务的初始用户留存分析模型，基于所述初始用户留存分析模型对所述目标业务的业务数据进行分析，得到初始用户留存分析结果，然后，根据所述初始用户留存分析结果以及预设用户留存指标来判断初始用户留存分析模型是否满足预设模型要求，在初始用户留存分析模型不满足预设模型要求的情况下，重新确定用户留存分析模型，直至更新后的用户留存分析结果满足预设模型要求时，得到目标用户留存分析模型，目标用户留存分析模型可以满足目标业务用户留存分析指标，进而通过目标留存分析模型获取目标用户分析结果，可以得到准确的用户留存分析结果。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案，下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为一个实施例中用户留存数据分析方法的应用环境图；
图2为一个实施例中用户留存数据分析模型构建方法的流程示意图；
图3为另一个实施例中用户留存数据分析模型构建方法的流程示意图；
图4为一个实施例中用户留存数据分析方法的流程示意图；
图5为一个实施例中用户留存数据分析模型构建装置的结构框图；
图6为一个实施例中用户留存数据分析装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
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。
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。
本申请实施例提供的用户留存数据分析方法，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。在实际应用中，整个用户留存数据分析方法具体可以包括模型构建和基于构建的模型进行分析两个阶段。
在模型构建阶段，发送用户留存数据分析请求至服务器104，服务器104获取目标业务的初始用户留存分析模型，基于初始用户留存分析模型对目标业务的业务数据进行分析，得到初始用户留存分析结果，目标业务的业务数据存储与服务器104中。根据初始用户留存分析结果以及预设用户留存指标，确定初始用户留存分析模型的初始模型分析结果；在初始模型分析结果不满足预设模型要求的情况下，重新确定用户留存分析模型，基于重新确定的用户留存分析模型，获得更新后的用户留存分析结果；在更新后的用户留存分析结果满足预设模型要求的情况下，得到目标用户留存分析模型。
在基于构建的模型进行分析阶段，服务器104读取之前构建的目标用户留存分析模型，并获取目标业务对应的业务数据；将所述目标业务对应的业务数据输入所述目标用户留存分析模型进行数据分析，得到目标用户留存分析结果；将所述目标用户留存分析结果进行可视化展示。
本申请实施例提供的用户留存数据分析方法，还可以应用于终端102中，由终端102来进行模型构建以及分析应用，具体过程与在服务器端的实现过程一致，在此不再赘述。
其中，服务器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，提供了一种用户留存数据分析方法，以该方法应用于图1中的场景为例进行说明，包括以下步骤：
步骤202，获取目标业务的初始用户留存分析模型，基于初始用户留存分析模型对目标业务的业务数据进行分析，得到初始用户留存分析结果。
其中，目标业务指的是需要进行用户留存分析的业务，可以针对新上线的业务或者应用一段时间的业务进行用户留存数据分析，也可在业务发布活动后，对用户留存数据进行分析，具体的业务类型本实施例在此不作限定。初始用户留存分析模型指的是对目标业务进行第一次用户留存分析选用的分析模型。初始用户留存分析模型从用户留存分析模型集合中确定。用户留存分析集合中存储有不同指标对应的用户留存分析模型，用户留存分析模型集合包括新老用户同期群分析模型、渠道同期群分析模型以及产品功能留存点阵分析模型等。例如，新老用户同期群分析模型中，横轴代表用户第n日留存率，纵轴代表不同期注册的用户；渠道同期群分析模型中，不同的线条代表不同渠道引入的用户，横轴代表时间，纵轴代表用户留存率；产品功能留存点阵分析模型中，每个不同的点代表各个不同的功能，横轴代表该功能的用户留存率，纵轴代表该功能活跃用户量。用户留存分析模型集合中包括的用户留存分析模型本申请实施例在此不作限定。
具体地，服务器响应目标业务的用户留存分析指令，从用户留存分析模型集合中确定初始用户分析模型，然后，提取目标业务的业务数据，将目标业务的业务数据输入初始用户留存分析模型中进行计算，得到初始用户留存分析结果。
步骤204，根据初始用户留存分析结果以及预设用户留存指标，确定初始用户留存分析模型的初始模型分析结果。
其中，预设用户留存指标指的是业务人员对目标业务数据的预期用户留存分析结果。初始用户留存分析模型的初始模型分析结果包括初始用户留存分析结果以及预设用户留存指标的差值。
具体地，服务器根据目标业务的业务标识，获取与业务标识对应的预设用户留存指标，然后，计算初始用户留存分析结果以及预设用户留存指标的差值，根据初始用户留存分析结果以及预设用户留存指标的差值来判断初始用户留存分析模型是否满足预设模型要求。其中，预设模型要求指的是初始用户留存分析结果以及预设用户留存指标之间的误差阈值。
步骤206，在初始模型分析结果不满足预设模型要求的情况下，重新确定用户留存分析模型，基于重新确定的用户留存分析模型，获得更新后的用户留存分析结果。
具体地，服务器判断初始用户留存分析结果以及预设用户留存指标的差值大于预设模型要求的情况下，可以判定初始用户留存分析模型不满足预设模型要求，此时，需要重新确定用户留存分析模型，即目前的初始用户留存分析模型不能满足目标业务的分析需求。然后，将目标业务的业务数据输入重新确定的用户留存分析模型进行计算，得到更新后的用户留存分析结果。
重新确定的用户留存分析模型包括多个初始用户留存分析模型的组合。重新确定用户留存分析模型的过程包括对用户留存分析模型集合中模型的组合，基于用户、功能、页面等指标的排列组合，得到重新确定的用户留存分析模型，再基于重新确定的用户留存分析模型，重新采集对应的业务数据。也可基于分析需求确定多个初始用户留存分析模型，组合得到重新确定的用户留存分析模型。
例如，传统的用户留存分析模型最终展现出来的效果大部分都是平面二维或者少部分立体三维的。xyz轴各代表某个指标，而两个初始用户留存分析模型两两组合又可以得出一个更抽象的指标，比如第n日留存率＝第n日活跃用户数/第1日新增用户数，而第n日留存率就可以作为一个新的指标。比如时间就是一个很关键的指标，纵向代表不同时间，横向代表同一时间，可以组合出纵向用户横向用户，纵向功能横向功能等。因为具体模型的适用性针对不同业务也是不同的，自由组合的功能是用户可以根据自身需求，自定义xyz轴指标，最后得出视图。如果xyz轴的指标不是简单的一维数据，而是具有抽象含义的数据，需要用户直接采集该指标数据，或先采集基础指标数据并输入初始用户留存分析模型计算出抽象指标的数据。
步骤208，在更新后的用户留存分析结果满足预设模型要求时，得到目标用户留存分析模型。
具体地，服务器计算更新后的用户留存分析结果以及预设用户留存指标的差值，根据更新后的差值来判断更新后的用户留存分析模型是否满足预设模型要求，当更新后的差值小于预设模型要求时，将更新后的用户留存分析模型作为目标用户留存分析模型。
上述用户留存数据分析方法中，通过获取目标业务的初始用户留存分析模型，基于所述初始用户留存分析模型对所述目标业务的业务数据进行分析，得到初始用户留存分析结果，然后，根据所述初始用户留存分析结果以及预设用户留存指标来判断初始用户留存分析模型是否满足预设模型要求，在初始用户留存分析模型不满足预设模型要求的情况下，重新确定用户留存分析模型，直至更新后的用户留存分析结果满足预设模型要求时，得到目标用户留存分析模型，目标用户留存分析模型可以满足目标业务用户留存分析指标，进而通过目标留存分析模型获取目标用户分析结果，可以得到准确的用户留存分析结果。
在一个可选的实施例中，获取目标业务的初始用户留存分析模型，包括：
获取用户留存分析模型集合以及目标业务的业务指标；
基于业务指标，从用户留存分析模型集合中确定初始用户留存分析模型。
其中，目标业务的业务指标指的是目标业务在用户留存分析时间段内的趋势数据或者目标数据。业务指标包括用户量、点击量以及订单量中的至少一种指标，业务指标的具体内容可由工作人员根据分析需求确定。用户留存分析时间段可以为业务上线后的预设时间段，也可以为业务活动更新后的预设时间段。
具体地，服务器根据目标业务的业务标识，获取目标业务的业务指标，同时从本地或者远程服务器获取用户留存分析模型集合。然后，获取用户留存分析模型集合中每一用户留存分析模型的使用指示，基于目标业务的业务指标，确定与业务指标匹配的使用指示，获取匹配的使用指示对应的用户留存分析模型，得到初始用户留存分析模型。
本实施例中，通过业务指标匹配初始用户留存分析模型，可以使模型更符合业务分析需求，进而提高用户留存分析模型确定的效率。
在一个可选的实施例中，基于初始用户留存分析模型对目标业务的业务数据进行分析，得到初始用户留存分析结果，包括：
根据初始用户留存分析模型，提取与目标业务对应的业务数据；
将业务数据输入初始用户留存分析模型进行数据分析，得到初始用户留存分析结果。
具体地，服务器根据初始用户留存分析模型的使用指示，确定需要采集的数据字段，进而根据数据字段提取与目标业务对应的业务数据。接着，将采集到的目标业务对应的业务数据输入初始用户留存分析模型进行计算，得到初始用户留存分析结果。进一步地，初始用户留存分析模型包括用户留存分析计算表达式，将目标业务对应的业务数据输入初始用户留存分析模型的用户留存分析计算表达式中进行计算，得到初始用户留存分析结果。
在一个可选的实施例中，如图3所示，据初始用户留存分析模型，提取与目标业务对应的业务数据，包括：
步骤302，确定初始用户留存分析模型的数据采集指标。
步骤304，基于数据采集指标，确定目标业务的业务数据中与数据采集指标对应的数据字段。
步骤306，根据数字字段，生成数据字段采集指令。
步骤308，执行数据字段采集指令，采集对应的业务数据，得到目标业务数据。
其中，数据采集指标为需要采集的数据类型，数据类型标识数据的属性。
具体地，服务器从初始用户留存分析模型的使用指示中提取数据采集指标，确定数据类型，然后基于数据类型与数据字段之间的对应关系，从目标业务数据的业务数据中确定数据类型对应的数据字段。其中，数据字段标识数据的关键词。进而根据数据字段生成数据字段查询语句，然后执行数据字段查询语句，得到与数据字段查询语句对应的业务数据，将查询得到的业务数据作为目标业务数据。
例如，使用指示为产品/功能平均使用周期，用于衡量该产品/功能大部分用户间隔多久会使用一次，比如该产品的关键功能是下单购物，那么就记录用户第一次下单和第二次下单的间隔期，例如10％的用户每隔一日就会触发两次下单，30％每隔一周触发两次，50％每隔一个月触发两次，80％每隔两个月触发两次，那么计算下来平均使用周期可能就是两个月；那么关键就需要采集用户下单时间，不同间隔期下单两次的用户数，当两次下单的时间间隔大于某个值的时候覆盖到了大部分用户数时，就可以认为这个时间间隔就是产品平均使用周期。再如，使用指示为重复关键事件频率，重复关键事件频率记录某个经常发生的行为事件的频率；使用指示为N日留存，则计算第N日之后剩余用户的留存率，次日留存率＝次日同期活跃用户数/第一天新增用户数，第7日留存率＝第7日同期活跃用户数/第一天新增用户数，关键就是采集每日的同期活跃用户数和每天的新增用户数。
在一个可选的实施例中，将业务数据输入初始用户留存分析模型进行数据分析，得到初始用户留存分析结果之前，还包括：对业务数据进行加工处理，得到加工处理后的业务数据；
基于此，将业务数据输入初始用户留存分析模型进行数据分析，得到初始用户留存分析结果包括：将加工处理后的业务数据输入初始用户留存分析模型的用户留存分析计算表达式中进行计算，得到初始用户留存分析结果。
其中，加工处理包括数据清理、数据集成、数据规约等。例如，业务数据可以是现成的一维向量数据，也可以是数据库表记录。如果是一维向量数据则可以直接作为横纵轴的指标值，不需要加工处理。如果是数据库表记录则字段里需要包括模型所指定的必须项，比如定义了用户下单时间字段为order_time，则导入的表记录的字段必须包含order_time。
具体地，服务器基于初始用户留存分析模型的数据采集指标，确定加工处理算法，基于加工处理算法，对业务数据进行加工处理，得到加工处理后的业务数据，然后将加工处理后的业务数据输入初始用户留存分析模型的进行数据分析，得到初始用户留存分析结果。加工处理算法包括统计方法、事例推理、决策树、规则推理、模糊集、甚至神经网络、遗传算法等方法处理信息。例如，一些基础数据采集指标收集数据后就可以直接使用，但有些复杂数据采集指标是要通过多个简单指标变量用特定的算法加工处理后得出来。比如在用户画像分析上，简单的可以从年龄、城市、性别、消费额、消费频次、登陆频次等这些指标来区分。但是想使用一个指标来评判用户对产品的综合贡献度，那么就要需要运用一些加工处理算法将基础指标进行特殊处理后得出，比如利用无监督学习的聚类算法k-means，可以找出某些指标偏离度大的用户，将用户按不同维度上的特征值进行分箱，由于大部分的用户行为都是正常的，只有少部分用户的行为是偏差大的，这些偏差大的特征值很可能就是划分到同一个箱体中的离群点，分析得到的用户具体的表现可能是恶意用户，或者是消费频率或者额度高的忠诚用户。基于用户留存分析模型的使用指示，可以确定对应的加工处理算法。
在一个可选的实施例中，根据初始用户留存分析结果以及预设用户留存指标，确定初始用户留存分析模型的初始模型分析结果，包括：
根据预设用户留存指标以及初始用户留存分析结果，确定初始用户留存分析模型的分析误差；
基于分析误差与预设分析误差阈值的大小关系，确定初始用户留存分析模型的初始模型分析结果。
其中，预设模型要求包括预设分析误差阈值。
具体地，服务器计算初始用户留存分析结果以及预设用户留存指标的差值，得到确定初始用户留存分析模型的分析误差，根据确定初始用户留存分析模型的分析误差与预设分析误差阈值的大小关系，确定初始用户留存分析模型的初始模型分析结果。当述初始用户留存分析模型的分析误差大于预设分析误差阈值，初始用户留存分析模型的初始模型分析结果为不满足预设模型要求。当述初始用户留存分析模型的分析误差小于或者等于预设分析误差阈值，初始用户留存分析模型的初始模型分析结果为满足预设模型要求。
在一个可选的实施例中，上述方法还包括：
在初始用户留存分析模型不满足预设模型要求的情况下，重新获取目标业务对应的业务数据，基于重新获取的业务数据，确定重新获取的用户留存分析结果；
在重新获取的用户留存分析结果满足预设模型要求时，得到目标用户留存分析模型。
具体地，在初始用户留存分析模型不满足预设模型要求的情况下，还存在业务数据获取过程中存在某些偏离度较大的数据导致的，例如某些业务数据的定义中不存在负数，但是采集到的数据出现了负数，导致分析结果偏离预期，因此，需要重新采集初始用户留存分析模型对应的业务数据，通过调整数据采集范围或者重新确定需要采集的数据字段，进而基于调整后的数据采集范围或者重新确定的数据字段进行数据采集，获得重新获取的业务数据，然后将重新获取的业务数据输入初始用户留存分析模型中进行计算，得到重新获取的用户留存分析结果。然后重新计算重新获取的用户留存分析结果与预设用户留存指标的差值，得到重新获取的分析误差，根据确定重新获取的分析误差与预设分析误差阈值的大小关系，当确定重新获取的分析误差小于或者等于预设分析误差阈值时，得到目标用户留存分析模型。
在一个实施例中，还提供了一种用户留存数据分析方法，包括以下步骤：
获取目标用户留存分析模型以及目标业务对应的业务数据；
将目标业务对应的业务数据输入目标用户留存分析模型进行数据分析，得到目标用户留存分析结果；
将目标用户留存分析结果进行可视化展示。
具体地，在确定了目标留存分析模型后，服务器获取目标留存分析模型的数据采集指标，基于目标留存分析模型的数据采集指标从目标业务的历史数据中采集得到目标业务对应的业务数据，将目标业务对应的业务数据输入目标用户留存分析模型进行数据分析，得到目标用户留存分析结果；对目标用户留存分析结果进行合并降维，将合并降维后的目标用户留存分析结果以折线图、曲线图、扇形图等动态可视化的形式展示。
在可视化展示过程中，根据数据采集指标确定可视化展示维度，并确定每一维度的数据采集指标，多个维度的数据采集指标数据进行可视化展示。例如，目标用户留存分析结果为在不同渠道、不同时期进来在不同功能使用上的第n日用户留存率。具体到某个点就是比如在2023年1月1日通过微信小程序渠道引进来的用户在浏览商品功能上的第30日用户留存率。由于涉及数据采集指标较多，有些指标是离散的(不同渠道，不同功能)，有些是连续的(时间，用户数)，已经超过三个维度了，比较难在一个平面图中展示。此时可以将指标两两组合出更抽象的指标来降维，最终降维到在二维图上展示，但代价就是抽象程度高。对于离散的指标，在数据可视化上，可以用不同的颜色、形状来代表。对于维度过多的模型就难以可视化了，用户可以输入某些维度指定值筛选后降维，最终降维到二维图上可视化，比如筛选指定某个渠道、日期、功能后就能得出可理解的二维视图了。
为了易于理解本申请实施例提供的技术方案，如图4所示，以完整的用户留存数据分析过程对本申请实施例提供的用户留存数据分析方法进行简要说明：
步骤401，获取用户留存分析模型集合、以及目标业务的业务指标；基于业务指标，从用户留存分析模型集合中确定初始用户留存分析模型。
步骤402，确定初始用户留存分析模型的数据采集指标；基于数据采集指标，确定目标业务的业务数据中与数据采集指标对应的数据字段；根据数字字段，生成数据字段采集指令；执行数据字段采集指令，采集对应的业务数据，得到目标业务数据。
步骤403，对业务数据进行加工处理，得到加工处理后的业务数据；将加工处理后的业务数据输入初始用户留存分析模型进行数据分析，得到初始用户留存分析结果。
步骤404，根据初始用户留存分析结果以及预设用户留存指标，确定初始用户留存分析模型的初始模型分析结果。
步骤405，在初始模型分析结果不满足预设模型要求的情况下，重新确定用户留存分析模型，基于重新确定的用户留存分析模型，获得更新后的用户留存分析结果。
步骤406，在更新后的用户留存分析结果满预设模型要求的情况下，得到目标用户留存分析模型。
步骤407，在初始用户留存分析模型不满足预设模型要求的情况下，重新获取目标业务对应的业务数据，基于重新获取的业务数据，确定重新获取的用户留存分析结果。
步骤408，在重新获取的用户留存分析结果满足预设模型要求时，得到目标用户留存分析模型。
步骤409，获取目标用户留存分析模型以及目标业务对应的业务数据；将所述目标业务对应的业务数据输入所述目标用户留存分析模型进行数据分析，得到目标用户留存分析结果；将所述目标用户留存分析结果进行可视化展示。
应该理解的是，虽然如上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用户留存数据分析模型构建方法的用户留存数据分析模型构建装置。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用户留存数据分析模型构建装置实施例中的具体限定可以参见上文中对于用户留存数据分析模型构建方法的限定，在此不再赘述。
在一个实施例中，如图5所示，提供了一种用户留存数据分析模型构建装置，包括：获取模块502、模型分析结果确定模块504、重新确定模块506和目标模型确定模块508，其中：
获取模块502，用于获取目标业务的初始用户留存分析模型，基于初始用户留存分析模型对目标业务的业务数据进行分析，得到初始用户留存分析结果；
模型分析结果确定模块504，用于根据初始用户留存分析结果以及预设用户留存指标，确定初始用户留存分析模型的初始模型分析结果；
重新确定模块506，用于在初始模型分析结果不满足预设模型要求的情况下，重新确定用户留存分析模型，基于重新确定的用户留存分析模型，获得更新后的用户留存分析结果；
目标模型确定模块508，用于在更新后的用户留存分析结果满足预设模型要求的情况下，得到目标用户留存分析模型。
在一个可选的实施例中，获取模块502还用于获取用户留存分析模型集合、以及目标业务的业务指标；基于业务指标，从用户留存分析模型集合中确定初始用户留存分析模型。
在一个可选的实施例中，获取模块502还用于根据初始用户留存分析模型，提取与目标业务对应的业务数据；将业务数据输入初始用户留存分析模型进行数据分析，得到初始用户留存分析结果。
在一个可选的实施例中，获取模块502还用于确定初始用户留存分析模型的数据采集指标；基于数据采集指标，确定目标业务的业务数据中与数据采集指标对应的数据字段；根据数字字段，生成数据字段采集指令；执行数据字段采集指令，采集对应的业务数据，得到目标业务数据。
在一个可选的实施例中，获取模块502还用于对业务数据进行加工处理，得到加工处理后的业务数据；将加工处理后的业务数据输入初始用户留存分析模型进行数据分析，得到初始用户留存分析结果。
在一个可选的实施例中，模型分析结果确定模块504还用于根据预设用户留存指标以及初始用户留存分析结果，确定初始用户留存分析模型的分析误差；基于分析误差与预设分析误差阈值的大小关系，确定初始用户留存分析模型的初始模型分析结果。
在一个可选的实施例中，重新确定模块506还用于在初始用户留存分析模型不满足预设模型要求的情况下，重新获取目标业务对应的业务数据，基于重新获取的业务数据，确定重新获取的用户留存分析结果；
目标模型确定模块508还用于在重新获取的用户留存分析结果满足预设模型要求时，得到目标用户留存分析模型。
在一个实施例中，如图6所示，还提供了一种用户留存数据分析装置，包括：模型获取模块602、分析模块604和可视化模块606，其中：
模型获取模块602，用于获取目标用户留存分析模型以及目标业务对应的业务数据；
分析模块604，用于将目标业务对应的业务数据输入目标用户留存分析模型进行数据分析，得到目标用户留存分析结果；
可视化模块606，用于将目标用户留存分析结果进行可视化展示。
上述用户留存数据分析模型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7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。该计算机设备的数据库用于存储用户留存分析模型集合以及业务数据。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用户留存数据分析模型构建方法以及用户留存数据分析方法。
本领域技术人员可以理解，图7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。
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，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 (19)
1.一种用户留存数据分析模型构建方法，其特征在于，所述方法包括：
获取目标业务的初始用户留存分析模型，基于所述初始用户留存分析模型对所述目标业务的业务数据进行分析，得到初始用户留存分析结果；
根据所述初始用户留存分析结果以及预设用户留存指标，确定所述初始用户留存分析模型的初始模型分析结果；
在所述初始模型分析结果不满足预设模型要求的情况下，重新确定用户留存分析模型，基于重新确定的所述用户留存分析模型，获得更新后的用户留存分析结果；
在所述更新后的用户留存分析结果满足预设模型要求的情况下，得到目标用户留存分析模型。
2.根据权利要求1所述的方法，其特征在于，所述获取目标业务的初始用户留存分析模型，包括：
获取用户留存分析模型集合、以及目标业务的业务指标；
基于所述业务指标，从所述用户留存分析模型集合中确定初始用户留存分析模型。
3.根据权利要求1所述的方法，其特征在于，所述基于所述初始用户留存分析模型对所述目标业务的业务数据进行分析，得到初始用户留存分析结果，包括：
根据所述初始用户留存分析模型，提取与所述目标业务对应的业务数据；
将所述业务数据输入所述初始用户留存分析模型进行数据分析，得到初始用户留存分析结果。
4.根据权利要求3所述的方法，其特征在于，所述据所述初始用户留存分析模型，提取与所述目标业务对应的业务数据，包括：
确定所述初始用户留存分析模型的数据采集指标；
基于所述数据采集指标，确定目标业务的业务数据中与所述数据采集指标对应的数据字段；
根据所述数字字段，生成数据字段采集指令；
执行所述数据字段采集指令，采集对应的业务数据，得到目标业务数据。
5.根据权利要求3所述的方法，其特征在于，所述将所述业务数据输入所述初始用户留存分析模型进行数据分析，得到初始用户留存分析结果之前，还包括：
对所述业务数据进行加工处理，得到加工处理后的业务数据；
所述将所述业务数据输入所述初始用户留存分析模型进行数据分析，得到初始用户留存分析结果包括：
将所述加工处理后的业务数据输入所述初始用户留存分析模型进行数据分析，得到初始用户留存分析结果。
6.根据权利要求1所述的方法，其特征在于，所述根据所述初始用户留存分析结果以及预设用户留存指标，确定所述初始用户留存分析模型的初始模型分析结果，包括：
根据预设用户留存指标以及所述初始用户留存分析结果，确定所述初始用户留存分析模型的分析误差；
基于所述分析误差与所述预设分析误差阈值的大小关系，确定所述初始用户留存分析模型的初始模型分析结果。
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：
在所述初始用户留存分析模型不满足预设模型要求的情况下，重新获取目标业务对应的业务数据，基于重新获取的业务数据，确定重新获取的用户留存分析结果；
在所述重新获取的用户留存分析结果满足预设模型要求时，得到目标用户留存分析模型。
8.一种用户留存数据分析方法，其特征在于，所述方法包括：
获取目标用户留存分析模型以及目标业务对应的业务数据；
将所述目标业务对应的业务数据输入所述目标用户留存分析模型进行数据分析，得到目标用户留存分析结果；
将所述目标用户留存分析结果进行可视化展示；
其中，所述目标用户留存分析模型采用如权利要求1-7任意一项所述的方法构建得到。
9.一种用户留存数据分析模型构建装置，其特征在于，所述装置包括：
获取模块，用于获取目标业务的初始用户留存分析模型，基于所述初始用户留存分析模型对所述目标业务的业务数据进行分析，得到初始用户留存分析结果；
模型分析结果确定模块，用于根据所述初始用户留存分析结果以及预设用户留存指标，确定所述初始用户留存分析模型的初始模型分析结果；
重新确定模块，用于在所述初始模型分析结果不满足预设模型要求的情况下，重新确定用户留存分析模型，基于重新确定的所述用户留存分析模型，获得更新后的用户留存分析结果；
目标模型确定模块，用于在所述更新后的用户留存分析结果满足预设模型要求的情况下，得到目标用户留存分析模型。
10.根据权利要求9所述的装置，其特征在于：
所述获取模块还用于获取用户留存分析模型集合、以及目标业务的业务指标；基于所述业务指标，从所述用户留存分析模型集合中确定初始用户留存分析模型。
11.根据权利要求9所述的装置，其特征在于：
所述获取模块还用于根据所述初始用户留存分析模型，提取与所述目标业务对应的业务数据；将所述业务数据输入所述初始用户留存分析模型进行数据分析，得到初始用户留存分析结果。
12.根据权利要求11所述的装置，其特征在于：
所述获取模块还用于确定所述初始用户留存分析模型的数据采集指标；基于所述数据采集指标，确定目标业务的业务数据中与所述数据采集指标对应的数据字段；根据所述数字字段，生成数据字段采集指令；执行所述数据字段采集指令，采集对应的业务数据，得到目标业务数据。
13.根据权利要求11所述的装置，其特征在于：
所述获取模块还用于对所述业务数据进行加工处理，得到加工处理后的业务数据；将所述加工处理后的业务数据输入所述初始用户留存分析模型进行数据分析，得到初始用户留存分析结果。
14.根据权利要求9所述的装置，其特征在于：
所述模型分析结果确定模块还用于根据预设用户留存指标以及所述初始用户留存分析结果，确定所述初始用户留存分析模型的分析误差；基于所述分析误差与所述预设分析误差阈值的大小关系，确定所述初始用户留存分析模型的初始模型分析结果。
15.根据权利要求9所述的装置，其特征在于：
所述重新确定模块还用于在所述初始用户留存分析模型不满足预设模型要求的情况下，重新获取目标业务对应的业务数据，基于重新获取的业务数据，确定重新获取的用户留存分析结果；
所述目标模型确定模块还用于在所述重新获取的用户留存分析结果满足预设模型要求时，得到目标用户留存分析模型。
16.一种用户留存数据分析装置，其特征在于，所述装置包括：
模型获取模块，用于获取目标用户留存分析模型、目标业务对应的业务数据；
分析模块，用于将所述目标业务对应的业务数据输入所述目标用户留存分析模型进行数据分析，得到目标用户留存分析结果；
可视化模块，用于将所述目标用户留存分析结果进行可视化展示；
其中，所述目标用户留存分析模型采用如权利要求1-7任意一项所述的方法构建得到。
17.一种计算机设备，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8中任一项所述的方法的步骤。
18.一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8中任一项所述的方法的步骤。
19.一种计算机程序产品，包括计算机程序，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8中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310372814.7A CN116663951A (zh) | 2023-04-10 | 2023-04-10 | 用户留存数据分析模型构建以及分析方法、装置和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310372814.7A CN116663951A (zh) | 2023-04-10 | 2023-04-10 | 用户留存数据分析模型构建以及分析方法、装置和设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116663951A true CN116663951A (zh) | 2023-08-29 |
Family
ID=87717836
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310372814.7A Pending CN116663951A (zh) | 2023-04-10 | 2023-04-10 | 用户留存数据分析模型构建以及分析方法、装置和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116663951A (zh) |
-
2023
- 2023-04-10 CN CN202310372814.7A patent/CN116663951A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111340246A (zh) | 用于企业智能决策分析的处理方法、装置和计算机设备 | |
| JP5282857B1 (ja) | 情報拡散規模予測装置、情報拡散規模予測方法、および情報拡散規模予測プログラム | |
| US20080046430A1 (en) | Clustering for structured data | |
| CN103455555B (zh) | 基于移动终端相似度的推荐方法及推荐装置 | |
| CN114579584A (zh) | 数据表处理方法、装置、计算机设备和存储介质 | |
| CN115545103A (zh) | 异常数据识别、标签识别方法和异常数据识别装置 | |
| CN107391533A (zh) | 生成图形数据库查询结果的方法及装置 | |
| CN117829892A (zh) | 三维模型供需分析方法、装置、计算机设备和存储介质 | |
| CN112508119A (zh) | 特征挖掘组合方法、装置、设备及计算机可读存储介质 | |
| CN117390011A (zh) | 报表数据处理方法、装置、计算机设备和存储介质 | |
| CN114495137B (zh) | 票据异常检测模型生成方法与票据异常检测方法 | |
| CN116663951A (zh) | 用户留存数据分析模型构建以及分析方法、装置和设备 | |
| US11593740B1 (en) | Computing system for automated evaluation of process workflows | |
| JP2019105870A (ja) | 判別プログラム、判別方法および判別装置 | |
| CN115718825B (zh) | 一种时长标签的确定方法、装置及电子设备 | |
| CN117037053A (zh) | 人员识别方法、装置、计算机设备和存储介质 | |
| CN117033591A (zh) | 问题解答方法、装置、计算机设备和存储介质 | |
| CN118245585A (zh) | 本质安全问题展示方法、装置、设备、存储介质和产品 | |
| CN116991662A (zh) | 时间序列告警规则处理方法、装置及计算机设备 | |
| CN118276992A (zh) | 系统界面展示方法、装置、计算机设备和医疗系统 | |
| CN117312892A (zh) | 用户聚类方法、装置、计算机设备和存储介质 | |
| CN116644277A (zh) | 交互数据清洗方法、装置和计算机设备 | |
| CN117764514A (zh) | 用于项目全景监控的数据处理方法、装置和计算机设备 | |
| CN118152464A (zh) | 一种区域资源指标数据处理方法、装置、计算机设备 | |
| JP2024015788A (ja) | 情報処理装置、情報処理方法、およびプログラム |
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 |