CN117633316A - 归因分析方法、装置和计算机设备和存储介质 - Google Patents
归因分析方法、装置和计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117633316A CN117633316A CN202311593747.8A CN202311593747A CN117633316A CN 117633316 A CN117633316 A CN 117633316A CN 202311593747 A CN202311593747 A CN 202311593747A CN 117633316 A CN117633316 A CN 117633316A
- Authority
- CN
- China
- Prior art keywords
- index
- dimension
- influence
- north star
- tree
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 167
- 230000008569 process Effects 0.000 claims abstract description 137
- 230000008859 change Effects 0.000 claims abstract description 131
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000004590 computer program Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 20
- 238000012544 monitoring process Methods 0.000 claims description 7
- 239000000047 product Substances 0.000 description 32
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种归因分析方法、装置、计算机设备和存储介质，方法包括：定义北极星指标的指标树；采用统一的算法计算所述指标树中每个过程指标对北极星指标变化的影响贡献度，得到完整的指标树贡献度拆解结果；基于所述完整的指标树贡献度拆解结果选取对所述北极星指标波动影响贡献度最大的关键过程指标；选取目标归因维度，并用统一的方法计算每个所述目标归因维度下的维度项对所述北极星指标变化的影响贡献度；基于每个所述目标归因维度下的维度项对北极星指标变化的影响贡献度选取对北极星指标波动影响贡献度最大的关键维度及维度项；适用于不同类型的指标，同时适用于分析指标对指标与维度对指标波动的贡献度，并可以给出一致的分析结果。
Description
技术领域
本申请涉及数据处理技术领域，特别是涉及一种归因分析方法、装置、计算机设备和存储介质。
背景技术
在日常的业务运营场景中为了确保业务运行稳定按照预期发展，以及在偏技术的运维场景中为了保障线上服务的稳定性，都需要对监控指标进行监控，并在指标发生波动时快速地定位到异常的关键节点，以及时进行处理。
现有一些归因分析方法，如通过直接的变化量拆解和不同维度的下钻完成对于不同维度项的指标变化对整体指标的影响比较直接的可累加型的指标(例如GMV，保单数等)的归因。而对于互联网营销中常用的乘法/比率类型的指标(例如转化率，退保率等)，不同维度项除了的各自独立的指标变化会对整体指标造成影响外，不同维度项的结构占比也会对整体指标造成影响。对于此类指标，不同的情况下有许多不同的分析方法，例如乘积因子拆解法、双因素拆解法、循环替换法等。但这些分析方法往往基于不同前提假设条件，给出的分析结果也不尽相同。而不同类型的指标又没有统一的分析方法，这样在不同类型的指标需要放在一起对比时，缺少统一的衡量标准，仍然无法精确地分析。
发明内容
基于此，有必要针对上述技术问题，提供一种对不同类型指标进行统一衡量分析的归因分析方法、装置、计算机设备和存储介质。
一方面，本发明提供一种归因分析方法，所述方法包括：
定义北极星指标的指标树；
采用统一的算法计算所述指标树中每个过程指标对北极星指标变化的影响贡献度，得到完整的指标树贡献度拆解结果；
基于所述完整的指标树贡献度拆解结果选取对所述北极星指标波动影响贡献度最大的关键过程指标；
选取目标归因维度，并用统一的方法计算每个所述目标归因维度下的维度项对所述北极星指标变化的影响贡献度；
基于所述每个所述目标归因维度下的维度项对所述北极星指标变化的影响贡献度选取对所述北极星指标波动影响贡献度最大的关键维度及维度项。
在其中一个实施例中，所述定义北极星指标的指标树之前，所述方法还包括：
获取监控北极星指标的变化趋势图；
基于所述北极星指标的变化趋势图选择分析点和基准点以进行归因分析。
在其中一个实施例中，所述定义北极星指标的指标树包括：
解析所述北极星指标的表达式生成北极星指标的指标树，所述北极星指标的指标树表示北极星指标与过程指标计算关系。
在其中一个实施例中，所述采用统一的算法计算所述指标树中每个过程指标对北极星指标变化的影响贡献度包括：
计算所述指标树中每个过程指标对北极星指标的单因素变化影响；
对每个所述指标树中每个过程指标的所述单因素变化影响进行归一化处理得到所述指标树中每个过程指标对北极星指标变化的影响贡献度。
在其中一个实施例中，所述指标树包括至少两个层级，所述指标树中第一层的过程指标拆解有低层级过程指标；所述采用统一的算法计算所述指标树中每个过程指标对北极星指标变化的影响贡献度包括：
计算所述指标树中第一层中每个过程指标对北极星指标的单因素变化影响，并进行归一化处理得到所述指标树中第一层每个过程指标对北极星指标变化的影响贡献度；
计算每个所述指标树中第一层中过程指标拆解出的所述低层级过程指标对所述指标树中第一层中过程指标的单因素变化影响，并进行归一化处理得到所述低层级过程指标对所述北极星指标变化的影响贡献度。
在其中一个实施例中，所述用统一的方法计算每个所述目标归因维度下的维度项对所述北极星指标变化的影响贡献度包括：
计算每个所述目标归因维度下的每个维度项对所述北极星指标的单因素变化影响；
对所述每个维度项对所述北极星指标的单因素变化影响进行归一化处理。
在其中一个实施例中，所述过程指标为比率类型过程指标，所述用统一的方法计算每个所述目标归因维度下的维度项对所述北极星指标变化的影响贡献度包括：
计算所述维度项在所述目标归因维度整体中的占比；
基于所述维度项在所述目标归因维度整体中的占比和所述北极星指标在所述维度项的具体值计算所述维度项对所述北极星指标的单因素变化影响以及所述维度项的具体值变化对所述北极星指标的单因素变化影响；
分别对每个所述维度项进行归一化处理，得到每个所述维度项的占比变化对北极星指标变化的贡献度，以及每个所述维度项的具体值变化对北极星指标变化的贡献度。
第二方面，本发明还提供一种归因分析装置，所述装置包括：
定义模块，用于定义北极星指标的指标树；
第一计算模块，用于采用统一的算法计算所述指标树中每个过程指标对北极星指标变化的影响贡献度，得到完整的指标树贡献度拆解结果；
拆解选择模块，用于基于所述完整的指标树贡献度拆解结果选取对所述北极星指标波动影响贡献度最大的关键过程指标；
第二计算模块，用于选取目标归因维度，并用统一的方法计算每个所述目标归因维度下的维度项对所述北极星指标变化的影响贡献度；
选取模块，用于基于所述每个所述目标归因维度下的维度项对所述北极星指标变化的影响贡献度选取对所述北极星指标波动影响贡献度最大的关键维度及维度项。
第三方面，本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面中任一项所述的归因分析方法的步骤。
第四方面，本发明还提供一种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：
定义北极星指标的指标树；
采用统一的算法计算所述指标树中每个过程指标对北极星指标变化的影响贡献度，得到完整的指标树贡献度拆解结果；
基于所述完整的指标树贡献度拆解结果选取对所述北极星指标波动影响贡献度最大的关键过程指标；
选取目标归因维度，并用统一的方法计算每个所述目标归因维度下的维度项对所述北极星指标变化的影响贡献度；
基于所述每个所述目标归因维度下的维度项对所述北极星指标变化的影响贡献度选取对所述北极星指标波动影响贡献度最大的关键维度及维度项。
本发明提供一种归因分析方法、装置、计算机设备和存储介质，方法包括：定义北极星指标的指标树；采用统一的算法计算所述指标树中每个过程指标对北极星指标变化的影响贡献度，得到完整的指标树贡献度拆解结果；基于所述完整的指标树贡献度拆解结果选取对所述北极星指标波动影响贡献度最大的关键过程指标；选取目标归因维度，并用统一的方法计算每个所述目标归因维度下的维度项对所述北极星指标变化的影响贡献度；基于所述每个所述目标归因维度下的维度项对所述北极星指标变化的影响贡献度选取对所述北极星指标波动影响贡献度最大的关键维度及维度项；定义北极星指标的指标树，针对指标树中不同类型的过程指标的贡献度进行统一的计算衡量，并且用统一的算法计算不同归因维度下的维度项对北极星指标变化的影响贡献度，适用于不同类型的指标，同时适用于分析指标对指标与维度对指标波动的贡献度，并可以给出一致的分析结果。
附图说明
图1为一个实施例中归因分析方法的流程示意图；
图2为一个实施例中互联网营销场景中的北极星指标的指标树基准点各指标值示意图；
图3为一个实施例中互联网营销场景中的指标树分析点各指标值示意图；
图4为北极星指标的指标树的示例图；
图5为互联网营销场景中指标树各指标贡献度拆解示意图；
图6为一个实施例中归因分析装置的内部结构图。
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
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。
在一个实施例中，如图1所示，提供了一种归因分析方法，包括以下步骤：
S110、定义北极星指标的指标树；
S120、采用统一的算法计算指标树中每个过程指标对北极星指标变化的影响贡献度，得到完整的指标树贡献度拆解结果；
S130、基于完整的指标树贡献度拆解结果选取对北极星指标波动影响贡献度最大的关键过程指标；
S140、选取目标归因维度，并用统一的方法计算每个目标归因维度下的维度项对北极星指标变化的影响贡献度；
S150、基于每个目标归因维度下的维度项对北极星指标变化的影响贡献度选取对北极星指标波动影响贡献度最大的关键维度及维度项。
本实施例提供的归因分析方法，定义北极星指标的指标树，针对指标树中不同类型的过程指标的贡献度进行统一的计算衡量，并且用统一的算法计算不同归因维度下的维度项对北极星指标变化的影响贡献度，适用于不同类型的指标，同时适用于分析指标对指标与维度对指标波动的贡献度，并可以给出一致的分析结果。
在一个实施例中，所述定义北极星指标的指标树之前，所述方法还包括：
SA10、获取监控北极星指标的变化趋势图。
通过变化趋势图展示和监控北极星指标的变化趋势。
SA20、基于所述北极星指标的变化趋势图选择分析点和基准点以进行归因分析。
具体的，选择北极星指标异常点作为分析点，另选最近一北极星指标正常点作为基准点开始归因分析。
以一个互联网营销场景为例，参照图2与图3所示，在该营销场景中关心的北极星指标为ROI，预先定义好的过程指标以及过程指标与ROI的计算关系如图2与图3中所示，假设观察到上个月的ROI为1.04，这个月的ROI为1.5，上涨了0.46，想要对ROI的变化进行归因分析，选取上个月为分析的基准点，上个月的ROI以及各过程指标值如附图2所示，选取本月为分析的分析点，本月的ROI以及各过程指标值如附图3所示。
在一个实施例中，所述定义北极星指标的指标树包括：
解析所述北极星指标的表达式生成北极星指标的指标树，所述北极星指标的指标树表示北极星指标与过程指标计算关系。
具体的，自动解析北极星指标的表达式，生成表示北极星指标与过程指标计算关系的指标树。也可指定事先定义好的指标树，北极星指标的指标树的示例如图4所示。同一北极星指标可以有不同的指标树，例如总GMV可以拆解成订单量*笔单价，同时也可以拆解成用户量*客单价。每个指标树也可以有多个层级，即过程指标也可以继续拆解成更低层级的过程指标，比如上述例子中的用户量可以继续拆解成新用户数与存量用户数。
在一个实施例中，步骤S120中所述采用统一的算法计算所述指标树中每个过程指标对北极星指标变化的影响贡献度包括：
S12A1、计算所述指标树中每个过程指标对北极星指标的单因素变化影响。
具体的，假设北极星指标为nsm，假设指标树的第一个层级一共有n个过程指标，分别为pm1，pm2，...，pmn，且他们之间的计算关系可以用函数f表示：
nsm＝f(pm1，pm2，...，pmn)
假设北极星指标在基准点的值为nsm0，在分析点的值为nsm1，过程指标在基准点的值为在分析点的值为/>其中i＝1，2，...，n。
对每个过程指标，分别计算该过程指标对北极星指标的单因素变化影响：
以上述互联网营销场景中指标树第一层的各过程指标对ROI变化的贡献度为例，
指标树第一层有两个指标：笔单价与转化成本，ROI与这两个过程指标的计算关系为：ROI＝笔单价/转化成本，首先计算这两个过程指标对ROI的单因素变化影响：
(1)
(2)
S12A2、对每个所述指标树中每个过程指标的所述单因素变化影响进行归一化处理得到所述指标树中每个过程指标对北极星指标变化的影响贡献度。
具体的，对每个过程指标的单因素变化影响做归一化每个过程指标的单因素变化影响做归一化处理：
最终得到的作为过程指标pmi对北极星指标nsm变化的贡献度/>归一化之后的所有贡献度C(pmi)之和为100％。
以上述互联网营销场景中指标树第一层的各过程指标对ROI变化的贡献度为例，对笔单价与转化成本这两个指标的单因素变化影响做归一化：
这就得到第一层的两个过程指标对ROI变化的贡献度
优选的，所述指标树包括至少两个层级，所述指标树中第一层的过程指标拆解有低层级过程指标；所述采用统一的算法计算所述指标树中每个过程指标对北极星指标变化的影响贡献度包括：
S12B1、计算所述指标树中第一层中每个过程指标对北极星指标的单因素变化影响，并进行归一化处理得到所述指标树中第一层每个过程指标对北极星指标变化的影响贡献度。
S12B2、计算每个所述指标树中第一层中过程指标拆解出的所述低层级过程指标对所述指标树中第一层中过程指标的单因素变化影响，并进行归一化处理得到所述低层级过程指标对所述北极星指标变化的影响贡献度。
具体的，对于每个过程指标pmi，如果它在指标树中还被拆解成为更低层级的其他过程指标ppm1，ppm2，...，ppmm，则对这些更低层级的过程指标，把nsm替换成pmi，把f替换成pmi与ppm1，ppm2，...，ppmm的计算关系，重复上述S14A1至S14A2的计算过程，得到最终将/>与/>的乘积作为最后ppmj的贡献度/>注意到此时所有C(ppmj)的贡献度之和为C(pmi)。
以上述互联网营销场景中以转化成本为例，具体介绍过程指标贡献度的进一步拆解：
类似上述笔单价与转化成本这两个指标的单因素变化影响的计算，可以计算出于是他们对ROI变化的贡献度可以计算为：
递归遍历所有的过程指标，直到指标树中的所有过程指标的贡献度都完成计算，注意到此时指标树中所有的叶子节点的过程指标的贡献度之和为100％。以上述互联网营销场景中以转化成本为例，遍历指标树中的每个过程指标，最终可以得到完整的指标树贡献度拆解结果，如附图5所示。
优选的，所述步骤S140中用统一的方法计算每个所述目标归因维度下的维度项对所述北极星指标变化的影响贡献度包括：
S141、计算每个所述目标归因维度下的每个维度项对所述北极星指标的单因素变化影响。
S142、对所述每个维度项对所述北极星指标的单因素变化影响进行归一化处理。
具体的，选择需要进行归因分析的归因维度，可以选择多个，假设为d1，d2，...，dn，对于每个选择的归因维度di，假设该维度下所有的维度项为dv1，dv2，...，dvm。同样地，假设北极星指标与该维度下所有维度项的计算关系可以用函数g表示：
nsm＝g(dv1，dv2，...，dvm)
同样地，假设不同维度项在基准点的相关指标值为在分析点的相关指标值为其中i＝1，2，...，m，对每个维度项，分别计算该维度项对北极星指标的单因素变化影响：
对每个维度项的单因素变化影响做归一化处理：
最终得到的作为维度项dvj对北极星指标nsm变化的贡献度/>注意到归一化之后的所有贡献度C(dvj)之和为100％。
优选的，所述过程指标为比率类型过程指标，所述用统一的方法计算每个所述目标归因维度下的维度项对所述北极星指标变化的影响贡献度包括：
计算所述维度项在所述目标归因维度整体中的占比；
基于所述维度项在所述目标归因维度整体中的占比和所述北极星指标在所述维度项的具体值计算所述维度项对所述北极星指标的单因素变化影响以及所述维度项的具体值变化对所述北极星指标的单因素变化影响；
分别对每个所述维度项进行归一化处理，得到每个所述维度项的占比变化对北极星指标变化的贡献度，以及每个所述维度项的具体值变化对北极星指标变化的贡献度。
具体的，对于比率类型的指标，北极星指标与某个维度di下所有维度项的计算关系g可以更明确地表示为：
其中pctj为dvj(维度项)在整体中的占比，nsmj为北极星指标在dvj的具体值
可以计算出与/>在这里，单独对每个维度项dvj做归一化
最终，再乘以维度项dvj对北极星指标nsm变化的贡献度计算中得到的C(dvj)，分别得到dvj的占比变化对北极星指标变化的贡献度以及dvj的具体值变化对北极星指标变化的贡献度/>注意到这里C(dvj)＝C(pctj)+C(nsmj)。
同时，我们还可以定义C(pct)＝∑j C(pctj)用以衡量维度di的结构变化对北极星指标变化的贡献度，以及定义C(nsm)＝∑j C(nsmj)用以衡量维度di的具体值变化对北极星指标变化的贡献度，以判断北极星指标在维度di下是发生了业务结构的变化还是业务整体趋势的变化。
以上述互联网营销场景为例，以过程指标笔单价的维度下钻为例，具体说明维度的拆解以及下钻的贡献度计算方法，假设选取产品和渠道两个维度来拆解笔单价的变化。以产品为例，假设有产品A、B、C，他们各自的GMV和订单量如下：
注意到笔单价是一个比率类型的指标，对产品维度来说，笔单价的计算公式可以写作：
笔单价＝(产品A订单占比*产品A比单价+产品B订单占比*产品B比单价
+产品C订单占比*产品C比单价)/(产品A订单占比+产品B订单占比
+产品C订单占比)
以产品A为例，可以分别计算出产品A结构变化影响
＝(20.00％*480+66.67％*450+12.50％*800)/(20.00％+66.67％
+12.50％)-500＝0.17
产品A具体值变化影响
＝(20.83％*350+66.67％*450+12.50％*800)/(20.83％+66.67％
+12.50％)-500＝-27.08
产品A整体变化影响
＝(20.00％*350+66.67％*450+12.50％*800)/(20.00％+66.67％
+12.50％)-500＝-26.05
同样地，对产品B、C分别计算最终可以得到
先对产品A、B、C的整体变化影响归一化，可以得到他们的整体变化贡献度，以产品A为例：
产品A整体变化贡献度＝-26.05/(-26.05+3.57+58.14)＝-73.05％
得到整体变化贡献度之后，我们再对结构变化影响和具体值变化影响做归一化，可以得到结构变化贡献度与具体值变化贡献度，以产品A为例
产品A结构变化贡献度＝-73.05％*(0.17/(-27.08+0.17))＝0.46％
产品A具体值变化贡献度＝-73.05％*(-27.08/(-27.08+0.17))＝-73.51％
同样对产品B、C分别计算，最终可以得到
上述结算结果为指标-维度下钻过程中，针对过程指标笔单价变化的贡献度，实际对北极星指标ROI变化的贡献度，需要再统一乘以系数C(笔单价)＝19.36％，最终结果如下：
同样地，假设渠道维度下有渠道1、渠道2，他们各自的GMV和订单量如下：
类似上述笔单价的计算方式和对产品A、B、C的整体变化影响归一化得到他们的整体变化贡献度的计算，可以计算出：
结合产品分类和渠道分类对整体变化贡献度的计算结果，可以得到在笔单价的下钻维度中，对ROI波动影响贡献度最大的关键维度和维度值分别为：产品C(贡献度31.56％)，渠道1(贡献度20.46％)，且产品C的结构变化和具体值变化对ROI波动均有贡献(14.38％，17.18％)，而渠道1的贡献主要为具体值变化的贡献(19.82％)。
本实施例提供的归因分析方法，可以按照方案描述继续进行针对不同过程指标与维度的，过程指标-维度、维度-维度、维度-过程指标下钻，直到定位到影响北极星指标波动的根本原因。
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，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。
在一个实施例中，如图6所示，提供了一种归因分析装置，包括：
定义模块610，用于定义北极星指标的指标树；
第一计算模块620，用于采用统一的算法计算所述指标树中每个过程指标对北极星指标变化的影响贡献度，得到完整的指标树贡献度拆解结果；
拆解选择模块630，用于基于所述完整的指标树贡献度拆解结果选取对所述北极星指标波动影响贡献度最大的关键过程指标；
第二计算模块640，用于选取目标归因维度，并用统一的方法计算每个所述目标归因维度下的维度项对所述北极星指标变化的影响贡献度；
选取模块650，用于基于所述每个所述目标归因维度下的维度项对所述北极星指标变化的影响贡献度选取对所述北极星指标波动影响贡献度最大的关键维度及维度项。
在一个实施例中，所述装置还包括：
获取模块660，用于所述定义模块610定义北极星指标的指标树之前，获取监控北极星指标的变化趋势图；
点选择模块670，用于基于所述北极星指标的变化趋势图选择分析点和基准点以进行归因分析。
优选的，所述定义模块610具体用于：
解析所述北极星指标的表达式生成北极星指标的指标树，所述北极星指标的指标树表示北极星指标与过程指标计算关系。
更优选的，所述第一计算模块620包括：
第一计算单元621，用于计算所述指标树中每个过程指标对北极星指标的单因素变化影响；
第一处理单元622，用于对每个所述指标树中每个过程指标的所述单因素变化影响进行归一化处理得到所述指标树中每个过程指标对北极星指标变化的影响贡献度。
更优选的，所述第一计算模块620包括：
第二计算单元623，用于所述指标树包括至少两个层级，所述指标树中第一层的过程指标拆解有低层级过程指标时，计算所述指标树中第一层中每个过程指标对北极星指标的单因素变化影响，并进行归一化处理得到所述指标树中第一层每个过程指标对北极星指标变化的影响贡献度；
第三计算单元624，用于计算每个所述指标树中第一层中过程指标拆解出的所述低层级过程指标对所述指标树中第一层中过程指标的单因素变化影响，并进行归一化处理得到所述低层级过程指标对所述北极星指标变化的影响贡献度。
更优选的，所述第二计算模块640包括：
第四计算单元641，用于计算每个所述目标归因维度下的每个维度项对所述北极星指标的单因素变化影响；
第二处理单元642，用于对所述每个维度项对所述北极星指标的单因素变化影响进行归一化处理。
更优选的，所述第二计算模块640包括：
第五计算单元643，用于计算所述维度项在所述目标归因维度整体中的占比；
第六计算单元644，用于基于所述维度项在所述目标归因维度整体中的占比和所述北极星指标在所述维度项的具体值计算所述维度项对所述北极星指标的单因素变化影响以及所述维度项的具体值变化对所述北极星指标的单因素变化影响；
第三处理单元645，用于分别对每个所述维度项进行归一化处理，得到每个所述维度项的占比变化对北极星指标变化的贡献度，以及每个所述维度项的具体值变化对北极星指标变化的贡献度。
关于归因分析装置的具体限定可以参见上文中对于归因分析方法的限定，在此不再赘述。上述归因分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。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、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归因分析数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种归因分析方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
定义北极星指标的指标树；
采用统一的算法计算所述指标树中每个过程指标对北极星指标变化的影响贡献度，得到完整的指标树贡献度拆解结果；
基于所述完整的指标树贡献度拆解结果选取对所述北极星指标波动影响贡献度最大的关键过程指标；
选取目标归因维度，并用统一的方法计算每个所述目标归因维度下的维度项对所述北极星指标变化的影响贡献度；
基于所述每个所述目标归因维度下的维度项对所述北极星指标变化的影响贡献度选取对所述北极星指标波动影响贡献度最大的关键维度及维度项。
处理器执行计算机程序时还实现以下步骤：
获取监控北极星指标的变化趋势图；
基于所述北极星指标的变化趋势图选择分析点和基准点以进行归因分析。
处理器执行计算机程序时还实现以下步骤：
解析所述北极星指标的表达式生成北极星指标的指标树，所述北极星指标的指标树表示北极星指标与过程指标计算关系。
处理器执行计算机程序时还实现以下步骤：
计算所述指标树中每个过程指标对北极星指标的单因素变化影响；
对每个所述指标树中每个过程指标的所述单因素变化影响进行归一化处理得到所述指标树中每个过程指标对北极星指标变化的影响贡献度。
处理器执行计算机程序时还实现以下步骤：
计算所述指标树中第一层中每个过程指标对北极星指标的单因素变化影响，并进行归一化处理得到所述指标树中第一层每个过程指标对北极星指标变化的影响贡献度；
计算每个所述指标树中第一层中过程指标拆解出的所述低层级过程指标对所述指标树中第一层中过程指标的单因素变化影响，并进行归一化处理得到所述低层级过程指标对所述北极星指标变化的影响贡献度。
处理器执行计算机程序时还实现以下步骤：
计算每个所述目标归因维度下的每个维度项对所述北极星指标的单因素变化影响；
对所述每个维度项对所述北极星指标的单因素变化影响进行归一化处理。
处理器执行计算机程序时还实现以下步骤：
计算所述维度项在所述目标归因维度整体中的占比；
基于所述维度项在所述目标归因维度整体中的占比和所述北极星指标在所述维度项的具体值计算所述维度项对所述北极星指标的单因素变化影响以及所述维度项的具体值变化对所述北极星指标的单因素变化影响；
分别对每个所述维度项进行归一化处理，得到每个所述维度项的占比变化对北极星指标变化的贡献度，以及每个所述维度项的具体值变化对北极星指标变化的贡献度。
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：
定义北极星指标的指标树；
采用统一的算法计算所述指标树中每个过程指标对北极星指标变化的影响贡献度，得到完整的指标树贡献度拆解结果；
基于所述完整的指标树贡献度拆解结果选取对所述北极星指标波动影响贡献度最大的关键过程指标；
选取目标归因维度，并用统一的方法计算每个所述目标归因维度下的维度项对所述北极星指标变化的影响贡献度；
基于所述每个所述目标归因维度下的维度项对所述北极星指标变化的影响贡献度选取对所述北极星指标波动影响贡献度最大的关键维度及维度项。
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：
获取监控北极星指标的变化趋势图；
基于所述北极星指标的变化趋势图选择分析点和基准点以进行归因分析。
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：
解析所述北极星指标的表达式生成北极星指标的指标树，所述北极星指标的指标树表示北极星指标与过程指标计算关系。
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：
计算所述指标树中每个过程指标对北极星指标的单因素变化影响；
对每个所述指标树中每个过程指标的所述单因素变化影响进行归一化处理得到所述指标树中每个过程指标对北极星指标变化的影响贡献度。
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：
计算所述指标树中第一层中每个过程指标对北极星指标的单因素变化影响，并进行归一化处理得到所述指标树中第一层每个过程指标对北极星指标变化的影响贡献度；
计算每个所述指标树中第一层中过程指标拆解出的所述低层级过程指标对所述指标树中第一层中过程指标的单因素变化影响，并进行归一化处理得到所述低层级过程指标对所述北极星指标变化的影响贡献度。
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：
计算每个所述目标归因维度下的每个维度项对所述北极星指标的单因素变化影响；
对所述每个维度项对所述北极星指标的单因素变化影响进行归一化处理。
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：
计算所述维度项在所述目标归因维度整体中的占比；
基于所述维度项在所述目标归因维度整体中的占比和所述北极星指标在所述维度项的具体值计算所述维度项对所述北极星指标的单因素变化影响以及所述维度项的具体值变化对所述北极星指标的单因素变化影响；
分别对每个所述维度项进行归一化处理，得到每个所述维度项的占比变化对北极星指标变化的贡献度，以及每个所述维度项的具体值变化对北极星指标变化的贡献度。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、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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发明专利范围的限制。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，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种归因分析方法，其特征在于，所述方法包括：
定义北极星指标的指标树；
采用统一的算法计算所述指标树中每个过程指标对北极星指标变化的影响贡献度，得到完整的指标树贡献度拆解结果；
基于所述完整的指标树贡献度拆解结果选取对所述北极星指标波动影响贡献度最大的关键过程指标；
选取目标归因维度，并用统一的方法计算每个所述目标归因维度下的维度项对所述北极星指标变化的影响贡献度；
基于所述每个所述目标归因维度下的维度项对所述北极星指标变化的影响贡献度选取对所述北极星指标波动影响贡献度最大的关键维度及维度项。
2.根据权利要求1所述的归因分析方法，其特征在于，所述定义北极星指标的指标树之前，所述方法还包括：
获取监控北极星指标的变化趋势图；
基于所述北极星指标的变化趋势图选择分析点和基准点以进行归因分析。
3.根据权利要求1或2所述的归因分析方法，其特征在于，所述定义北极星指标的指标树包括：
解析所述北极星指标的表达式生成北极星指标的指标树，所述北极星指标的指标树表示北极星指标与过程指标计算关系。
4.根据权利要求3所述的归因分析方法，其特征在于，所述采用统一的算法计算所述指标树中每个过程指标对北极星指标变化的影响贡献度包括：
计算所述指标树中每个过程指标对北极星指标的单因素变化影响；
对每个所述指标树中每个过程指标的所述单因素变化影响进行归一化处理得到所述指标树中每个过程指标对北极星指标变化的影响贡献度。
5.根据权利要求4所述的归因分析方法，其特征在于，所述指标树包括至少两个层级，所述指标树中第一层的过程指标拆解有低层级过程指标；所述采用统一的算法计算所述指标树中每个过程指标对北极星指标变化的影响贡献度包括：
计算所述指标树中第一层中每个过程指标对北极星指标的单因素变化影响，并进行归一化处理得到所述指标树中第一层每个过程指标对北极星指标变化的影响贡献度；
计算每个所述指标树中第一层中过程指标拆解出的所述低层级过程指标对所述指标树中第一层中过程指标的单因素变化影响，并进行归一化处理得到所述低层级过程指标对所述北极星指标变化的影响贡献度。
6.根据权利要求4所述的归因分析方法，其特征在于，所述用统一的方法计算每个所述目标归因维度下的维度项对所述北极星指标变化的影响贡献度包括：
计算每个所述目标归因维度下的每个维度项对所述北极星指标的单因素变化影响；
对所述每个维度项对所述北极星指标的单因素变化影响进行归一化处理。
7.根据权利要求6所述的归因分析方法，其特征在于，所述过程指标为比率类型过程指标，所述用统一的方法计算每个所述目标归因维度下的维度项对所述北极星指标变化的影响贡献度包括：
计算所述维度项在所述目标归因维度整体中的占比；
基于所述维度项在所述目标归因维度整体中的占比和所述北极星指标在所述维度项的具体值计算所述维度项对所述北极星指标的单因素变化影响以及所述维度项的具体值变化对所述北极星指标的单因素变化影响；
分别对每个所述维度项进行归一化处理，得到每个所述维度项的占比变化对北极星指标变化的贡献度，以及每个所述维度项的具体值变化对北极星指标变化的贡献度。
8.一种归因分析装置，其特征在于，所述装置包括：
定义模块，用于定义北极星指标的指标树；
第一计算模块，用于采用统一的算法计算所述指标树中每个过程指标对北极星指标变化的影响贡献度，得到完整的指标树贡献度拆解结果；
拆解选择模块，用于基于所述完整的指标树贡献度拆解结果选取对所述北极星指标波动影响贡献度最大的关键过程指标；
第二计算模块，用于选取目标归因维度，并用统一的方法计算每个所述目标归因维度下的维度项对所述北极星指标变化的影响贡献度；
选取模块，用于基于所述每个所述目标归因维度下的维度项对所述北极星指标变化的影响贡献度选取对所述北极星指标波动影响贡献度最大的关键维度及维度项。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，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7中任一项所述的归因分析方法的步骤。
10.一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7中任一项所述的归因分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311593747.8A CN117633316A (zh) | 2023-11-27 | 2023-11-27 | 归因分析方法、装置和计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311593747.8A CN117633316A (zh) | 2023-11-27 | 2023-11-27 | 归因分析方法、装置和计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117633316A true CN117633316A (zh) | 2024-03-01 |
Family
ID=90035085
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311593747.8A Pending CN117633316A (zh) | 2023-11-27 | 2023-11-27 | 归因分析方法、装置和计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117633316A (zh) |
-
2023
- 2023-11-27 CN CN202311593747.8A patent/CN117633316A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bauwens et al. | The contribution of structural break models to forecasting macroeconomic series | |
| CN110880014B (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
| CN111314173B (zh) | 监控信息异常的定位方法、装置、计算机设备及存储介质 | |
| US8954910B1 (en) | Device mismatch contribution computation with nonlinear effects | |
| CN109992473B (zh) | 应用系统的监控方法、装置、设备及存储介质 | |
| CN112231533A (zh) | 数据处理方法、装置、设备及存储介质 | |
| Mirestean et al. | Growth determinants revisited using limited‐information Bayesian model averaging | |
| Kaur et al. | An empirical study of software entropy based bug prediction using machine learning | |
| CN110457361B (zh) | 特征数据获取方法、装置、计算机设备和存储介质 | |
| CN113361954A (zh) | 归因分析方法、装置、设备及存储介质 | |
| Beutner et al. | Nonparametric meta‐analysis for minimal‐repair systems | |
| CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
| Karavias et al. | Local power of panel unit root tests allowing for structural breaks | |
| CN116228045B (zh) | 基于性能退化的产品可靠性薄弱环节评估方法和装置 | |
| Wang et al. | Nonparametric monitoring schemes in Phase II for ordinal profiles with application to customer satisfaction monitoring | |
| CN117633316A (zh) | 归因分析方法、装置和计算机设备和存储介质 | |
| Chaturvedi et al. | An empirical validation of the complexity of code changes and bugs in predicting the release time of open source software | |
| CN110910256A (zh) | 基于家庭成员属性的家庭风险评测方法和装置 | |
| Darkhovsky et al. | Model‐free offline change‐point detection in multidimensional time series of arbitrary nature via ϵ‐complexity: Simulations and applications | |
| CN114138634B (zh) | 测试用例的选取方法、装置、计算机设备和存储介质 | |
| Kejriwal et al. | Bootstrap procedures for detecting multiple persistence shifts in heteroskedastic time series | |
| US20220327560A1 (en) | Method and system for time series data prediction based on seasonal lags | |
| CN114880637A (zh) | 账户风险的验证方法、装置、计算机设备和存储介质 | |
| Lee et al. | Tests for Volatility Shifts in Garch Against Long‐Range Dependence | |
| US11562110B1 (en) | System and method for device mismatch contribution computation for non-continuous circuit outputs |
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 |