CN117312657A - 金融应用的异常功能定位方法、装置、计算机设备和介质 - Google Patents
金融应用的异常功能定位方法、装置、计算机设备和介质 Download PDFInfo
- Publication number
- CN117312657A CN117312657A CN202311153270.1A CN202311153270A CN117312657A CN 117312657 A CN117312657 A CN 117312657A CN 202311153270 A CN202311153270 A CN 202311153270A CN 117312657 A CN117312657 A CN 117312657A
- Authority
- CN
- China
- Prior art keywords
- user
- financial application
- satisfaction
- active type
- index data
- 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
- 230000007488 abnormal function Effects 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000006870 function Effects 0.000 claims abstract description 118
- 238000004590 computer program Methods 0.000 claims abstract description 41
- 230000006399 behavior Effects 0.000 claims description 52
- 230000000694 effects Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 11
- 238000012417 linear regression Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000010992 reflux Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种金融应用的异常功能定位方法、装置、计算机设备、存储介质和计算机程序产品,涉及大数据技术领域。所述方法包括:对金融应用中各用户进行分类,得到用户的活跃类型,根据目标活跃类型中各用户在金融应用中的操作行为特征,得到目标活跃类型的用户在金融应用中的偏好功能,将金融应用中各指标数据,以及目标活跃类型中各用户对应的指标数据,输入到预先构建的用户满意度预测模型,得到总体满意度和个体满意度,若个体满意度与总体满意度之差大于预设值,则根据金融应用中的偏好功能,得到金融应用异常功能,该方法,一方面,通过预先构建好的用户满意度预测模型,根据预测模型可以快速对总体满意度和个体满意度进行预测,省时省力。
Description
技术领域
本申请涉及大数据技术领域,特别是涉及一种金融应用的异常功能定位方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
在用户使用金融行业的应用软件的过程中,对用户满意度进行客观评价具有十分重要的意义,评价的客观性以及准确性可以影响到应用后续的迭代更新与业务拓展,例如,根据对用户的满意度定位应用软件中异常功能的位置。
现有的方式中,通过问卷调查来收集相关用户满意度评价数据,然后利用统计软件对调查数据进行信度检验和效度检验,在数据达标的基础上进行统计分析,然后通过模糊综合评价法对应用进行满意度评价研究。这种方式虽然保证了用户的满意度评价的样本均来自于用户,但是若应用出现更新迭代,需要重新收集数据,进一步的,即使得到用户满意度,也只能根据用户所填写的调查问卷得到软件模糊评价意见,难以为应用后续迭代更新进行指导。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高应用的异常定位效果的金融应用的异常功能定位方法、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,本申请提供了一种金融应用的异常功能定位方法。所述方法包括:
对所述金融应用中各用户进行分类,得到所述用户的活跃类型;
从所述活跃类型中确定目标活跃类型,并根据所述目标活跃类型中各用户在所述金融应用中的操作行为特征,得到目标活跃类型的用户在所述金融应用中的偏好功能;
将金融应用中各指标数据输入到预先构建的用户满意度预测模型,得到金融应用的总体满意度;将目标活跃类型中各所述用户对应的指标数据输入到所述预先构建的用户满意度预测模型,得到目标活跃类型的用户对应的金融应用的个体满意度;
若所述个体满意度与所述总体满意度之差大于预设值,则根据所述金融应用中的偏好功能,得到所述金融应用异常功能。
在其中一个实施例中,所述构建用户满意度预测模型的方法,包括:
获取预设时段内所述金融应用的历史用户满意度;
基于预设时段,从所述金融应用的运行日志中提取历史指标数据;
基于至少两组所述历史用户满意度,以及与所述历史用户满意度对应的所述历史指标数据,构建用户满意度预测模型;其中,所述用户满意度预测模型包括各历史指标数据的权重。
在其中一个实施例中,所述用户的活跃类型包括:活跃用户和新增用户,所述方法还包括:
若所述用户的活跃类型为活跃用户,则根据所述活跃用户在所述金融应用中的历史指标数据,以及所述活跃用户的满意度,得到所述历史指标数据对应的权重;
若所述用户的活跃类型为新增用户,则从指标数据库中获取所述新增用户的预设的指标数据对应的权重。
在其中一个实施例中,所述对所述金融应用中各用户进行分类,得到所述用户的活跃类型,包括以下方式中的任意一种:
第一种:根据用户在金融应用中的交易数据,对金融应用中各用户进行分类,得到所述用户的活跃类型;
第二种:根据用户在金融应用中的参与度数据,对金融应用中各用户进行分类,得到所述用户的活跃类型。
在其中一个实施例中,所述根据目标活跃类型中各用户在所述金融应用中的操作行为特征,得到目标活跃类型的用户在所述金融应用中的偏好功能,包括:
采集所述目标活跃类型中各用户在所述金融应用中的操作行为特征;
根据所述操作行为特征确定用户的偏好标签;
根据各所述用户的偏好标签的重合度,确定目标活跃类型的用户在所述金融应用中的偏好功能。
在其中一个实施例中,
所述方法还包括以下方式中的至少一种:
第一种:若所述个体满意度小于所述总体满意度,且所述个体满意度与所述总体满意度之差大于预设值,则根据所述金融应用中的偏好功能,得到所述金融应用异常功能;
第二种:若所述个体满意度大于所述总体满意度,且所述个体满意度与所述总体满意度之差大于预设值,则根据所述金融应用中的偏好功能,得到所述金融应用目标功能。
第二方面,本申请还提供了一种金融应用的异常功能定位装置。所述装置包括:
分类模块,用于对所述金融应用中各用户进行分类,得到所述用户的活跃类型;
处理模块,用于从所述活跃类型中确定目标活跃类型,并根据所述目标活跃类型的用户在所述金融应用中的偏好功能;
预测模块,用于将金融应用中各指标数据输入到预先构建的用户满意度预测模型,得到金融应用的总体满意度;将目标活跃类型中各所述用户对应的指标数据输入到所述预先构建的用户满意度预测模型,得到目标活跃类型的用户对应的金融应用的个体满意度;
定位模块,用于若所述个体满意度与所述总体满意度之差大于预设值,则根据所述金融应用中的偏好功能,得到所述金融应用异常功能。
在其中一个实施例中,所述装置还包括:构建模块,用于获取预设时段内所述金融应用的历史用户满意度;基于预设时段,从所述金融应用的运行日志中提取历史指标数据;基于至少两组所述历史用户满意度,以及与所述历史用户满意度对应的所述历史指标数据,构建用户满意度预测模型;其中,所述用户满意度预测模型包括各历史指标数据的权重。
在其中一个实施例中,所述用户的活跃类型包括:活跃用户和新增用户,所述装置还包括:权重确定模块,用于若所述用户的活跃类型为活跃用户,则根据所述活跃用户在所述金融应用中的历史指标数据,以及所述活跃用户的满意度,得到所述历史指标数据对应的权重;若所述用户的活跃类型为新增用户,则从指标数据库中获取所述新增用户的预设的指标数据对应的权重。
在其中一个实施例中,所述分类模块,用于第一种:根据用户在金融应用中的交易数据,对金融应用中各用户进行分类,得到所述用户的活跃类型;第二种:根据用户在金融应用中的参与度数据,对金融应用中各用户进行分类,得到所述用户的活跃类型。
在其中一个实施例中,所述处理模块,还用于采集所述目标活跃类型中各用户在所述金融应用中的操作行为特征;根据所述操作行为特征确定用户的偏好标签;根据各所述用户的偏好标签的重合度,确定目标活跃类型的用户在所述金融应用中的偏好功能。
在其中一个实施例中,所述装置还包括:判断模块,用于第一种:若所述个体满意度小于所述总体满意度,且所述个体满意度与所述总体满意度之差大于预设值,则根据所述金融应用中的偏好功能,得到所述金融应用异常功能;第二种:若所述个体满意度大于所述总体满意度,且所述个体满意度与所述总体满意度之差大于预设值,则根据所述金融应用中的偏好功能,得到所述金融应用目标功能。
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:
对所述金融应用中各用户进行分类,得到所述用户的活跃类型;
从所述活跃类型中确定目标活跃类型,并根据所述目标活跃类型中各用户在所述金融应用中的操作行为特征,得到目标活跃类型的用户在所述金融应用中的偏好功能;
将金融应用中各指标数据输入到预先构建的用户满意度预测模型,得到金融应用的总体满意度;将目标活跃类型中各所述用户对应的指标数据输入到所述预先构建的用户满意度预测模型,得到目标活跃类型的用户对应的金融应用的个体满意度;
若所述个体满意度与所述总体满意度之差大于预设值,则根据所述金融应用中的偏好功能,得到所述金融应用异常功能。
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:
对所述金融应用中各用户进行分类,得到所述用户的活跃类型;
从所述活跃类型中确定目标活跃类型,并根据所述目标活跃类型中各用户在所述金融应用中的操作行为特征,得到目标活跃类型的用户在所述金融应用中的偏好功能;
将金融应用中各指标数据输入到预先构建的用户满意度预测模型,得到金融应用的总体满意度;将目标活跃类型中各所述用户对应的指标数据输入到所述预先构建的用户满意度预测模型,得到目标活跃类型的用户对应的金融应用的个体满意度;
若所述个体满意度与所述总体满意度之差大于预设值,则根据所述金融应用中的偏好功能,得到所述金融应用异常功能。
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:
对所述金融应用中各用户进行分类,得到所述用户的活跃类型;
从所述活跃类型中确定目标活跃类型,并根据所述目标活跃类型中各用户在所述金融应用中的操作行为特征,得到目标活跃类型的用户在所述金融应用中的偏好功能;
将金融应用中各指标数据输入到预先构建的用户满意度预测模型,得到金融应用的总体满意度;将目标活跃类型中各所述用户对应的指标数据输入到所述预先构建的用户满意度预测模型,得到目标活跃类型的用户对应的金融应用的个体满意度;
若所述个体满意度与所述总体满意度之差大于预设值,则根据所述金融应用中的偏好功能,得到所述金融应用异常功能。
上述金融应用的异常功能定位方法、装置、计算机设备、存储介质和计算机程序产品,对金融应用中各用户进行分类,得到用户的活跃类型,便于后续对不同活跃类型的用户进行满意度预测,将用户分成不同活跃类型有助于识别出用户的群体共性特征。从活跃类型中确定目标活跃类型,并根据目标活跃类型中各用户在金融应用中的操作行为特征,得到目标活跃类型的用户在金融应用中的偏好功能,对于不同活跃类型的用户,通过获取用户在使用金融应用过程中所产生的操作行为,得到各个活跃类型的用户侧重的功能,便于对金融应用的异常功能进行定位。将金融应用中各指标数据输入到预先构建的用户满意度预测模型,得到金融应用的总体满意度,将目标活跃类型中各用户对应的指标数据输入到预先构建的用户满意度预测模型,得到目标活跃类型的用户对应的金融应用的个体满意度,若个体满意度与总体满意度之差大于预设值,则根据金融应用中的偏好功能,得到金融应用异常功能,该方法,一方面,通过预先构建好的用户满意度预测模型,在一段时间内对金融应用的用户满意度进行评价时,无需重新迭代模型,根据预测模型可以快速对总体满意度和个体满意度进行预测,省时省力,另一方面,当个体满意度与总体满意度之差大于预设值时,根据金融应用中的偏好功能,得到金融应用的异常功能,实现对金融应用异常功能的定位,有助于金融应用的后续迭代升级。
附图说明
图1为一个实施例中金融应用的异常功能定位方法的应用环境图;
图2为一个实施例中金融应用的异常功能定位方法的流程示意图;
图3为一个实施例中金融应用的异常功能的定位方法的流程示意图;
图4为一个实施例中历史用户满意度与各指标数据的映射表的示意图;
图5为一个实施例中金融应用的异常功能定位装置的结构框图;
图6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。
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。
本申请实施例提供的金融应用的异常功能定位方法,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。
服务器104对终端102的金融应用中各用户进行分类,得到用户的活跃类型,服务器104从活跃类型中确定目标活跃类型,并根据目标活跃类型中各用户在金融应用中的操作行为特征,得到目标活跃类型的用户在金融应用中的偏好功能,服务器104将金融应用中各指标数据输入到预先构建的用户满意度预测模型,得到金融应用的总体满意度;将目标活跃类型中各用户对应的指标数据输入到预先构建的用户满意度预测模型,得到目标活跃类型的用户对应的金融应用的个体满意度,若个体满意度与总体满意度之差大于预设值,服务器104则根据金融应用中的偏好功能,得到金融应用异常功能。
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,提供了一种金融应用的异常功能定位方法,以该方法应用于图1中的服务器为例进行说明,包括:
S202,对金融应用中各用户进行分类,得到用户的活跃类型。
其中,金融应用指金融领域的应用或者应用程序,应用程序的含义为:可发布于互联网并可供用户下载、评价、执行的各种程序或文件,即包括运行于个人电脑中的传统应用程序、运行于移动终端的移动应用程序,也包括可下载并播放的图片、音频、视频等多媒体文件等。
由于金融领域的特点,提升用户的留存率是金融应用的开发的基本需求,相较于传统应用的发开而言,金融应用更加注重金融应用的各用户的体验度,由此,可以将金融应用的各用户进行分类,得到用户的活跃类型,进而对于不同活跃类型进行进一步的处理,分析原因,有助于金融应用后期的版本更新和迭代。
其中,可以从多个角度对金融应用中各用户进行分类,得到用户的活跃类型,具体地,可以从用户登录金融应用的时刻对金融应用中各用户进行分类,还可以从用户在金融应用中使用时长对金融应用中各用户进行分类,还可以根据用户在金融应用中的交易数据,例如,交易量、交易额,对金融应用中各用户进行分类。
其中,活跃类型可以表征用户在金融应用中的活跃程度,以从用户登录金融应用的时刻对金融应用中各用户进行分类,得到用户的活跃类型为例,进行说明:用户的活跃类型可以包括:活跃用户、回流用户、流失用户等。其中,活跃用户指在预设周期内每天都登录金融应用的用户,回流用户指在上一个预设周期登录金融应用,且当前预设周期未登录金融应用的用户,流失用户指最近两个预设周期未登录金融应用的用户。
其中,若对预设周期进行细分,活跃用户还可以被分为日活跃用户、周活跃用户和月活跃用户。通过得到用户的活跃类型,便于后续对不同活跃类型的用户进行满意度预测,将用户分成不同活跃类型有助于识别出用户的群体共性特征。通过群体的一致性,以及不同用户群体之间的偏好差异,有助于根据不同群体的用户的偏好对金融应用进行迭代更新,例如,当发现回流用户的评分偏低,若在下一预设周期,金融应用有相应的推广计划,可以针对性的提高回流用户的评分,对金融应用进行针对性的迭代更新。
S204,从活跃类型中确定目标活跃类型,并根据目标活跃类型中各用户在金融应用中的操作行为特征,得到目标活跃类型的用户在金融应用中的偏好功能。
其中,操作行为特征可以是指用户在金融应用的使用过程中,会因为自身的偏好等因素,留下不同的行为特征,比如,用户的偏好推荐内容、搜索的关键词、页面的点击次数或者时长等行为特征,可以根据用户的操作行为特征,识别出用户的在金融应用中的偏好功能。
其中,需说明的,功能可以是指应用中的不同模块共同作用实现的特定功能,也可以是指应用中特定的功能模块,该功能模块可以集成至少一个模块。
金融应用包括多种功能,按照应用的评测维度,可以将金融应用分为多个维度,例如,操作维度、产品维度、人性关怀维度、创新发展维度,其中,各个维度对应至少一种金融应用的功能,例如,操作维度下,包括金融应用的界面清晰度、常用功能的合理性、智能客服的功能的交互顺畅度等。产品维度下,包括金融应用的存款产品功能、贷款产品功能、理财产品功能、生活支付服务等。人性关怀维度下,包括人工智能功能和适老化产品功能等。创新发展维度下,包括直播功能、资讯功能和其他渠道联动功能等。
S206,将金融应用中各指标数据输入到预先构建的用户满意度预测模型,得到金融应用的总体满意度,将目标活跃类型中各用户对应的指标数据输入到预先构建的用户满意度预测模型,得到目标活跃类型的用户对应的金融应用的个体满意度。
其中,用户满意度预测模型可以是多元线性回归方程,用户满意度预测模型的输入端为指标数据和指标数据的权重,输出端为用户的满意度。具体地,当输入端为全体指标数据时,输出端为金融应用的总体满意度,即总体用户的用户满意度,当输入端为目标活跃类型的用户对应的指标数据时,输出端为金融应用的个体满意度,即目标活跃类型的用户满意度。一般来说,用户通常包括多个活跃类型,因此,总体满意度和个体满意度多数情况下,并不相等。具体地,可以将低于总体满意度的个体满意度进行分析,得到金融应用的针对性的改进方向,还可以将高于总体满意度的个体满意度进行分析,为金融应用的改进提供参考依据,由此,使得金融应用的总体满意度维持较高水准,提高了用户体验。
以用户满意度预测模型为多元线性回归方程为例,多元线性回归方程的等式左侧为用户满意度,等式右侧为指标、指标对应的权重,以及偏差值。具体地,可以事先根据多组指标的指标值和历史用户满意度,得到多组指标对应的权重,再基于权重和待输入的指标值,对当前金融应用的用户满意度进行预测。其中,权重的更新周期可以是按照预设周期进行更新,例如,一年,具体地,根据去年一整年的历史用户满意度和各指标数据得到,各指标数据的权重。
其中,指标可以是实时收集的应用客观的要素,而非用户的主观评价,例如,对金融应用的评分,通过用户满意度的机构平台搭建指标监测平台获取。指标可以包括:交易量、交易额、用户数、活跃用户数量、用户使用时长、用户金融应用启动次数等。
S208,若个体满意度与总体满意度之差大于预设值,则根据金融应用中的偏好功能,得到金融应用异常功能。
其中,由于金融应用中用户的活跃类型通常有多个,各活跃类型的用户对应有个体满意度,所有用户对应有总体满意度,个体满意度和总体满意度的大小通常不相等,若个体满意度与总体满意度之差大于预设值,则认为个体满意度对应的目标活跃类型的用户需要重点关注,可以根据目标活跃类型的用户对金融应用进行针对性的迭代更新。
具体地,若个体满意度小于总体满意度,且个体满意度与总体满意度之差大于预设值,根据金融应用中的偏好功能,得到金融应用异常功能,并对目标活跃类型用户对应的异常功能对金融应用进行针对性的优化。
上述金融应用的异常功能定位方法中,对金融应用中各用户进行分类,得到用户的活跃类型,便于后续对不同活跃类型的用户进行满意度预测,将用户分成不同活跃类型有助于识别出用户的群体共性特征。根据目标活跃类型中各用户在金融应用中的操作行为特征,得到目标活跃类型的用户在金融应用中的偏好功能,对于不同活跃类型的用户,通过获取用户在使用金融应用过程中所产生的操作行为,得到各个活跃类型的用户侧重的功能,便于对金融应用的异常功能进行定位。将金融应用中各指标数据输入到预先构建的用户满意度预测模型,得到金融应用的总体满意度,将目标活跃类型中各用户对应的指标数据输入到预先构建的用户满意度预测模型,得到目标活跃类型的用户对应的金融应用的个体满意度,若个体满意度与总体满意度之差大于预设值,则根据金融应用中的偏好功能,得到金融应用异常功能,该方法,一方面,通过预先构建好的用户满意度预测模型,在一段时间内对金融应用的用户满意度进行评价时,无需重新迭代模型,根据预测模型可以快速对总体满意度和个体满意度进行预测,省时省力,另一方面,当个体满意度与总体满意度之差大于预设值时,根据金融应用中的偏好功能,得到金融应用的异常功能,实现对金融应用异常功能的定位,有助于金融应用的后续迭代升级。
在一个实施例中,构建用户满意度预测模型的方法,包括:获取预设时段内金融应用的历史用户满意度,基于预设时段,从金融应用的运行日志中提取历史指标数据,基于至少两组历史用户满意度,以及与历史用户满意度对应的历史指标数据,构建用户满意度预测模型,其中,用户满意度预测模型包括各历史指标数据的权重。
其中,预设时段可以是针对用户满意度的预测周期,例如对于某金融应用的用户满意度进行预测时,预测的周期可以是一年、一季度或者一个月等。
金融应用的历史用户满意度是指前一个预测周期或者前几个预测周期用户的满意度。具体地,历史用户满意度可以通过在各应用商店中对金融应用的评分进行提取而得到,还可以是基于专家对金融应用的评分进行汇总而得到。
其中,金融应用的运行日志包括应用程序的日志,具体的,应用程序的日志记录由应用程序产生的时间。例如,用户在某时刻点击金融应用中的某模块,并在某页面中停留的停留时长。
用户满意度预测模型可以是线性回归方程或者其他基于神经网络训练的预测模型,以用户满意度预测模型为多元线性回归方程为例,对构建用户满意度预测模型的方法进行说明:
其中,可以一次性获取多组历史用户满意度,以及与历史用户满意度对应的历史指标数据,并根据多组历史用户满意度、历史的满意度对应的历史指标数据,以及用户满意度的多元线性回归方程,得到历史指标数据的权重,在基于历史指标数据的权重构建得到用户满意度的预测模型。
具体地,用户满意度的多元线性回归方程表达式如下:
ya=β0+β1x1a+β2x2a+...βkxka+εa
其中,ya为历史用户满意度,x1a、x2a…xka为历史指标数据,β1、β2…βk为历史指标数据对应的权重,β0和εa为偏差值,为常数。
本实施例中,通过获取预设时段内金融应用的历史用户满意度、与历史用户满意度对应的历史指标数据,构建用户满意度预测模型,根据最新指标数据计算出用户满意度,根据用户满意度预测模型对金融应用的用户满意度进行预测,无需通过大量耗费时间的问卷调查法周期性的调查用户满意度,有利于业务及时判断各金融应用的用户满意度。
在一个实施例中,用户的活跃类型包括:活跃用户和新增用户,方法还包括:若用户的活跃类型为活跃用户,则根据活跃用户在金融应用中的历史指标数据,以及活跃用户的满意度,得到历史指标数据对应的权重,若用户的活跃类型为新增用户,则从指标数据库中获取新增用户的预设的指标数据对应的权重。
其中,活跃用户的用户满意度评价与所有用户的用户满意度评价的关注的指标数据存在一定区别,活跃用户更侧重于金融应用的产品功能对应的指标,因此,有必要对于不同活跃类型的用户的关注的指标进行用户满意度预测。
具体地,若用户的活跃类型为活跃用户,则根据活跃用户在金融应用中的历史指标数据,以及活跃用户的满意度,得到历史指标数据对应的权重。
例如,若全体历史指标数据为A、B和C(对应的权重分别为0.3、0.3和0.4),活跃用户关注的指标数据为A和B(对应的权重就为0.5和0.5)。
进一步,活跃用户可以包括:日活跃用户、周活跃用户和月活跃用户,对于活跃用户中不同活跃程度的用户关注的指标进行用户满意度预测。
其中,若用户的活跃类型为新增用户,新增用户的没有对应的历史的满意度数据,则从指标数据库中获取新增用户的预设的指标数据对应的权重。
具体地,预设的指标数据可以是上一个用户满意度预测周期内新增用户的预设的指标数据,预设的指标数据还可以是全体的用户满意度的指标数据,进一步地,根据全体的用户满意度的指标数据得到指标数据对应的权重。
本实施例中,通过对不同活跃类型的用户关注的指标的权重进行确定,得到个性化的历史指标数据对应的权重,凸显出不同活跃类型的用户的操作行为,以提高对不同活跃类型用户满意度预测的准确性。
在一个实施例中,对金融应用中各用户进行分类,得到用户的活跃类型,包括以下方式任意一种:第一种:根据用户在金融应用中的交易数据,对金融应用中各用户进行分类,得到用户的活跃类型,第二种:根据用户在金融应用中的参与度数据,对金融应用中各用户进行分类,得到用户的活跃类型。
其中,交易数据可以是金融应用中金融产品的交易相关的资源数据,例如,某金融产品的交易量数据或者交易额数据。
可以根据某金融产品的交易量或者交易额,对金融应用中各用户进行分类,得到用户的活跃类型,具体地,以交易量为例,若某金融产品的交易量超过预设的交易量,则将该金融产品对应的用户设置为活跃用户,若某金融产品的交易量不超过预设交易量,则将该金融产品对应的用户设置为非活跃用户。其中,非活跃用户可以是回流用户、新增客户等其他不是活跃用户的用户。
还可以根据用户在金融应用中的参与度数据,对金融应用中各用户进行分类,得到用户的活跃类型,参与度数据可以包括用户在金融应用中的使用时长、使用次数等可以反映用户参与度的数据,具体地,以使用时长为例,若用户在金融应用中的使用时长超过金融应用中平均使用时长,则将该用户设置为活跃用户,若用户在金融应用中的使用时长不超过金融应用中平均使用时长,则将该用户设置为非活跃用户。
本实施例中,通过根据金融应用中的金融交易数据和用户在金融应用的参与度数据,对各用户的活跃类型进行划分,得到活跃用户和非活跃用户,为后续中根据不同活跃类型的用户得到金融应用的偏好功能提供基础,有助于提高金融应用的异常功能定位的准确性。
在一个实施例中,根据目标活跃类型中各用户在金融应用中的操作行为特征,得到目标活跃类型的用户在金融应用中的偏好功能,包括:采集目标活跃类型中各用户在金融应用中的操作行为特征,根据操作行为特征确定用户的偏好标签,根据各用户的偏好标签的重合度,确定目标活跃类型的用户在金融应用中的偏好功能。
其中,操作行为特征可以是指用户在金融应用的使用过程中,会因为自身的偏好等因素,留下不同的行为特征,比如,用户的偏好推荐内容、搜索的关键词、页面的点击次数或者时长等行为特征,可以根据用户的操作行为特征,识别出用户的在金融应用中的偏好功能。
其中,需说明的,功能可以是指应用中的不同模块共同作用实现的特定功能,也可以是指应用中特定的功能模块,该功能模块可以集成至少一个模块。
具体地,根据各用户在金融应用中的操作行为特征,为用户的操作行为赋予偏好标签,例如,偏好标签1:用户甲打开金融应用,并检索关键词为“金融产品A”持续时间为1min,并打开咨询功能页面。偏好标签2:用户甲打开金融应用,并浏览金融项目B,项目B中包含下关联有“金融产品A”持续时间为40s,并打开咨询功能页面。由此根据多个偏好标签的重合度(金融产品A和资讯功能页面),确定目标活跃类型的用户在金融应用中的偏好功能。
其中,根据各用户在金融应用中的操作行为特征,为用户的操作行为赋予排除标签,具体地,根据各偏好标签的重合度,确定目标活跃类型的用户在金融应用中的偏好功能,再基于排除标签对目标活跃类型的用户在金融应用中的偏好功能进行筛除,得到筛除后的偏好功能。
本实施例中,通过为用户在金融应用中的操作行为特征,赋予偏好标签,并根据各偏好标签的重合度,确定目标活跃类型的用户在金融应用中的偏好功能,得到各个活跃类型的用户侧重的功能,便于对金融应用的异常功能进行定位。
在一个实施例中,金融应用的异常功能定位方法,包括:以下方式任意一种,第一种:若个体满意度小于总体满意度,且个体满意度与总体满意度之差大于预设值,则根据金融应用中的偏好功能,得到金融应用异常功能,第二种:若个体满意度大于总体满意度,且个体满意度与总体满意度之差大于预设值,则根据金融应用中的偏好功能,得到金融应用目标功能。
其中,由于金融应用中用户的活跃类型通常有多个,各活跃类型的用户对应有个体满意度,所有用户对应有总体满意度,个体满意度和总体满意度的大小通常不相等,若个体满意度小于总体满意度,且个体满意度与总体满意度之差大于预设值,则认为个体满意度对应的目标活跃类型的用户需要重点关注,可以根据目标活跃类型的用户对金融应用进行针对性的迭代更新。
在一些情况下,用户的个体满意度远超总体满意,则认为该用户的所偏好的功能性能优异、用户体验好,可以将该目标活跃类型的用户在金融应用中的偏好功能,确定为金融应用的亮点功能,有助于提高金融应用的总体用户满意度的水平。
具体地,若个体满意度大于总体满意度,且个体满意度与总体满意度之差大于预设值,则根据金融应用中的偏好功能,得到金融应用目标功能,可以基于金融应用目标功能对金融应用的迭代更新提供指导。
本实施例中,通过比较个体满意度和总体满意度之差,将差值过大的目标活跃类型的用户对应的金融应用中的偏好功能,作为金融应用针对性的迭代更新分析或者作为金融应用迭代更新的指导方向,有助于提高金融应用的整体用户满意度水平,提高用户体验。
在一个实施例中,如图3所示,提供了一种金融应用的异常功能的定位方法,包括:构建用户满意度预测模型和使用用户满意度预测模型。
其中,第一部分,构建用户满意度预测模型的部分,包括:
S302,获取预设时段内金融应用的历史用户满意度。
S304,基于预设时段,从金融应用的运行日志中提取历史指标数据。
S306,若用户的活跃类型为活跃用户,则根据活跃用户在金融应用中的历史指标数据,以及活跃用户的满意度,得到历史指标数据对应的权重。
S308,若用户的活跃类型为新增用户,则从指标数据库中获取新增用户的预设的指标数据对应的权重。
S310,基于至少两组历史用户满意度,以及与历史用户满意度对应的历史指标数据,构建用户满意度预测模型。
其中,用户满意度预测模型包括各历史指标数据的权重。
第二部分,使用用户满意度预测模型的部分,包括:
S312,根据用户在金融应用中的交易数据,对金融应用中各用户进行分类,得到用户的活跃类型,或,根据用户在金融应用中的参与度数据,对金融应用中各用户进行分类,得到用户的活跃类型。
S314,采集目标活跃类型中各用户在金融应用中的操作行为特征。
S316,根据操作行为特征确定用户的偏好标签。
S318,根据各用户的偏好标签的重合度,确定目标活跃类型的用户在金融应用中的偏好功能。
S320,将金融应用中各指标数据输入到预先构建的用户满意度预测模型,得到金融应用的总体满意度。
其中,用户满意度预测模型中包括各指标数据的权重。
其中,如图4所示的历史用户满意度与各指标数据的映射表的示意图,一组数据包括历史用户满意度与各指标数据(交易量、交易额、用户数、月活用户数、日活用户数、使用时长和应用启动时长)
可以预先获取多组指标数据与历史指标数据的映射表,基于该映射表得到各指标数据的权重,将全部用户的指标数据作为输入,结合各指标数据的权重,可以输出的金融应用的总体满意度。
具体地,基于SPSS等统计软件,以金融应用各历史运行指标数据为数据基础,将历史指标数据作为自变量X,将历史用户满意度作为因变量Y,构建线性对应关系Y=aX+b,具体地,当自变量的个数为多个时,构建得到多元线性方程组,进而,对各指标数据对应的回归系数值(a和b)进行求解,得到系数确定的多元线性回归方程,即,用户满意度预测模型。
S322,将目标活跃类型中各用户对应的指标数据输入到预先构建的用户满意度预测模型,得到目标活跃类型的用户对应的金融应用的个体满意度。
S324,若个体满意度小于总体满意度,且个体满意度与总体满意度之差大于预设值,则根据金融应用中的偏好功能,得到金融应用异常功能。
S326,若个体满意度大于总体满意度,且个体满意度与总体满意度之差大于预设值,则根据金融应用中的偏好功能,得到金融应用目标功能。
本实施例中,对金融应用中各用户进行分类,得到用户的活跃类型,便于后续对不同活跃类型的用户进行满意度预测,将用户分成不同活跃类型有助于识别出用户的群体共性特征。从活跃类型中确定目标活跃类型,并根据目标活跃类型中各用户在金融应用中的操作行为特征,得到目标活跃类型的用户在金融应用中的偏好功能,对于不同活跃类型的用户,通过获取用户在使用金融应用过程中所产生的操作行为,得到各个活跃类型的用户侧重的功能,便于对金融应用的异常功能进行定位。将金融应用中各指标数据输入到预先构建的用户满意度预测模型,得到金融应用的总体满意度,将目标活跃类型中各用户对应的指标数据输入到预先构建的用户满意度预测模型,得到目标活跃类型的用户对应的金融应用的个体满意度,若个体满意度与总体满意度之差大于预设值,则根据金融应用中的偏好功能,得到金融应用异常功能,该方法,一方面,通过预先构建好的用户满意度预测模型,在一段时间内对金融应用的用户满意度进行评价时,无需重新迭代模型,根据预测模型可以快速对总体满意度和个体满意度进行预测,省时省力,另一方面,当个体满意度与总体满意度之差大于预设值时,根据金融应用中的偏好功能,得到金融应用的异常功能,实现对金融应用异常功能的定位,有助于金融应用的后续迭代升级。
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金融应用的异常功能定位方法的金融应用的异常功能定位装置。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金融应用的异常功能定位装置实施例中的具体限定可以参见上文中对于金融应用的异常功能定位方法的限定,在此不再赘述。
在一个实施例中,如图5所示,提供了一种金融应用的异常功能定位装置,包括:分类模块502、处理模块504、预测模块506和定位模块508,其中:
分类模块502,用于对金融应用中各用户进行分类,得到用户的活跃类型;
处理模块504,用于从活跃类型中确定目标活跃类型,并根据目标活跃类型中各用户在金融应用中的操作行为特征,得到目标活跃类型的用户在金融应用中的偏好功能;
预测模块506,用于将金融应用中各指标数据输入到预先构建的用户满意度预测模型,得到金融应用的总体满意度;将目标活跃类型中各用户对应的指标数据输入到预先构建的用户满意度预测模型,得到目标活跃类型的用户对应的金融应用的个体满意度;
定位模块508,用于若个体满意度与总体满意度之差大于预设值,则根据金融应用中的偏好功能,得到金融应用异常功能。
在其中一个实施例中,金融应用的异常功能定位装置还包括:构建模块,用于获取预设时段内金融应用的历史用户满意度;基于预设时段,从金融应用的运行日志中提取历史指标数据;基于至少两组历史用户满意度,以及与历史用户满意度对应的历史指标数据,构建用户满意度预测模型;其中,用户满意度预测模型包括各历史指标数据的权重。
在其中一个实施例中,用户的活跃类型包括:活跃用户和新增用户,金融应用的异常功能定位装置还包括:权重确定模块,用于若用户的活跃类型为活跃用户,则根据活跃用户在金融应用中的历史指标数据,以及活跃用户的满意度,得到历史指标数据对应的权重;若用户的活跃类型为新增用户,则从指标数据库中获取新增用户的预设的指标数据对应的权重。
在其中一个实施例中,分类模块502,用于第一种:根据用户在金融应用中的交易数据,对金融应用中各用户进行分类,得到用户的活跃类型;第二种:根据用户在金融应用中的参与度数据,对金融应用中各用户进行分类,得到用户的活跃类型。
在其中一个实施例中,处理模块504,还用于采集目标活跃类型中各用户在金融应用中的操作行为特征;根据操作行为特征确定用户的偏好标签;根据各用户的偏好标签的重合度,确定目标活跃类型的用户在金融应用中的偏好功能。
在其中一个实施例中,金融应用的异常功能定位装置还包括:判断模块,用于第一种:若个体满意度小于总体满意度,且个体满意度与总体满意度之差大于预设值,则根据金融应用中的偏好功能,得到金融应用异常功能;第二种:若个体满意度大于总体满意度,且个体满意度与总体满意度之差大于预设值,则根据金融应用中的偏好功能,得到金融应用目标功能。
上述金融应用的异常功能定位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6所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。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、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的活跃类型数据。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金融应用的异常功能定位方法。
本领域技术人员可以理解,图6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,该处理器执行计算机程序时实现以下步骤:
对金融应用中各用户进行分类,得到用户的活跃类型;
从活跃类型中确定目标活跃类型,并根据目标活跃类型中各用户在金融应用中的操作行为特征,得到目标活跃类型的用户在金融应用中的偏好功能;
将金融应用中各指标数据输入到预先构建的用户满意度预测模型,得到金融应用的总体满意度;将目标活跃类型中各用户对应的指标数据输入到预先构建的用户满意度预测模型,得到目标活跃类型的用户对应的金融应用的个体满意度;
若个体满意度与总体满意度之差大于预设值,则根据金融应用中的偏好功能,得到金融应用异常功能。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取预设时段内金融应用的历史用户满意度,基于预设时段,从金融应用的运行日志中提取历史指标数据,基于至少两组历史用户满意度,以及与历史用户满意度对应的历史指标数据,构建用户满意度预测模型;其中,用户满意度预测模型包括各历史指标数据的权重。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若用户的活跃类型为活跃用户,则根据活跃用户在金融应用中的历史指标数据,以及活跃用户的满意度,得到历史指标数据对应的权重,若用户的活跃类型为新增用户,则从指标数据库中获取新增用户的预设的指标数据对应的权重。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
第一种:根据用户在金融应用中的交易数据,对金融应用中各用户进行分类,得到用户的活跃类型;
第二种:根据用户在金融应用中的参与度数据,对金融应用中各用户进行分类,得到用户的活跃类型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
采集目标活跃类型中各用户在金融应用中的操作行为特征;
根据操作行为特征确定用户的偏好标签;
根据各用户的偏好标签的重合度,确定目标活跃类型的用户在金融应用中的偏好功能。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
第一种:若个体满意度小于总体满意度,且个体满意度与总体满意度之差大于预设值,则根据金融应用中的偏好功能,得到金融应用异常功能;
第二种:若个体满意度大于总体满意度,且个体满意度与总体满意度之差大于预设值,则根据金融应用中的偏好功能,得到金融应用目标功能。
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以下步骤:
对金融应用中各用户进行分类,得到用户的活跃类型;
从活跃类型中确定目标活跃类型,并根据目标活跃类型中各用户在金融应用中的操作行为特征,得到目标活跃类型的用户在金融应用中的偏好功能;
将金融应用中各指标数据输入到预先构建的用户满意度预测模型,得到金融应用的总体满意度;将目标活跃类型中各用户对应的指标数据输入到预先构建的用户满意度预测模型,得到目标活跃类型的用户对应的金融应用的个体满意度;
若个体满意度与总体满意度之差大于预设值,则根据金融应用中的偏好功能,得到金融应用异常功能。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取预设时段内金融应用的历史用户满意度,基于预设时段,从金融应用的运行日志中提取历史指标数据,基于至少两组历史用户满意度,以及与历史用户满意度对应的历史指标数据,构建用户满意度预测模型;其中,用户满意度预测模型包括各历史指标数据的权重。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若用户的活跃类型为活跃用户,则根据活跃用户在金融应用中的历史指标数据,以及活跃用户的满意度,得到历史指标数据对应的权重,若用户的活跃类型为新增用户,则从指标数据库中获取新增用户的预设的指标数据对应的权重。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
第一种:根据用户在金融应用中的交易数据,对金融应用中各用户进行分类,得到用户的活跃类型;
第二种:根据用户在金融应用中的参与度数据,对金融应用中各用户进行分类,得到用户的活跃类型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
采集目标活跃类型中各用户在金融应用中的操作行为特征;
根据操作行为特征确定用户的偏好标签;
根据各用户的偏好标签的重合度,确定目标活跃类型的用户在金融应用中的偏好功能。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
第一种:若个体满意度小于总体满意度,且个体满意度与总体满意度之差大于预设值,则根据金融应用中的偏好功能,得到金融应用异常功能;
第二种:若个体满意度大于总体满意度,且个体满意度与总体满意度之差大于预设值,则根据金融应用中的偏好功能,得到金融应用目标功能。
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以下步骤:
对金融应用中各用户进行分类,得到用户的活跃类型;
从活跃类型中确定目标活跃类型,并根据目标活跃类型中各用户在金融应用中的操作行为特征,得到目标活跃类型的用户在金融应用中的偏好功能;
将金融应用中各指标数据输入到预先构建的用户满意度预测模型,得到金融应用的总体满意度;将目标活跃类型中各用户对应的指标数据输入到预先构建的用户满意度预测模型,得到目标活跃类型的用户对应的金融应用的个体满意度;
若个体满意度与总体满意度之差大于预设值,则根据金融应用中的偏好功能,得到金融应用异常功能。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取预设时段内金融应用的历史用户满意度,基于预设时段,从金融应用的运行日志中提取历史指标数据,基于至少两组历史用户满意度,以及与历史用户满意度对应的历史指标数据,构建用户满意度预测模型;其中,用户满意度预测模型包括各历史指标数据的权重。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若用户的活跃类型为活跃用户,则根据活跃用户在金融应用中的历史指标数据,以及活跃用户的满意度,得到历史指标数据对应的权重,若用户的活跃类型为新增用户,则从指标数据库中获取新增用户的预设的指标数据对应的权重。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
第一种:根据用户在金融应用中的交易数据,对金融应用中各用户进行分类,得到用户的活跃类型;
第二种:根据用户在金融应用中的参与度数据,对金融应用中各用户进行分类,得到用户的活跃类型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
采集目标活跃类型中各用户在金融应用中的操作行为特征;
根据操作行为特征确定用户的偏好标签;
根据各用户的偏好标签的重合度,确定目标活跃类型的用户在金融应用中的偏好功能。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
第一种:若个体满意度小于总体满意度,且个体满意度与总体满意度之差大于预设值,则根据金融应用中的偏好功能,得到金融应用异常功能;
第二种:若个体满意度大于总体满意度,且个体满意度与总体满意度之差大于预设值,则根据金融应用中的偏好功能,得到金融应用目标功能。
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 (15)
1.一种金融应用的异常功能定位方法,其特征在于,所述方法包括:
对所述金融应用中各用户进行分类,得到所述用户的活跃类型;
从所述活跃类型中确定目标活跃类型,并根据所述目标活跃类型中各用户在所述金融应用中的操作行为特征,得到目标活跃类型的用户在所述金融应用中的偏好功能;
将金融应用中各指标数据输入到预先构建的用户满意度预测模型,得到金融应用的总体满意度;将目标活跃类型中各所述用户对应的指标数据输入到所述预先构建的用户满意度预测模型,得到目标活跃类型的用户对应的金融应用的个体满意度;
若所述个体满意度与所述总体满意度之差大于预设值,则根据所述金融应用中的偏好功能,得到所述金融应用异常功能。
2.根据权利要求1所述的方法,其特征在于,所述构建用户满意度预测模型的方法,包括:
获取预设时段内所述金融应用的历史用户满意度;
基于预设时段,从所述金融应用的运行日志中提取历史指标数据;
基于至少两组所述历史用户满意度,以及与所述历史用户满意度对应的所述历史指标数据,构建用户满意度预测模型;其中,所述用户满意度预测模型包括各历史指标数据的权重。
3.根据权利要求2所述的方法,其特征在于,所述用户的活跃类型包括:活跃用户和新增用户,所述方法还包括:
若所述用户的活跃类型为活跃用户,则根据所述活跃用户在所述金融应用中的历史指标数据,以及所述活跃用户的满意度,得到所述历史指标数据对应的权重;
若所述用户的活跃类型为新增用户,则从指标数据库中获取所述新增用户的预设的指标数据对应的权重。
4.根据权利要求1所述的方法,其特征在于,所述对所述金融应用中各用户进行分类,得到所述用户的活跃类型,包括以下方式中的任意一种:
第一种:根据用户在金融应用中的交易数据,对金融应用中各用户进行分类,得到所述用户的活跃类型;
第二种:根据用户在金融应用中的参与度数据,对金融应用中各用户进行分类,得到所述用户的活跃类型。
5.根据权利要求1所述的方法,其特征在于,所述根据目标活跃类型中各用户在所述金融应用中的操作行为特征,得到目标活跃类型的用户在所述金融应用中的偏好功能,包括:
采集所述目标活跃类型中各用户在所述金融应用中的操作行为特征;
根据所述操作行为特征确定用户的偏好标签;
根据各所述用户的偏好标签的重合度,确定目标活跃类型的用户在所述金融应用中的偏好功能。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括以下方式中的至少一种:
第一种:若所述个体满意度小于所述总体满意度,且所述个体满意度与所述总体满意度之差大于预设值,则根据所述金融应用中的偏好功能,得到所述金融应用异常功能;
第二种:若所述个体满意度大于所述总体满意度,且所述个体满意度与所述总体满意度之差大于预设值,则根据所述金融应用中的偏好功能,得到所述金融应用目标功能。
7.一种金融应用的异常功能定位装置,其特征在于,所述装置包括:
分类模块,用于对所述金融应用中各用户进行分类,得到所述用户的活跃类型;
处理模块,用于从所述活跃类型中确定目标活跃类型,并根据所述目标活跃类型的用户在所述金融应用中的偏好功能;
预测模块,用于将金融应用中各指标数据输入到预先构建的用户满意度预测模型,得到金融应用的总体满意度;将目标活跃类型中各所述用户对应的指标数据输入到所述预先构建的用户满意度预测模型,得到目标活跃类型的用户对应的金融应用的个体满意度;
定位模块,用于若所述个体满意度与所述总体满意度之差大于预设值,则根据所述金融应用中的偏好功能,得到所述金融应用异常功能。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:构建模块,用于获取预设时段内所述金融应用的历史用户满意度;基于预设时段,从所述金融应用的运行日志中提取历史指标数据;基于至少两组所述历史用户满意度,以及与所述历史用户满意度对应的所述历史指标数据,构建用户满意度预测模型;其中,所述用户满意度预测模型包括各历史指标数据的权重。
9.根据权利要求8所述的装置,其特征在于,所述用户的活跃类型包括:活跃用户和新增用户,所述装置还包括:权重确定模块,用于若所述用户的活跃类型为活跃用户,则根据所述活跃用户在所述金融应用中的历史指标数据,以及所述活跃用户的满意度,得到所述历史指标数据对应的权重;若所述用户的活跃类型为新增用户,则从指标数据库中获取所述新增用户的预设的指标数据对应的权重。
10.根据权利要求7所述的装置,其特征在于,所述分类模块,用于第一种:根据用户在金融应用中的交易数据,对金融应用中各用户进行分类,得到所述用户的活跃类型;第二种:根据用户在金融应用中的参与度数据,对金融应用中各用户进行分类,得到所述用户的活跃类型。
11.根据权利要求7所述的装置,其特征在于,所述处理模块,还用于采集所述目标活跃类型中各用户在所述金融应用中的操作行为特征;根据所述操作行为特征确定用户的偏好标签;根据各所述用户的偏好标签的重合度,确定目标活跃类型的用户在所述金融应用中的偏好功能。
12.根据权利要求7所述的装置,其特征在于,所述装置还包括:判断模块,用于第一种:若所述个体满意度小于所述总体满意度,且所述个体满意度与所述总体满意度之差大于预设值,则根据所述金融应用中的偏好功能,得到所述金融应用异常功能;第二种:若所述个体满意度大于所述总体满意度,且所述个体满意度与所述总体满意度之差大于预设值,则根据所述金融应用中的偏好功能,得到所述金融应用目标功能。
13.一种计算机设备,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6中任一项所述的方法的步骤。
14.一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6中任一项所述的方法的步骤。
15.一种计算机程序产品,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6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311153270.1A CN117312657A (zh) | 2023-09-07 | 2023-09-07 | 金融应用的异常功能定位方法、装置、计算机设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311153270.1A CN117312657A (zh) | 2023-09-07 | 2023-09-07 | 金融应用的异常功能定位方法、装置、计算机设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117312657A true CN117312657A (zh) | 2023-12-29 |
Family
ID=89248972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311153270.1A Pending CN117312657A (zh) | 2023-09-07 | 2023-09-07 | 金融应用的异常功能定位方法、装置、计算机设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117312657A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808473A (zh) * | 2024-03-01 | 2024-04-02 | 深圳迅策科技股份有限公司 | 一种交易数据的隐私计算方法及系统 |
CN117808473B (zh) * | 2024-03-01 | 2024-05-31 | 深圳迅策科技股份有限公司 | 一种交易数据的隐私计算方法及系统 |
-
2023
- 2023-09-07 CN CN202311153270.1A patent/CN117312657A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808473A (zh) * | 2024-03-01 | 2024-04-02 | 深圳迅策科技股份有限公司 | 一种交易数据的隐私计算方法及系统 |
CN117808473B (zh) * | 2024-03-01 | 2024-05-31 | 深圳迅策科技股份有限公司 | 一种交易数据的隐私计算方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107818344B (zh) | 用户行为进行分类和预测的方法和系统 | |
AU2017202873B2 (en) | Efficient query processing using histograms in a columnar database | |
CN110781321B (zh) | 一种多媒体内容推荐方法及装置 | |
CN109543925B (zh) | 基于机器学习的风险预测方法、装置、计算机设备和存储介质 | |
CN110110233B (zh) | 信息处理方法、装置、介质和计算设备 | |
CN111159341B (zh) | 基于用户投资理财偏好的资讯推荐方法及装置 | |
CN111258593B (zh) | 应用程序预测模型的建立方法、装置、存储介质及终端 | |
CN114579584B (zh) | 数据表处理方法、装置、计算机设备和存储介质 | |
CN113177700B (zh) | 一种风险评估方法、系统、电子设备及存储介质 | |
CN112632405A (zh) | 一种推荐方法、装置、设备及存储介质 | |
CN116882520A (zh) | 针对预定预测问题的预测方法及系统 | |
US10191985B1 (en) | System and method for auto-curation of Q and A websites for search engine optimization | |
CN114693409A (zh) | 产品匹配方法、装置、计算机设备、存储介质和程序产品 | |
CN113112282A (zh) | 基于客户画像处理咨诉问题的方法、装置、设备及介质 | |
CN115630221A (zh) | 终端应用界面展示数据处理方法、装置及计算机设备 | |
CN113961811A (zh) | 基于事件图谱的话术推荐方法、装置、设备及介质 | |
CN114495137A (zh) | 票据异常检测模型生成方法与票据异常检测方法 | |
CN117312657A (zh) | 金融应用的异常功能定位方法、装置、计算机设备和介质 | |
CN114529399A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
CN114881761A (zh) | 相似样本的确定方法与授信额度的确定方法 | |
CN113592589A (zh) | 纺织原料推荐方法、装置及处理器 | |
CN111127057A (zh) | 一种多维用户画像恢复方法 | |
CN114969486B (zh) | 语料推荐方法、装置、设备及存储介质 | |
US20210042768A1 (en) | Synthetic cohort decay analysis and uses thereof | |
CN117271606A (zh) | 金融数据处理方法、装置、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 |