CN117057849A - 一种基于数据分级分类的处理方法、系统及存储介质 - Google Patents
一种基于数据分级分类的处理方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117057849A CN117057849A CN202311308404.2A CN202311308404A CN117057849A CN 117057849 A CN117057849 A CN 117057849A CN 202311308404 A CN202311308404 A CN 202311308404A CN 117057849 A CN117057849 A CN 117057849A
- Authority
- CN
- China
- Prior art keywords
- sales
- classification
- data
- potential
- market
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000009826 distribution Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000005065 mining Methods 0.000 claims description 41
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 22
- 230000035772 mutation Effects 0.000 claims description 21
- 238000013145 classification model Methods 0.000 claims description 12
- 230000029052 metamorphosis Effects 0.000 claims description 10
- 230000035945 sensitivity Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000003281 allosteric effect Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000002860 competitive effect Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数据分级分类的处理方法、系统及存储介质,具体涉及数据处理领域,是通过采集销售数据的异变绩效协同指数和市场动态韧性指数,得到异变挖掘潜势系数,以评估销售数据的贡献度和重要性,这有助于将销售数据分类分级,并生成不同等级的潜力信号,提高对销售数据的识别和利用能力,从而优化决策、资源分配,并提高销售数据的管理效果。同时,通过基于分级潜力分布指数来实时调整分类阈值,使模型更适应不断变化的数据环境,提高模型的准确性和实用性,以更好地指导业务决策和销售策略,确保捕捉市场机会,从而达到更好的业务结果和竞争优势。
Description
技术领域
本发明涉及数据处理领域,更具体地说,本发明涉及一种基于数据分级分类的处理方法、系统及存储介质。
背景技术
销售数据是指包括销售交易的各种信息,如销售日期、销售地点、产品信息、销售量、销售额、客户信息、支付方式等,通常用于分析和管理销售活动的数据。为了更好地销售情况进行分析,通产在对销售数据进行存储时先进行分类,通过有效的分类,企业可以更好地了解哪些产品在哪个时间和地点卖得最好,哪些客户群体对其产品最感兴趣,从而有针对性地制定业务策略,提高运营效率,实现更高的市场份额和盈利。
然而,现有的销售数据的分类处理方式通常面临以下问题:
传统的销售数据分类处理方式通常采用静态分类模型,这些模型依赖于固定的阈值和规则来分类销售数据,无法自动适应不断变化的市场和数据特征。这容易导致模型不够灵活,无法捕捉到潜在的销售潜力或变化趋势,从而导致业务决策的不准确性。另外,传统方法通常缺乏反馈循环机制,无法自动优化模型以提高其准确性和实用性。因此,在处理销售数据时,容易错失重要的商机,导致库存管理不当、市场推广策略不准确以及客户关系管理得不足。综上所述,传统的销售数据处理方式上面临分类不准确、反馈滞后、机会丧失等问题,无法充分挖掘销售数据中的潜在价值。在灵活性、自适应性和精度方面存在不足。
为了解决上述问题,现提供一种技术方案。
发明内容
为了克服现有技术的上述缺陷,本发明的实施例提供,通过采集销售数据的异变绩效协同指数和市场动态韧性指数,得到异变挖掘潜势系数,以评估销售数据的贡献度和重要性,这有助于将销售数据分类分级,并生成不同等级的潜力信号,提高对销售数据的识别和利用能力,从而优化决策、资源分配,并提高销售数据的管理效果。同时,通过基于分级潜力分布指数来实时调整分类阈值,使模型更适应不断变化的数据环境,提高模型的准确性和实用性,以更好地指导业务决策和销售策略,确保捕捉市场机会,从而达到更好的业务结果和竞争优势,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
步骤S100,采集每条销售数据的销售绩效信息和市场绩效信息;
步骤S200,通过销售绩效信息和市场绩效信息构建分类模型,生成异变挖掘潜势系数,对异变挖掘潜势系数进行分析,生成不同等级潜力信号;
步骤S300,对于每个等级潜力信号,获取销售情况分布指数,对各个销售情况分布指数进行综合分析计算得到判断系数,对判断系数进行分析,决定是否生成调整信号。
在一个优选的实施方式中,销售绩效信息包括异变绩效协同指数,市场绩效信息包括市场动态韧性指数。
在一个优选的实施方式中,异变绩效协同指数的获取逻辑如下:
步骤s111,在t1时间内获取同一款在售物品的多个销售额、销售增长率和利润率的销售数据;
步骤S112,标准化销售额、销售增长率和利润率;
标注化销售额,计算公式为:,式中,/>是标准化销售额,是实际销售额,/>是销售额的均值,/>是销售额的标准差;
标准化销售增长率,计算公式为:,式中,/>是标准化销售增长率,/>是实际销售增长率,/>是销售增长率的均值,/>是销售增长率的标准差;
标准化利润率,计算公式为:,式中,/>是标准化利润率,是实际利润率,/>是利润率的均值,/>是利润率的标准差;
步骤S113,将标准化销售额、标准化销售增长率和标准化利润率经过综合计算得到异变绩效协同指数,计算公式为:,式中,/>是异变绩效协同指数。
在一个优选的实施方式中,市场动态韧性指数的获取逻辑为:
步骤S211,在t2时间内获取同一款在售物品的多个市场份额和客户忠诚度的销售数据;市场份额是指企业在特定市场中所占的销售额比例;客户忠诚度表示客户对产品的忠诚程度和保持购买的意愿,用复购比例来计算;
步骤S212,分别计算市场份额标准差和客户忠诚度标准差;
步骤S213,根据市场份额标准差和客户忠诚度标准差获得市场动态韧性指数,计算公式为:,式中,/>是市场动态韧性指数,/>分别为市场份额标准差、客户忠诚度标准差。
在一个优选的实施方式中,将异变绩效协同指数和市场动态韧性指数经过归一化处理得到异变挖掘潜势系数,计算公式为:,式中,/>表示异变挖掘潜势系数,/>分别为步骤S100中的异变绩效协同指数、市场动态韧性指数,分别为步骤S100中的异变绩效协同指数、市场动态韧性指数的预设比例系数,且/>均大于0。
在一个优选的实施方式中,将异变挖掘潜势系数分别和分类第一、第二阈值进行比较,其中,分类第二阈值大于分类第一阈值;若异变挖掘潜势系数大于等于分类第二阈值,表示销售数据能更好地捕捉市场波动和销售机会,趋势敏感性更高生成高级潜力信号;若异变挖掘潜势系数小于分类第二阈值且大于等于分类第一阈值,表示销售数据在捕捉市场波动和销售机会方面仍具有一定敏感性,生成中级潜力信号;若异变挖掘潜势系数小于分类第一阈值,表示销售数据在捕捉市场波动和销售机会方面的敏感性较低,生成低级潜力信号。
在一个优选的实施方式中,步骤S300具体包括以下步骤:
步骤S311,对于不同等级潜力信号,计算此类别信号中实际销售数据的分布情况,使用以下公式计算每个等级潜力信号的分级潜力分布指数,计算公式为:分级潜力分布值=|实际销售数量-预期销售数量|/预期销售数量,其中,实际销售数量表示在该类别中的实际销售数量,预期销售数量表示基于异变挖掘潜势系数进行分类分级后的预测计算的销售数量;
步骤S312,获得每个等级潜力信号的分级潜力分布指数,高分级潜力分布指数的值表示该类别的销售数据超出了预期,低分级潜力分布指数的值表示销售数据低于预期;
步骤S313,将每个等级潜力分布指数经过归一化处理得到判断系数,计算公式为:,式中,/>是判断系数,/>分别为高级、中级、低级潜力信号的分级潜力分布指数,/>分别为高级、中级、低级潜力信号的分级潜力分布指数的预设比例系数,且/>均大于0;
步骤S314,将判断系数和判断阈值进行比较,若判断系数大于等于判断阈值,表示分类第一、第二阈值的设定不符合现状,需要依据各自的分级潜力分布指数调整对应的分类第一或第二阈值,生成调整信号;
若判断系数小于判断阈值,则不生成信号。
在一个优选的实施方式中,一种基于数据分级分类的处理系统,包括数据获取单元、模型构建单元、分类分级单元、总结分析单元,各个单元通过信号连接;
数据获取单元用于采集每条销售数据的销售绩效信息和市场绩效信息,将销售绩效信息和市场绩效信息发送至模型构建单元;
模型构建单元通过销售绩效信息和市场绩效信息构建分类模型,生成异变挖掘潜势系数,将异变挖掘潜势系数发送至分类分级单元;
分类分级单元将异变潜势系数分别和分类第一、第二阈值进行比较,根据比较结果生成不同等级潜力信号,将不同等级信号发送至总结分析单元;
总结分析单元对于每个等级潜力信号,获取销售情况分布指数,对各个销售情况分布指数进行综合分析计算得到判断系数,对判断系数进行分析,决定是否生成调整信号。
在一个优选的实施方式中,一种基于数据分级分类的存储介质,一种基于数据分级分类的存储介质用于存储有一种基于数据分级分类的处理方法中采集的数据以及生成的信号。
本发明一种基于数据分级分类的处理方法、系统及存储介质的技术效果和优点:
1.通过采集销售数据的异变绩效协同指数和市场动态韧性指数,通过获得异变挖掘潜势系数,能够综合评估销售数据的贡献度和重要性,有助于将销售数据进行分类分级,将异变挖掘潜势系数分别和分类第一阈值、分类第二阈值进行比较,根据比较结果生成不同等级潜力信号,有助于更精确地识别和利用销售数据中的关键信息和潜在机会,帮助更高精度的预测未来销售情况,优化决策和资源分配,提高销售数据的有效性和利用价值,有益于提升销售数据的管理和应用效果,达成更好的业务结果和竞争优势;
2.通过获取每个等级潜力信号的分级潜力分布指数,将每个等级潜力信号的分级潜力分布指数经过综合处理得到判断阈值,基于判断系数和判断阈值的比较结果是否生成调整信号,在获得调整信号的情况下对对应的份分类第一、第二阈值进行调整;通过获取每个等级潜力信号的分级潜力分布指数,可以更准确地评估每个分类级别的数据分布特性,而不仅仅依赖于静态的阈值。如果判断阈值与判断系数的比较结果表明需要进行调整,则实时地根据数据的实际表现来更新阈值,使其更符合当前市场和销售环境的变化。这有助于优化分类模型,提高模型的适应性和准确性,从而更好地指导业务决策和销售策略,确保更好地捕捉销售潜力和市场机会。这种方法可以提高模型的实用性,使其更好地适应不断变化的数据环境。
附图说明
图1为本发明一种基于数据分级分类的处理方法、系统及存储介质的流程示意图;
图2为本发明一种基于数据分级分类的处理方法、系统及存储介质的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
图1给出了本发明一种基于数据分级分类的处理方法,其包括如下步骤:
步骤S100,采集每条销售数据的销售绩效信息和市场绩效信息;
步骤S200,通过销售绩效信息和市场绩效信息构建分类模型,生成异变挖掘潜势系数,对异变挖掘潜势系数进行分析,生成不同等级潜力信号;
步骤S300,对于每个等级潜力信号,获取销售情况分布指数,对各个销售情况分布指数进行综合分析计算得到判断系数,对判断系数进行分析,决定是否生成调整信号。
步骤S100具体包括以下步骤:
销售绩效信息包括异变绩效协同指数,市场绩效信息包括市场动态韧性指数。
异变绩效协同指数的获取逻辑如下:
步骤s111,在t1时间内获取同一款在售物品的多个销售额、销售增长率和利润率的销售数据;
步骤S112,标准化销售额、销售增长率和利润率;
标注化销售额,计算公式为:,式中,/>是标准化销售额,是实际销售额,/>是销售额的均值,/>是销售额的标准差;
标准化销售增长率,计算公式为:,式中,/>是标准化销售增长率,/>是实际销售增长率,/>是销售增长率的均值,/>是销售增长率的标准差;
标准化利润率,计算公式为:,式中,/>是标准化利润率,是实际利润率,/>是利润率的均值,/>是利润率的标准差;
步骤S113,将标准化销售额、标准化销售增长率和标准化利润率经过综合计算得到异变绩效协同指数,计算公式为:,式中,/>是异变绩效协同指数。
异变绩效协同指数是一个综合性指标,用于综合考虑销售数据的销售额、销售增长率和利润率。它的值旨在反映销售数据的综合表现,即销售额的大小、销售增长的速度以及与销售相关的盈利能力,如果异变绩效协同指数的值较大,表示该销售数据在销售额、销售增长率和利润率等方面表现较好,意味着该销售数据在销售绩效方面具有更大的潜力和代表性,是企业的优势业务或产品;如果异变绩效协同指数的值较小,通常表示该销售数据在销售额、销售增长率和利润率等方面表现较差,意味着该销售数据在销售绩效方面具有较低的潜力和代表性,可能需要进一步的改进或关注;异变绩效系统指数不仅反映了销售数据的当前表现,还可以用作优质的历史数据,对分析当下的销售预期提供更好的数据支撑,帮助更为高效精准的预测未来销售情况,因此,这样的销售数据具有更为积极的意义,需要重点关注。
市场动态韧性指数的获取逻辑为:
步骤S211,在t2时间内获取同一款在售物品的多个市场份额和客户忠诚度的销售数据;市场份额是指企业在特定市场中所占的销售额比例;客户忠诚度表示客户对产品的忠诚程度和保持购买的意愿,用复购比例来计算;
步骤S212,分别计算市场份额标准差和客户忠诚度标准差;
步骤S213,根据市场份额标准差和客户忠诚度标准差获得市场动态韧性指数,计算公式为:,式中,/>是市场动态韧性指数,/>分别为市场份额标准差、客户忠诚度标准差。
市场动态韧性指数用于体现销售数据在市场表现方面的动态韧性和稳定性。市场动态韧性指数用于综合市场份额和客户忠诚度这两个因素的波动性,因此可以反映在市场竞争和客户忠诚度方面的动态表现。
市场动态韧性指数越大,表示该条销售数据在市场表现方面的稳定性较高,具有更高的韧性和稳定性,具有较好的反映出市场表现,反之,如果调和平均值较小,表示该条销售数据在市场表现方面的稳定性较差,不具有韧性和稳定性,无法准确的反映出市场的表现。
步骤S200具体包括以下步骤:将异变绩效协同指数和市场动态韧性指数经过归一化处理得到异变挖掘潜势系数,计算公式为:,式中,/>表示异变挖掘潜势系数,/>分别为步骤S100中的异变绩效协同指数、市场动态韧性指数,/>分别为步骤S100中的异变绩效协同指数、市场动态韧性指数的预设比例系数,且均大于0。
异变挖掘潜势系数用于体现销售数据在市场销售表现方面的潜在变化和趋势敏感性,异变挖掘潜势系数越大,表示销售数据更具有更加精准地预测未来的销售情况的代表性,能更好地捕捉市场波动和销售机会;异变挖掘潜势系数越小,对市场销售方面的潜在变化和趋势反应较弱,表示销售数据相对平庸和保守,用于分析总结的意义不大,不太受市场波动影响,容易错失一些销售机会。
将异变挖掘潜势系数分别和分类第一、第二阈值进行比较,其中,分类第二阈值大于分类第一阈值;若异变挖掘潜势系数大于等于分类第二阈值,表示销售数据能更好地捕捉市场波动和销售机会,趋势敏感性更高,用于分析总计的意义较大,表示销售数据预测未来的销售情况精度越高,生成高级潜力信号,将数据划分到更高等的存储空间内;若异变挖掘潜势系数小于分类第二阈值且大于等于分类第一阈值,表示销售数据在捕捉市场波动和销售机会方面仍具有一定敏感性,表示预测未来的销售情况的精准性一般,生成中级潜力信号,将数据划分到一般等级的存储空间内;
若异变挖掘潜势系数小于分类第一阈值,表示销售数据在捕捉市场波动和销售机会方面的敏感性较低,则销售数据的重要性较低,表示预测未来的销售情况的精准性较低,生成低级潜力信号,将数据划分到低等级的存储空间内。
本发明通过采集销售数据的异变绩效协同指数和市场动态韧性指数,通过获得异变挖掘潜势系数,能够综合评估销售数据的贡献度和重要性,有助于将销售数据进行分类分级,将异变挖掘潜势系数分别和分类第一阈值、分类第二阈值进行比较,根据比较结果生成不同等级潜力信号,有助于更精确地识别和利用销售数据中的关键信息和潜在机会,帮助更高精度的预测未来销售情况,优化决策和资源分配,提高销售数据的有效性和利用价值,有益于提升销售数据的管理和应用效果,达成更好的业务结果和竞争优势。
定期审查和调整分类分级模型是至关重要的,因为它确保了模型的准确性和实用性与时俱进。市场和数据环境不断变化,如果模型保持不变,可能导致错误的分类和低效的决策。通过定期审查和调整,可以根据新数据和反馈信息优化模型,确保其适应新情况,并提高数据的解释性和预测性能。这有助于企业更好地应对市场变化,识别新机会,并提高业务竞争力。
步骤S300具体包括以下步骤:
步骤S311,对于不同等级潜力信号,计算该类别信号中实际销售数据的分布情况,使用以下公式计算每个等级潜力信号的分级潜力分布指数,计算公式为:分级潜力分布值=|实际销售数量-预期销售数量|/预期销售数量,其中,实际销售数量表示在该类别中的实际销售数量,预期销售数量表示基于异变挖掘潜势系数进行分类分级后的预测计算的销售数量;
步骤S312,获得每个等级潜力信号的分级潜力分布指数,高分级潜力分布指数的值表示该类别的销售数据超出了预期,低分级潜力分布指数的值表示销售数据低于预期;
步骤S313,将每个等级潜力分布指数经过归一化处理得到判断系数,计算公式为:,式中,/>是判断系数,/>分别为高级、中级、低级潜力信号的分级潜力分布指数,/>分别为高级、中级、低级潜力信号的分级潜力分布指数的预设比例系数,且/>均大于0;
如果判断系数较高,说明模型的分类性能较好,模型的预测结果与实际结果较为一致,此时不需要进行大幅度的阈值调整。相反,如果判断系数较低,说明模型的分类性能有待改进,可能需要调整分类阈值以更准确地分类数据。这种基于判断系数的调整方法有助于优化分类分级模型,确保其在实际应用中能够提供更准确的分类结果,从而更好地满足业务需求。
步骤S314,将判断系数和判断阈值进行比较,若判断系数大于等于判断阈值,表示分类第一、第二阈值的设定不符合现状,需要依据各自的分级潜力分布指数调整对应的分类第一或第二阈值,生成调整信号;
若判断系数小于判断阈值,则不生成信号。
本发明通过获取每个等级潜力信号的分级潜力分布指数,将每个等级潜力信号的分级潜力分布指数经过综合处理得到判断阈值,基于判断系数和判断阈值的比较结果是否生成调整信号,在获得调整信号的情况下对对应的份分类第一、第二阈值进行调整;通过获取每个等级潜力信号的分级潜力分布指数,可以更准确地评估每个分类级别的数据分布特性,而不仅仅依赖于静态的阈值。如果判断阈值与判断系数的比较结果表明需要进行调整,则实时地根据数据的实际表现来更新阈值,使其更符合当前市场和销售环境的变化。这有助于优化分类模型,提高模型的适应性和准确性,从而更好地指导业务决策和销售策略,确保更好地捕捉销售潜力和市场机会。这种方法可以提高模型的实用性,使其更好地适应不断变化的数据环境。
实施例2
图2给出了本发明的一种基于数据分级分类的处理系统,包括数据获取单元、模型构建单元、分类分级单元、总结分析单元,各个单元通过信号连接;
数据获取单元用于采集每条销售数据的销售绩效信息和市场绩效信息,将销售绩效信息和市场绩效信息发送至模型构建单元;
模型构建单元通过销售绩效信息和市场绩效信息构建分类模型,生成异变挖掘潜势系数,将异变挖掘潜势系数发送至分类分级单元;
分类分级单元将异变潜势系数分别和分类第一、第二阈值进行比较,根据比较结果生成不同等级潜力信号,将不同等级信号发送至总结分析单元;
总结分析单元对于每个等级潜力信号,获取销售情况分布指数,对各个销售情况分布指数进行综合分析计算得到判断系数,对判断系数进行分析,决定是否生成调整信号。
实时例3
一种基于数据分级分类的存储介质,一种基于数据分级分类的存储介质用于存储有一种基于数据分级分类的处理方法中采集的数据以及生成的信号,储存的采集的数据以及生成的信号用于实现一种基于数据分级分类的处理方法。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数以及阈值选取由本领域的技术人员根据实际情况进行设置。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络,或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD),或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件,或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,既可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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作出贡献的部分或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-onlymemory,ROM)、随机存取存储器(randomaccessmemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于数据分级分类的处理方法,其特征在于,包括如下步骤:
步骤S100,采集每条销售数据的销售绩效信息和市场绩效信息;
步骤S200,通过销售绩效信息和市场绩效信息构建分类模型,生成异变挖掘潜势系数,对异变挖掘潜势系数进行分析,生成不同等级潜力信号;
步骤S300,对于每个等级潜力信号,获取销售情况分布指数,对各个销售情况分布指数进行综合分析计算得到判断系数,对判断系数进行分析,决定是否生成调整信号。
2.根据权利要求1所述的一种基于数据分级分类的处理方法,其特征在于:
销售绩效信息包括异变绩效协同指数,市场绩效信息包括市场动态韧性指数。
3.根据权利要求2所述的一种基于数据分级分类的处理方法,其特征在于:
异变绩效协同指数的获取逻辑如下:
步骤s111,在t1时间内获取同一款在售物品的多个销售额、销售增长率和利润率的销售数据;
步骤S112,标准化销售额、销售增长率和利润率;
标注化销售额,计算公式为:,式中,/>是标准化销售额,/>是实际销售额,/>是销售额的均值,/>是销售额的标准差;
标准化销售增长率,计算公式为:,式中,/>是标准化销售增长率,/>是实际销售增长率,/>是销售增长率的均值,/>是销售增长率的标准差;
标准化利润率,计算公式为:,式中,/>是标准化利润率,/>是实际利润率,/>是利润率的均值,/>是利润率的标准差;
步骤S113,将标准化销售额、标准化销售增长率和标准化利润率经过综合计算得到异变绩效协同指数,计算公式为:,式中,/>是异变绩效协同指数。
4.根据权利要求3所述的一种基于数据分级分类的处理方法,其特征在于:
市场动态韧性指数的获取逻辑为:
步骤S211,在t2时间内获取同一款在售物品的多个市场份额和客户忠诚度的销售数据;市场份额是指企业在特定市场中所占的销售额比例;客户忠诚度表示客户对产品的忠诚程度和保持购买的意愿,用复购比例来计算;
步骤S212,分别计算市场份额标准差和客户忠诚度标准差;
步骤S213,根据市场份额标准差和客户忠诚度标准差获得市场动态韧性指数,计算公式为:,式中,/>是市场动态韧性指数,/>分别为市场份额标准差、客户忠诚度标准差。
5.根据权利要求4所述的一种基于数据分级分类的处理方法,其特征在于:
将异变绩效协同指数和市场动态韧性指数经过归一化处理得到异变挖掘潜势系数,计算公式为:,式中,/>表示异变挖掘潜势系数,/>分别为步骤S100中的异变绩效协同指数、市场动态韧性指数,/>分别为步骤S100中的异变绩效协同指数、市场动态韧性指数的预设比例系数,且/>均大于0。
6.根据权利要求5所述的一种基于数据分级分类的处理方法,其特征在于:
将异变挖掘潜势系数分别和分类第一、第二阈值进行比较,其中,分类第二阈值大于分类第一阈值;若异变挖掘潜势系数大于等于分类第二阈值,表示销售数据能更好地捕捉市场波动和销售机会,趋势敏感性更高生成高级潜力信号;若异变挖掘潜势系数小于分类第二阈值且大于等于分类第一阈值,表示销售数据在捕捉市场波动和销售机会方面仍具有一定敏感性,生成中级潜力信号;若异变挖掘潜势系数小于分类第一阈值,表示销售数据在捕捉市场波动和销售机会方面的敏感性较低,生成低级潜力信号。
7.根据权利要求6所述的一种基于数据分级分类的处理方法,其特征在于:
步骤S300具体包括以下步骤:
步骤S311,对于不同等级潜力信号,计算此类别信号中实际销售数据的分布情况,使用以下公式计算每个等级潜力信号的分级潜力分布指数,计算公式为:分级潜力分布值=|实际销售数量-预期销售数量|/预期销售数量,其中,实际销售数量表示在该类别中的实际销售数量,预期销售数量表示基于异变挖掘潜势系数进行分类分级后的预测计算的销售数量;
步骤S312,获得每个等级潜力信号的分级潜力分布指数,高分级潜力分布指数的值表示该类别的销售数据超出了预期,低分级潜力分布指数的值表示销售数据低于预期;
步骤S313,将每个等级潜力分布指数经过归一化处理得到判断系数,计算公式为:,式中,/>是判断系数,/>分别为高级、中级、低级潜力信号的分级潜力分布指数,/>分别为高级、中级、低级潜力信号的分级潜力分布指数的预设比例系数,且/>均大于0;
步骤S314,将判断系数和判断阈值进行比较,若判断系数大于等于判断阈值,表示分类第一、第二阈值的设定不符合现状,需要依据各自的分级潜力分布指数调整对应的分类第一或第二阈值,生成调整信号;
若判断系数小于判断阈值,则不生成信号。
8.一种基于数据分级分类的处理系统,用于实现权利要求1-7任一项所述的一种基于数据分级分类的处理方法,其特征在于:包括数据获取单元、模型构建单元、分类分级单元、总结分析单元,各个单元通过信号连接;
数据获取单元用于采集每条销售数据的销售绩效信息和市场绩效信息,将销售绩效信息和市场绩效信息发送至模型构建单元;
模型构建单元通过销售绩效信息和市场绩效信息构建分类模型,生成异变挖掘潜势系数,将异变挖掘潜势系数发送至分类分级单元;
分类分级单元将异变潜势系数分别和分类第一、第二阈值进行比较,根据比较结果生成不同等级潜力信号,将不同等级信号发送至总结分析单元;
总结分析单元对于每个等级潜力信号,获取销售情况分布指数,对各个销售情况分布指数进行综合分析计算得到判断系数,对判断系数进行分析,决定是否生成调整信号。
9.一种基于数据分级分类的存储介质,其特征在于:一种基于数据分级分类的存储介质用于存储有一种基于数据分级分类的处理方法中采集的数据以及生成的信号,储存的采集的数据以及生成的信号用于实现权利要求1-7任一项所述的一种基于数据分级分类的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311308404.2A CN117057849A (zh) | 2023-10-11 | 2023-10-11 | 一种基于数据分级分类的处理方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311308404.2A CN117057849A (zh) | 2023-10-11 | 2023-10-11 | 一种基于数据分级分类的处理方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117057849A true CN117057849A (zh) | 2023-11-14 |
Family
ID=88655742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311308404.2A Pending CN117057849A (zh) | 2023-10-11 | 2023-10-11 | 一种基于数据分级分类的处理方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117057849A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117273469A (zh) * | 2023-11-20 | 2023-12-22 | 国网信通亿力科技有限责任公司 | 一种电网营销业务风险数字化管控系统 |
-
2023
- 2023-10-11 CN CN202311308404.2A patent/CN117057849A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117273469A (zh) * | 2023-11-20 | 2023-12-22 | 国网信通亿力科技有限责任公司 | 一种电网营销业务风险数字化管控系统 |
CN117273469B (zh) * | 2023-11-20 | 2024-02-06 | 国网信通亿力科技有限责任公司 | 一种电网营销业务风险数字化管控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210097603A1 (en) | System and method for issuing a loan to a consumer determined to be creditworthy and with bad debt forecast | |
US20120221376A1 (en) | System and method for optimization of data sets | |
US20180204285A1 (en) | Searching pre-generated data structures for event impact discovery | |
KR101939554B1 (ko) | 일시적 거래 한도 결정 | |
US8966036B1 (en) | Method and system for website user account management based on event transition matrixes | |
US20240211967A1 (en) | Adaptive transaction processing system | |
US10749881B2 (en) | Comparing unsupervised algorithms for anomaly detection | |
US20080195404A1 (en) | Compliant-based service level objectives | |
CN117057849A (zh) | 一种基于数据分级分类的处理方法、系统及存储介质 | |
US10613525B1 (en) | Automated health assessment and outage prediction system | |
CN109829721B (zh) | 基于异质网络表征学习的线上交易多主体行为建模方法 | |
US11860905B2 (en) | Scanning for information according to scan objectives | |
CN116034379A (zh) | 使用深度学习和机器学习的活动性水平测量 | |
CN116843452A (zh) | 风险监管方法、装置、设备、介质和程序产品 | |
CN116468536A (zh) | 一种自动化风险控制规则生成的方法 | |
CN116126642A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN112927071A (zh) | 一种贷后行为特征加工的方法与装置 | |
CN111178421B (zh) | 检测用户状态的方法、装置、介质以及电子设备 | |
US7783509B1 (en) | Determining that a change has occured in response to detecting a burst of activity | |
CN116228431A (zh) | 一种异常交易账户确定方法、装置及电子设备 | |
Liu | Design of XGBoost prediction model for financial operation fraud of listed companies | |
US20070271195A1 (en) | Capital-adequacy filing and assessment system and method | |
CN114756764A (zh) | 基于企业的内容信息流推荐方法、装置、电子设备及存储介质 | |
CN114971711A (zh) | 业务数据处理方法、装置、设备及存储介质 | |
CN117391261B (zh) | 一种基于低功耗超声波测量的物联网ai智慧水务系统 |
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 |