CN110472192B - 评价指标提取方法、装置、存储介质和服务器 - Google Patents
评价指标提取方法、装置、存储介质和服务器 Download PDFInfo
- Publication number
- CN110472192B CN110472192B CN201910666835.3A CN201910666835A CN110472192B CN 110472192 B CN110472192 B CN 110472192B CN 201910666835 A CN201910666835 A CN 201910666835A CN 110472192 B CN110472192 B CN 110472192B
- Authority
- CN
- China
- Prior art keywords
- visit
- data
- index
- preset
- visiting
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Computational Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于出访数据的评价指标提取方法、装置、存储介质和服务器,所述评价指标提取方法包括:获取样本用户在预设周期内基于预设应用软件的原始出访数据;将原始出访数据处理为离散化出访数据;获取离散化出访数据中的周期出访指标;将固定指标参数和单个指标参数作为输入,将预设的样本用户在下一预设周期的业务数据作为输出,使用预置模型计算该指标参数的信息价值;从信息价值中,筛选出若干个大于预设阈值的信息价值,将筛选出的若干个信息价值对应的指标参数作为评价模型指标。本发明可筛选出若干个指标参数作为评价模型指标,以便评价用户的出访效率,或为用户的后续出访提供数据化参考信息,有利于优化出访效率,改善业务数据。
Description
技术领域
本发明涉及计算机技术领域,具体而言,本发明涉及一种基于出访数据的评价指标提取方法、装置、存储介质和服务器。
背景技术
统计数据的指标时,通常需要确定统计周期内具有一定实际意义的表达及统计口径。对基于位置的服务(简称LBS)的用户指标统计也是类似。若统计某用户一个月内去过的地点数,但未指明去的是哪一类地点,例如是人群聚集点还是稀疏点、是本人常访点还是单一出访的点、是登录应用软件出访的地点还是根据某个订单或签名确定的出访地点等,则难以通过这些地点数体现出数据的实际应用意义。统计指标是用来描述用户行为信息的具体数据体现,指标的统计周期、口径、维度、粒度都对指标本身的信息价值、噪声性、饱和性、稳定性直接相关。若需通过历史数据预测未来数据的走向,一般地,进入预测模型的指标是低噪声、高相关、高饱和、高稳定的指标,但现有的统计指标很难具有高相关、低噪声的特点,尤其是在指标数量大、表达粒度很粗的情况下。
对于LBS数据来说,对用户有价值的出访数据一般有很大噪声,例如,若要从用户的所有定位信息中找到用户实际拜访客户的出访行为,就需要基于当前可获取的多维度定位数据,确定什么样的指标数据口径可以最大限度地表达用户拜访客户的出访行为,且同时含有较低的噪声和较高的饱和性,但确定这种数据口径存在较大的难度。
发明内容
本发明针对现有方式的缺点,提出一种基于出访数据的评价指标提取方法、装置、存储介质和服务器,用以解决现有技术中基于出访数据进行统计时的统计指标相关性低、噪音大的问题。
本发明提出的基于出访数据的评价指标提取方法,包括步骤:
获取样本用户在预设周期内基于预设应用软件的原始出访数据,所述原始出访数据包括出访定位位置和与所述出访定位位置对应的定位时间;
将所述原始出访数据处理为离散化出访数据;
获取所述离散化出访数据中的周期出访指标,所述周期出访指标包括同一出访地点的出访次数、使用应用程序功能、一次出访所占用的时长、出访地点的人群密集度中的多个指标参数;
将固定指标参数和单个所述指标参数作为输入,将预设的样本用户在下一预设周期的业务数据作为输出,使用预置模型计算该指标参数的信息价值;其中预置模型表征上一预设周期的指标参数、信息价值与下一预设周期的业务数据的关联关系;
从所述信息价值中,筛选出若干个大于预设阈值的信息价值,将筛选出的若干个信息价值对应的指标参数作为评价模型指标。
优选地,所述将所述原始出访数据处理为离散化出访数据,包括:
基于所述出访定位位置与所述定位时间,清洗所述原始出访数据中的重复点,得到清洗后的出访数据;
根据预设经纬度精度,对所述清洗后的出访数据进行离散化处理,得到离散化出访数据。
优选地,所述基于所述出访定位位置与所述定位时间,清洗所述原始出访数据中的重复点,得到清洗后的出访数据,包括:
将所述原始出访数据中位于预设经纬度空间内的出访定位位置合并为所述同一出访地点,将所述同一出访地点的第一预设时段内的定位时间所占的时长合并为一次出访所占用的时长,将所述同一出访地点的第二预设时段内的定位时间所占的时长合并为另一次出访所占用的时长,得到清洗后的出访数据。
优选地,所述预设经纬度精度为100m。
优选地,所述根据所述信息价值,筛选出多个对应的指标参数作为评价模型指标之后,还包括:
将多个所述评价模型指标作为输入,将样本用户的业务数据作为输出,拟合出绩效预测模型,所述绩效预测模型表征评价模型指标与业务数据的关联关系。
优选地,所述将上一预设周期内的所述固定指标参数和多个所述评价模型指标的数据值作为输入,将样本用户在下一预设周期内的业务数据作为输出,拟合出绩效预测模型之后,还包括:
获取目标用户的评价模型指标在上一预设周期内的数值;
将所述评价模型指标在上一预设周期内的数值输入所述绩效预测模型,得到目标用户的在下一预设周期内的预测业务数据。
优选地,所述使用应用程序功能包括登录应用程序、在应用程序内的功能查询、在应用程序内的用户资料填写或修改。
本发明还提出一种基于出访数据的评价指标提取装置,该装置包括:
获取模块,用于获取样本用户在预设周期内基于预设应用软件的原始出访数据,所述原始出访数据包括出访定位位置和与所述出访定位位置对应的定位时间;
离散化模块,用于将所述原始出访数据处理为离散化出访数据;
出访指标模块,用于获取所述离散化出访数据中的周期出访指标,所述周期出访指标包括同一出访地点的出访次数、使用应用程序功能、一次出访所占用的时长、出访地点的人群密集度中的一个或多个指标参数;
信息价值计算模块,用于将固定指标参数和单个所述指标参数作为输入,将预设的样本用户在下一预设周期的业务数据作为输出,使用预置模型计算该指标参数的信息价值;其中预置模型表征上一预设周期的指标参数、信息价值与下一预设周期的业务数据的关联关系;
提取模块,用于从所述信息价值中,筛选出若干个大于预设阈值的信息价值,将筛选出的若干个信息价值对应的指标参数作为评价模型指标。
本发明还提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前述任意一项所述的基于出访数据的评价指标提取方法。
本发明还提出一种服务器,所述服务器包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现前述任意一项所述的基于出访数据的评价指标提取方法。
本发明具有以下有益效果:
1、本发明通过将样本用户在上一个预设周期内的每个指标参数作为输入,将样本用户在下一个预设周期内的业务数据作为输出,可更准确地反映上一个预设周期内的出访数据与下一个预设周期内的业务数据之间的关联关系,解决了同一个预设周期内的出访数据与业务数据的实际周期不匹配的问题;并通过分别计算每个与所述指标参数对应、与所述业务数据相关的所述信息价值的数值,以筛选出若干个与所述信息价值对应的指标参数作为评价模型指标,用于评价样本用户的出访效率,或为用户的后续出访提供数据化参考信息,有利于用户根据历史出访数据优化后续的出访效率,提高出访的签单成功率,从而改善业务数据。
2、本发明还提供了评价模型指标的具体应用方式,使得筛选出的多个指标参数可拟合出预测未来业务数据的绩效预测模型,从而有利于企业根据员工出访数据预测未来的业务数据,或有利于企业根据制定的目标业绩来制定员工的出访策略,提高企业运行效率。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明基于出访数据的评价指标提取方法一个实施例的流程示意图;
图2为本发明基于出访数据的评价指标提取方法另一个实施例的流程示意图;
图3为本发明基于出访数据的评价指标提取方法另一个实施例的流程示意图;
图4为本发明基于出访数据的评价指标提取装置实施例的流程示意图;
图5为本发明服务器实施例的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式,这里使用的“第一”、“第二”仅用于区别同一技术特征,并不对该技术特征的顺序和数量等加以限定。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解,这里所使用的服务器其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云。在此,云由基于云计算(Cloud Computing)的大量计算机或网络服务器构成,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个超级虚拟计算机。
本发明提出一种基于出访数据的评价指标提取方法,用于提高出访数据统计口径中的数据相关性低、噪音大和饱和性不高的问题。如图1所示的基于出访数据的评价指标提取方法第一实施例,包括如下步骤:
步骤S10:获取样本用户在上一预设周期内基于预设应用软件的原始出访数据,所述原始出访数据包括出访定位位置和与所述出访定位位置对应的定位时间;
步骤S20:将所述原始出访数据处理为离散化出访数据;
步骤S30:获取所述离散化出访数据中的周期出访指标,所述周期出访指标包括同一出访地点的出访次数、使用应用程序功能、一次出访所占用的时长、出访地点的人群密集度中的多个指标参数;
步骤S40:将固定指标参数和单个所述指标参数作为输入,将预设的样本用户在下一预设周期的业务数据作为输出,使用预置模型计算该指标参数的信息价值;其中预置模型表征上一预设周期的指标参数、信息价值与下一预设周期的业务数据的关联关系;
步骤S50:从所述信息价值中,筛选出若干个大于预设阈值的信息价值,将筛选出的若干个信息价值对应的指标参数作为评价模型指标。
其中,每个步骤具体如下:
步骤S10:获取样本用户在上一预设周期内基于预设应用软件的原始出访数据,所述原始出访数据包括出访定位位置和与所述出访定位位置对应的定位时间。
样本用户的原始出访数据可通过企业指定的预设应用软件获取。例如,对于保险金融类企业,可在企业员工手机或指定移动终端上预装与企业业务相关的预设应用软件,该软件可开启定位服务;当用户携带手机或指定移动终端拜访客户时,则通过手机或指定移动终端的定位服务获取原始出访数据。所述预设周期可为一周、一个月、一个季度等常用统计周期,亦可根据企业需求在预设应用软件内设置统计周期,并定期上传或即时上传原始出访数据。通过所述定位服务的定位,可获取即时的出访定位位置,通过与所述出访定位位置对应的定位时间可获取每次出访所占用的时长。所述上一预设周期为相对于下一预设周期之前的一个预设周期。例如,若以一个自然月为一个预设周期,则3月份内的原始出访数据为上一预设周期内的原始出访数据,4月份内的原始出访数据为下一预设周期内的原始出访数据。
所述原始出访数据可通过所述定位服务实时获取,亦可在用户操作所述预设应用软件时触发原始出访数据的上传。例如,当样本用户在同一个地点使用所述预设应用软件客户端时,样本用户每次在客户端上的操作点击均产生LBS(Location Based Service,移动位置服务)记录,并将该LBS记录上传至指定服务器。由于定位服务所获取的定位信息一般为连续性的定位信息,不利于进行数字化统计,故本发明的实施例还包括如下步骤:
步骤S20:将所述原始出访数据处理为离散化出访数据。
LBS记录一般是空间上连续的点的集合,因此在进行数字化数据统计时需要对经纬度空间做网格离散化处理。结合现有定位服务的精准度以及用户活动范围的特点,本发明中所述的预设经纬度精度可以为100m,即可将经纬度精度设置为0.001的网格进行离散化处理。用户在一次拜访客户的过程中,可能多次点击客户端,例如进行登录、查询、用户资料填写、用户资料修改、打印等操作时,均可能通过点击对应的功能按钮实现。因此,一次拜访中可能存在多次点击记录,这些点击记录均在一个坐标位置产生,从而导致一次拜访中可能产生大量坐标位置重复的LBS记录。为避免重复统计,需对重复的坐标位置的点击进行重复点清洗,故在本发明的又一实施例中,
所述将所述原始出访数据处理为离散化出访数据,如图2所示,可包括:
步骤S21:基于所述出访定位位置与所述定位时间,清洗所述原始出访数据中的重复点,得到清洗后的出访数据;
步骤S22:根据预设经纬度精度,对所述清洗后的出访数据进行离散化处理,得到离散化出访数据。
本实施例先清洗所述原始出访数据中的重复点,再对清洗后的出访数据进行离散化处理,可有效提高离散化出访数据的获取效率和统计精度。清洗所述原始出访数据时,可根据具体情况设定重复点的的条件;例如,将经纬度精度为0.001网格的定位位置作为同一个出访位置或坐标位置,并将同一个出访位置或坐标位置内的全部停留时间作为一次出访的停留时间;获取原始出访数据时,将该停留时间内的所有原始出访数据都合并为该出访位置或坐标位置的一次出访,以避免重复统计带来的效率降低和统计误差。
步骤S30:获取所述离散化出访数据中的周期出访指标,所述周期出访指标包括同一出访地点的出访次数、使用应用程序功能、一次出访所占用的时长、出访地点的人群密集度中的多个指标参数。
所述周期出访指标为获取一个周期内的离散化出访数据时的指标,所述一个周期可以为一个星期、一个月、一个季度等。例如,获取一个月内用户的出访次数,针对同一出访地点的出访次数、一个月内用户出访过的不同出访地点的数量、用户在出访过程中的使用应用程序功能、一次出访所占用的时长、出访地点的人群密集度等。所述使用应用程序功能可用为用户在出访过程中所使用的功能,例如业务信息的查询、用户信息的修改等,以便将用户对客户端的操作与业务数据等目标参数进行关联计算,从而得出应用程序功能与业务数据等目标参数之间的关联系数大小。所述一次出访所占用的时长可通过用户在同一出访地点的停留时间确定;所述出访地点的人群密集度可通过预设的人群密集度参数确定,例如根据现有的大数据统计结果预先确定各区域的人群密集度,再根据出访地点所属的区域位置确定对应的人群密集度。本发明中获取的具体指标参数可根据需求直接确定,或尽量统计较多的指标参数,以便计算各个指标参数与业务数据之间的关联关系,从而筛选出需要的指标参数。
步骤S40:将固定指标参数和单个所述指标参数作为输入,将预设的样本用户在下一预设周期的业务数据作为输出,使用预置模型计算该指标参数的信息价值;其中预置模型表征上一预设周期的指标参数、信息价值与下一预设周期的业务数据的关联关系。
所述固定指标参数可以为所述出访数据无关的指标参数,例如样本用户的工作年限、样本用户的职称等级、样本用户所属的工作部门等。由于样本用户的业务数据不仅与样本用户的出访情况密切相关,还与样本用户的工作经验、主要职能等情况密切相关,因此,在所述预置模型中同时引入与出访数据无关的固定指标参数和基于出访数据的周期出访指标,有利于提高预置模型的合理性和准确性。
在实际业务的签订中,一般是业务员先出访,目标客户经过一段时间的考虑与了解后才会签订业务;因此,一般出访的客户会滞后一段时间才形成实际的业务数据,例如,本月出访的客户极有可能在下个月才签单。因此,样本用户当月的出访数据与当月的业务数据在数据关联性上将存在一定的时间差,若直接将一个预设周期内的出访数据与业务数据作为一组关联的输入数据与输出数据,则将因为输入数据与输出数据存在的时间差而导致拟合出的预置模型不准确的问题。因此,本步骤将下一预设周期的业务数据与上一预设周期的指标参数的数值相对应,可更准确地反映出之前的出访数据与之后的业务数据的关系,以避免同一个预设周期内出访数据与业务数据不匹配的问题。
所述预设的样本用户可以为符合预设条件的样本用户,例如在上一预设周期内的业务数据超过预设业绩的样本用户,或为工作年限超过预设年限的样本用户,或为职称等级在预设等级以上的样本用户等,以排除新手业务员、兼职人员等工作人员作为样本用户带来的误差。
获取上一预设周期内的所述周期出访指标中的多个指标参数之后,再将其中每一个指标参数分别作为输入,将样本用户在下一预设周期内的周期业务数据作为输出,分别计算每个指标参数与业务数据之间的关联关系,所述信息价值即为表征所述关联关系的量化指标之一。所述预置模型可通过多种算法进行拟合。例如,若假设所述指标参数与所述业务数据之间符合正比例关系,则可将所述预置模型设为线性模型:将多个样本用户在下一个预设周期内的业务数据形成矩阵W,将多个对应的样本用户在上一个预设周期内的一个指标参数的数值形成矩阵T,对应于该指标参数的信息价值的矩阵A与矩阵W、T之间满足:W=AT+B,其中B为固定指标参数系数矩阵,或为误差调整系数矩阵。若获取到多个样本用户的业务数据与指标参数的数值,则可计算出每个指标参数的信息价值T。为提高信息价值T的拟合精度,矩阵A与固定指标参数系数矩阵B之间可满足线性最小二乘法,以拟合出符合线性最小二乘法的最优解。当然,所述指标参数、信息价值与业务数据之间关联关系的最优解亦可通过神经网络算法或模型树等方法拟合出,例如通过决策树、随机森林、人工神经网络等模型拟合出所述预置模型。
步骤S50:从所述信息价值中,筛选出若干个大于预设阈值的信息价值,将筛选出的若干个信息价值对应的指标参数作为评价模型指标。
通过所述预置模型计算出每一个指标参数的信息价值后,可根据每个信息价值的大小确定对应指标参数与业务数据之间的关联关系大小,并从中确定对业务关系影响最大的若干个指标参数。一般来说,可根据出访数据的具体应用场景确定筛选所述信息价值的预设阈值。例如,若需查看与业务数据最相关的十项指标参数,则可将计算出的所述信息价值进行排序,以筛选出位于前十名的十项指标参数;若需根据所述指标参数,对位于销售职位的样本用户员工进行绩效打分,则可筛选出预设数量的指标参数,并结合该指标参数的权重,对的样本用户员工进行绩效评定。
本发明的实施例通过将样本用户在上一个预设周期内的每个指标参数分别作为输入,将样本用户在下一个预设周期内的业务数据作为输出,以分别计算出每个与指标参数对应、与业务数据相关的信息价值的数值,并根据预设阈值筛选出若干个与信息价值对应的指标参数作为评价模型指标,以便评价样本用户的出访效率,或为用户的后续拜访提供数据化参考信息,有利于用户根据历史出访数据优化后续的出访效率,提高出访的签单成功率,从而改善业务数据。
在本发明的又一实施例中,所述基于所述出访定位位置与所述定位时间,清洗所述原始出访数据中的重复点,得到清洗后的出访数据,包括:
将所述原始出访数据中位于预设经纬度空间内的出访定位位置合并为所述同一出访地点,将所述同一出访地点的第一预设时段内的定位时间所占的时长合并为一次出访所占用的时长,将所述同一出访地点的第二预设时段内的定位时间所占的时长合并为另一次出访所占用的时长,得到清洗后的出访数据。
由于定位服务的定位误差、用户在同一出访位置的短距离移动等,都将造成所述原始出访数据中出访定位位置的漂移,故本实施例可根据用户在实际出访中的移动范围,预设经纬度空间,以将用户在该预设经纬度空间内的移动和操作均作为同一出访地点,从而避免同一出访地点的数据重复获取,从而造成数据的错乱。当用户在不同的时段内位于同一出访地点时,则视为同一出访地点的另一次出访,从而得到用户多次出访同一出访地点的频率。在部分实施例中,所述第一预设时段和第二预设时段可为预设的若干个小时之内;例如,将用户在四个小时之内对同一出访地点的出访作为一次出访,若对同一出访地点的出访时间超过四个小时,则计为针对同一出访地点的两次出访。本实施例的数据获取方式有利于根据出访的时长计算用户出访的总体时间。在另一部分实施例中,还可将用户在同一天内对同一出访地点的出访作为一次出访,而不必考虑该同一出访地点所占用的时间;例如,若用户在同一天内拜访同一出访地点两次,则仍视为同一次出访。本实施例有利于通过忽略单次出访所占用的实际具体时长来简化数据的计算周期,并有利于减少用户在短时间内不必要的重复出访,引导用户提高拜访效率。
在本发明的另一实施例中,所述根据所述信息价值,筛选出多个对应的指标参数作为评价模型指标之后,如图3所示,还包括:
步骤S60:将上一预设周期内的所述固定指标参数和多个所述评价模型指标的数据值作为输入,将样本用户在下一预设周期内的业务数据作为输出,拟合出绩效预测模型,所述绩效预测模型表征上一预设周期内的评价模型指标与下一预设周期内的业务数据的关联关系。
本实施例提供了一种评价模型指标的具体应用方式,以使样本用户可根据筛选出多个对应的指标参数在上一预设周期内的数据值拟合出预测下一预设周期业务数据的绩效预测模型,从而有利于企业根据员工出访数据预测未来的业务数据,或有利于企业根据制定的目标业绩来制定员工的出访策略,提高企业运行效率。
在进一步的实施例中,所述将上一预设周期内的所述固定指标参数和多个所述评价模型指标的数据值作为输入,将样本用户在下一预设周期内的业务数据作为输出,拟合出绩效预测模型之后,还包括:
获取目标用户的评价模型指标在上一预设周期内的数值;
将所述评价模型指标在上一预设周期内的数值输入所述绩效预测模型,得到目标用户的在下一预设周期内的预测业务数据。
当根据样本用户的评价模型指标与业务数据拟合出绩效预测模型之后,可利用该绩效预测模型和评价模型指标在上一预设周期内的数值预测目标用户在下一个预设周期内的业务数据,以提高目标用户的出访效率,或有利于为目标用户制定出访策略提供数据参考。
在一些实施例中,所述使用应用程序功能包括登录应用程序的功能、在应用程序内查询的功能、在应用程序内的用户资料填写或修改的功能。在另一些实施例中,还可包括调用第三方应用的程序功能,例如调用地图定位功能以获取最近的门店信息、调用通讯录功能以获取相关联系人信息等功能。
基于以上评价指标提取方法,本发明还提出一种基于出访数据的评价指标提取装置,如图4所示,该装置包括:
获取模块10,用于获取样本用户在上一预设周期内基于预设应用软件的原始出访数据,所述原始出访数据包括出访定位位置和与所述出访定位位置对应的定位时间;
离散化模块20,用于将所述原始出访数据处理为离散化出访数据;
出访指标模块30,用于获取所述离散化出访数据中的周期出访指标,所述周期出访指标包括同一出访地点的出访次数、使用应用程序功能、一次出访所占用的时长、出访地点的人群密集度中的多个指标参数;
信息价值计算模块40,用于将固定指标参数和单个所述指标参数作为输入,将预设的样本用户在下一预设周期的业务数据作为输出,使用预置模型计算该指标参数的信息价值;其中预置模型表征上一预设周期的指标参数、信息价值与下一预设周期的业务数据的关联关系;
提取模块50,用于从所述信息价值中,筛选出若干个大于预设阈值的信息价值,将筛选出的若干个信息价值对应的指标参数作为评价模型指标。
在另一个基于出访数据的评价指标提取装置实施例中,所述离散化模块包括:
清洗子模块,用于基于所述出访定位位置与所述定位时间,清洗所述原始出访数据中的重复点,得到清洗后的出访数据;
离散处理子模块,用于根据预设经纬度精度,对所述清洗后的出访数据进行离散化处理,得到离散化出访数据
在另一个基于出访数据的评价指标提取装置实施例中,所述清洗子模块用于将所述原始出访数据中位于预设经纬度空间内的出访定位位置合并为所述同一出访地点,将所述同一出访地点的第一预设时段内的定位时间所占的时长合并为一次出访所占用的时长,将所述同一出访地点的第二预设时段内的定位时间所占的时长合并为另一次出访所占用的时长,得到清洗后的出访数据。
在另一个基于出访数据的评价指标提取装置实施例中,还包括绩效预测模型拟合模块,用于将上一预设周期内的所述固定指标参数和多个所述评价模型指标的数据值作为输入,将样本用户在下一预设周期内的业务数据作为输出,拟合出绩效预测模型,所述绩效预测模型表征上一预设周期内的评价模型指标与下一预设周期内的业务数据的关联关系。
在另一个基于出访数据的评价指标提取装置实施例中,还包括目标用户业务数据预测模块,用于获取目标用户的评价模型指标在上一预设周期内的数值,将所述评价模型指标在上一预设周期内的数值输入所述绩效预测模型,得到目标用户的在下一预设周期内的预测业务数据。
上述基于出访数据的评价指标提取装置的其它技术特征与上述基于出访数据的评价指标提取方法的技术特征相同,在此不予赘述。
本发明还提出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,该程序被处理器执行时实现前述任意一项所述的基于出访数据的评价指标提取方法。其中,所述存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory,只读存储器)、RAM(Random AcceSS Memory,随即存储器)、EPROM(EraSable Programmable Read-Only Memory,可擦写可编程只读存储器)、EEPROM(Electrically EraSable Programmable Read-Only Memory,电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是,存储介质包括由设备(例如,计算机)以能够读的形式存储或传输信息的任何介质。可以是只读存储器,磁盘或光盘等。
本发明还提出一种服务器,所述服务器包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现前述任意一项所述的基于出访数据的评价指标提取方法。
图5为本发明服务器的结构示意图,包括处理器320、存储装置330、输入单元340以及显示单元350等器件。本领域技术人员可以理解,图5示出的结构器件并不构成对所有服务器的限定,可以包括比图示更多或更少的部件,或者组合某些部件。存储装置330可用于存储应用程序310以及各功能模块,处理器320运行存储在存储装置330的应用程序310,从而执行设备的各种功能应用以及数据处理。存储装置330可以是内存储器或外存储器,或者包括内存储器和外存储器两者。内存储器可以包括只读存储器、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)、快闪存储器、或者随机存储器。外存储器可以包括硬盘、软盘、ZIP盘、U盘、磁带等。本发明所公开的存储装置包括但不限于这些类型的存储装置。本发明所公开的存储装置330只作为例子而非作为限定。
输入单元340用于接收信号的输入,以及接收目标用户在第一统计日期的用户属性信息以及对指定目标的访问信息。输入单元340可包括触控面板以及其它输入设备。触控面板可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作),并根据预先设定的程序驱动相应的连接装置;其它输入设备可以包括但不限于物理键盘、功能键(比如播放控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。显示单元350可用于显示用户输入的信息或提供给用户的信息以及计算机设备的各种菜单。显示单元350可采用液晶显示器、有机发光二极管等形式。处理器320是计算机设备的控制中心,利用各种接口和线路连接整个电脑的各个部分,通过运行或执行存储在存储装置330内的软件程序和/或模块,以及调用存储在存储装置内的数据,执行各种功能和处理数据。
在一实施方式中,服务器包括一个或多个处理器320,以及一个或多个存储装置330,一个或多个应用程序310,其中所述一个或多个应用程序310被存储在存储装置330中并被配置为由所述一个或多个处理器320执行,所述一个或多个应用程序310配置用于执行以上实施例所述的基于出访数据的评价指标提取方法。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
应该理解的是,在本发明各实施例中的各功能单元可集成在一个处理模块中,也可以各个单元单独物理存在,也可以两个或两个以上单元集成于一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于出访数据的评价指标提取方法,其特征在于,包括步骤:
获取样本用户在上一预设周期内基于预设应用软件的原始出访数据,所述原始出访数据包括出访定位位置和与所述出访定位位置对应的定位时间;
将所述原始出访数据处理为离散化出访数据;
获取所述离散化出访数据中的周期出访指标,所述周期出访指标包括同一出访地点的出访次数、使用应用程序功能、一次出访所占用的时长、出访地点的人群密集度中的多个指标参数;
将固定指标参数和单个所述指标参数作为输入,将预设的样本用户在下一预设周期的业务数据作为输出,使用预置模型计算该指标参数的信息价值;其中预置模型表征上一预设周期的指标参数、信息价值与下一预设周期的业务数据的关联关系;
从所述信息价值中,筛选出若干个大于预设阈值的信息价值,将筛选出的若干个信息价值对应的指标参数作为评价模型指标。
2.根据权利要求1所述的方法,其特征在于,所述将所述原始出访数据处理为离散化出访数据,包括:
基于所述出访定位位置与所述定位时间,清洗所述原始出访数据中的重复点,得到清洗后的出访数据;
根据预设经纬度精度,对所述清洗后的出访数据进行离散化处理,得到离散化出访数据。
3.根据权利要求2所述的方法,其特征在于,所述基于所述出访定位位置与所述定位时间,清洗所述原始出访数据中的重复点,得到清洗后的出访数据,包括:
将所述原始出访数据中位于预设经纬度空间内的出访定位位置合并为所述同一出访地点,将所述同一出访地点的第一预设时段内的定位时间所占的时长合并为一次出访所占用的时长,将所述同一出访地点的第二预设时段内的定位时间所占的时长合并为另一次出访所占用的时长,得到清洗后的出访数据。
4.根据权利要求3所述的方法,其特征在于,所述预设经纬度精度为100m。
5.根据权利要求1所述的方法,其特征在于,根据所述信息价值,筛选出多个对应的指标参数作为评价模型指标之后,还包括:
将上一预设周期内的所述固定指标参数和多个所述评价模型指标的数据值作为输入,将样本用户在下一预设周期内的业务数据作为输出,拟合出绩效预测模型,所述绩效预测模型表征上一预设周期内的评价模型指标与下一预设周期内的业务数据的关联关系。
6.根据权利要求5所述的方法,其特征在于,所述将上一预设周期内的所述固定指标参数和多个所述评价模型指标的数据值作为输入,将样本用户在下一预设周期内的业务数据作为输出,拟合出绩效预测模型之后,还包括:
获取目标用户的评价模型指标在上一预设周期内的数值;
将所述评价模型指标在上一预设周期内的数值输入所述绩效预测模型,得到目标用户的在下一预设周期内的预测业务数据。
7.根据权利要求1所述的方法,其特征在于,所述使用应用程序功能包括登录应用程序的功能、在应用程序内查询的功能、在应用程序内的用户资料填写或修改的功能。
8.一种基于出访数据的评价指标提取装置,其特征在于,包括:
获取模块,用于获取样本用户在上一预设周期内基于预设应用软件的原始出访数据,所述原始出访数据包括出访定位位置和与所述出访定位位置对应的定位时间;
离散化模块,用于将所述原始出访数据处理为离散化出访数据;
出访指标模块,用于获取所述离散化出访数据中的周期出访指标,所述周期出访指标包括同一出访地点的出访次数、使用应用程序功能、一次出访所占用的时长、出访地点的人群密集度中的一个或多个指标参数;
信息价值计算模块,用于将固定指标参数和单个所述指标参数作为输入,将预设的样本用户在下一预设周期的业务数据作为输出,使用预置模型计算该指标参数的信息价值;其中预置模型表征上一预设周期的指标参数、信息价值与下一预设周期的业务数据的关联关系;
提取模块,用于从所述信息价值中,筛选出若干个大于预设阈值的信息价值,将筛选出的若干个信息价值对应的指标参数作为评价模型指标。
9.一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,该程序被处理器执行时实现如权利要求1至7中任意一项所述的基于出访数据的评价指标提取方法。
10.一种服务器,其特征在于,所述服务器包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至7中任意一项所述的基于出访数据的评价指标提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910666835.3A CN110472192B (zh) | 2019-07-23 | 2019-07-23 | 评价指标提取方法、装置、存储介质和服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910666835.3A CN110472192B (zh) | 2019-07-23 | 2019-07-23 | 评价指标提取方法、装置、存储介质和服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110472192A CN110472192A (zh) | 2019-11-19 |
CN110472192B true CN110472192B (zh) | 2022-04-15 |
Family
ID=68509783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910666835.3A Active CN110472192B (zh) | 2019-07-23 | 2019-07-23 | 评价指标提取方法、装置、存储介质和服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472192B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113449986A (zh) * | 2021-06-25 | 2021-09-28 | 未鲲(上海)科技服务有限公司 | 一种业务分配方法、装置、服务器及存储介质 |
CN113435771A (zh) * | 2021-07-07 | 2021-09-24 | 建信金融科技有限责任公司 | 一种业务评估方法、装置及设备 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001256343A (ja) * | 2000-03-10 | 2001-09-21 | Moteibea:Kk | 顧客訪問計画システムおよびその記録媒体 |
JP2011138254A (ja) * | 2009-12-28 | 2011-07-14 | Nomura Research Institute Ltd | 面会記録管理装置、方法及びコンピュータプログラム |
CN104520881A (zh) * | 2012-06-22 | 2015-04-15 | 谷歌公司 | 基于访问可能性对附近目的地排名以及从位置历史来预测对地点的未来访问 |
JP2015114809A (ja) * | 2013-12-11 | 2015-06-22 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 商品の電子商取引による販売価格とともに、実店舗への来店によるインセンティブ及び来店日時を顧客に関連付けられた電子装置に提示するための方法、並びに、そのコンピュータ・システム及びコンピュータ・プログラム |
CN105405027A (zh) * | 2015-10-23 | 2016-03-16 | 福建星网锐捷通讯股份有限公司 | 营业厅柜面直销的方法及装置 |
CN105634787A (zh) * | 2014-11-26 | 2016-06-01 | 华为技术有限公司 | 网络关键指标的评估方法、预测方法及装置和*** |
CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN107895276A (zh) * | 2017-08-31 | 2018-04-10 | 中国平安人寿保险股份有限公司 | 客户行为轨迹记录方法、装置及存储介质 |
CN108038583A (zh) * | 2016-10-28 | 2018-05-15 | 开利公司 | 用于管理绩效指标以解决企业设施运营管理目标的方法和*** |
CN108537587A (zh) * | 2018-04-03 | 2018-09-14 | 广州优视网络科技有限公司 | 流失用户预警方法、装置、计算机可读存储介质和服务器 |
CN109360613A (zh) * | 2018-10-15 | 2019-02-19 | 平安科技(深圳)有限公司 | 用户健康的随访方法、装置、计算机设备及存储介质 |
CN109447417A (zh) * | 2018-09-29 | 2019-03-08 | 上海正也信息科技有限公司 | 一种规划分析零售医药代表销售绩效的***及其应用 |
CN109460943A (zh) * | 2018-12-14 | 2019-03-12 | 平安城市建设科技(深圳)有限公司 | 关键绩效指标管理方法、设备、存储介质及装置 |
CN109768869A (zh) * | 2017-11-06 | 2019-05-17 | ***通信有限公司研究院 | 一种业务预测方法、***和计算机存储介质 |
CN109919684A (zh) * | 2019-03-18 | 2019-06-21 | 上海盛付通电子支付服务有限公司 | 用于生成信息预测模型的方法、电子设备和计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101312927B1 (ko) * | 2011-06-03 | 2013-10-01 | 한국과학기술원 | 광고 제공 시스템 |
-
2019
- 2019-07-23 CN CN201910666835.3A patent/CN110472192B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001256343A (ja) * | 2000-03-10 | 2001-09-21 | Moteibea:Kk | 顧客訪問計画システムおよびその記録媒体 |
JP2011138254A (ja) * | 2009-12-28 | 2011-07-14 | Nomura Research Institute Ltd | 面会記録管理装置、方法及びコンピュータプログラム |
CN104520881A (zh) * | 2012-06-22 | 2015-04-15 | 谷歌公司 | 基于访问可能性对附近目的地排名以及从位置历史来预测对地点的未来访问 |
JP2015114809A (ja) * | 2013-12-11 | 2015-06-22 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 商品の電子商取引による販売価格とともに、実店舗への来店によるインセンティブ及び来店日時を顧客に関連付けられた電子装置に提示するための方法、並びに、そのコンピュータ・システム及びコンピュータ・プログラム |
CN105634787A (zh) * | 2014-11-26 | 2016-06-01 | 华为技术有限公司 | 网络关键指标的评估方法、预测方法及装置和*** |
CN105405027A (zh) * | 2015-10-23 | 2016-03-16 | 福建星网锐捷通讯股份有限公司 | 营业厅柜面直销的方法及装置 |
CN108038583A (zh) * | 2016-10-28 | 2018-05-15 | 开利公司 | 用于管理绩效指标以解决企业设施运营管理目标的方法和*** |
CN107895276A (zh) * | 2017-08-31 | 2018-04-10 | 中国平安人寿保险股份有限公司 | 客户行为轨迹记录方法、装置及存储介质 |
CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN109768869A (zh) * | 2017-11-06 | 2019-05-17 | ***通信有限公司研究院 | 一种业务预测方法、***和计算机存储介质 |
CN108537587A (zh) * | 2018-04-03 | 2018-09-14 | 广州优视网络科技有限公司 | 流失用户预警方法、装置、计算机可读存储介质和服务器 |
CN109447417A (zh) * | 2018-09-29 | 2019-03-08 | 上海正也信息科技有限公司 | 一种规划分析零售医药代表销售绩效的***及其应用 |
CN109360613A (zh) * | 2018-10-15 | 2019-02-19 | 平安科技(深圳)有限公司 | 用户健康的随访方法、装置、计算机设备及存储介质 |
CN109460943A (zh) * | 2018-12-14 | 2019-03-12 | 平安城市建设科技(深圳)有限公司 | 关键绩效指标管理方法、设备、存储介质及装置 |
CN109919684A (zh) * | 2019-03-18 | 2019-06-21 | 上海盛付通电子支付服务有限公司 | 用于生成信息预测模型的方法、电子设备和计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
Ch. Sudheer •R.et.al.A hybrid SVM-PSO model for forecasting monthly streamflow.《Neural Computing and Applications (2014)》.2013,第1381-1389页. * |
中国经济周期的混频数据测度及实时分析;郑挺国等;《经济研究》;20130630(第6期);第58-70页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110472192A (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12010167B2 (en) | Automated server workload management using machine learning | |
TWI617927B (zh) | 用戶行為資訊收集及資訊發送方法及裝置 | |
US8356026B2 (en) | Predictive data caching | |
US7430494B2 (en) | Dynamic data stream histograms for no loss of information | |
EP2885725B1 (en) | Updating cached database query results | |
US20070083500A1 (en) | Method of incorporating DBMS wizards with analytical models for DBMS servers performance optimization | |
CN102955841A (zh) | 用于在复杂事件处理环境中预测事件流的未来行为的方法和/或装置 | |
US10909114B1 (en) | Predicting partitions of a database table for processing a database query | |
US20190303356A1 (en) | Database capacity estimation for database sizing | |
CN112740195A (zh) | 数据库***中维护统计的技术 | |
CN110569222B (zh) | 链路追踪方法、装置、计算机设备和可读存储介质 | |
CN110472192B (zh) | 评价指标提取方法、装置、存储介质和服务器 | |
US10061678B2 (en) | Automated validation of database index creation | |
CN109154937A (zh) | 查询响应的动态流式传输 | |
CN110309110A (zh) | 一种大数据日志监控方法及装置、存储介质和计算机设备 | |
EP3142050A1 (en) | Predicting attribute values for user segmentation | |
US8887161B2 (en) | System and method for estimating combined workloads of systems with uncorrelated and non-deterministic workload patterns | |
CN109614347A (zh) | 多级缓存数据的处理方法、装置、存储介质及服务器 | |
US20180173712A1 (en) | Real time query planner statistics with time based changing | |
CA3167981C (en) | Offloading statistics collection | |
KR20190022434A (ko) | 데이터베이스 시스템의 최적화 방법, 시스템, 전자장치 및 저장매체 | |
Al Jawarneh et al. | Spatial-aware approximate big data stream processing | |
CN115641019A (zh) | 指标异常分析方法、装置、计算机设备和存储介质 | |
CN112632210A (zh) | 一种地理信息大数据管理方法、***以及存储介质 | |
CN114925919A (zh) | 业务资源处理方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |