CN117391737A - 用于识别用户价值的方法、处理器、装置及存储介质 - Google Patents
用于识别用户价值的方法、处理器、装置及存储介质 Download PDFInfo
- Publication number
- CN117391737A CN117391737A CN202311329167.8A CN202311329167A CN117391737A CN 117391737 A CN117391737 A CN 117391737A CN 202311329167 A CN202311329167 A CN 202311329167A CN 117391737 A CN117391737 A CN 117391737A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- value
- determining
- purchase
- 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 39
- 230000003595 spectral effect Effects 0.000 claims abstract description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003068 static effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及工程机械技术领域,具体涉及一种用于识别用户价值的方法、处理器、装置及存储介质。方法包括:获取多个用户的用户数据集;针对每个用户数据集,根据历史工作参数确定与用户数据集中包括的工程车辆对应的工作饱和度;针对每个用户数据集,确定与用户数据集对应的用户特征集;通过谱聚类算法将所有的用户特征集划分为预设数量的数据分群,并按照预设标签条件确定每个数据分群的聚类中心参数值匹配的价值标签,并将聚类中心参数值匹配的价值标签确定为对应的数据分群内的用户特征集的价值标签;根据每个用户数据集对应的用户特征集的价值标签确定与每个用户数据集对应用户的价值标签。以此确定购买工程机械的客户的价值标签。
Description
技术领域
本申请涉及工程机械技术领域,具体地涉及一种用于识别用户价值的方法、处理器、装置及存储介质。
背景技术
目前,在对客户价值和客户创造利益能力进行评价时通常使用RFM模型,该模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱3项指标来描述该客户的价值状况。
但是RFM模型并不适用于工程机械行业,工程机械属于耐用品,无法像普通商品一般拥有过多的购买行为和购买频率,通过RFM模型无法准确的识别针对工程机械的购买用户的价值。
发明内容
本申请实施例的目的是提供一种用于识别针对工程机械的购买用户的价值的用于识别用户价值的方法、处理器、装置及存储介质。
为了实现上述目的,本申请第一方面提供一种用于识别用户价值的方法,方法包括:
获取多个用户的用户数据集,其中,每个用户数据集包括该用户针对工程车辆的购买数据以及该用户购买的工程车辆的历史工作参数;
针对每个用户数据集,根据用户数据集中的历史工作参数确定与用户数据集中包括的工程车辆对应的工作饱和度;
针对每个用户数据集,根据用户数据集中的购买数据和对应的工作饱和度确定与用户数据集对应的用户特征集,用户特征集中包括多个用户特征数据;
通过谱聚类算法将所有的用户特征集划分为预设数量的数据分群,并确定每个数据分群的聚类中心参数值;
按照预设标签条件确定与每个聚类中心参数值匹配的价值标签;
针对每个数据分群,将与数据分群的聚类中心参数值匹配的价值标签确定为数据分群内的用户特征集的价值标签;
根据每个用户数据集对应的用户特征集的价值标签确定与每个用户数据集对应用户的价值标签。
在本申请实施例中,根据每个用户数据集对应的用户特征集的价值标签确定与每个用户数据集对应用户的价值标签包括:将每个用户数据集对应的用户特征集的价值标签作为与每个用户数据集对应用户的第一价值标签;将第一价值标签对应的用户作为用户集合;根据用户集合中包括的多个用户的工作饱和度和购买数据分别确定工作饱和度的第一中位数和购买数据的第二中位数;根据第一中位数和第二中位数分别确定每个用户的工作饱和度对应的第一数据等级和购买数据对应的第二数据等级;针对每个用户,根据用户的工作饱和度的第一数据等级和购买数据对应的第二数据等级确定用户的第二价值标签;针对每个用户,比对第一价值标签和第二价值标签;根据比对结果确定与每个用户数据集对应用户的价值标签。
在本申请实施例中,根据比对结果确定与每个用户数据集对应用户的价值标签包括:针对每个用户,在用户的第一价值标签和用户的第二价值标签不一致的情况下,将用户确定为第一待分析用户;将第一价值标签与第一预设标签匹配的用户确定为第二待分析用户;将第二待分析用户确定为新的用户集合,回到根据用户集合包括的多个用户的工作饱和度和购买数据分别确定工作饱和度的第一中位数和购买数据的第二中位数的步骤,以确定每个第二待分析用户的新的第二价值标签;将符合第二预设标签的新的第二价值标签对应的第二待分析用户确定为第三待分析用户;基于第一待分析用户和第三待分析用户的用户数据集重新确定每个第一待分析用户的新的第一价值标签;将第一待分析用户的新的第一价值标签确定为第一待分析用户的价值标签。
在本申请实施例中,根据比对结果确定与每个用户数据集对应用户的价值标签还包括:针对每个用户,在第一价值标签和第二价值标签一致的情况下,将用户的第一价值标签确定为用户的价值标签。
在本申请实施例中,根据第一中位数和第二中位数分别确定每个用户的工作饱和度对应的第一数据等级和购买数据对应的第二数据等级包括:根据用户集合中包括的全部用户的工作饱和度确定工作饱和度的第一中位数;将高于或等于第一中位数的工作饱和度的第一数据等级确定为高等级,低于第一中位数的工作饱和度的第一数据等级确定为低等级;根据用户集合中包括的全部用户的购买数据确定购买数据的第二中位数;将大于或等于第二中位数的购买数据的第二数据等级确定为高等级,将小于第二中位数的购买数据的第二数据等级确定为低等级。
在本申请实施例中,针对每个用户数据集,根据用户数据集中的购买数据和对应的工作饱和度确定与用户数据集对应的用户特征集包括:针对全部用户的购买数据和对应的工作饱和度,剔除购买数据和对应的工作饱和度中的异常数据,其中,购买数据包括用户最近一次购买工程车辆的购买时间到当前的时间间隔、第一预设历史时间段内购买工程车辆所花费的总金额以及累计购买工程车辆的购买次数;针对每个用户的购买数据和对应的工作饱和度,将过滤后的时间间隔、总金额以及对应的工作饱和度进行标准化以得到对应的标准化值;针对每个用户的购买数据,对过滤后的购买次数进行编码分解以得到购买次数对应的编码;针对每个用户,将过滤后的时间间隔、总金额以及对应的工作饱和度对应的标准化值和购买次数对应的编码确定为用户数据集对应的用户特征集。
在本申请实施例中,针对每个用户的购买数据,对过滤后的购买次数进行编码分解以得到购买次数对应的编码包括:确定全部用户的购买次数中的最大次数值;针对每个用户,对用户的购买次数进行编码分解,以得到对应的有效编码,其中,有效编码中包括的虚拟变量的数量为最大次数值;针对每个用户,将多个虚拟变量中的第N个变量确定为第一预设数值,其他变量确定为第二预设数值,其中,N为用户的购买次数对应的数值。
本申请第二方面提供一种处理器,被配置成从存储器调用指令以及在执行指令时能够实现根据上述中任一项的用于识别用户价值的方法。
本申请第三方面提供了一种用于识别用户价值的装置,包括:
存储器,被配置成存储指令;以及
如上述的处理器。
本申请第四方面提供了一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行根据上述中任一项的用于识别用户价值的方法。
通过上述技术方案,处理器通过获取用户的购买数据以及用户购买的工程车辆的历史工作参数,通过工程车辆的历史工作参数确定工程车辆的工作饱和度,结合购买数据和工作饱和度确定用户对应的用户特征集,通过谱聚类算法将多个用户的用户特征集划分为预设数量的数据分群,通过确定每个数据分群的聚类中心参数值对应的价值标签,从而确定聚类中心参数值对应的数据分群内包括的用户特征集对应的用户的价值标签,通过结合用户购买的工程车辆的历史参数准确的确定用户的价值标签。
本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本申请实施例,但并不构成对本申请实施例的限制。在附图中:
图1示意性示出了根据本申请实施例的一种用于识别用户价值的方法的流程示意图;
图2示意性示出了根据本申请实施例的一种用于识别用户价值的装置的结构示意图;
图3示意性示出了根据本申请实施例的计算机设备的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解的是,此处所描述的具体实施方式仅用于说明和解释本申请实施例,并不用于限制本申请实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明,若本申请实施例中有涉及方向性指示(诸如上、下、左、右、前、后……),则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,若本申请实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
图1示意性示出了根据本申请实施例的一种用于识别用户价值的方法的流程示意图。如图1所示,本申请实施例提供一种用于识别用户价值的方法,该方法可以包括下列步骤。
步骤101、获取多个用户的用户数据集,其中,每个用户数据集包括该用户针对工程车辆的购买数据以及该用户购买的工程车辆的历史工作参数;
针对多个购买工程车辆的用户,处理器可以获取多个用户的用户数据集,其中,每个用户数据集包括该用户针对工程车辆的购买数据以及该用户购买的工程车辆的历史工作参数。购买数据可以包括用户最近一次购买工程车辆的购买时间到当前的时间间隔、第一预设历史时间段内购买工程车辆所花费的总金额以及累计购买工程车辆的购买次数,处理器可以根据用户输入的数据设置第一预设历史时间段。用户购买的工程车辆的历史工作参数可以包括用户所购买的全部工程车辆的工作量、在第二预设历史时间段内每辆工程车辆的平均工作量、在第二预设历史时间段内的每辆工程车辆的工作频次以及在第二预设历史时间段内的每辆工程车辆的工作时间占比。
步骤102、针对每个用户数据集,根据用户数据集中的历史工作参数确定与用户数据集中包括的工程车辆对应的工作饱和度。
处理器在获得多个用户的用户数据集后,针对每个用户的用户数据集可以根据用户数据集中的历史工作参数确定用户数据集中包括的工程车辆对应的工作饱和度。处理器可以通过AHP算法确定各个历史工作参数对应的权重,再通过各个历史工作参数对应的隶属度函数确定与历史工作参数对应的工程车辆的工作饱和度。
步骤103、针对每个用户数据集,根据用户数据集中的购买数据和对应的工作饱和度确定与用户数据集对应的用户特征集,用户特征集中包括多个用户特征数据。
处理器针对每个用户数据集,可以根据用户数据集中的购买数据和用户数据集中工程车辆对应的工作饱和度确定与用户数据集对应的用户特征集,用户特征集中包括多个用户特征数据。
在一个实施例中,针对每个用户数据集,根据用户数据集中的购买数据和对应的工作饱和度确定与用户数据集对应的用户特征集包括:针对全部用户的购买数据和对应的工作饱和度,剔除购买数据和对应的工作饱和度中的异常数据,其中,购买数据包括用户最近一次购买工程车辆的购买时间到当前的时间间隔、第一预设历史时间段内购买工程车辆所花费的总金额以及累计购买工程车辆的购买次数;针对每个用户的购买数据和对应的工作饱和度,将过滤后的时间间隔、总金额以及对应的工作饱和度进行标准化以得到对应的标准化值;针对每个用户的购买数据,对过滤后的购买次数进行编码分解以得到购买次数对应的编码;针对每个用户,将过滤后的时间间隔、总金额以及对应的工作饱和度对应的标准化值和购买次数对应的编码确定为用户数据集对应的用户特征集。
处理器针对每个用户数据集,可以根据用户数据集内包括的购买数据和对应的工作饱和度确定与用户数据集对应的用户特征集。用户数据集中的购买数据可以包括用户最近一次购买工程车辆的购买时间到当前的时间间隔、第一预设历史时间段内购买工程车辆所花费的总金额以及累计购买工程车辆的购买次数,其中,处理器可以根据用户输入的数据设置第一预设历史时间段,例如,处理器可以根据用户输入的数据将第一预设历史时间段设置为过去十年内,从而确定过去十年内用户购买工程车辆所花费的总金额。处理器针对全部用户的用户数据集,处理器可以剔除用户数据集中包括的购买数据和对应的工作饱和度中的异常数据,异常数据可以包括空值、离散值以及异常值等等,在对用户数据集中包括的购买数据和对应的工作饱和度进行剔除过滤后,针对每个用户,处理器可以将过滤后的购买数据中的时间间隔和总金额进行标准化以得到对应的标准化值,并对过滤后的工作饱和度也进行标准化以得到对应的标准化值,针对每个用户,处理器还可以将过滤后的购买次数进行编码分解以得到购买次数对应的编码。针对每个用户的用户数据集,处理器可以将过滤后的时间间隔、总金额以及对应的工作饱和度对应的标准化值和购买次数对应的编码确定为该用户的用户数据集对应的用户特征集。
在一个实施例中,针对每个用户的购买数据,对过滤后的购买次数进行编码分解以得到购买次数对应的编码包括:确定全部用户的购买次数中的最大次数值;针对每个用户,对用户的购买次数进行编码分解,以得到对应的有效编码,其中,有效编码中包括的虚拟变量的数量为最大次数值;针对每个用户,将多个虚拟变量中的第N个变量确定为第一预设数值,其他变量确定为第二预设数值,其中,N为用户的购买次数对应的数值。
针对每个用户的购买数据,处理器可以对过滤后的购买次数进行编码以得到购买次数对应的编码,处理器可以获取全部用户的购买次数中的最大次数值,将最大次数值确定为用户购买次数进行编码分解后,得到的有效编码中包括的虚拟变量的数量,例如,假设,处理器获取每个用户的购买数据,确定全部用户中最大的购买次数为7次,则处理器对每个用户的购买次数进行编码分解,从而得到包括7个虚拟变量的有效编码。针对每个用户的有效编码,处理器可以将多个虚拟变量中第N个变量确定为第一预设数值,其中,N为用户的购买次数对应的数值,其他虚拟变量确定为第二预设数值。例如,处理器可以将第一预设数值设置为1,将第二预设数值设置为0,假设最大的用户购买次数为7,则每个用户的有效编码中包括的虚拟变量的数量均为7个,假设其中一个用户的购买次数为5次,则处理器可以将有效编码中第5个虚拟变量确定为1,其余变量确定为0,最终对应的有效编码为:0,0,0,0,1,0,0。
步骤104、通过谱聚类算法将所有的用户特征集划分为预设数量的数据分群,并确定每个数据分群的聚类中心参数值。
处理器确定了每个用户数据集对应的用户特征集后,可以通过谱聚类算法对所有的用户特征集进行处理,将所有的用户特征集划分为预设数量的数据分群,并确定每个数据分群的聚类中心参数值。例如,假设处理器根据用户输入的数据将预设数量设置为4,则处理器通过谱聚类算法可以将用户数据集划分为四个数据分群,并确定每个数据分群对应的聚类中心参数值。
步骤105、按照预设标签条件确定与每个聚类中心参数值匹配的价值标签。
处理器可以根据用户输入的数据确定多个预设标签条件,处理器确定了每个数据分群的聚类中心参数值后,可以按照预设标签条件确定每个聚类中心参数值匹配的价值标签。
步骤106、针对每个数据分群,将与数据分群的聚类中心参数值匹配的价值标签确定为数据分群内的用户特征集的价值标签。
针对每个数据分群,在处理器确定了该数据分群的聚类中心参数值匹配的价值标签后,处理器可以将数据分群的聚类中心参数值匹配的价值标签确定为该数据分群内的用户特征集的价值标签。
步骤107、根据每个用户数据集对应的用户特征集的价值标签确定与每个用户数据集对应用户的价值标签。
处理器可以根据每个用户数据集对应的用户特征集的价值标签确定与每个用户数据集对应的用户的价值标签。
在一个实施例中,根据每个用户数据集对应的用户特征集的价值标签确定与每个用户数据集对应用户的价值标签包括:将每个用户数据集对应的用户特征集的价值标签作为与每个用户数据集对应用户的第一价值标签;将第一价值标签对应的用户作为用户集合;根据用户集合中包括的多个用户的工作饱和度和购买数据分别确定工作饱和度的第一中位数和购买数据的第二中位数;根据第一中位数和第二中位数分别确定每个用户的工作饱和度对应的第一数据等级和购买数据对应的第二数据等级;针对每个用户,根据用户的工作饱和度的第一数据等级和购买数据对应的第二数据等级确定用户的第二价值标签;针对每个用户,比对第一价值标签和第二价值标签;根据比对结果确定与每个用户数据集对应用户的价值标签。
处理器可以根据每个用户数据集对应的用户特征集的价值标签确定每个用户数据集对应的用户的价值标签。处理器可以将每个用户数据集对应的用户特征集的价值标签作为与每个用户数据集对应的用户的第一价值标签。并将第一价值标签对应的用户作为用户集合,处理器可以确定用户集合中包括的多个用户,并确定每个用户对应的用户数据集中包括的购买数据和对应的工作饱和度,并确定工作饱和度的第一中位数和购买数据的第二中位数,处理器可以根据第一中位数和第二中位数分别确定每个用户的工作饱和度对应的第一数据等级和购买数据对应的第二数据等级。针对每个用户,处理器可以根据每个用户的工作饱和度对应的第一数据等级和购买数据对应的第二数据等级确定用户的第二价值标签,针对每个用户,处理器可以比对该用户的第一价值标签和第二价值标签,并根据比对结果确定与每个用户数据集对应的用户的价值标签。
在一个实施例中,根据第一中位数和第二中位数分别确定每个用户的工作饱和度对应的第一数据等级和购买数据对应的第二数据等级包括:根据用户集合中包括的全部用户的工作饱和度确定工作饱和度的第一中位数;将高于第一中位数的工作饱和度的第一数据等级确定为高等级,低于第一中位数的工作饱和度的第一数据等级确定为低等级;根据用户集合中包括的全部用户的购买数据确定购买数据的第二中位数;将大于或等于第二中位数的购买数据的第二数据等级确定为高等级,将小于第二中位数的购买数据的第二数据等级确定为低等级。
处理器可以根据用户集合中包括的多个用户的工作饱和度和购买数据分别确定工作饱和度的第一中位数和购买数据的第二中位数,并根据第一中位数和第二中位数分别确定每个用户的工作饱和度对应的第一数据等级和购买数据对应的第二数据等级。处理器可以根据用户结合集合中包括的全部用户的工作饱和度确定工作饱和度的第一中位数,处理器在确定了工作饱和度的第一中位数后,处理器可以将高于或等于第一中位数的工作饱和度的第一数据等级确定为高等级,将低于第一中位数的工作饱和度的第一数据等级确定为低等级。同理,处理器可以根据用户集合中包括的全部用户的后买数据确定购买数据的第二中位数,在购买数据包含多种数据的情况下,针对每种购买数据,处理器可以确定用户集合中包括的全部用户的后买数据确定购买数据的第二中位数。例如,假设购买数据中包括用户购买工程车辆的总金额,处理器可以获取用户集合中全部用户的购买工程车辆的总金额,并根据全部用户的总金额确定总金额的第二中位数。处理器可以将大于或等于第二中位数的购买数据的第二数据等级确定为高等级,将小于第二中位数的购买数据的第二数据等级确定为低等级。
针对每个用户,处理器可以根据每个用户的工作饱和度对应的第一数据等级和购买数据对应的第二数据等级确定用户的第二价值标签。例如,假设价值标签类型包括高价值标签、高潜力标签、保持标签以及一般标签。购买数据包括客户最近一次购买工程车辆的购买时间到当前的时间间隔、第一预设历史时间段内的购买工程车辆所花费的总金额以及累计购买工程车辆的购买次数。针对每个用户,处理器可以确定该用户对应的工程车辆的工作饱和度的第一数据等级和每种购买数据对应的第二数据等级。例如,针对每个客户,在客户的购买数据和工作饱和度符合以下条件的情况下,确定客户的第二价值标签为高价值标签:购买数据均为高等级;购买数据中的时间间隔为低等级且除时间间隔以外的其他购买数据均为高等级;针对每个客户,在客户的购买数据和工作饱和度符合以下条件的情况下,确定客户的第二价值标签为高潜力标签:在总金额和工作饱和度均为高等级,且购买次数为低等级;在时间间隔和工作饱和度均为高等级,且总金额为低等级;针对每个客户,在客户的购买数据和工作饱和度符合以下条件的情况下,确定客户的第二价值标签为保持标签:在购买次数和工作饱和度均为低等级,且总金额为高等级;在时间间隔和总金额均为低等级,且工作饱和度为高等级;针对每个客户,在客户的购买数据和工作饱和度符合以下条件的情况下,确定客户的第二价值标签为一般标签:在总金额和工作饱和度均为低等级,且时间间隔为高等级;在时间间隔、总金额以及工作饱和度均为低等级。具体地,例如表1所示,表1中R表示客户最近一次购买工程车辆的购买时间到当前的时间间隔,F表示客户购买工程车辆的累计次数,M表示客户在第一预设历史时间段内的购买工程车辆所花费的总金额,S表示客户对应的工程车辆的工作饱和度,表1示例了在R、F、M以及S对应的数据等级为高等级或低等级的情况下,对应的客户分裂,其中,客户的类型包括高价值客户、高潜力客户、保持客户以及一般客户。
表1
在一个实施例中,根据比对结果确定与每个用户数据集对应用户的价值标签包括:针对每个用户,在用户的第一价值标签和用户的第二价值标签不一致的情况下,将用户确定为第一待分析用户;将第一价值标签与第一预设标签匹配的用户确定为第二待分析用户;将第二待分析用户确定为新的用户集合,回到根据用户集合包括的多个用户的工作饱和度和购买数据分别确定工作饱和度的第一中位数和购买数据的第二中位数的步骤,以确定每个第二待分析用户的新的第二价值标签;将符合第二预设标签的新的第二价值标签对应的第二待分析用户确定为第三待分析用户;基于第一待分析用户和第三待分析用户的用户数据集重新确定每个第一待分析用户的新的第一价值标签;将第一待分析用户的新的第一价值标签确定为第一待分析用户的价值标签。
在一个实施例中,根据比对结果确定与每个用户数据集对应用户的价值标签还包括:针对每个用户,在第一价值标签和第二价值标签一致的情况下,将第一价值标签确定为用户的价值标签。
处理器可以比对每个用户的第一价值标签和第二价值标签,并根据比对结果确定每个用户数据集对应的用户的价值标签。针对每个用户,在处理器确定用户的第一价值标签和用户的第二价值标签一致的情况下,处理器可以将第一价值标签确定为该用户的价值标签。而在处理器确定用户的第一价值标签和用户的第二价值标签不一致的情况下,可以将该用户确定为第一待分析用户。处理器可以确定每个用户的第一价值标签,并将第一价值标签与第一预设标签匹配的用户确定为第二待分析用户,例如,假设用户的第一价值标签包括A标签、B标签、C标签以及D标签,处理器将第一预设标签确定为A标签和B标签,则处理器可以将第一价值标签为A标签和B标签的用户确定为第二待分析用户。处理器可以将第二待分析用户确定为新的用户集合,并回到根据用户集合包括的多个用户的工作饱和度和购买数据分别确定工作饱和度的第一中位数和购买数据的第二中位数的步骤,从而确定第二待分析用户中每个用户的工作饱和度对应的第一数据等级和购买数据对应的第二数据等级,并根据第一数据等级和第二数据等级却确定第二待分析用户中每个用户的新的第二价值标签。同理,处理器可以根据每个第二待分析用户的新的第二价值标签,将符合第二预设标签的新的第二价值标签对应的第二待分析用户确定为第三待分析用户。处理器在确定了第一待分析用户和第三待分析用户后,可以基于第一待分析用户和第三待分析用户的用户数据集重新确定每个第一待分析用户的第一价值标签,也就是如上述实施例所示,确定第一待分析用户和第三待分析用户的用户数据集对应的用户特征集,并通过谱聚类算法确定预设数量的数据分群,并通过每个数据分群的聚类中心参数值对应每个用户的第一价值标签,从而确定每个第一待分析用户的新的第一价值标签,处理器可以将第一待分析用户的新的第一价值标签却低估为第一待分析用户的价值标签。也就是说,在处理器确定用户的第一价值标签和第二价值标签不一致的情况下,处理器可以将不一致的用户确定为第一待分析用户,并再次选取多个用户与第一待分析用户一起作为样本用户通过谱聚类算法确定每个样本用户对应的新的第一价值标签,从而确定第一待分析用户最终对应的价值标签。也就是说,在用户的第一价值标签和第二价值标签一致的情况下,处理器可以直接将用户的第一价值标签确定为用户最终的价值标签,而用户的第一价值标签与第二价值标签不一致的情况下,针对价值标签不一致的用户,处理器可以对该部分用户的价值标签再次进行确定后,再最终确定该部分用户的价值标签,以提高每个用户的价值标签的准确性。
在一个实施例中,提供了一种处理器,被配置成从存储器调用指令以及在执行指令时能够实现根据上述中任一项的用于识别用户价值的方法。
上述技术方案,通过获取用户针对工程车辆的购买数据和历史工作参数,其中,购买数据包括用户最近一次购买工程车辆的购买时间到当前的时间间隔、第一预设历史时间段内购买工程车辆所花费的总金额以及累计购买工程车辆的购买次数,处理器可以通过历史工作参数确定用户购买的工程车辆对应的工作饱和度。根据用户的购买数据和工程车辆的工作饱和度通过谱聚类算法确定用户的第一价值标签,并通过确定用户的购买数据的中位数和工作饱和度的中位数确定工作饱和度的第一数据等级和购买数据的第二数据等级,并通过第一数据等级和第二数据等级确定用户的第二价值标签。在处理器确定了每个用户的第一价值标签和第二价值标签后,通过比较第一价值标签和第二价值标签,确定每个用户的价值标签。由于本申请针对的是购买工程车辆的用户,工程车辆并不像普通商品一般具有大量购买率,因此,通过获取用户的累计购买次数来确定用户的价值标签,并结合每个用户购买的工程车辆的工作饱和度来确定用户的价值标签,以准确的确定购买工程车辆的用户的价值标签。
图2示意性示出了根据本申请实施例的一种用于识别用户价值的装置的结构框图。如图2所示,本申请实施例提供一种用于识别用户价值的装置200,可以包括:存储器201,被配置成存储指令;以及处理器202,被配置成从存储器201调用指令以及在执行指令时能够实现上述的用于识别用户价值的方法。
本申请实施例还提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行上述的用于识别用户价值的方法。
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3所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、存储器(图中未示出)和数据库(图中未示出)。其中,该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A04。该非易失性存储介质A04存储有操作系统B01、计算机程序B02和数据库(图中未示出)。该内存储器A03为非易失性存储介质A04中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的数据库用于存储用户的购买信息,用户购买的工程车辆的工作参数等相关数据。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序B02被处理器A01执行时以实现一种用于识别用户价值的方法。
图1为一个实施例中用于识别用户价值的方法的流程示意图。应该理解的是,虽然图1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。除非本文中有明确地说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其他的顺序执行。而且,图1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,这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
本申请实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:获取多个用户的用户数据集,其中,每个用户数据集包括该用户针对工程车辆的购买数据以及该用户购买的工程车辆的历史工作参数;针对每个用户数据集,根据用户数据集中的历史工作参数确定与用户数据集中包括的工程车辆对应的工作饱和度;针对每个用户数据集,根据用户数据集中的购买数据和对应的工作饱和度确定与用户数据集对应的用户特征集,用户特征集中包括多个用户特征数据;通过谱聚类算法将所有的用户特征集划分为预设数量的数据分群,并确定每个数据分群的聚类中心参数值;按照预设标签条件确定与每个聚类中心参数值匹配的价值标签;针对每个数据分群,将与数据分群的聚类中心参数值匹配的价值标签确定为数据分群内的用户特征集的价值标签;根据每个用户数据集对应的用户特征集的价值标签确定与每个用户数据集对应用户的价值标签。
在一个实施例中,根据每个用户数据集对应的用户特征集的价值标签确定与每个用户数据集对应用户的价值标签包括:将每个用户数据集对应的用户特征集的价值标签作为与每个用户数据集对应用户的第一价值标签;将第一价值标签对应的用户作为用户集合;根据用户集合中包括的多个用户的工作饱和度和购买数据分别确定工作饱和度的第一中位数和购买数据的第二中位数;根据第一中位数和第二中位数分别确定每个用户的工作饱和度对应的第一数据等级和购买数据对应的第二数据等级;针对每个用户,根据用户的工作饱和度的第一数据等级和购买数据对应的第二数据等级确定用户的第二价值标签;针对每个用户,比对第一价值标签和第二价值标签;根据比对结果确定与每个用户数据集对应用户的价值标签。
在一个实施例中,根据比对结果确定与每个用户数据集对应用户的价值标签包括:针对每个用户,在用户的第一价值标签和用户的第二价值标签不一致的情况下,将用户确定为第一待分析用户;将第一价值标签与第一预设标签匹配的用户确定为第二待分析用户;将第二待分析用户确定为新的用户集合,回到根据用户集合包括的多个用户的工作饱和度和购买数据分别确定工作饱和度的第一中位数和购买数据的第二中位数的步骤,以确定每个第二待分析用户的新的第二价值标签;将符合第二预设标签的新的第二价值标签对应的第二待分析用户确定为第三待分析用户;基于第一待分析用户和第三待分析用户的用户数据集重新确定每个第一待分析用户的新的第一价值标签;将第一待分析用户的新的第一价值标签确定为第一待分析用户的价值标签。
在一个实施例中,根据比对结果确定与每个用户数据集对应用户的价值标签还包括:针对每个用户,在第一价值标签和第二价值标签一致的情况下,将用户的第一价值标签确定为用户的价值标签。
在一个实施例中,根据第一中位数和第二中位数分别确定每个用户的工作饱和度对应的第一数据等级和购买数据对应的第二数据等级包括:根据用户集合中包括的全部用户的工作饱和度确定工作饱和度的第一中位数;将高于或等于第一中位数的工作饱和度的第一数据等级确定为高等级,低于第一中位数的工作饱和度的第一数据等级确定为低等级;根据用户集合中包括的全部用户的购买数据确定购买数据的第二中位数;将大于或等于第二中位数的购买数据的第二数据等级确定为高等级,将小于第二中位数的购买数据的第二数据等级确定为低等级。
在一个实施例中,针对每个用户数据集,根据用户数据集中的购买数据和对应的工作饱和度确定与用户数据集对应的用户特征集包括:针对全部用户的购买数据和对应的工作饱和度,剔除购买数据和对应的工作饱和度中的异常数据,其中,购买数据包括用户最近一次购买工程车辆的购买时间到当前的时间间隔、第一预设历史时间段内购买工程车辆所花费的总金额以及累计购买工程车辆的购买次数;针对每个用户的购买数据和对应的工作饱和度,将过滤后的时间间隔、总金额以及对应的工作饱和度进行标准化以得到对应的标准化值;针对每个用户的购买数据,对过滤后的购买次数进行编码分解以得到购买次数对应的编码;针对每个用户,将过滤后的时间间隔、总金额以及对应的工作饱和度对应的标准化值和购买次数对应的编码确定为用户数据集对应的用户特征集。
在一个实施例中,针对每个用户的购买数据,对过滤后的购买次数进行编码分解以得到购买次数对应的编码包括:确定全部用户的购买次数中的最大次数值;针对每个用户,对用户的购买次数进行编码分解,以得到对应的有效编码,其中,有效编码中包括的虚拟变量的数量为最大次数值;针对每个用户,将多个虚拟变量中的第N个变量确定为第一预设数值,其他变量确定为第二预设数值,其中,N为用户的购买次数对应的数值。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种用于识别用户价值的方法,其特征在于,所述方法包括:
获取多个用户的用户数据集,其中,每个用户数据集包括该用户针对工程车辆的购买数据以及该用户购买的工程车辆的历史工作参数;
针对每个用户数据集,根据所述用户数据集中的历史工作参数确定与所述用户数据集中包括的工程车辆对应的工作饱和度;
针对每个用户数据集,根据所述用户数据集中的购买数据和对应的工作饱和度确定与所述用户数据集对应的用户特征集,所述用户特征集中包括多个用户特征数据;
通过谱聚类算法将所有的用户特征集划分为预设数量的数据分群,并确定每个数据分群的聚类中心参数值;
按照预设标签条件确定与每个聚类中心参数值匹配的价值标签;
针对每个数据分群,将与所述数据分群的聚类中心参数值匹配的价值标签确定为所述数据分群内的用户特征集的价值标签;
根据每个用户数据集对应的用户特征集的价值标签确定与每个用户数据集对应用户的价值标签。
2.根据权利要求1所述的用于识别用户价值的方法,其特征在于,所述根据每个用户数据集对应的用户特征集的价值标签确定与每个用户数据集对应用户的价值标签包括:
将每个用户数据集对应的用户特征集的价值标签作为与每个用户数据集对应用户的第一价值标签;
将所述第一价值标签对应的用户作为用户集合;
根据所述用户集合中包括的多个用户的工作饱和度和购买数据分别确定工作饱和度的第一中位数和购买数据的第二中位数;
根据所述第一中位数和所述第二中位数分别确定每个用户的工作饱和度对应的第一数据等级和购买数据对应的第二数据等级;
针对每个用户,根据所述用户的工作饱和度的第一数据等级和所述购买数据对应的第二数据等级确定所述用户的第二价值标签;
针对每个用户,比对所述第一价值标签和所述第二价值标签;
根据比对结果确定与每个用户数据集对应用户的价值标签。
3.根据权利要求2所述的用于识别用户价值的方法,其特征在于,所述根据比对结果确定与每个用户数据集对应用户的价值标签包括:
针对每个用户,在所述用户的第一价值标签和所述用户的第二价值标签不一致的情况下,将所述用户确定为第一待分析用户;
将所述第一价值标签与第一预设标签匹配的用户确定为第二待分析用户;
将所述第二待分析用户确定为新的用户集合,回到所述根据所述用户集合包括的多个用户的工作饱和度和购买数据分别确定工作饱和度的第一中位数和购买数据的第二中位数的步骤,以确定每个第二待分析用户的新的第二价值标签;
将符合第二预设标签的新的第二价值标签对应的第二待分析用户确定为第三待分析用户;
基于所述第一待分析用户和所述第三待分析用户的用户数据集重新确定每个第一待分析用户的新的第一价值标签;
将所述第一待分析用户的新的第一价值标签确定为所述第一待分析用户的价值标签。
4.根据权利要求2所述的用于识别用户价值的方法,其特征在于,所述根据比对结果确定与每个用户数据集对应用户的价值标签还包括:
针对每个用户,在所述第一价值标签和所述第二价值标签一致的情况下,将所述用户的第一价值标签确定为所述用户的价值标签。
5.根据权利要求2所述的用于识别用户价值的方法,其特征在于,所述根据所述第一中位数和所述第二中位数分别确定每个用户的工作饱和度对应的第一数据等级和购买数据对应的第二数据等级包括:
根据所述用户集合中包括的全部用户的工作饱和度确定工作饱和度的第一中位数;
将高于或等于所述第一中位数的工作饱和度的第一数据等级确定为高等级,低于所述第一中位数的工作饱和度的第一数据等级确定为低等级;
根据所述用户集合中包括的全部用户的购买数据确定购买数据的第二中位数;
将大于或等于所述第二中位数的购买数据的第二数据等级确定为高等级,将小于所述第二中位数的购买数据的第二数据等级确定为低等级。
6.根据权利要求1所述的用于识别用户价值的方法,其特征在于,针对每个用户数据集,根据所述用户数据集中的购买数据和对应的工作饱和度确定与所述用户数据集对应的用户特征集包括:
针对全部用户的购买数据和对应的工作饱和度,剔除所述购买数据和所述对应的工作饱和度中的异常数据,其中,所述购买数据包括所述用户最近一次购买工程车辆的购买时间到当前的时间间隔、第一预设历史时间段内购买所述工程车辆所花费的总金额以及累计购买工程车辆的购买次数;
针对每个用户的购买数据和对应的工作饱和度,将过滤后的时间间隔、总金额以及对应的工作饱和度进行标准化以得到对应的标准化值;
针对每个用户的购买数据,对过滤后的购买次数进行编码分解以得到所述购买次数对应的编码;
针对每个用户,将过滤后的时间间隔、总金额以及对应的工作饱和度对应的标准化值和所述购买次数对应的编码确定为所述用户数据集对应的用户特征集。
7.根据权利要求6所述的用于识别用户价值的方法,其特征在于,所述针对每个用户的购买数据,对过滤后的购买次数进行编码分解以得到所述购买次数对应的编码包括:
确定全部用户的购买次数中的最大次数值;
针对每个用户,对所述用户的购买次数进行编码分解,以得到对应的有效编码,其中,所述有效编码中包括的虚拟变量的数量为所述最大次数值;针对每个用户,将所述多个虚拟变量中的第N个变量确定为第一预设数值,其他变量确定为第二预设数值,其中,N为所述用户的购买次数对应的数值。
8.一种处理器,其特征在于,被配置成从所述存储器调用所述指令以及在执行所述指令时能够实现根据权利要求1至7中任一项所述的用于识别用户价值的方法。
9.一种用于识别用户价值的装置,其特征在于,包括:
存储器,被配置成存储指令;以及
如权利要求8所述的处理器。
10.一种机器可读存储介质,其特征在于,该机器可读存储介质上存储有指令,该指令用于使得机器执行根据权利要求1至7中任一项所述的用于识别用户价值的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311329167.8A CN117391737A (zh) | 2023-10-13 | 2023-10-13 | 用于识别用户价值的方法、处理器、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311329167.8A CN117391737A (zh) | 2023-10-13 | 2023-10-13 | 用于识别用户价值的方法、处理器、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117391737A true CN117391737A (zh) | 2024-01-12 |
Family
ID=89471443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311329167.8A Pending CN117391737A (zh) | 2023-10-13 | 2023-10-13 | 用于识别用户价值的方法、处理器、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117391737A (zh) |
-
2023
- 2023-10-13 CN CN202311329167.8A patent/CN117391737A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20160246852A1 (en) | Systems and Methods for Quantile Estimation in a Distributed Data System | |
CN107291733B (zh) | 一种规则匹配方法及装置 | |
CN108256113B (zh) | 数据血缘关系的挖掘方法及装置 | |
CN110807080A (zh) | 一种商品编码方法及装置 | |
CN112348420A (zh) | 储位信息获取方法及系统、存储介质和电子设备 | |
CN106485566A (zh) | 一种信息推荐方法及装置 | |
CN112884547A (zh) | 一种商品智能推荐方法、装置、介质及终端设备 | |
CN111784468A (zh) | 一种账户关联方法、装置及电子设备 | |
CN111369190A (zh) | 一种超级bom选配号方法及装置 | |
CN113919683A (zh) | 工艺工时的计算方法、装置、存储介质及处理器 | |
CN114153646A (zh) | 一种运维故障处置方法、装置及存储介质、处理器 | |
WO2018182442A1 (en) | Machine learning system and method for generating a decision stream and automonously operating device using the decision stream | |
CN111833110A (zh) | 客户生命周期定位方法、装置、电子设备及存储介质 | |
CN112100400A (zh) | 基于知识图谱的节点推荐方法及装置 | |
CN117391737A (zh) | 用于识别用户价值的方法、处理器、装置及存储介质 | |
CN115293243A (zh) | 数据资产智能匹配的实现方法、装置及设备 | |
US10901407B2 (en) | Semiconductor device search and classification | |
CN108241622B (zh) | 一种查询脚本的生成方法及装置 | |
CN113240489A (zh) | 一种基于大数据统计分析的物品推荐方法及装置 | |
CN109840246A (zh) | 一种用于计算目标特征的历史数据的方法及装置 | |
CN114817209A (zh) | 监控规则的处理方法和装置、处理器及电子设备 | |
CN110991177B (zh) | 一种物料排重方法及装置 | |
CN109299125B (zh) | 数据库更新方法及装置 | |
CN114298561B (zh) | 设备生产条件的生成方法、装置、电子设备及存储介质 | |
CN111176903B (zh) | 一种商品数据恢复的方法、系统、设备及可读存储介质 |
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 |