CN112927000A - 网点的数据分析方法、装置、计算机设备及存储介质 - Google Patents
网点的数据分析方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112927000A CN112927000A CN201911236987.6A CN201911236987A CN112927000A CN 112927000 A CN112927000 A CN 112927000A CN 201911236987 A CN201911236987 A CN 201911236987A CN 112927000 A CN112927000 A CN 112927000A
- Authority
- CN
- China
- Prior art keywords
- service network
- scale
- points
- network
- service
- 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 84
- 238000007405 data analysis Methods 0.000 title claims abstract description 29
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000012163 sequencing technique Methods 0.000 claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 20
- 238000004590 computer program Methods 0.000 claims description 23
- 230000000007 visual effect Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 15
- 239000003054 catalyst Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000012800 visualization Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000006555 catalytic reaction Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000005054 agglomeration Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement 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
- 238000005457 optimization Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种网点的数据分析方法、装置、计算机设备及存储介质,涉及网点分类技术领域。该方法中,获取运营特征数据集合和规模特征数据集合,运营特征数据集合包括多个服务网点的运营特征数据,规模特征数据集合包括多个服务网点的规模特征数据,运营特征数据用于表征服务网点的运营情况,规模特征数据用于表征服务网点的规模;根据规模特征数据集合对多个服务网点进行聚类分组,得到多个网点分组,每个网点分组包括至少一个服务网点;根据运营特征数据集合对每个网点分组中的服务网点进行评估,并根据评估结果对每个网点分组中的服务网点进行排序。本申请实施例提供的网点的数据分析方法,可以准确地反映服务网点的运营情况。
Description
技术领域
本申请涉及网点分类技术领域,特别是涉及一种网点的数据分析方法、装置、计算机设备及存储介质。
背景技术
随着服务业的大力发展,各种类型的服务网点的数量也快速增长,例如,该服务网点可以为快递网点、售后服务网点和连锁经营网点等。面对大量的服务网点,各个服务公司需要对各个服务网点的运营情况进行评比,以便于准确了解各个服务网点的运营状态。
相关技术中,服务公司对各个服务网点的运营情况进行评比的方法主要是:获取各个服务网点的运营数据,运营数据用于表示该服务网点的运营情况。根据服务网点的运营数据可以对该服务网点进行评估。其中,一般认为,运营数据较高的服务网点的运营状态较好,而运营数据较低的服务网点的运营状态不好。
然而,上述方法中,以某服务公司包括的服务网点A和服务网点B为例,其中,服务网点A位于乡村,其运营数据为500时,表明该服务网点A的实际运营状态非常好。服务网点B位于城市闹市区,其运营数据为1000时,表明该服务网点B的实际运营状态不佳。然而由于服务网点A的运营数据低于服务网点B的运营数据,按照上述方法,得出的评比结果是:服务网点B的运营状态优于服务网点A的运营状态,显然这个结果与服务网点A和服务网点B的实际运营状态不相符合,因此,上述方法不能准确地反映服务网点的运营情况。
发明内容
基于此,有必要针对上述存在不能准确地反映服务网点的运营情况的问题,提供一种网点的数据分析方法、装置、计算机设备及存储介质。
第一方面,本申请实施例提供了一种网点的数据分析方法,该方法包括:
获取运营特征数据集合和规模特征数据集合,运营特征数据集合包括多个服务网点的运营特征数据,规模特征数据集合包括多个服务网点的规模特征数据,运营特征数据用于表征服务网点的运营情况,规模特征数据用于表征服务网点的规模;
根据规模特征数据集合对多个服务网点进行聚类分组,得到多个网点分组,每个网点分组包括至少一个服务网点;
根据运营特征数据集合对每个网点分组中的服务网点进行评估,并根据评估结果对每个网点分组中的服务网点进行排序。
在本申请的一个实施例中,根据规模特征数据集合对多个服务网点进行聚类分组,得到多个网点分组,包括:
根据规模特征数据集合对多个服务网点进行密度聚类,得到数据密度大于等于目标阈值的第一网点集合和数据密度小于目标阈值的第二网点集合;
分别对第一网点集合中的服务网点和第二网点集合中的服务网点进行分组,得到多个网点分组。
在本申请的一个实施例中,对第一网点集合中的服务网点进行分组,包括:
根据第一网点集合中的服务网点分别对应的规模特征数据,建立第一规模特征数据子集;
根据第一规模特征数据子集对第一网点集合中的服务网点进行层次聚类分组。
在本申请的一个实施例中,对第二网点集合中的服务网点进行分组,包括:
根据第二网点集合中的服务网点的规模特征数据分别计算第二网点集合中的各个服务网点的规模评分,规模评分用于表征服务网点的规模;
根据规模评分将第二网点集合中的服务网点划分为大规模组和小规模组,大规模组中的服务网点的规模评分大于等于评分阈值,小规模组中的服务网点的规模评分小于评分阈值。
在本申请的一个实施例中,根据第一规模特征数据子集对第一网点集合中的服务网点进行层次聚类分组,包括:
获取第一规模特征数据子集包括的规模特征数据分别对应的各个特征维度的维度权值;
根据维度权值和各服务网点的规模特征数据分别计算各服务网点的规模评分;
根据各服务网点的规模评分对第一网点集合中的服务网点进行层次聚类分组。
在本申请的一个实施例中,方法还包括:
向可视化终端发送排序结果,排序结果用于指示可视化终端展示每个服务网点在所属的网点分组中的排序结果。
在本申请的一个实施例中,服务网点为快递网点,规模特征数据包括服务网点的收派件量、网点人数、客户密度、网点收派比、网点小件件量占比、网点票均收件难度和网点票均派件难度中的至少两个,
其中,收派件量表示服务网点的收件量和派件量,网点人数表示服务网点的员工人数,客户密度表示服务网点所在区域的客户分布密度,网点收派比表示服务网点的收件量与派件量的比值,网点小件件量占比表示重量小于重量阈值的快递在总快递量中的占比,网点票均收件难度表示服务网点的总收件难度得分在网点总收件量中的占比,网点票均派件难度表示服务网点总派件难度得分在网点总派件量中的占比。
在本申请的一个实施例中,服务网点为快递网点,运营特征数据包括:客诉率、催件率和派件成功率,其中,客诉率表示客户投诉量在总快递量中的比例,催件率表示客户催促的快递量在总快递量中的比例,派件成功率表示成功派送的快递量在总快递量中的比例。
第二方面,本申请实施例提供了一种网点的数据分析装置,装置包括:
获取模块,用于获取运营特征数据集合和规模特征数据集合,运营特征数据集合包括多个服务网点的运营特征数据,规模特征数据集合包括多个服务网点的规模特征数据,运营特征数据用于表征服务网点的运营情况,规模特征数据用于表征服务网点的规模;
聚类分组模块,用于根据规模特征数据集合对多个服务网点进行聚类分组,得到多个网点分组,每个网点分组包括至少一个服务网点;
评估模块,用于根据运营特征数据集合对每个网点分组中的服务网点进行评估,并根据评估结果对每个网点分组中的服务网点进行排序。
第三方面,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该计算机程序被该处理器执行时实现上述第一方面的方法的步骤。
第四方面,提供了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上述第一方面的方法的步骤。
本申请实施例提供的技术方案带来的有益效果至少包括:
上述网点的数据分析方法、装置、计算机设备及存储介质,可以准确地反映服务网点的运营情况。服务公司的后台服务器(以下简称为后台服务器)可以获取运营特征数据集合和规模特征数据集合,其中运营特征数据集合包括多个服务网点的运营特征数据,运营特征数据用于表征服务网点的运营情况,规模特征数据集合包括多个服务网点的规模特征数据,规模特征数据用于表征服务网点的规模。后台服务器可以根据规模特征数据集合对多个服务网点进行聚类分组,得到多个网点分组,每个网点分组中包括至少一个服务网点。后台服务器可以根据运营特征数据集合对每个网点分组中的每个服务网点进行评估,并根据评估结果对每个网点分组中的每个服务网点进行排序。由此可知,本申请实施例中,对于多个服务网点,首先根据各个服务网点的规模进行分组,同一网点分组中的服务网点的规模是相类似的,然后,对同一网点分组中的服务网点进行评估和排序,每个服务网点在所属的网点分组中的排序情况可以准确地反映该服务网点在同等规模的多个服务网点中的运营状态,因此可以准确地反映服务网点的运营情况。
附图说明
图1为本申请实施例提供的网点的数据分析方法的实施环境的示意图;
图2为本申请实施例提供的一种网点的数据分析方法的流程图;
图3为本申请实施例提供的另一种网点的数据分析方法的流程图;
图4为本申请实施例提供的密度聚类的示意图;
图5为本申请实施例提供的另一种网点的数据分析方法的流程图;
图6为本申请实施例提供的层次聚类的示意图;
图7为本申请实施例提供的层次聚类的轮廓系数的示意图;
图8为本申请实施例提供的一种网点的数据分析装置的模块图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
当今社会,网络交易活动日益繁荣,为了配合虚拟的网络交易,越来越多的实体服务网点应运而生,服务网点主要用于向用户提供实体服务。例如,务网点可以是快递网点、售后服务网点和连锁经营网点等。面对大量的服务网点,各个服务公司需要对各个服务网点的运营情况进行评比,以便于准确了解各个服务网点的运营状态。
相关技术中,服务公司对各个服务网点的运营情况进行评比的方法主要是:获取各个服务网点的运营数据,运营数据用于表示该服务网点的运营情况。根据服务网点的运营数据可以对该服务网点进行评估。其中,一般认为,运营数据较高的服务网点的运营状态较好,而运营数据较低的服务网点的运营状态不好。
然而,上述方法中,以某服务公司包括的服务网点A和服务网点B为例,其中,服务网点A位于乡村,其运营数据为500时,表明该服务网点A的实际运营状态非常好。服务网点B位于城市闹市区,其运营数据为1000时,表明该服务网点B的实际运营状态不佳。然而由于服务网点A的运营数据低于服务网点B的运营数据,按照上述方法,得出的评比结果是:服务网点B的运营状态优于服务网点A的运营状态,显然这个结果与服务网点A和服务网点B的实际运营状态不相符合,因此,上述方法不能准确地反映服务网点的运营情况。
本申请实施例提供一种网点的数据分析方法,该方法中,对于多个服务网点,首先根据各个服务网点的规模进行分组,同一网点分组中的各个服务网点的规模是相类似的,然后根据同一网点分组中的各个服务网点的运营特征数据,对同一网点分组中的各个服务网点进行评估和排序,由于同一网点分组中相互比较排序的服务网点的规模是相类似的,因此同一网点分组中的各个服务网点的排序可以更加准确地表征各个服务网点的运营状态。
下面,将对本申请实施例提供的网点的数据分析方法所涉及到的实施环境进行简要说明。
请参考图1,该实施环境可以包括服务公司的后台服务器,该后台服务器的内部结构图可以如图1所示。该后台服务器包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该后台服务器的处理器用于提供计算和控制能力。该后台服务器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***、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***和计算机程序的运行提供环境。该后台服务器的数据库用于存储运营特征数据集合中包括的运营特征数据,规模特征数据集合中包括的规模特征数据。该后台服务器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网点的数据分析方法。
本领域技术人员可以理解,图1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终端的限定,具体的终端可以包括比图1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。
请参考图2,其示出了本申请实施例提供的一种网点的数据分析方法的流程图,该网点的数据分析方法可以应用于图1所示的实施环境中,如图2所示,该网点的数据分析方法可以包括以下步骤:
步骤201、后台服务器获取运营特征数据集合和规模特征数据集合。
其中,运营特征数据集合包括多个服务网点的运营特征数据,运营特征数据用于表征服务网点的运营情况;规模特征数据集合包括多个服务网点的规模特征数据,规模特征数据用于表征服务网点的规模。
可选的,本申请实施例中,后台服务器可以获取服务公司的所有服务网点的运营特征数据和规模特征数据,将所有服务网点的运营特征数据组合成运营特征数据集合,将所有服务网点的规模特征数据组合成规模特征数据集合。
可选的,本申请实施例中,后台服务器可以获取服务公司需要评估的部分服务网点的运营特征数据和规模特征数据,将该部分服务网点的运营特征数据组合成运营特征数据集合,将该部分服务网点的规模特征数据组合成规模特征数据集合。
在一种可选的实现方式中,服务网点为快递网点,每个服务网点的规模特征数据包括该服务网点的收派件量、网点人数、客户密度、网点收派比、网点小件件量占比、网点票均收件难度和网点票均派件难度中的至少两个。
其中,收派件量表示服务网点的收件量和派件量,网点人数表示服务网点的员工人数,客户密度表示服务网点所在区域的客户分布密度,网点收派比表示服务网点的收件量与派件量的比值,网点小件件量占比表示重量小于重量阈值的快递在总快递量中的占比,网点票均收件难度表示服务网点的总收件难度得分在网点总收件量中的占比,网点票均派件难度表示服务网点总派件难度得分在网点总派件量中的占比。
需要说明的是,当服务网点为快递网点时,考虑到各个服务网点的全职收派员和非全职收派员比例不同,且非全职收派员的实际工作效率相比全职收派员的工作效率低,因此,服务网点的网点人数=全职收派员+非全职收派员×人效系数。可选的,本申请实施例中,人效系数可以为4/9。
需要说明的是,本申请实施例中,服务网点的总收件难度得分是根据服务网点的客户密度、接驳状态以及轨迹距离等特征进行加权求和计算得到的。基于相同的原理,可以计算得到服务网点总派件难度得分。
在一种可选的实现方式中,服务网点为快递网点,每个服务网点的运营特征数据包括:客诉率、催件率和派件成功率。
其中,客诉率表示客户投诉量在总快递量中的比例,催件率表示客户催促的快递量在总快递量中的比例,派件成功率表示成功派送的快递量在总快递量中的比例。
步骤202、后台服务器根据规模特征数据集合对多个服务网点进行聚类分组,得到多个网点分组。
其中,每个网点分组包括至少一个服务网点。
本申请实施例中,采用聚类的方法按照各个服务网点的规模特征数据进行分组,将规模相当的服务网点归为同一网点分组,将规模差别较大的服务网点归为不同的分组。
在一种可选的实现方式中,如图3所示,本申请实施例中,采用密度聚类方法对多个服务网点进行聚类分组,具体过程可以包括以下步骤:
步骤301、后台服务器根据规模特征数据集合对多个服务网点进行密度聚类,得到数据密度大于等于目标阈值的第一网点集合和数据密度小于目标阈值的第二网点集合。
密度聚类算法是一种基于数据密度的聚类算法,该聚类算法一般假定样本的类别可以通过样本分布的紧密程度决定,同一类别的样本,他们之间的联系更紧密,如图4中曲线内部区域的点所示,也就是说,该类别的任意一个样本周围不远处一定有同类别的样本存在。而对于不同类别的样本,则分布的较为离散,如图4中曲线外侧区域的点所示。密度聚类方法对于样本中的离散点可以很好的进行分类。
本申请实施例中,后台服务器根据规模特征数据集合对多个服务网点进行密度聚类的具体过程可以是:
后台服务器可以根据每个服务网点对应的规模特征数据计算得到每个服务网点的规模数据,规模数据可以用于表示服务网点的规模情况。以各个服务网点的规模数据为样本,采用密度聚类方法可以得到每个规模数据对应的数据密度。将数据密度大于等于目标阈值的规模数据对应的服务网点划分至第一网点集合,将数据密度小于目标阈值的规模数据对应的服务网点划分至第二网点集合。
结合图4,可以认为是曲线内部区域的点可以表示数据密度大于等于目标阈值的服务网点,曲线外侧区域的点可以表示数据密度小于目标阈值的服务网点。
需要说明的是,后台服务器根据每个服务网点对应的规模特征数据计算得到规模数据的过程可以是:对每个服务网点对应的规模特征数据进行加权求和得到该服务网点的规模数据。
步骤302、后台服务器分别对第一网点集合中的服务网点和第二网点集合中的服务网点进行分组,得到多个网点分组。
在一种可选的实现方式中,后台服务器对第一网点集合中的服务网点的分组过程可以包括多种方式。
其中一种可选的方式是:后台服务器对第一网点集合中的服务网点进行分组的过程可以是:根据第一网点集合中的服务网点的规模数据,设置多个不同的规模数据区间,将属于同一规模数据区间的规模数据对应的服务网点划分至一个网点分组。
其中另一种可选的方式是:采用层次聚类方法进行分组。由于密度聚类方法对于样本中的离散点可以很好的进行分类,而对于样本中分布紧密的部分不能进行很好的分类。而层次聚类方法,容易受到样本中离散样本的影响,导致分类精度不高。鉴于此种情况,本申请实施例提供了一种将密度聚类方法和层次聚类方法融合起来进行聚类分组的方法。具体的,本申请实施例中,在上述步骤301采用密度聚类方法得到第一网点集合的基础上,对第一网点集合中的服务网点采用层次聚类方法进行分组。其中,如图5所示,后台服务器对第一网点集合中的服务网点采用层次聚类方法进行分组的过程可以是:
步骤501、后台服务器根据第一网点集合中的服务网点分别对应的规模特征数据,建立第一规模特征数据子集。
第一规模特征数据子集中包括所有属于第一网点集合的服务网点的规模特征数据。
步骤502、后台服务器根据第一规模特征数据子集对第一网点集合中的服务网点进行层次聚类分组。
可选的,后台服务器根据第一规模特征数据子集对第一网点集合中的服务网点进行层次聚类分组的过程可以是:
后台服务器获取第一规模特征数据子集包括的规模特征数据分别对应的各个特征维度的维度权值。
本申请实施例中,当服务网点为快递网点时,规模特征数据分别对应的各个特征维度可以是指:服务网点的收派件量、网点人数、客户密度、网点收派比、网点小件件量占比、网点票均收件难度和网点票均派件难度。
后台服务器可以获取各个特征维度对应的维度权值。维度权值越大,表示该特征维度的重要性越高,维度权值越小,表示该特征维度的重要性越低。
后台服务器根据维度权值和各服务网点的规模特征数据分别计算各服务网点的规模评分。
后台服务器可以根据服务网点的规模特征数据和各个维度特征的维度权值进行加权求和,得到规模评分。规模评分是对服务网点的规模的量化表示。可选的,规模评分越大,表示服务网点的规模越大。规模评分越小,表示服务网点的规模越小。
后台服务器根据各服务网点的规模评分对第一网点集合中的服务网点进行层次聚类分组。
本申请实施例中,后台服务器根据各服务网点的规模评分进行层次聚类分组的过程可以是:
对于第一网点集合中的任意一个服务网点A,计算服务网点A与其他服务网点之间的距离,选取与服务网点A的距离最小的服务网点B,将服务网点A和服务网点B划分为第一小组。然后对第一网点集合中除了服务网点A和服务网点B之外的其他服务网点重复上述算法,直至第一网点集合中的所有服务网点均被划分至不同的第一小组中。
然后对于多个第一小组,以第一小组A为例,第一小组A中例如包括服务网点H和服务网点F,那么计算服务网点H和服务网点F的平均值M,以平均值M作为第一小组A的规模数据,计算第一小组A与其他第一小组之间的距离,选取与第一小组A的距离最小的第一小组B,将第一小组A与第一小组B划分为第二小组。基于同样的方法,直至所有的第一小组被划分至不同的第二小组为止。
重复上述步骤,将两两第二小组划分为第三小组,将两两第三小组划分为第四小组……,直至将所有服务网点聚为一类。如图6所示,层次聚类方法的最终结果是将所有样本聚为一类。图6示出了层次聚类树状图的示意图,层次聚类方法是通过某种相似性测度计算样本之间的相似性,并按照相似度由高到低排序。通过图6可以看出,在密度聚类方法去除了离散样本之后的层次聚类方法的类别划分明显,而类别之间也是比较紧凑的。
根据图6可以看出,层次聚类方法的最终结果是将所有样本聚为一类,显然,这并不是我们需要的结果。也就是说,我们需要从图6中示出的多个层次中选取合适的层次,该选取的合适的层次对应的类别数即为对服务网点层次聚类得到的网点分组的分组数。
可选的,本申请实施例中,可以通过选定轮廓系数的方法来判断网点分组的分组数。在层次聚类方法中,轮廓系数结合了层次聚类的凝聚度和分离度,可以用于评估聚类效果。
本申请实施例中,当网点分组的分组数K不同时,其每个分组数所对应的的轮廓系数也不相同。举例而言,本申请实施例中可以对网点分组的分组数K从1到12分别计算其对应的轮廓系数(轮廓系数的计算过程不进行赘述),如图7所示。从图7中可以看出,当网点分组的分组数K=8时,即将第一网点集合中的服务网点分为8个网点分组时,轮廓系数的值最高。轮廓系数的值越高,表示该分组数对应的凝聚度和分离度都相对较优,聚类结果较好。因此,层次聚类分组可以将服务网点分为8个网点分组。
在一种可选的实现方式中,第二网点集合中的服务网点为通过密度聚类方法筛选出来的离散样本。也就是说,第二网点集合中的服务网点为规模特征数据中的至少一个数据与其他服务网点的差异性非常大。对于第二网点集合中的服务网点,因为各个服务网点的差异性较大,通过聚类算法无法进行很好的分组。因此,后台服务器对第二网点集合中的服务网点进行分组的过程可以如图8所示:
后台服务器根据第二网点集合中的服务网点的规模特征数据分别计算第二网点集合中的各个服务网点的规模评分。
本申请实施例中,对于第二网点集合中的每个服务网点,获取该服务网点的规模特征数据,对服务网点的规模特征数据进行加权求和得到规模评分。规模评分可以用于表征服务网点的规模。
后台服务器根据规模评分将第二网点集合中的服务网点划分为大规模组和小规模组。
本申请实施例中,第二网点集合中的服务网点为规模特征数据中的至少一个数据与其他服务网点的差异性非常大,一般而言,该差异性非常大的数可能是极大值或者极小值,极大值对应的为规模非常大的服务网点,极小值对应的是规模非常小的服务网点。
基于上述分析,本申请实施例将第二网点集合中的服务网点的规模评分大于等于评分阈值的服务网点划分至大规模组,将规模评分小于评分阈值的服务网点划分至小规模组。大规模组中的服务网点的规模评分大于等于评分阈值,小规模组中的服务网点的规模评分小于评分阈值。
步骤203、后台服务器根据运营特征数据集合对每个网点分组中的服务网点进行评估,并根据评估结果对每个网点分组中的服务网点进行排序。
本申请实施例中,对每个网点分组中的服务网点进行评估和排序,而对于不同网点分组的服务网点不进行评估和排序,保证了进行评估和排序的服务网点的规模大致相同,这样各个服务网点的评估和排序更能表现出该服务网点的运营状态。
本申请实施例中,服务网点的运营特征数据分别对应的特征维度包括多种,如派件成功率、催件率、客诉率等。考虑到各特征维度的数据的数量级的差距,通过对每个特征维度的数据进行标准化,并且对每个特征维度根据实际业务场景的情况设置不同的权重,进而进行加权得分作为评价服务网点运营状态好坏的依据。
例如,通过密度聚类和层次聚类实现了对全网服务网点的区分,如划分为10个网点分组。在同一网点分组中,对运营特征数据分别对应的各个特征维度的数据进行标准化处理。
例如,服务网点A的客诉率用A’表示,服务网点A所属的网点分组中最大的客诉率用max客诉表示,服务网点A所属的网点分组中最小的客诉率用min客诉表示。那么以服务网点A为例,对客诉率进行标准化处理的过程可以是:服务网点A的客诉率得分=10×(A’-max客诉)/(min客诉-max客诉)。
服务网点A的催件率用B’表示,服务网点A所属的网点分组中最大的催件率用max催件表示,服务网点A所属的网点分组中最小的催件率用min催件表示。那么以服务网点A为例,对催件率进行标准化处理的过程可以是:服务网点A的催件率得分=10×(B’-max催件)/(min催件-max催件)。
服务网点A的催件率用C’表示,服务网点A所属的网点分组中最大的派件成功率用max派件表示,服务网点A所属的网点分组中最小的派件成功率用min派件表示。那么以服务网点A为例,对派件成功率进行标准化处理的过程可以是:服务网点A的派件成功率得分=10×(C’-min派件)/(max派件-min派件)。
得到客诉率得分、催件率得分和派件成功率得分之后,计算服务网点的总得分。总得分=客诉率得分×客诉率权值、催件率得分×催件率权值+派件成功率得分×派件成功率权值。总得分可以反映服务网点的运营情况。
需要说明的是,本申请实施例中,运营特征数据分别对应的各个特征维度并不限于上述列举出来的内容,还可以包括利润率、营收率等。
然后根据每个服务网点的总得分进行排序。通过排序可以得到每个服务网点在同等规模的服务网点中的表现。表现较好即运营状态好的,排序靠前。表现不好即运营状态不好的排序靠后。
在一种可选的实现方式中,本申请实施例还可以向可视化终端发送排序结果,该排序结果可以用于指示可视化终端展示每个服务网点在所属分组中的排序结果。
本申请实施例中,通过***化的展示,可以实现各个服务网点的管理者直观地看出自己中服务网点在同等规模服务网点中的一个排名,促使各服务网点后续在各监控指标上的优化改善。
需要说明的是,该排序结果中还可以包括各个服务网点的规模评分、运营总得分等信息。
可选的,在一种可能的实现方式中,本申请实施例中,后台服务器还可以对同一网点分组中的各个服务网点的运营特征数据分别对应的每个特征维度进行排序。可选的,向可视化终端发送的排序结果中可以包括每个特征维度的排序结果。
上述网点的数据分析方法,可以准确地反映服务网点的运营情况。后台服务器可以获取运营特征数据集合和规模特征数据集合,其中运营特征数据集合包括多个服务网点的运营特征数据,运营特征数据用于表征服务网点的运营情况,规模特征数据集合包括多个服务网点的规模特征数据,规模特征数据用于表征服务网点的规模。后台服务器可以根据规模特征数据集合对多个服务网点进行聚类分组,得到多个网点分组,每个网点分组中包括至少一个服务网点。后台服务器可以根据运营特征数据集合对每个网点分组中的每个服务网点进行评估,并根据评估结果对每个网点分组中的每个服务网点进行排序。由此可知,本申请实施例中,对于多个服务网点,首先根据各个服务网点的规模进行分组,同一网点分组中的服务网点的规模是相类似的,然后,对同一网点分组中的服务网点进行评估和排序,每个服务网点在所属的网点分组中的排序情况可以准确地反映该服务网点在同等规模的多个服务网点中的运营状态,因此可以准确地反映服务网点的运营情况。
请参考图8,其示出了本申请实施例提供的一种网点的数据分析装置的框图,该网点的数据分析装置可以配置在图1所示实施环境中的后台服务器中。如图8所示,该网点的数据分析装置可以包括获取模块801,聚类分组模块802和评估模块803。
获取模块801,用于获取运营特征数据集合和规模特征数据集合,运营特征数据集合包括多个服务网点的运营特征数据,规模特征数据集合包括多个服务网点的规模特征数据,运营特征数据用于表征服务网点的运营情况,规模特征数据用于表征服务网点的规模;
聚类分组模块802,用于根据规模特征数据集合对多个服务网点进行聚类分组,得到多个网点分组,每个网点分组包括至少一个服务网点;
评估模块803,用于根据运营特征数据集合对每个网点分组中的服务网点进行评估,并根据评估结果对每个网点分组中的服务网点进行排序。
在本申请的一个实施例中,聚类分组模块802还用于根据规模特征数据集合对多个服务网点进行密度聚类,得到数据密度大于等于目标阈值的第一网点集合和数据密度小于目标阈值的第二网点集合;分别对第一网点集合中的服务网点和第二网点集合中的服务网点进行分组,得到多个网点分组。
在本申请的一个实施例中,聚类分组模块802还用于根据第一网点集合中的服务网点分别对应的规模特征数据,建立第一规模特征数据子集;根据第一规模特征数据子集对第一网点集合中的服务网点进行层次聚类分组。
在本申请的一个实施例中,聚类分组模块802还用于根据第二网点集合中的服务网点的规模特征数据分别计算第二网点集合中的各个服务网点的规模评分,规模评分用于表征服务网点的规模;根据规模评分将第二网点集合中的服务网点划分为大规模组和小规模组,大规模组中的服务网点的规模评分大于等于评分阈值,小规模组中的服务网点的规模评分小于评分阈值。
在本申请的一个实施例中,聚类分组模块802还用于获取第一规模特征数据子集包括的规模特征数据分别对应的各个特征维度的维度权值;根据维度权值和各服务网点的规模特征数据分别计算各服务网点的规模评分;根据各服务网点的规模评分对第一网点集合中的服务网点进行层次聚类分组。
在本申请的一个实施例中,评估模块803还用于向可视化终端发送排序结果,排序结果用于指示可视化终端展示每个服务网点在所属的网点分组中的排序结果。
关于网点的数据分析装置的具体限定可以参见上文中对于网点的数据分析方法的限定,在此不再赘述。上述网点的数据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。
在本申请的一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取运营特征数据集合和规模特征数据集合,运营特征数据集合包括多个服务网点的运营特征数据,规模特征数据集合包括多个服务网点的规模特征数据,运营特征数据用于表征服务网点的运营情况,规模特征数据用于表征服务网点的规模;根据规模特征数据集合对多个服务网点进行聚类分组,得到多个网点分组,每个网点分组包括至少一个服务网点;根据运营特征数据集合对每个网点分组中的服务网点进行评估,并根据评估结果对每个网点分组中的服务网点进行排序。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:根据规模特征数据集合对多个服务网点进行密度聚类,得到数据密度大于等于目标阈值的第一网点集合和数据密度小于目标阈值的第二网点集合;分别对第一网点集合中的服务网点和第二网点集合中的服务网点进行分组,得到多个网点分组。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:根据第一网点集合中的服务网点分别对应的规模特征数据,建立第一规模特征数据子集;根据第一规模特征数据子集对第一网点集合中的服务网点进行层次聚类分组。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:根据第二网点集合中的服务网点的规模特征数据分别计算第二网点集合中的各个服务网点的规模评分,规模评分用于表征服务网点的规模;根据规模评分将第二网点集合中的服务网点划分为大规模组和小规模组,大规模组中的服务网点的规模评分大于等于评分阈值,小规模组中的服务网点的规模评分小于评分阈值。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:获取第一规模特征数据子集包括的规模特征数据分别对应的各个特征维度的维度权值;根据维度权值和各服务网点的规模特征数据分别计算各服务网点的规模评分;根据各服务网点的规模评分对第一网点集合中的服务网点进行层次聚类分组。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:向可视化终端发送排序结果,排序结果用于指示可视化终端展示每个服务网点在所属的网点分组中的排序结果。
本申请实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在本申请的一个实施例中,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:
获取运营特征数据集合和规模特征数据集合,运营特征数据集合包括多个服务网点的运营特征数据,规模特征数据集合包括多个服务网点的规模特征数据,运营特征数据用于表征服务网点的运营情况,规模特征数据用于表征服务网点的规模;根据规模特征数据集合对多个服务网点进行聚类分组,得到多个网点分组,每个网点分组包括至少一个服务网点;根据运营特征数据集合对每个网点分组中的服务网点进行评估,并根据评估结果对每个网点分组中的服务网点进行排序。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:根据规模特征数据集合对多个服务网点进行密度聚类,得到数据密度大于等于目标阈值的第一网点集合和数据密度小于目标阈值的第二网点集合;分别对第一网点集合中的服务网点和第二网点集合中的服务网点进行分组,得到多个网点分组。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:根据第一网点集合中的服务网点分别对应的规模特征数据,建立第一规模特征数据子集;根据第一规模特征数据子集对第一网点集合中的服务网点进行层次聚类分组。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:根据第二网点集合中的服务网点的规模特征数据分别计算第二网点集合中的各个服务网点的规模评分,规模评分用于表征服务网点的规模;根据规模评分将第二网点集合中的服务网点划分为大规模组和小规模组,大规模组中的服务网点的规模评分大于等于评分阈值,小规模组中的服务网点的规模评分小于评分阈值。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:获取第一规模特征数据子集包括的规模特征数据分别对应的各个特征维度的维度权值;根据维度权值和各服务网点的规模特征数据分别计算各服务网点的规模评分;根据各服务网点的规模评分对第一网点集合中的服务网点进行层次聚类分组。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:向可视化终端发送排序结果,排序结果用于指示可视化终端展示每个服务网点在所属的网点分组中的排序结果。
本申请实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
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。
以上所述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,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种网点的数据分析方法,其特征在于,所述方法包括:
获取运营特征数据集合和规模特征数据集合,所述运营特征数据集合包括多个服务网点的运营特征数据,所述规模特征数据集合包括所述多个服务网点的规模特征数据,所述运营特征数据用于表征服务网点的运营情况,所述规模特征数据用于表征服务网点的规模;
根据所述规模特征数据集合对所述多个服务网点进行聚类分组,得到多个网点分组,每个所述网点分组包括至少一个服务网点;
根据所述运营特征数据集合对每个所述网点分组中的服务网点进行评估,并根据评估结果对每个所述网点分组中的服务网点进行排序。
2.根据权利要求1所述的方法,其特征在于,所述根据所述规模特征数据集合对所述多个服务网点进行聚类分组,得到多个网点分组,包括:
根据所述规模特征数据集合对所述多个服务网点进行密度聚类,得到数据密度大于等于目标阈值的第一网点集合和数据密度小于所述目标阈值的第二网点集合;
分别对所述第一网点集合中的服务网点和所述第二网点集合中的服务网点进行分组,得到所述多个网点分组。
3.根据权利要求2所述的方法,其特征在于,所述对所述第一网点集合中的服务网点进行分组,包括:
根据所述第一网点集合中的服务网点分别对应的规模特征数据,建立第一规模特征数据子集;
根据所述第一规模特征数据子集对所述第一网点集合中的服务网点进行层次聚类分组。
4.根据权利要求2所述的方法,其特征在于,所述对所述第二网点集合中的服务网点进行分组,包括:
根据所述第二网点集合中的服务网点的规模特征数据分别计算所述第二网点集合中的各个服务网点的规模评分,所述规模评分用于表征服务网点的规模;
根据所述规模评分将所述第二网点集合中的服务网点划分为大规模组和小规模组,所述大规模组中的服务网点的规模评分大于等于评分阈值,所述小规模组中的服务网点的规模评分小于所述评分阈值。
5.根据权利要求3所述的方法,其特征在于,所述根据所述第一规模特征数据子集对所述第一网点集合中的服务网点进行层次聚类分组,包括:
获取所述第一规模特征数据子集包括的规模特征数据分别对应的各个特征维度的维度权值;
根据所述维度权值和各所述服务网点的规模特征数据分别计算各所述服务网点的规模评分;
根据各所述服务网点的规模评分对所述第一网点集合中的服务网点进行层次聚类分组。
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:
向可视化终端发送排序结果,所述排序结果用于指示所述可视化终端展示每个服务网点在所属的网点分组中的排序结果。
7.根据权利要求1所述的方法,其特征在于,所述服务网点为快递网点,所述规模特征数据包括服务网点的收派件量、网点人数、客户密度、网点收派比、网点小件件量占比、网点票均收件难度和网点票均派件难度中的至少两个,
其中,所述收派件量表示服务网点的收件量和派件量,所述网点人数表示服务网点的员工人数,所述客户密度表示所述服务网点所在区域的客户分布密度,所述网点收派比表示服务网点的收件量与派件量的比值,所述网点小件件量占比表示重量小于重量阈值的快递在总快递量中的占比,所述网点票均收件难度表示服务网点的总收件难度得分在网点总收件量中的占比,所述网点票均派件难度表示服务网点总派件难度得分在网点总派件量中的占比。
8.一种网点的数据分析装置,其特征在于,所述装置包括:
获取模块,用于获取运营特征数据集合和规模特征数据集合,所述运营特征数据集合包括多个服务网点的运营特征数据,所述规模特征数据集合包括所述多个服务网点的规模特征数据,所述运营特征数据用于表征服务网点的运营情况,所述规模特征数据用于表征服务网点的规模;
聚类分组模块,用于根据所述规模特征数据集合对所述多个服务网点进行聚类分组,得到多个网点分组,每个所述网点分组包括至少一个服务网点;
评估模块,用于根据所述运营特征数据集合对每个所述网点分组中的服务网点进行评估,并根据评估结果对每个所述网点分组中的服务网点进行排序。
9.一种计算机设备,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7中任一项所述的方法的步骤。
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中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911236987.6A CN112927000A (zh) | 2019-12-05 | 2019-12-05 | 网点的数据分析方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911236987.6A CN112927000A (zh) | 2019-12-05 | 2019-12-05 | 网点的数据分析方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112927000A true CN112927000A (zh) | 2021-06-08 |
Family
ID=76162315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911236987.6A Pending CN112927000A (zh) | 2019-12-05 | 2019-12-05 | 网点的数据分析方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112927000A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850900A (zh) * | 2015-04-27 | 2015-08-19 | 北京工业大学 | 一种公共自行车***网点布局优化成套方法 |
US9152703B1 (en) * | 2013-02-28 | 2015-10-06 | Symantec Corporation | Systems and methods for clustering data samples |
CN105513362A (zh) * | 2016-02-03 | 2016-04-20 | 东南大学 | 一种公交站台毗邻区公交车运行状态评价验证方法 |
CN108573274A (zh) * | 2018-03-06 | 2018-09-25 | 华南理工大学 | 一种基于数据稳定性的选择性聚类集成方法 |
CN109165854A (zh) * | 2018-08-29 | 2019-01-08 | 中国民用航空总局第二研究所 | 空管运行效率等级评估方法及其装置 |
CN109408554A (zh) * | 2018-09-17 | 2019-03-01 | 顺丰科技有限公司 | 物流网点的数据分析方法、***、设备及存储介质 |
-
2019
- 2019-12-05 CN CN201911236987.6A patent/CN112927000A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9152703B1 (en) * | 2013-02-28 | 2015-10-06 | Symantec Corporation | Systems and methods for clustering data samples |
CN104850900A (zh) * | 2015-04-27 | 2015-08-19 | 北京工业大学 | 一种公共自行车***网点布局优化成套方法 |
CN105513362A (zh) * | 2016-02-03 | 2016-04-20 | 东南大学 | 一种公交站台毗邻区公交车运行状态评价验证方法 |
CN108573274A (zh) * | 2018-03-06 | 2018-09-25 | 华南理工大学 | 一种基于数据稳定性的选择性聚类集成方法 |
CN109165854A (zh) * | 2018-08-29 | 2019-01-08 | 中国民用航空总局第二研究所 | 空管运行效率等级评估方法及其装置 |
CN109408554A (zh) * | 2018-09-17 | 2019-03-01 | 顺丰科技有限公司 | 物流网点的数据分析方法、***、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
赵永彬;陈硕;刘明;王佳楠;贲驰;: "采用分布式DBSCAN算法的用电行为分析", 小型微型计算机***, vol. 39, no. 05, 31 May 2018 (2018-05-31), pages 1108 - 1112 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111324657B (zh) | 应急预案内容优化方法和计算机设备 | |
CN109801091B (zh) | 目标用户群体定位方法、装置、计算机设备和存储介质 | |
CN106919957B (zh) | 处理数据的方法及装置 | |
CN112241494B (zh) | 基于用户行为数据的关键信息推送方法及装置 | |
CN110929879A (zh) | 基于决策引擎和模型平台的业务决策逻辑更新方法 | |
CN111597348A (zh) | 用户画像方法、装置、计算机设备和存储介质 | |
CN111652661B (zh) | 一种手机客户端用户流失预警处理方法 | |
CN111210158B (zh) | 目标地址确定方法、装置、计算机设备和存储介质 | |
CN115641162A (zh) | 一种基于建筑工程造价的预测数据分析***和方法 | |
CN110827169A (zh) | 一种基于分级指标的分布式电网业务监控方法 | |
CN110378739B (zh) | 一种数据流量匹配方法及装置 | |
CN112712112A (zh) | 区域流动人口识别方法、装置、设备及介质 | |
CN109150845A (zh) | 监测终端流量的方法以及*** | |
CN115689334A (zh) | 仓库管理***的效率分析方法、***及计算机设备 | |
CN110765351A (zh) | 目标用户识别方法、装置、计算机设备和存储介质 | |
CN106651630B (zh) | 关键用电行业识别方法和*** | |
CN112163154A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN112927000A (zh) | 网点的数据分析方法、装置、计算机设备及存储介质 | |
CN116187675A (zh) | 任务分配方法、装置、设备及存储介质 | |
CN113822301B (zh) | 分拣中心的分类方法及装置、存储介质、电子设备 | |
CN115409226A (zh) | 一种数据处理方法和数据处理*** | |
CN113205442A (zh) | 基于区块链的电子政务数据反馈管理方法及装置 | |
CN113743435A (zh) | 业务数据分类模型的训练、业务数据的分类方法和装置 | |
CN110727510A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
CN115657971B (zh) | 面向企业数字化服务的云存储分配方法、***及云服务器 |
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 |