CN116796133A - 数据分析方法、装置、计算机设备及存储介质 - Google Patents
数据分析方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116796133A CN116796133A CN202310707587.9A CN202310707587A CN116796133A CN 116796133 A CN116796133 A CN 116796133A CN 202310707587 A CN202310707587 A CN 202310707587A CN 116796133 A CN116796133 A CN 116796133A
- Authority
- CN
- China
- Prior art keywords
- operation behavior
- behavior data
- data
- business process
- user operation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 172
- 238000007405 data analysis Methods 0.000 title claims abstract description 49
- 230000008569 process Effects 0.000 claims abstract description 120
- 238000006243 chemical reaction Methods 0.000 claims abstract description 110
- 238000004458 analytical method Methods 0.000 claims abstract description 88
- 238000004140 cleaning Methods 0.000 claims abstract description 42
- 230000006399 behavior Effects 0.000 claims description 200
- 238000012545 processing Methods 0.000 claims description 39
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 17
- 238000012423 maintenance Methods 0.000 claims description 17
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 14
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000013499 data model Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000009933 burial Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例属于人工智能领域与金融科技领域,涉及一种数据分析方法,包括:获取在目标应用中多个埋点对应的用户操作行为数据;对用户操作行为数据进行数据清洗,得到有效操作行为数据;将目标应用的业务流程划分为多个业务流程环节;基于业务流程环节对有效操作行为数据进行整理分类,得到各个业务流程环节的目标操作行为数据;基于漏斗分析模型对目标操作行为数据进行分析,得到各个业务流程环节的转化率。本申请还提供一种数据分析装置、计算机设备及存储介质。此外,本申请还涉及区块链技术,转化率可存储于区块链中。本申请可应用于金融领域的行为数据分析的场景,提高了应用业务流程的转化率的生成效率,保证了生成的转化率的准确性。
Description
技术领域
本申请涉及人工智能开发技术领域与金融科技领域,尤其涉及数据分析方法、装置、计算机设备及存储介质。
背景技术
在互联网高速发展的背景下,对于应用中采集的用户操作数据进行转化分析在一些互联网金融公司,例如保险公司、银行等的线上业务中得到广泛应用。通过对用户操作数据进行转化率的分析,有助于公司后续对相关用户进行精细化运营。现有技术中,针对于互联网金融公司的线上业务,互联网金融公司内的运营人员只会根据采集的对用户操作数据对线上业务进行整体的转化率指标计算,这种处理方式需要消耗较多的人力时间,处理效率低。并且这种处理方式没有结合线上业务的流程特性,使得生成的转化率的精确度较低,无法实际指导业务的优化。
发明内容
本申请实施例的目的在于提出一种数据分析方法、装置、计算机设备及存储介质,以解决现有的转化率指标计算的方式的需要消耗较多的人力时间,处理效率低。并且这种处理方式没有结合线上业务的流程特性,使得生成的转化率的精确度较低,无法实际指导业务的优化的技术问题。
为了解决上述技术问题,本申请实施例提供一种数据分析方法,采用了如下所述的技术方案:
获取在目标应用中预先设置的多个埋点对应的用户操作行为数据;
对所述用户操作行为数据进行数据清洗,得到所述用户操作行为数据中的有效操作行为数据;
基于预设的处理规则将所述目标应用的业务流程划分为多个业务流程环节;
基于所述业务流程环节对所述有效操作行为数据进行整理分类,得到各个所述业务流程环节的目标操作行为数据;
基于预设的漏斗分析模型对所述目标操作行为数据进行分析,得到各个所述业务流程环节的转化率。
进一步的,所述对所述用户操作行为数据进行数据清洗,得到所述用户操作行为数据中的有效操作行为数据的步骤,具体包括:
调用预设的数据清洗模型;
基于所述数据清洗模型对所述用户操作行为数据中的异常数据进行数据清洗,得到清洗后的用户操作行为数据;
将所述清洗后的用户操作行为数据作为所述有效操作行为数据。
进一步的,所述基于预设的漏斗分析模型对所述目标操作行为数据进行分析,得到各个所述业务流程环节的转化率的步骤,具体包括:
调用预设的漏斗分析模型;
使用所述漏斗分析模型对所述目标操作行为数据进行分析,生成对应的漏斗转化图形;
从所述漏斗转化图形中获取各个所述业务流程环节的转化率。
进一步的,所述数据分析方法还包括:
获取与指定用户对应的第一用户操作行为数据;
获取预设的指定场景字段;
从所述第一用户操作行为数据中获取与所述指定场景字段对应的指定数据;
基于所述指定数据分析得到所述指定用户对应的场景浏览数据。
进一步的,在所述获取在目标应用中预先设置的多个埋点对应的用户操作行为数据的步骤之前,还包括:
获取与所述目标应用对应的业务流程的路径信息;
基于所述路径信息,对所述目标应用进行埋点设置处理。
进一步的,在所述基于预设的漏斗分析模型对所述目标操作行为数据进行分析,生成各个所述业务流程环节的转化率的步骤之后,还包括:
获取预设的转化率阈值;
将各个所述业务流程环节的转化率与所述转化率阈值进行数值比较,筛选出数值小于所述转化率阈值的指定转化率;
获取与所述指定转化率对应的第二用户操作行为数据;
对所述第二用户操作行为数据进行分析,得到相应的异常分析结果。
进一步的,在所述对所述第二用户操作行为数据进行分析,得到相应的异常分析结果的步骤之后,还包括:
获取运维人员的通讯信息;
基于所述目标应用与所述异常分析结果生成异常分析报告;
基于所述通讯信息,将所述异常分析报告发送至所述运维人员。
为了解决上述技术问题,本申请实施例还提供一种数据分析装置,采用了如下所述的技术方案:
第一获取模块,用于获取在目标应用中预先设置的多个埋点对应的用户操作行为数据;
清洗模块,用于对所述用户操作行为数据进行数据清洗,得到所述用户操作行为数据中的有效操作行为数据;
划分模块,用于基于预设的处理规则将所述目标应用的业务流程划分为多个业务流程环节;
分类模块,用于基于所述业务流程环节对所述有效操作行为数据进行整理分类,得到各个所述业务流程环节的目标操作行为数据;
第一分析模块,用于基于预设的漏斗分析模型对所述目标操作行为数据进行分析,得到各个所述业务流程环节的转化率。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
获取在目标应用中预先设置的多个埋点对应的用户操作行为数据;
对所述用户操作行为数据进行数据清洗,得到所述用户操作行为数据中的有效操作行为数据;
基于预设的处理规则将所述目标应用的业务流程划分为多个业务流程环节;
基于所述业务流程环节对所述有效操作行为数据进行整理分类,得到各个所述业务流程环节的目标操作行为数据;
基于预设的漏斗分析模型对所述目标操作行为数据进行分析,得到各个所述业务流程环节的转化率。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
获取在目标应用中预先设置的多个埋点对应的用户操作行为数据;
对所述用户操作行为数据进行数据清洗,得到所述用户操作行为数据中的有效操作行为数据;
基于预设的处理规则将所述目标应用的业务流程划分为多个业务流程环节;
基于所述业务流程环节对所述有效操作行为数据进行整理分类,得到各个所述业务流程环节的目标操作行为数据;
基于预设的漏斗分析模型对所述目标操作行为数据进行分析,得到各个所述业务流程环节的转化率。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例首先获取在目标应用中预先设置的多个埋点对应的用户操作行为数据;然后对所述用户操作行为数据进行数据清洗,得到所述用户操作行为数据中的有效操作行为数据;之后基于预设的处理规则将所述目标应用的业务流程划分为多个业务流程环节;后续基于所述业务流程环节对所述有效操作行为数据进行整理分类,得到各个所述业务流程环节的目标操作行为数据;最后基于预设的漏斗分析模型对所述目标操作行为数据进行分析,得到各个所述业务流程环节的转化率。本申请实施例通过将由埋点处理获得的目标应用中的用户操作行为数据进行数据清洗,只对用户操作行为数据内的有效数据进行保留,使得后续只需对该有效操作行为数据进行处理以得到各个所述业务流程环节的目标操作行为数据,有效减少了构建目标操作行为数据的处理工作量,后续再基于漏斗分析模型的使用对所述目标操作行为数据进行分析,可以快速准确地生成目标应用对应的各个业务流程环节的转化率,提高了转化率的生成效率,保证了生成的转化率的准确性。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图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是本申请可以应用于其中的示例性系统架构图;
图2根据本申请的数据分析方法的一个实施例的流程图;
图3是根据本申请的数据分析装置的一个实施例的结构示意图;
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio LayerIV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的数据分析方法一般由服务器/终端设备执行,相应地,数据分析装置一般设置于服务器/终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的数据分析方法的一个实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。本申请实施例提供的数据分析方法能够应用于任一种需要进行数据分析的场景中,则该方法能够应用于这些场景的产品中,例如,金融保险领域中的行为数据分析。所述的数据分析方法,包括以下步骤:
步骤S201,获取在目标应用中预先设置的多个埋点对应的用户操作行为数据。
在本实施例中,数据分析方法运行于其上的电子设备(例如图1所示的服务器/终端设备),可以通过有线连接方式或者无线连接方式获取用户操作行为数据。需要指出的是,上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。目标应用为电子设备内的任意应用程序,例如可为多轮问答人机交互产品应用。其中,目标应用中的埋点对应的用户行为数据可以是指由电子设备检测并上传的数据,且采用埋点采集的方式,使得通过获取埋点所对应的用户操作行为数据的信息准确性较高。另外,用户操作行为数据具体可包括用户数、用户I D、会话I D、用户访问时间、用户访问记录(用户问题、问题回复数据)、用户访问时长以及各环节停留时长数据,以及还可包括各种场景字段对应的场景浏览数据等数据,且用户操作行为数据的采集可依据用户身份为识别标记。此外,对于目标应用的埋点可以基于预设的埋点设计框架进行设置。埋点设计框架可为由业务运营人员通过梳理目标应用的业务流程,讨论并找准核心需求后,设计数据模型,由数据模型逆向设计埋点规则,再在多个场景下正向推演:埋点>数据模型>漏斗分析模型,进而得出一套能涵盖多维度分析(主要用在漏斗分析)的埋点设计框架。
步骤S202,对所述用户操作行为数据进行数据清洗,得到所述用户操作行为数据中的有效操作行为数据。
在本实施例中,上述对所述用户操作行为数据进行数据清洗,得到所述用户操作行为数据中的有效操作行为数据的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
步骤S203,基于预设的处理规则将所述目标应用的业务流程划分为多个业务流程环节。
在本实施例中,上述处理规则可为根据实际的业务需求确定的流程划分规则。举例地,对于多轮问答人机交互产品应用,可将其业务流程划分为售卖保险、查询保单、出单等流程,还可以根据实际的业务需求添加一些其他的中间流程。
步骤S204,基于所述业务流程环节对所述有效操作行为数据进行整理分类,得到各个所述业务流程环节的目标操作行为数据。
在本实施例中,通过按照业务流程环节对有效操作行为数据进行整理分类,进而可以将有效操作行为数据归类为与各个所述业务流程环节一一对应的目标操作行为数据。
步骤S205,基于预设的漏斗分析模型对所述目标操作行为数据进行分析,得到各个所述业务流程环节的转化率。
在本实施例中,上述基于预设的漏斗分析模型对所述目标操作行为数据进行分析,得到各个所述业务流程环节的转化率的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
本申请首先获取在目标应用中预先设置的多个埋点对应的用户操作行为数据;然后对所述用户操作行为数据进行数据清洗,得到所述用户操作行为数据中的有效操作行为数据;之后基于预设的处理规则将所述目标应用的业务流程划分为多个业务流程环节;后续基于所述业务流程环节对所述有效操作行为数据进行整理分类,得到各个所述业务流程环节的目标操作行为数据;最后基于预设的漏斗分析模型对所述目标操作行为数据进行分析,得到各个所述业务流程环节的转化率。本申请通过将由埋点处理获得的目标应用中的用户操作行为数据进行数据清洗,只对用户操作行为数据内的有效数据进行保留,使得后续只需对该有效操作行为数据进行处理以得到各个所述业务流程环节的目标操作行为数据,有效减少了构建目标操作行为数据的处理工作量,后续再基于漏斗分析模型的使用对所述目标操作行为数据进行分析,可以快速准确地生成目标应用对应的各个业务流程环节的转化率,提高了转化率的生成效率,保证了生成的转化率的准确性。
在一些可选的实现方式中,步骤S202包括以下步骤:
调用预设的数据清洗模型。
在本实施例中,数据清洗模型可为根据预设的统计逻辑规则所建立的模型。统计逻辑规则包括:将所述用户操作行为数据中不存在重要字段或未接入重要字段的数据进行丢弃;以及将所述用户操作行为数据中访问时长不满足于预设固定时长要求的数据进行丢弃。其中,重要字段可根据实际的业务使用需求进行设置。
基于所述数据清洗模型对所述用户操作行为数据中的异常数据进行数据清洗,得到清洗后的用户操作行为数据。
在本实施例中,上述异常数据可指用户操作行为数据中重复、确实、异常的数据。
将所述清洗后的用户操作行为数据作为所述有效操作行为数据。
本申请通过调用预设的数据清洗模型;然后基于所述数据清洗模型对所述用户操作行为数据中的异常数据进行数据清洗,得到清洗后的用户操作行为数据,并将所述清洗后的用户操作行为数据作为所述有效操作行为数据。本申请基于数据清洗模型的使用对用户操作行为数据进行数据清洗,只对用户操作行为数据内的有效数据进行保留,从而可以减少数据的占用空间,且后续只需对该有效操作行为数据进行处理以得到各个所述业务流程环节的目标操作行为数据,有效减少了构建目标操作行为数据的处理工作量,提高了目标操作行为数据的生成效率。
在本实施例的一些可选的实现方式中,步骤S205包括以下步骤:
调用预设的漏斗分析模型。
在本实施例中,上述漏斗分析模型是指由多个自定义事件按照指定顺序依次触发的业务流程中的量化转化模型。简单地,对于应用的业务流程,从业务流程的起点到终点有多个环节,每个环节都会产生用户流失,依次递减,且每一步都会有一个转化率。
使用所述漏斗分析模型对所述目标操作行为数据进行分析,生成对应的漏斗转化图形。
在本实施例中,漏斗分析模型是指通过记录不同关键节点的用户转化率,发现用户流失环节,从而发现用户流失原因,找到提升转化的方式。具体的,漏斗分析模型可用于对目标操作行为数据进行分析,即对用户在各个业务流程环节的时间点产生的用户流失进行统计,并根据每个时间点所剩余的用户进行转化率的计算,得到漏斗转化图形。
从所述漏斗转化图形中获取各个所述业务流程环节的转化率。
在本实施例中,生成的漏斗转化图形中包括各个业务流程环节的时间点的用户流失统计数据,以及各个业务流程环节的时间点的转化率。其中,还可以通过对比不同时期的漏斗转化图形,查看各个业务流程环节在发展过程中,转化率的变化,从而更好评估之前提出的解决方案是否能够有效的解决问题。其中,不同时期:是指产品的不同阶段,例如可指产品的刚发布时期,更新几个版本后;以及针对某些功能的改进前后的时间段。还可以通过比较其他类似的功能的产品的转化率,从而加深对产品理解,进而改善和优化操作的流程。
本申请通过调用预设的漏斗分析模型;然后使用所述漏斗分析模型对所述目标操作行为数据进行分析,生成对应的漏斗转化图形;后续从所述漏斗转化图形中获取各个所述业务流程环节的转化率。本申请基于漏斗分析模型的使用对所述目标操作行为数据进行分析,可以快速准确地生成目标应用对应的各个业务流程环节的转化率,提高了转化率的生成效率,保证了生成的转化率的准确性。
在一些可选的实现方式中,上述电子设备还可以执行以下步骤:
获取与指定用户对应的第一用户操作行为数据。
在本实施例中,指定用户为用户操作行为数据对应的所有用户中的任意一个用户。
获取预设的指定场景字段。
在本实施例中,上述指定场景字段可指根据预设的业务使用需求设置的埋点设计规则中所包含的所有的使用字段中的任意一个或多个字段。举例地,该指定场景字段可包括taskUniqueFlag、firstStepFlag、dialogIsOver、flowId等字段中的一个或多个。
从所述第一用户操作行为数据中获取与所述指定场景字段对应的指定数据。
基于所述指定数据分析得到所述指定用户对应的场景浏览数据。
在本实施例中,完整的埋点设计框架包括:使用自定义数值或uuid区分不同的场景,在这里使用字段intentionId保存数据;使用标识字段taskUniqueFlag来区分在同一个会话中多次触发场景的完整路径;使用全局唯一的uuid标记整个问答流程的节点,用字段flowId保存数据;使用标识字段firstStepFlag记录触发场景的第一个环节,如果firstStepFlag字段被赋值了1,那就表示这个节点是该场景的第一步;使用标识字段dialogIsOver记录场景结束的最后一个环节,如果dialogIsOver字段被赋值了1,那就表示这个节点是该场景的最后一步。其中,埋点的使用:使用字段intentionId可以区分不同场景,对运营分析人员来说,可以快速便捷了解到前一天(T+1)哪些场景有被访问过。结合firstStepFlag字段,还可以知道前一天不同场景的进入次数(常用触发次数),这个字段的出现解决了用户初始信息饱和度不同时会进入到哪个环节。常规解决方法是看节点flowId,如果场景入口单一使用flowId是可行的,但是如果入口超过2个以上,甚至更多的时候就凸显firstStepFlag的价值了。数据分析人员不需要枚举场景入口flowId,只需要看firstStepFlag=1的位置,就可以判断入口的节点在哪里。场景入口节点就对应了漏斗分析模型里第一个环节。同理,dialogIsOver字段的巧妙之处也是如此,数据人员并不需要枚举场景结束节点,根据dialogIsOver就能判断用户在哪个流程节点离开。以及是否走完了整个流程。场景结束节点就对应了漏斗分析模型里最后一个环节。另外,对于漏斗分析模型里的中间环节,这个环节就根据业务逻辑结合flowId来决定漏斗分析模型要展示多少层。是线性漏斗展示还是树状漏斗展示。此外,从漏斗分析模型出来后可以很方便统计到场景触发率、转化率以及完成率指标,但只知道流失率对运营分析来说还不够,还要给出流失去向,这时候字段taskUniqueFlag就发挥作用了。关于taskUniqueFlag的描述:用来区分在同一个会话中多次触发场景的完整路径,可以这么来理解这句话,就是用户从进入场景开始一直携带一个全局唯一标识,直到进入一个新场景或重新进入本场景,标识才会被更换,否则一直携带直到离开会话。在统计分析的时候,对taskUniqueFlag使用偏移函数就可以轻松掌握场景下用户去向。
本申请通过获取与指定用户对应的第一用户操作行为数据;然后获取预设的指定场景字段;之后从所述第一用户操作行为数据中获取与所述指定场景字段对应的指定数据;后续基于所述指定数据分析得到所述指定用户对应的场景浏览数据。本申请基于指定场景字段的使用来从用户操作行为数据中获取相应的指定数据,进而可以对指定数据进行数据分析,以实现快速便捷地获得指定用户对应的场景浏览数据,有利于后续可以基于得到的场景浏览数据来智能准确的得到指定用户在目标应用中的场景浏览过程。
在一些可选的实现方式中,在步骤S201之前,上述电子设备还可以执行以下步骤:
获取与所述目标应用对应的业务流程的路径信息。
在本实施例中,路径信息具体可指任务路径信息,目标应用对应的业务流程中可包含多条任务路径信息。其中,还可提供关于任务路径的信息输入窗口,以指示用户设置期望进行埋点的任务路径。
基于所述路径信息,对所述目标应用进行埋点设置处理。
在本实施例中,可通过获取任务路径中包含的可操作节点,并对该可操作节点进行埋点。其中,可操作节点可指任务路径中包含的所有可操作节点或部分可操作节点。
本申请通过获取与所述目标应用对应的业务流程的路径信息;然后基于所述路径信息,对所述目标应用进行埋点设置处理,以快速完成对于目标应用的埋点处理,有利于后续可以基于该埋点来快速准确地获取在目标应用中预先设置的多个埋点对应的用户操作行为数据,提高了用户操作行为数据的获取效率与获取准确性。
在本实施例的一些可选的实现方式中,在步骤S205之后,上述电子设备还可以执行以下步骤:
获取预设的转化率阈值。
在本实施例中,对于上述转化率阈值的取值不作具体限定,可根据实际的使用需求进行设置。
将各个所述业务流程环节的转化率与所述转化率阈值进行数值比较,筛选出数值小于所述转化率阈值的指定转化率。
获取与所述指定转化率对应的第二用户操作行为数据。
在本实施例中,可基于所述指定转化率,从目标应用对应的各个业务流程环节的目标操作行为数据中提取出与所述指定转化率对应的第二用户操作行为数据。
对所述第二用户操作行为数据进行分析,得到相应的异常分析结果。
在本实施例中,通过对第二用户操作行为数据,即对于某个业务流程环节的转化率特别低的情况,对该业务流程环节内的具体操作进行分析,并确定是当前业务流程环节的设计存在缺陷还是其中的某个步骤的原因引起的,进行精确定位,从而得到相应的异常分析结果。
本申请通过获取预设的转化率阈值;然后将各个所述业务流程环节的转化率与所述转化率阈值进行数值比较,筛选出数值小于所述转化率阈值的指定转化率;之后获取与所述指定转化率对应的第二用户操作行为数据;后续对所述第二用户操作行为数据进行分析,得到相应的异常分析结果。本申请通过将各个业务流程环节的转化率与预设的转化率阈值进行数值比较,进而对数值小于所述转化率阈值的指定转化率应的第二用户操作行为数据进行分析,可以实现快速智能地生成相应的异常分析结果,以完成对于转化率特别低的业务流程环节的原因定位,有利于后续相关的运维人员能够基于该异常分析结果来对目标应用进行相应的改善与优化,提高了运维人员的工作体验。
在本实施例的一些可选的实现方式中,在所述对所述第二用户操作行为数据进行分析,得到相应的异常分析结果的步骤之后,上述电子设备还可以执行以下步骤:
获取运维人员的通讯信息。
在本实施例中,通讯信息可包括电话号码或邮件地址。
基于所述目标应用与所述异常分析结果生成异常分析报告。
在本实施例中,可通过获取预设的报告模板,然后将所述目标应用的应用名称与所述异常分析结果填充至该报告模板内,以生成相应的异常分析报告。其中,上述报告模板可根据实际的业务使用需求预先编写生成。
基于所述通讯信息,将所述异常分析报告发送至所述运维人员。
在本实施例中,若通讯信息为电话号码,可通过短信发送的形式将所述异常分析报告发送至所述运维人员的手机终端;若通讯信息为邮件地址,可通过邮件发送的形式将所述异常分析报告发送至所述运维人员的邮箱。
本申请通过获取运维人员的通讯信息;然后基于所述目标应用与所述异常分析结果生成异常分析报告;后续基于所述通讯信息,将所述异常分析报告发送至所述运维人员。本申请通过基于所述目标应用与所述异常分析结果生成异常分析报告并发送给相关的运维人员,有利于后续相关的运维人员能够基于该异常分析报告来对目标应用进行相应的改善与优化,提高了运维人员的工作体验。
需要强调的是,为进一步保证上述转化率的私密和安全性,上述转化率还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
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,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图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,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子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,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种数据分析装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的数据分析装置300包括:第一获取模块301、清洗模块302、划分模块303、分类模块304以及第一分析模块305。其中:
第一获取模块301,用于获取在目标应用中预先设置的多个埋点对应的用户操作行为数据;
清洗模块302,用于对所述用户操作行为数据进行数据清洗,得到所述用户操作行为数据中的有效操作行为数据;
划分模块303,用于基于预设的处理规则将所述目标应用的业务流程划分为多个业务流程环节;
分类模块304,用于基于所述业务流程环节对所述有效操作行为数据进行整理分类,得到各个所述业务流程环节的目标操作行为数据;
第一分析模块305,用于基于预设的漏斗分析模型对所述目标操作行为数据进行分析,得到各个所述业务流程环节的转化率。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的数据分析方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,清洗模块302包括:
第一调用子模块,用于调用预设的数据清洗模型;
清洗子模块,用于基于所述数据清洗模型对所述用户操作行为数据中的异常数据进行数据清洗,得到清洗后的用户操作行为数据;
确定子模块,用于将所述清洗后的用户操作行为数据作为所述有效操作行为数据。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的数据分析方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第一分析模块305包括:
第二调用子模块,用于调用预设的漏斗分析模型;
分析子模块,用于使用所述漏斗分析模型对所述目标操作行为数据进行分析,生成对应的漏斗转化图形;
获取子模块,用于从所述漏斗转化图形中获取各个所述业务流程环节的转化率。
本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的数据分析方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,数据分析装置还包括:
第二获取模块,用于获取与指定用户对应的第一用户操作行为数据;
第三获取模块,用于获取预设的指定场景字段;
第四获取模块,用于从所述第一用户操作行为数据中获取与所述指定场景字段对应的指定数据;
第二分析模块,用于基于所述指定数据分析得到所述指定用户对应的场景浏览数据。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的数据分析方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,数据分析装置还包括:
第五获取模块,用于获取与所述目标应用对应的业务流程的路径信息;
处理模块,用于基于所述路径信息,对所述目标应用进行埋点设置处理。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的数据分析方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,数据分析装置还包括:
第六获取模块,用于获取预设的转化率阈值;
筛选模块,用于将各个所述业务流程环节的转化率与所述转化率阈值进行数值比较,筛选出数值小于所述转化率阈值的指定转化率;
第七获取模块,用于获取与所述指定转化率对应的第二用户操作行为数据;
第三分析模块,用于对所述第二用户操作行为数据进行分析,得到相应的异常分析结果。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的数据分析方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,数据分析装置还包括:
第八获取模块,用于获取运维人员的通讯信息;
生成模块,用于基于所述目标应用与所述异常分析结果生成异常分析报告;
发送模块,用于基于所述通讯信息,将所述异常分析报告发送至所述运维人员。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的数据分析方法的步骤一一对应,在此不再赘述。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件41-43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件,例如数据分析方法的计算机可读指令等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行所述数据分析方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例中,首先获取在目标应用中预先设置的多个埋点对应的用户操作行为数据;然后对所述用户操作行为数据进行数据清洗,得到所述用户操作行为数据中的有效操作行为数据;之后基于预设的处理规则将所述目标应用的业务流程划分为多个业务流程环节;后续基于所述业务流程环节对所述有效操作行为数据进行整理分类,得到各个所述业务流程环节的目标操作行为数据;最后基于预设的漏斗分析模型对所述目标操作行为数据进行分析,得到各个所述业务流程环节的转化率。本申请实施例通过将由埋点处理获得的目标应用中的用户操作行为数据进行数据清洗,只对用户操作行为数据内的有效数据进行保留,使得后续只需对该有效操作行为数据进行处理以得到各个所述业务流程环节的目标操作行为数据,有效减少了构建目标操作行为数据的处理工作量,后续再基于漏斗分析模型的使用对所述目标操作行为数据进行分析,可以快速准确地生成目标应用对应的各个业务流程环节的转化率,提高了转化率的生成效率,保证了生成的转化率的准确性。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的数据分析方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例中,首先获取在目标应用中预先设置的多个埋点对应的用户操作行为数据;然后对所述用户操作行为数据进行数据清洗,得到所述用户操作行为数据中的有效操作行为数据;之后基于预设的处理规则将所述目标应用的业务流程划分为多个业务流程环节;后续基于所述业务流程环节对所述有效操作行为数据进行整理分类,得到各个所述业务流程环节的目标操作行为数据;最后基于预设的漏斗分析模型对所述目标操作行为数据进行分析,得到各个所述业务流程环节的转化率。本申请实施例通过将由埋点处理获得的目标应用中的用户操作行为数据进行数据清洗,只对用户操作行为数据内的有效数据进行保留,使得后续只需对该有效操作行为数据进行处理以得到各个所述业务流程环节的目标操作行为数据,有效减少了构建目标操作行为数据的处理工作量,后续再基于漏斗分析模型的使用对所述目标操作行为数据进行分析,可以快速准确地生成目标应用对应的各个业务流程环节的转化率,提高了转化率的生成效率,保证了生成的转化率的准确性。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种数据分析方法,其特征在于,包括下述步骤:
获取在目标应用中预先设置的多个埋点对应的用户操作行为数据;
对所述用户操作行为数据进行数据清洗,得到所述用户操作行为数据中的有效操作行为数据;
基于预设的处理规则将所述目标应用的业务流程划分为多个业务流程环节;
基于所述业务流程环节对所述有效操作行为数据进行整理分类,得到各个所述业务流程环节的目标操作行为数据;
基于预设的漏斗分析模型对所述目标操作行为数据进行分析,得到各个所述业务流程环节的转化率。
2.根据权利要求1所述的数据分析方法,其特征在于,所述对所述用户操作行为数据进行数据清洗,得到所述用户操作行为数据中的有效操作行为数据的步骤,具体包括:
调用预设的数据清洗模型;
基于所述数据清洗模型对所述用户操作行为数据中的异常数据进行数据清洗,得到清洗后的用户操作行为数据;
将所述清洗后的用户操作行为数据作为所述有效操作行为数据。
3.根据权利要求1所述的数据分析方法,其特征在于,所述基于预设的漏斗分析模型对所述目标操作行为数据进行分析,得到各个所述业务流程环节的转化率的步骤,具体包括:
调用预设的漏斗分析模型;
使用所述漏斗分析模型对所述目标操作行为数据进行分析,生成对应的漏斗转化图形;
从所述漏斗转化图形中获取各个所述业务流程环节的转化率。
4.根据权利要求1所述的数据分析方法,其特征在于,所述数据分析方法还包括:
获取与指定用户对应的第一用户操作行为数据;
获取预设的指定场景字段;
从所述第一用户操作行为数据中获取与所述指定场景字段对应的指定数据;
基于所述指定数据分析得到所述指定用户对应的场景浏览数据。
5.根据权利要求1所述的数据分析方法,其特征在于,在所述获取在目标应用中预先设置的多个埋点对应的用户操作行为数据的步骤之前,还包括:
获取与所述目标应用对应的业务流程的路径信息;
基于所述路径信息,对所述目标应用进行埋点设置处理。
6.根据权利要求1所述的数据分析方法,其特征在于,在所述基于预设的漏斗分析模型对所述目标操作行为数据进行分析,生成各个所述业务流程环节的转化率的步骤之后,还包括:
获取预设的转化率阈值;
将各个所述业务流程环节的转化率与所述转化率阈值进行数值比较,筛选出数值小于所述转化率阈值的指定转化率;
获取与所述指定转化率对应的第二用户操作行为数据;
对所述第二用户操作行为数据进行分析,得到相应的异常分析结果。
7.根据权利要求6所述的数据分析方法,其特征在于,在所述对所述第二用户操作行为数据进行分析,得到相应的异常分析结果的步骤之后,还包括:
获取运维人员的通讯信息;
基于所述目标应用与所述异常分析结果生成异常分析报告;
基于所述通讯信息,将所述异常分析报告发送至所述运维人员。
8.一种数据分析装置,其特征在于,包括:
第一获取模块,用于获取在目标应用中预先设置的多个埋点对应的用户操作行为数据;
清洗模块,用于对所述用户操作行为数据进行数据清洗,得到所述用户操作行为数据中的有效操作行为数据;
划分模块,用于基于预设的处理规则将所述目标应用的业务流程划分为多个业务流程环节;
分类模块,用于基于所述业务流程环节对所述有效操作行为数据进行整理分类,得到各个所述业务流程环节的目标操作行为数据;
第一分析模块,用于基于预设的漏斗分析模型对所述目标操作行为数据进行分析,得到各个所述业务流程环节的转化率。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的数据分析方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的数据分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310707587.9A CN116796133A (zh) | 2023-06-14 | 2023-06-14 | 数据分析方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310707587.9A CN116796133A (zh) | 2023-06-14 | 2023-06-14 | 数据分析方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116796133A true CN116796133A (zh) | 2023-09-22 |
Family
ID=88035556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310707587.9A Pending CN116796133A (zh) | 2023-06-14 | 2023-06-14 | 数据分析方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116796133A (zh) |
-
2023
- 2023-06-14 CN CN202310707587.9A patent/CN116796133A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115237857A (zh) | 日志处理方法、装置、计算机设备及存储介质 | |
CN116934283A (zh) | 一种员工权限配置方法、装置、设备及其存储介质 | |
CN117234505A (zh) | 一种交互页面生成方法、装置、设备及其存储介质 | |
CN116841846A (zh) | 一种实时日志异常检测方法、装置、设备及其存储介质 | |
CN115757075A (zh) | 任务异常检测方法、装置、计算机设备及存储介质 | |
CN115794545A (zh) | 运维数据的自动化处理方法及其相关设备 | |
CN116796133A (zh) | 数据分析方法、装置、计算机设备及存储介质 | |
CN112069807A (zh) | 文本数据的主题提取方法、装置、计算机设备及存储介质 | |
CN112084408A (zh) | 名单数据筛选方法、装置、计算机设备及存储介质 | |
CN111598159B (zh) | 机器学习模型的训练方法、装置、设备及存储介质 | |
CN116842011A (zh) | 血缘关系分析方法、装置、计算机设备及存储介质 | |
CN117786390A (zh) | 一种待维护特征数据整理方法及其相关设备 | |
CN117421312A (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
CN117114894A (zh) | 一种理赔结果预测方法、装置、设备及其存储介质 | |
CN116611939A (zh) | 基于深度q学习优化理赔预测模型的方法及其相关设备 | |
CN116611936A (zh) | 数据分析方法、装置、计算机设备及存储介质 | |
CN117874814A (zh) | 一种数据清洗方法、装置、设备及其存储介质 | |
CN116795882A (zh) | 数据获取方法、装置、计算机设备及存储介质 | |
CN116821493A (zh) | 消息推送方法、装置、计算机设备及存储介质 | |
CN117290452A (zh) | 一种数据仓库治理方法、装置、设备及其存储介质 | |
CN116738948A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
CN116795632A (zh) | 任务处理方法、装置、计算机设备及存储介质 | |
CN115829763A (zh) | 数据报送方法、装置、计算机设备及存储介质 | |
CN117520141A (zh) | 基于人工智能的脚本推荐方法、装置、设备及存储介质 | |
CN118035124A (zh) | 用例生成方法、装置、计算机设备及存储介质 |
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 |