CN114936872B - 一种基于大数据的信息分析方法 - Google Patents

Abstract

本发明公开了一种基于大数据的信息分析方法，分析方法包括：构建评价项目，记录专家与用户的评价分值；根据专家的评价分值求出预测数学期望；根据用户的评价分值求出实际数学期望；对实际数学期望与预测数学期望之间的差值大于预定值的评价项目进行一次标记；根据评价分值构建矩阵，处理矩阵以获取每一类别的评价项目与累加总分之间的影响，二次标记出多个对累加总分影响大的评价项目；取出同时被一次标记和二次标记的评价项目；获取改造被一次标记和二次标记的评价项目改进需要的成本建立回归曲线；本发明能够对用户评价数据进行处理以筛选出改进成本低而评价分值回升明显的评价项目，从而以较少的改进成本来较大的提升用户实际的使用体验。

Description

一种基于大数据的信息分析方法

技术领域

本发明涉及数据分析技术领域，特别是涉及一种基于大数据的信息分析方法。

背景技术

随着汽车市场竞争的愈发激烈，整车厂销售业务的利润逐年在下降，卖一台车的利润远比想象的要低，相对来说，售后业务的利润则较为丰厚；随着过去10多年中国汽车市场的高速发展，一些大型的整车厂的基盘客户数已经达到千万以上；车辆进4S店维修，维修保养所用到的配件都是4S店向整车厂订购的纯正配件，所以整车厂越发重视售后业务的发展；当前处于大数据时代，从商业的角度出发，大数据分析的目的主要是对目标客户需求的分析，如果想要既提高客户对售后的满意度，也可以降低企业的运营成本，就需要了解客户的需求与企业改进需求的成本之间的关系，尽可能的以较低的成本来较大的提升用户的满意度。

发明内容

针对上述问题，本发明设计了一种基于大数据的信息分析方法，主要应用于分析用户对不同项目的满意度，并分析出对满意度影响较大的评价项目，通过回归曲线分析其改进成本，最终达到以较低的成本来较大的提升用户的满意度的目的；分析方法包括：

构建评价项目，并记录多位评价对象对多个所述评价项目的评价分值以及每位所述评价对象对所有所述评价项目的累加总分；所述评价对象包括专家与用户；

根据专家的所述评价分值求出预测数学期望；处理所述用户的评价分值，并根据处理后的所述评价分值求出实际数学期望；对所述实际数学期望与所述预测数学期望之间的差值大于预定值的所述评价项目进行一次标记；

根据所述评价分值构建矩阵，处理矩阵以获取每一类别的所述评价项目与所述累加总分之间的影响，二次标记出多个对所述累加总分影响大的评价项目；

取出同时被一次标记和二次标记的所述评价项目；获取被一次标记和二次标记的所述评价项目改进需要的成本，以成本和被一次标记、二次标记的所述评价项目的评价分值为因变量和自变量建立回归曲线。

进一步的，所述处理所述用户的评价分值包括：除去对多个所述评价项目的所述评价分值打分为相同分值的用户的数据；所述根据处理后的所述评价分值求出实际数学期望表达式如下：

其中，所述g_k表示评价分值，p_k表示同一所述评价项目中相同评价分值所占所有所述评价分值的比例。

进一步的，所述根据所述评价分值构建矩阵包括：构建第一矩阵，以所述评价对象作为第一矩阵的行，以所述评价项目作为第一矩阵的列，令所述评价对象数量为n，所述评价项目数量为m，评价对象为x，并以x_nm表示第n个评价对象对第m个评价项目的评价分值，第一矩阵为Z₁则所述第一矩阵的表达式为：

进一步的，所述处理矩阵以获取每一类别的所述评价项目与所述累加总分之间的影响包括：

对所述第一矩阵进行去中心化处理形成第二矩阵，并构建所述第二矩阵的协方差矩阵；

求出所述协方差矩阵的特征值和特征向量；

按照从大到小的顺序排列特征值，并以最大的特征值对应的特征向量构建第三矩阵；

将所述第三矩阵与所述第一矩阵相乘获取第四矩阵。

进一步的，所述对所述第一矩阵进行去中心化处理形成第二矩阵，并构建所述第二矩阵的协方差矩阵包括：

第一矩阵中的代表所述评价项目的列均减去当前列的平均值，令第二矩阵为Z₂，当前列的平均值为

则所述第二矩阵的表达式为：

令协方差矩阵为R，则其表达式为：

进一步的，所述以成本和被一次标记、二次标记的所述评价项目的评价分值为因变量和自变量建立回归曲线包括：

构建回归方程以及构建损失函数；

求出所述回归方程与所述损失函数之间的关系；

求解损失函数的最优解。

进一步的，所述构建回归方程包括：

获取改造某一评价项目的成本z，预测当所述成本z付出后，对对应的评价项目的评价分值

的影响，表示为：

所述构建损失函数包括：获取改造某一评价项目的成本z，并获取实际所述成本z付出后，对对应的评价项目的评价分值y的影响，令损失函数为L，n表示实际参与比较的

与y的组数，则损失函数表示为：

进一步的，所述求解损失函数的最优解包括：

将评价分值

代入损失函数L中，表达式为：

有益效果：本发明设计的一种基于大数据的信息分析方法先通过数学期望比较用户与专家对评价项目的评价得分之间差距，一次标记出用户实际体验中比预期的评价项目，之后通过矩阵分析并二次标记出对用户评价的累加总分影响最大的评价项目；取出同时被一次标记和二次标记的评价项目，并通过构建线性回归方程来计算改进被一标记和二次标记的评价项目的成本与评价分值之间的关系，以获取通过最低的成本来最大提高用户满意度的改进方法。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了本发明一种基于大数据的信息分析方法的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明公开了一种基于大数据的信息分析方法；

参照图1，分析方法包括：

构建评价项目，并记录多位评价对象对多个评价项目的评价分值以及每位评价对象对所有评价项目的累加总分；评价对象包括专家与用户；

根据专家的评价分值求出预测数学期望；处理用户的评价分值，并根据处理后的评价分值求出实际数学期望；对实际数学期望与预测数学期望之间的差值大于预定值的评价项目进行一次标记；

根据评价分值构建矩阵，处理矩阵以获取每一类别的评价项目与累加总分之间的影响，二次标记出多个对累加总分影响大的评价项目；

取出同时被一次标记和二次标记的评价项目；获取被一次标记和二次标记的评价项目改进需要的成本，以成本和被一次标记、二次标记的评价项目的评价分值为因变量和自变量建立回归曲线。

进一步的，处理用户的评价分值包括：除去对多个评价项目的评价分值打分为相同分值的用户的数据；根据处理后的评价分值求出实际数学期望表达式如下：

其中，g_k表示评价分值，p_k表示同一评价项目中相同评价分值所占所有评价分值的比例；

示例性的，如：当前成本下，通过专家打分获取的预测数学期望值为：5％的人评价分值为10分，10％的用户评价是30分，20％人评价分值为40分，30％人评价分值为50分，20％的人评价分值为70分，5％的用户评价为80分，10％的用户评价为100分；则预测数学期望值为：

E₁(X)＝10×0.05+30×0.1+40×0.1+50×0.3+70×0.3+80×0.05+100×0.1＝61.5

通过获取用户实际的评价分值，并得到：30％的人评价分值为10分，10％的用户评价是30分，10％人评价分值为40分，10％人评价分值为50分，30％的人评价分值为70分，5％的用户评价为80分，5％的用户评价为100分；则客户认定的实际数学期望为：

E₂(X)＝10×0.3+30×0.1+40×0.1+50×0.1+70×0.3+80×0.05+100×0.05＝45

上述中的的E₁和E₂显然不相等，因此当前的评价项目需要被一次标记；

如果E₁与E₂相等或者不超过预期可接受偏差值，则当前评价项目不被一次标记；

进一步的，根据评价分值构建矩阵包括：构建第一矩阵，以评价对象作为第一矩阵的行，以评价项目作为第一矩阵的列，令评价对象数量为n，评价项目数量为m，评价对象数量为x，并以x_nm表示第n个评价对象对第m个评价项目的评价分值，第一矩阵为Z₁则第一矩阵的表达式为：

示例性的，获取评价项目为4项的一组数据[5 3 5 6；2 7 7 8；3 6 6 8；2 8 66]，根据上述数据构建矩阵Z₁，具体为：

进一步的，处理矩阵以获取每一类别的评价项目与累加总分之间的影响包括：

对第一矩阵进行去中心化处理形成第二矩阵，并构建第二矩阵的协方差矩阵；

求出协方差矩阵的特征值和特征向量；

按照从大到小的顺序排列特征值，并以最大的特征值对应的特征向量构建第三矩阵；

将第三矩阵与第一矩阵相乘获取第四矩阵，其中，含于第四矩阵中的多个元素与评价项目一一对应，且某一元素的绝对值越大表示其对累加总分的影响越大。

进一步的，对第一矩阵进行去中心化处理形成第二矩阵，并构建第二矩阵的协方差矩阵包括：

第一矩阵中的代表评价项目的列均减去当前列的平均值，令第二矩阵为Z₂，当前列的平均值为

则第二矩阵的表达式为：

示例性的，根据矩阵Z₁中的数据，可知Z₂具体为：

令协方差矩阵为R，则其表达式为：

根据方程|R-λE|＝0、

求矩阵R的特征根λ和以及特征根λ对应的特征向量/>

根据上述方程，可以求出矩阵R的特征根为：

λ₁＝0，λ₂＝0.2762，λ₃＝4.0000，λ₄＝21.7238；取出最大值λ₄；

λ₄对应的特征向量v₄为：v₄＝[-0.8281 0.3759 0.0381 0.4141]^T；

由v₄可知第一矩阵对应的第三矩阵为Z₃＝[-0.8281 0.3759 0.0381 0.4141]

将第三矩阵Z₃与第一矩阵Z₁相乘即可得到降维后的第四矩阵Z₄，如下：

[-0.8281 0.3759 0.0381 0.4141]*[5 3 5 6；2 7 7 8；3 6 6 8；2 8 6 6]＝-2.4462 3.6884 1.2040 0.8280；

即Z₄＝[-2.4462 3.6884 1.2040 0.8280]；

由上述可知，第二列数据对应的评价项目对单个评价对象的累加总分在与其他评价对象进行累加总分比较的时候造成的影响最大；在实际分析情况下，应当按照对总体分值的影响情况对评价项目进行排列大小，并取出多个对总体分值影响大的评价项目进行二次标记；

需要指出的是，为了保证被一次标记过的评价项目都可能被第二标记所包括，因此二次标记的数量需要大于一次标记的数量。

进一步的，以成本和被一次标记、二次标记的评价项目的评价分值为因变量和自变量建立回归曲线包括：

构建回归方程以及构建损失函数；

求出回归方程与损失函数之间的关系；

求解损失函数的最优解。

进一步的，构建回归方程包括：

获取改造某一评价项目的成本z，预测当成本z付出后，对对应的评价项目的评价分值

的影响，表示为：

构建损失函数包括：获取改造某一评价项目的成本z，并获取实际成本z付出后，对对应的评价项目的评价分值y的影响，令损失函数为L，n表示实际参与比较的

与y的组数，则损失函数表示为：

进一步的，求解损失函数的最优解包括：

将评价分值

代入损失函数L中，表达式为：

求解过程如下：

可以表示为：

通过构建回归曲线，能够得出相同成本付出下的不同评价项目的评价分值的增长率，并以此得出投入少且评价分值提升较大的评价项目；优先在实际工作中对其进行改进。

综上，本发明设计的一种基于大数据的信息分析方法先通过数学期望比较用户与专家对评价项目的评价得分之间差距，一次标记出用户实际体验中比预期的评价项目，之后通过矩阵分析并二次标记出对用户评价的累加总分影响最大的评价项目；取出同时被一次标记和二次标记的评价项目，并通过构建线性回归方程来计算改进被一标记和二次标记的评价项目的成本与评价分值之间的关系，以获取通过最低的成本来最大提高用户满意度的改进方法。

最后，还需要说明的是，在本文中，诸如一个和另一个等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种基于大数据的信息分析方法，其特征在于，所述分析方法包括：

构建评价项目，并记录多位评价对象对多个所述评价项目的评价分值以及每位所述评价对象对所有所述评价项目的累加总分；所述评价对象包括专家与用户；

根据专家的所述评价分值求出预测数学期望；处理所述用户的评价分值，并根据处理后的所述评价分值求出实际数学期望；对所述实际数学期望与所述预测数学期望之间的差值大于预定值的所述评价项目进行一次标记；

根据所述评价分值构建矩阵，处理矩阵以获取每一类别的所述评价项目与所述累加总分之间的影响，二次标记出多个对所述累加总分影响大的评价项目；

取出同时被一次标记和二次标记的所述评价项目；获取被一次标记和二次标记的所述评价项目改进需要的成本，以成本和被一次标记、二次标记的所述评价项目的评价分值为因变量和自变量建立回归曲线；

所述以成本和被一次标记、二次标记的所述评价项目的评价分值为因变量和自变量建立回归曲线包括：

构建回归方程以及构建损失函数；

求出所述回归方程与所述损失函数之间的关系；

求解损失函数的最优解；

所述构建回归方程包括：

获取改造某一评价项目的成本z，预测当所述成本z付出后，对对应的评价项目的评价分值

的影响，表示为：

所述构建损失函数包括：获取改造某一评价项目的成本z，并获取实际所述成本z付出后，对对应的评价项目的评价分值y的影响，令损失函数为L，n表示实际参与比较的

与y的组数，则损失函数表示为：

所述求解损失函数的最优解包括：

将评价分值

代入损失函数L中，表达式为：

2.根据权利要求1所述的基于大数据的信息分析方法，其特征在于，所述处理所述用户的评价分值包括：除去对多个所述评价项目的所述评价分值打分为相同分值的用户的数据；所述根据处理后的所述评价分值求出实际数学期望表达式如下：

其中，所述g_k表示评价分值，p_k表示同一所述评价项目中相同评价分值所占所有所述评价分值的比例。

3.根据权利要求1所述的基于大数据的信息分析方法，其特征在于，所述根据所述评价分值构建矩阵包括：构建第一矩阵，以所述评价对象作为第一矩阵的行，以所述评价项目作为第一矩阵的列，令所述评价对象数量为n，所述评价项目数量为m，评价对象表示为x，并以x_nm表示第n个评价对象对第m个评价项目的评价分值，第一矩阵为Z₁则所述第一矩阵的表达式为：

4.根据权利要求3所述的基于大数据的信息分析方法，其特征在于，所述处理矩阵以获取每一类别的所述评价项目与所述累加总分之间的影响包括：

对所述第一矩阵进行去中心化处理形成第二矩阵，并构建所述第二矩阵的协方差矩阵；

求出所述协方差矩阵的特征值和特征向量；

按照从大到小的顺序排列特征值，并以最大的特征值对应的特征向量构建第三矩阵；

将所述第三矩阵与所述第一矩阵相乘获取第四矩阵。

5.根据权利要求4所述的基于大数据的信息分析方法，其特征在于，所述对所述第一矩阵进行去中心化处理形成第二矩阵，并构建所述第二矩阵的协方差矩阵包括：

第一矩阵中的代表所述评价项目的列均减去当前列的平均值，令第二矩阵为Z₂，当前列的平均值为

则所述第二矩阵的表达式为：

令协方差矩阵为R，则其表达式为：

Images