CN117726378A - 基于移动互联网的流量数据统计分析方法 - Google Patents
基于移动互联网的流量数据统计分析方法 Download PDFInfo
- Publication number
- CN117726378A CN117726378A CN202311831145.1A CN202311831145A CN117726378A CN 117726378 A CN117726378 A CN 117726378A CN 202311831145 A CN202311831145 A CN 202311831145A CN 117726378 A CN117726378 A CN 117726378A
- Authority
- CN
- China
- Prior art keywords
- payment
- orders
- order
- determining
- data
- 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 35
- 238000007619 statistical method Methods 0.000 title claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims description 90
- 238000012216 screening Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 13
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于移动互联网的流量数据统计分析的方法，属于数据处理技术领域，具体包括：将除去所述异常订单的支付订单作为筛选支付订单，并根据不同的时间段内的不同的支付类型的筛选支付订单的变动情况进行所述用户的支付特征稳定性的确定，并当支付特征稳定性满足要求时，通过用户的支付订单中的异常订单数据、疑似异常订单数据进行用户的订单综合可信度的确定，并结合支付特征稳定性进行用户的特征可靠性的确定，当特征可靠性满足要求时，基于用户的支付数据进行用户画像的生成以及推荐广告的确定，实现了对用户的支付数据的支付特征的可靠性的准确评估。
Description
技术领域
本发明属于数据处理技术领域，尤其涉及一种基于移动互联网的流量数据统计分析方法。
背景技术
随着移动支付的快速发展，使得通过移动支付数据进行用户的画像的消费倾向的刻画以及针对性的进行广告的推送成为可能，具体的现有技术方案中CN202211548319.9《一种定向广告营销方法、装置、电子设备及存储介质》中通过取到的消费者的购买信息确定对应的预设标签，并根据预设标签进行消费者对应的可投放广告范围的确定，从而提升了广告投放的针对性，但是却存在以下技术问题：
消费者的支付特征并不是固定不变的，因此消费者在不同的时段内的支付特征有可能会发生一定程度的变动，因此若不能结合消费者的支付特征变动数据进行消费者的特征稳定性的评估，则无法进行针对性的广告的投放调整。
在进行消费者的流量数据的统计分析时，忽视了对消费者的使用数据对存在疑似盗刷的支付行为的识别，若不能疑似盗刷的支付行为的识别，则有可能会导致用户的消费画像的刻画结果存在偏差。
针对上述技术问题，本发明提供了一种基于移动互联网的流量数据统计分析方法。
发明内容
为实现本发明目的，本发明采用如下技术方案：
根据本发明的一个方面，提供了一种基于移动互联网的流量数据统计分析的方法。
一种基于移动互联网的流量数据统计分析方法，其特征在于，具体包括：
S1基于用户的移动终端的支付数据进行不同的支付订单的支付数据的确定，并基于不同的支付订单的支付数据的关联性以及关联支付订单进行不同的支付订单的支付数据的数据可信度以及疑似异常订单的确定，并当所述用户的疑似异常订单的数量占比满足要求时，进入下一步骤；
S2基于不同的疑似异常订单的支付地点、支付金额以及数据可信度进行所述疑似异常订单的修正可信度以及异常订单的确定；
S3将除去所述异常订单的支付订单作为筛选支付订单，并根据不同的时间段内的不同的支付类型的筛选支付订单的变动情况进行所述用户的支付特征稳定性的确定，并当所述支付特征稳定性满足要求时，进入下一步骤；
S4通过所述用户的支付订单中的异常订单数据、疑似异常订单数据进行所述用户的订单综合可信度的确定，并结合所述支付特征稳定性进行所述用户的特征可靠性的确定，当所述特征可靠性满足要求时，基于用户的支付数据进行用户画像的生成以及推荐广告的确定。
本发明的有益效果在于：
1、在本发明中依据支付数据的关联性以及关联支付订单进行疑似异常订单的确定，减少了用户的支付订单中的疑似异常订单的干扰，充分考虑到由于用户的支付数据之间的关联性的差异导致的不同的支付订单的可信度的差异，提升了用户画像的生成的可靠性，也为差异化的进行推荐广告的生成奠定了基础。
2、在本发明中通过根据不同的时间段内的不同的支付类型的筛选支付订单的变动情况进行用户的支付特征稳定性的确定，不仅排除了异常订单的干扰，同时通过考虑到不同的支付类型的筛选支付订单的变动情况实现了对支付特征变动较大的用户的筛选，避免了由于用户的支付特征的变动较为剧烈导致的用户画像的生成结果不准确的技术问题。
3、在本发明中通过结合订单综合可信度以及支付特征稳定性进行用户的特征可靠性的确定，实现了从订单中的异常订单以及疑似异常订单的情况以及支付特征变动情况两个角度对用户的支付特征的可靠情况的准确判断，实现了对支付特征较为可靠的用户的筛选，也为进一步提升用户画像的生成的准确性以及推荐广告的准确性奠定了基础。
进一步的技术方案在于，所述支付数据包括支付地点、支付金额、支付商品类型以及支付金额。
进一步的技术方案在于，在进行所述支付订单的支付数据的数据可信度的评估之前，还需要确定所述用户的支付订单的数量是否满足要求，并当所述用户的支付订单的数量满足要求时，再进行所述支付订单的支付数据的数据可信度的评估。
进一步的技术方案在于，所述用户的订单综合可信度的确定的方法为：
通过所述用户的支付订单中的异常订单的数量以及在所述用户的支付订单的数量占比进行所述支付订单中的异常订单的订单可信度的确定，通过所述用户的支付订单中的疑似异常订单的数量以及在所述用户的支付订单的数量占比进行所述支付订单中的疑似异常订单的订单可信度的确定；
通过所述用户的支付订单中的异常订单的订单可信度以及疑似异常订单的订单可信度进行所述用户的订单综合可信度的确定。
第二方面，本发明提供了一种计算机***，包括：通信连接的存储器和处理器，以及存储在所述存储器上并能够在所述处理器上运行的计算机程序，其特征在于：所述处理器运行所述计算机程序时执行上述的一种基于移动互联网的流量数据统计分析的方法。
其他特征和优点将在随后的说明书中阐述，本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。
图1是一种基于移动互联网的流量数据统计分析的方法的流程图；
图2是支付订单的支付数据的数据可信度的确定的方法的流程图；
图3是一种计算机***的框架图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
方法类实施例
为解决上述问题，根据本发明的一个方面，如图1所示，提供了一种基于移动互联网的流量数据统计分析方法，其特征在于，具体包括：
S1基于用户的移动终端的支付数据进行不同的支付订单的支付数据的确定，并基于不同的支付订单的支付数据的关联性以及关联支付订单进行不同的支付订单的支付数据的数据可信度以及疑似异常订单的确定，并当所述用户的疑似异常订单的数量占比满足要求时，进入下一步骤；
进一步的，所述支付数据包括支付地点、支付金额、支付商品类型以及支付金额。
需要说明的是，在进行所述支付订单的支付数据的数据可信度的评估之前，还需要确定所述用户的支付订单的数量是否满足要求，并当所述用户的支付订单的数量满足要求时，再进行所述支付订单的支付数据的数据可信度的评估。
具体的举例说明，所述支付订单的支付数据的数据可信度的确定的方法为：
S11基于所述支付订单的支付数据进行支付订单的支付商品类型的确定，并将判断是否存在与所述支付订单的支付商品类型一致的支付订单或者与所述支付订单的支付商品类型存在关联的支付订单，若是，则进入下一步骤，若否，则确定所述支付订单为疑似异常订单；
S12将与所述支付订单的支付商品类型一致的支付订单作为一致支付订单，并判断所述支付订单的一致支付订单的数量是否满足要求，若是，则进入步骤S14，若否，则进入步骤S13；
S13将与所述支付订单的支付商品类型存在关联的支付订单作为关联订单，并判断所述支付订单的关联订单的数量是否满足要求，若是，则进入步骤S14，若否，则确定所述支付订单为疑似异常订单；
S14获取所述支付订单的一致支付订单的数量以及不同的一致支付订单的支付时间，并结合所述一致支付订单在单位时间内的平均交易频率以及最大交易频率进行所述支付订单的一致关联系数的确定；
S15获取所述支付订单的关联订单的数量以及不同的关联订单的支付时间，并结合所述关联订单在单位时间内的平均交易频率以及最大交易频率进行所述支付订单的交易关联系数的确定，通过所述一致关联系数和交易关联系系数进行所述支付订单的关联性的确定，基于所述支付订单的关联性、一致支付订单的数量和关联订单的数量进行所述支付订单的可信度的确定。
可以理解的是，判断所述支付订单的关联订单的数量是否满足要求，具体包括：
当所述支付订单的关联订单的数量小于预设订单数量时，则确定所述支付订单的关联订单的数量不满足要求。
在另外的一种可能的实施例中，如图2所示，所述支付订单的支付数据的数据可信度的确定的方法为：
基于所述支付订单的支付数据进行支付订单的支付商品类型的确定，将与所述支付订单的支付商品类型一致的支付订单作为一致支付订单，将与所述支付订单的支付商品类型存在关联的支付订单作为关联订单，当所述关联订单的数量以及一致支付订单的数量的和大于预设支付订单数量时，则通过所述支付订单的关联订单的数量以及一致支付订单的数量的和进行支付订单的支付数据的数据可信度的确定；
当所述关联订单的数量以及一致支付订单的数量的和不大于预设支付订单数量时，获取所述支付订单的一致支付订单的数量以及不同的一致支付订单的支付时间，并结合所述一致支付订单在单位时间内的平均交易频率以及最大交易频率进行所述支付订单的一致关联系数的确定；
获取所述支付订单的关联订单的数量以及不同的关联订单的支付时间，并结合所述关联订单在单位时间内的平均交易频率以及最大交易频率进行所述支付订单的交易关联系数的确定，通过所述一致关联系数和交易关联系系数进行所述支付订单的关联性的确定，基于所述支付订单的关联性、一致支付订单的数量和关联订单的数量进行所述支付订单的可信度的确定。
S2基于不同的疑似异常订单的支付地点、支付金额以及数据可信度进行所述疑似异常订单的修正可信度以及异常订单的确定；
在其中的一种可能的实施例中，所述异常订单的确定的方法为：
根据所述疑似异常订单的支付地点确定与所述疑似异常订单的支付地点的距离小于预设距离的支付订单的数量的确定，并通过与所述疑似异常订单的支付地点的距离小于预设距离的支付订单的数量进行所述疑似异常订单的地点可信度的确定，判断所述疑似异常订单的地点可信度是否满足要求，若是，则进入下一步骤，若否，则确定所述疑似异常订单为异常订单；
根据所述疑似异常订单的支付商品类型进行所述用户在所述支付商品类型的平均支付金额的确定，并根据所述疑似异常订单的支付金额与所述平均支付金额的偏差量进行所述疑似异常订单的支付金额可信度的确定，判断所述疑似异常订单的支付金额可信度是否满足要求，若是，则进入下一步骤，若否，则确定所述疑似异常订单为异常订单；
通过所述疑似异常订单的支付金额可信度、地点可信度以及数据可信度进行所述疑似异常订单的修正可信度，并基于所述修正可信度确定所述疑似异常订单是否为异常订单。
需要进一步说明的是，在进行所述疑似异常订单的地点可信度的确定时，还需要考虑不同的与所述疑似异常订单的支付地点的距离小于预设距离的支付订单的支付时间与所述疑似异常订单的支付时间的偏差量，基于所述偏差量进行不同的与所述疑似异常订单的支付地点的距离小于预设距离的支付订单的权重值的确定，并结合与所述疑似异常订单的支付地点的距离小于预设距离的支付订单的数量进行所述疑似异常订单的地点可信度的确定。
在另外的一种可能的实施例中，所述异常订单的确定的方法为：
根据所述疑似异常订单的支付地点确定与所述疑似异常订单的支付地点的距离小于预设距离的支付订单的数量的确定，并结合与所述疑似异常订单的支付地点的距离小于预设距离的支付订单的支付时间与所述疑似异常订单的支付时间的偏差量进行所述疑似异常订单的地点可信度的确定；
根据所述疑似异常订单的支付商品类型进行所述用户在所述支付商品类型的平均支付金额的确定，并根据所述疑似异常订单的支付金额与所述平均支付金额的偏差量进行所述疑似异常订单的支付金额可信度的确定；
通过所述疑似异常订单的支付金额可信度、地点可信度以及数据可信度进行所述疑似异常订单的修正可信度，并基于所述修正可信度确定所述疑似异常订单是否为异常订单。
S3将除去所述异常订单的支付订单作为筛选支付订单，并根据不同的时间段内的不同的支付类型的筛选支付订单的变动情况进行所述用户的支付特征稳定性的确定，并当所述支付特征稳定性满足要求时，进入下一步骤；
具体的，所述支付类型根据所述筛选支付订单的支付商品类型进行确定。
在其中的一种可能的实施例中，所述用户的支付特征稳定性的确定的方法为：
通过不同的时间段内的不同的支付类型的筛选支付订单的数量、不同的支付类型的筛选支付订单的在单位时间内的平均交易频率以及最大交易频率进行不同的时间段内的不同的支付类型的支付特征量的确定；
基于不同的时段内的不同的支付类型的支付特征量进行不同的支付类型的基准支付特征量的确定，基于所述基准支付特征量进行不同的支付类型的支付特征量的偏差时段的数量的确定，并结合不同的偏差时段的支付特征量与所述基准支付特征量的偏差量进行不同的支付类型的支付特征量的变动评估量的确定，通过所述变动评估量进行所述支付类型中的变动支付类型的确定；
判断所述变动支付类型的数量是否满足要求，若是，则进入下一步骤，若否，则确定所述用户的支付特征稳定性不满足要求；
获取所述变动支付类型的数量以及不同的变动支付类型的支付特征量的变动评估量，并结合所述支付特征量的变动评估量满足要求的支付类型的数量进行所述用户的支付特征稳定性的确定。
具体的，当所述变动支付类型的数量大于预设类型数量阈值时，则确定所述变动支付类型的数量不满足要求。
在另外的一种可能的实施例中，所述用户的支付特征稳定性的确定的方法为：
通过不同的时间段内的不同的支付类型的筛选支付订单的数量、不同的支付类型的筛选支付订单的在单位时间内的平均交易频率以及最大交易频率进行不同的时间段内的不同的支付类型的支付特征量的确定；
基于不同的时段内的不同的支付类型的支付特征量进行不同的支付类型的基准支付特征量的确定，基于所述基准支付特征量进行不同的支付类型的支付特征量的偏差时段的数量的确定，并结合不同的偏差时段的支付特征量与所述基准支付特征量的偏差量进行不同的支付类型的支付特征量的变动评估量的确定，判断不同的支付类型的变动特征量的变动评估量的和是否满足要求，若是，则进入下一步骤，若否，则确定所述用户的支付特征稳定性不满足要求；
通过所述变动评估量进行所述支付类型中的变动支付类型的确定，判断所述变动支付类型在所述用户的支付类型的数量占比是否满足要求，若是，则进入下一步骤，若否，则确定所述用户的支付特征稳定性不满足要求；
获取所述变动支付类型的数量以及不同的变动支付类型的支付特征量的变动评估量，并结合所述支付特征量的变动评估量满足要求的支付类型的数量进行所述用户的支付特征稳定性的确定。
S4通过所述用户的支付订单中的异常订单数据、疑似异常订单数据进行所述用户的订单综合可信度的确定，并结合所述支付特征稳定性进行所述用户的特征可靠性的确定，当所述特征可靠性满足要求时，基于用户的支付数据进行用户画像的生成以及推荐广告的确定。
需要进一步说明的是，所述用户的订单综合可信度的确定的方法为：
通过所述用户的支付订单中的异常订单的数量以及在所述用户的支付订单的数量占比进行所述支付订单中的异常订单的订单可信度的确定，通过所述用户的支付订单中的疑似异常订单的数量以及在所述用户的支付订单的数量占比进行所述支付订单中的疑似异常订单的订单可信度的确定；
通过所述用户的支付订单中的异常订单的订单可信度以及疑似异常订单的订单可信度进行所述用户的订单综合可信度的确定。
实施例2
另一方面，如图3所示，本发明提供了一种计算机***，包括：通信连接的存储器和处理器，以及存储在所述存储器上并能够在所述处理器上运行的计算机程序，其特征在于：所述处理器运行所述计算机程序时执行上述的一种基于移动互联网的流量数据统计分析的方法。
采用以上实施例，本发明取得以下有益效果：
1、在本发明中依据支付数据的关联性以及关联支付订单进行疑似异常订单的确定，减少了用户的支付订单中的疑似异常订单的干扰，充分考虑到由于用户的支付数据之间的关联性的差异导致的不同的支付订单的可信度的差异，提升了用户画像的生成的可靠性，也为差异化的进行推荐广告的生成奠定了基础。
2、在本发明中通过根据不同的时间段内的不同的支付类型的筛选支付订单的变动情况进行用户的支付特征稳定性的确定，不仅排除了异常订单的干扰，同时通过考虑到不同的支付类型的筛选支付订单的变动情况实现了对支付特征变动较大的用户的筛选，避免了由于用户的支付特征的变动较为剧烈导致的用户画像的生成结果不准确的技术问题。
3、在本发明中通过结合订单综合可信度以及支付特征稳定性进行用户的特征可靠性的确定，实现了从订单中的异常订单以及疑似异常订单的情况以及支付特征变动情况两个角度对用户的支付特征的可靠情况的准确判断，实现了对支付特征较为可靠的用户的筛选，也为进一步提升用户画像的生成的准确性以及推荐广告的准确性奠定了基础。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (8)
1.一种基于移动互联网的流量数据统计分析方法，其特征在于，具体包括：
基于用户的移动终端的支付数据进行不同的支付订单的支付数据的确定，并基于不同的支付订单的支付数据的关联性以及关联支付订单进行不同的支付订单的支付数据的数据可信度以及疑似异常订单的确定，并当所述用户的疑似异常订单的数量占比满足要求时，进入下一步骤；
基于不同的疑似异常订单的支付地点、支付金额以及数据可信度进行所述疑似异常订单的修正可信度以及异常订单的确定；
将除去所述异常订单的支付订单作为筛选支付订单，并根据不同的时间段内的不同的支付类型的筛选支付订单的变动情况进行所述用户的支付特征稳定性的确定，并当所述支付特征稳定性满足要求时，进入下一步骤；
通过所述用户的支付订单中的异常订单数据、疑似异常订单数据进行所述用户的订单综合可信度的确定，并结合支付特征稳定性进行所述用户的特征可靠性的确定，当特征可靠性满足要求时，基于用户的支付数据进行用户画像的生成以及推荐广告的确定。
2.如权利要求1所述的基于移动互联网的流量数据统计分析的方法，其特征在于，所述支付数据包括支付地点、支付金额、支付商品类型以及支付金额。
3.如权利要求1所述的基于移动互联网的流量数据统计分析的方法，其特征在于，在进行所述支付订单的支付数据的数据可信度的评估之前，还需要确定所述用户的支付订单的数量是否满足要求，并当所述用户的支付订单的数量满足要求时，再进行所述支付订单的支付数据的数据可信度的评估。
4.如权利要求1所述的基于移动互联网的流量数据统计分析的方法，其特征在于，所述支付订单的支付数据的数据可信度的确定的方法为：
S11基于所述支付订单的支付数据进行支付订单的支付商品类型的确定，并将判断是否存在与所述支付订单的支付商品类型一致的支付订单或者与所述支付订单的支付商品类型存在关联的支付订单，若是，则进入下一步骤，若否，则确定所述支付订单为疑似异常订单；
S12将与所述支付订单的支付商品类型一致的支付订单作为一致支付订单，并判断所述支付订单的一致支付订单的数量是否满足要求，若是，则进入步骤S14，若否，则进入步骤S13；
S13将与所述支付订单的支付商品类型存在关联的支付订单作为关联订单，并判断所述支付订单的关联订单的数量是否满足要求，若是，则进入步骤S14，若否，则确定所述支付订单为疑似异常订单；
S14获取所述支付订单的一致支付订单的数量以及不同的一致支付订单的支付时间，并结合所述一致支付订单在单位时间内的平均交易频率以及最大交易频率进行所述支付订单的一致关联系数的确定；
S15获取所述支付订单的关联订单的数量以及不同的关联订单的支付时间，并结合所述关联订单在单位时间内的平均交易频率以及最大交易频率进行所述支付订单的交易关联系数的确定，通过所述一致关联系数和交易关联系系数进行所述支付订单的关联性的确定，基于所述支付订单的关联性、一致支付订单的数量和关联订单的数量进行所述支付订单的可信度的确定。
5.如权利要求4所述的基于移动互联网的流量数据统计分析的方法，其特征在于，判断所述支付订单的关联订单的数量是否满足要求，具体包括：
当所述支付订单的关联订单的数量小于预设订单数量时，则确定所述支付订单的关联订单的数量不满足要求。
6.如权利要求1所述的基于移动互联网的流量数据统计分析的方法，其特征在于，所述支付类型根据所述筛选支付订单的支付商品类型进行确定。
7.如权利要求1所述的基于移动互联网的流量数据统计分析的方法，其特征在于，所述用户的订单综合可信度的确定的方法为：
通过所述用户的支付订单中的异常订单的数量以及在所述用户的支付订单的数量占比进行所述支付订单中的异常订单的订单可信度的确定，通过所述用户的支付订单中的疑似异常订单的数量以及在所述用户的支付订单的数量占比进行所述支付订单中的疑似异常订单的订单可信度的确定；
通过所述用户的支付订单中的异常订单的订单可信度以及疑似异常订单的订单可信度进行所述用户的订单综合可信度的确定。
8.一种计算机***，包括：通信连接的存储器和处理器，以及存储在所述存储器上并能够在所述处理器上运行的计算机程序，其特征在于：所述处理器运行所述计算机程序时执行权利要求1-7任一项所述的一种基于移动互联网的流量数据统计分析的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311831145.1A CN117726378A (zh) | 2023-12-28 | 2023-12-28 | 基于移动互联网的流量数据统计分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311831145.1A CN117726378A (zh) | 2023-12-28 | 2023-12-28 | 基于移动互联网的流量数据统计分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117726378A true CN117726378A (zh) | 2024-03-19 |
Family
ID=90206979
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311831145.1A Pending CN117726378A (zh) | 2023-12-28 | 2023-12-28 | 基于移动互联网的流量数据统计分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117726378A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111784403A (zh) * | 2020-07-08 | 2020-10-16 | 广州市景心科技股份有限公司 | 基于网上商城的用户类别分析方法、装置和计算机设备 |
| CN116664238A (zh) * | 2023-06-02 | 2023-08-29 | 北京科码先锋互联网技术股份有限公司 | 一种零售行业风险订单审核管理方法及*** |
| CN117172866A (zh) * | 2023-07-28 | 2023-12-05 | 浙江天猫技术有限公司 | 订单处理方法、装置、设备及存储介质 |
-
2023
- 2023-12-28 CN CN202311831145.1A patent/CN117726378A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111784403A (zh) * | 2020-07-08 | 2020-10-16 | 广州市景心科技股份有限公司 | 基于网上商城的用户类别分析方法、装置和计算机设备 |
| CN116664238A (zh) * | 2023-06-02 | 2023-08-29 | 北京科码先锋互联网技术股份有限公司 | 一种零售行业风险订单审核管理方法及*** |
| CN117172866A (zh) * | 2023-07-28 | 2023-12-05 | 浙江天猫技术有限公司 | 订单处理方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6940646B2 (ja) | 情報推奨方法、情報推奨装置、機器および媒体 | |
| US7822720B2 (en) | Method and system of detecting keyword whose input number is rapidly increased in real time | |
| US11532001B2 (en) | System, method and computer program product for geo specific vehicle pricing | |
| US8930216B1 (en) | Method and apparatus for assessing credit for healthcare patients | |
| US20070038624A1 (en) | Method and system for detecting search terms whose popularity increase rapidly | |
| WO2023000491A1 (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
| US7809781B1 (en) | Determining a time point corresponding to change in data values based on fitting with respect to plural aggregate value sets | |
| CN111160919B (zh) | 一种区块链地址风险评估方法及装置 | |
| CN116843452A (zh) | 风险监管方法、装置、设备、介质和程序产品 | |
| JP2019185595A (ja) | 情報処理装置、情報処理方法、情報処理プログラム、判定装置、判定方法及び判定プログラム | |
| JP2009289172A (ja) | 行動履歴分析システムおよびその方法 | |
| CN108416662B (zh) | 一种数据验证方法及装置 | |
| CN117726378A (zh) | 基于移动互联网的流量数据统计分析方法 | |
| Mzoughia et al. | An improved customer lifetime value model based on Markov chain | |
| WO2021048902A1 (ja) | 学習モデル適用システム、学習モデル適用方法、及びプログラム | |
| CN111275071A (zh) | 预测模型训练、预测方法、装置及电子设备 | |
| CN114387085A (zh) | 流水数据处理方法、装置、计算机设备和存储介质 | |
| CN114201687A (zh) | 信息推荐方法、装置、电子设备及存储介质 | |
| CN116823451B (zh) | 一种信贷风险控制方法与*** | |
| US11270230B1 (en) | Self learning machine learning transaction scores adjustment via normalization thereof | |
| CA2966227A1 (en) | Entity-specific value optimization tool | |
| CN118297683A (zh) | 一种基于匹配度评估的金融产品服务推荐方法 | |
| CN117252690B (zh) | 一种贷款合同在线签订方法与*** | |
| CN117808577A (zh) | 一种基于多因子动态调节的授信处理方法 | |
| CN116739680A (zh) | 一种汽车价值估算方法、装置、电子设备及存储介质 |
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 |