一种基于用户行为数据的指标项挖掘模型的制作方法

1.本发明涉及基于用户行为数据的指标项挖掘模型技术领域，具体为一种 基于用户行为数据的指标项挖掘模型。


背景技术：

2.现在绝大多数中国企业正在迈入数字化经营的时代，用数字指导企业有 效制定计划和制定合理的目标，也是企业得以健康发展重要保障，而对于指 标的挖掘则是目标制定的基础和前提。能够利用大数据的优势，并结合智能 的算法，帮助企业每个员工快速提取各种有效的指标，指导日常工作行为， 体现日常工作成果；为企业管理者业绩考核提供奖罚依据，本发明的应用场 景十分广泛，并且具有非常重大的意义。
3.现阶段，中国绝大多数企业经营者或团队管理者在制定目标、评绩效时， 没有具体的方法和工具，从而，会导致企业经营目标不准确、不合理。指标 提取不充分、不全面，会带来诸多不利的影响。如果考虑不周全，经常导致 目标制定的失衡，绩效衡量不均，未能发现其中闪光点，未能找到缺失点及 时规避过改正，错过最佳商业窗口机会。
4.本发明要解决的技术问题是基于大数据应用，提供一种合理制定目标的 算法系统。基于企业经营过程中的大数据，建立算法模型，通过数据的分析、 统计和计算，帮助企业员工和经营管理者提取行业有价值指标，实现指标的 智能化提取。


技术实现要素：

5.(一)解决的技术问题
6.本发明提供了一种基于用户行为数据的指标项挖掘模型，具备帮助企业 员工和经营管理者提取行业有价值指标的优点，解决了背景技术提出的问题。
7.(二)技术方案
8.本发明提供如下技术方案：一种基于用户行为数据的指标项挖掘模型， 包括：
9.ods层
10.用于存放面向分析主体的流量实时数据和数据库表；
11.dwd层
12.用于对所述流量实时数据进行清洗，将所述流量实时数据转化成指标的 目标值明细表、指标的达成值明细表、流量明细表和其他明细表；
13.dws层
14.用于面向分析主体进行建仓，将所述指标的目标值明细表和所述指标的 达成值明细表经k-means划分法转换成天数指标实体宽度表和历史累计指标 实体宽度表；将所述流量明细表经dbscan密度法转换成天数流量实体宽度表 和历史累计指标流量实体宽度表；将所述其他明细表经不同行业指标转化成 其他实体宽度表；
15.dim层
16.用于将所述天数指标实体宽度表、所述历史累计指标实体宽度表、所述 天数流量
实体宽度表、所述历史累计指标流量实体宽度表和所述其他实体宽 度表进行规范并对做主数据库表进行填充；
17.ads层
18.基于dws层和dim层，建设大量面向用户的数据集市，用于指标展示。
19.优选的，所述dws层建仓考虑三个方向，分别为：
20.①
.数据域的划分特点；
21.②
.业务的复杂度，各业务线、业务过程之间的区别和联系，用户在各业 务线的特点和关系，业务数据体量，解耦因素等；
22.③
指标的特点，指标的构成是退化维+时间周期+原子指标构成，所以分 析下指标的退化维一般有哪些、时间周期有哪些、原子指标种类有哪些。
23.优选的，所述dws层中k-means划分法的公式为：
24.其中，xi表示为样本参数，μj表示为聚类质心点。
25.优选的，所述dsw层中dbscan密度法：将数据集当作由低密度区域分隔 的高密度区域。
26.优选的，所述dws层中不同行业指标分为：销售行业和研发行业。
27.优选的，所述销售行业：采用总体运营指标项、销售转化指标项、客户 价值指标项、商品及供应链指标项。
28.优选的，所述研发行业：采用产品管理相关指标项、功能开发相关指标 项、功能测试相关指标项。
29.(三)有益效果
30.本发明具备以下有益效果：
31.该种基于用户行为数据的指标项挖掘模型，在于彻底解决了困扰企业员 工和经营者在指标提取方面的难题，进而帮助企业改善经营提升效率，具体 有以下几点：
32.①
指标更加全面：由于很多中小企业缺乏经营管理的经验，对自己所在 行业的指标认知不全面，不知如何提取，系统通过数据挖掘提供的行业经验， 让企业能更全面掌握行业指标。
33.②
指标更加及时、准确：由于指标是通过自己录入提取，并通过算法统 计、分析和计算得来，将使得指标更加及时和精确。
34.③
指标进展可视化：通过对指标的挖掘，可以实现目标进展及管理的可 视化，比如看板、排名、图表等，更易于员工发现自己的优缺点，管理者发 现企业经营和团队管理中的问题，进而及时采取管理措施等。
附图说明
35.图1为本发明指标项模型层次框架示意图；
36.图2为本发明用户和指标项业务线设计流程示意图；
37.图3为本发明单个模型建模流程示意图；
38.图4为本发明部分模型架构示意图。
具体实施方式
39.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、完整地描述，一种基于用户行为数据的指标项挖掘模型，包括：
40.ods层
41.用于存放面向分析主体的流量实时数据和数据库表；
42.dwd层
43.用于对流量实时数据进行清洗，将流量实时数据转化成指标的目标值明 细表、指标的达成值明细表、流量明细表和其他明细表；
44.dws层
45.用于面向分析主体进行建仓，将指标的目标值明细表和指标的达成值明 细表经k-means划分法转换成天数指标实体宽度表和历史累计指标实体宽度 表；将流量明细表经dbscan密度法转换成天数流量实体宽度表和历史累计指 标流量实体宽度表；将其他明细表经不同行业指标转化成其他实体宽度表， dws层的基架是轻度汇总事实表，这里做了一些常用的退化维；
46.基本要求是：大部分指标项都可以从轻度汇总层上计算得出、中度汇总 层按需建设、重度汇总层基本上是单实体指标；
47.dim层
48.用于将天数指标实体宽度表、历史累计指标实体宽度表、天数流量实体 宽度表、历史累计指标流量实体宽度表和其他实体宽度表进行规范并对做主 数据库表进行填充，因为含有不同身份的用户和多种类的行业指标实体，所 以会有大量的维度模型；
49.ads层
50.基于dws层和dim层，建设大量面向用户的数据集市，用于指标展示。
51.进一步的，dws层建仓考虑三个方向，分别为：
52.①
.数据域的划分特点；
53.②
.业务的复杂度，各业务线、业务过程之间的区别和联系，用户在各业 务线的特点和关系，业务数据体量，解耦因素等；
54.③
指标的特点，指标的构成是退化维+时间周期+原子指标构成，所以分 析下指标的退化维一般有哪些、时间周期有哪些、原子指标种类有哪些。
55.进一步的，对指标项的聚类，聚类时，预定了多种维度数据(行业维表、 时间周期维表、目标值维表等等、企业属性维表、个人属性维表)，因此， 在用户选定所属行业后，所产生的的指标项都会打上该行业的标签。
56.进一步的，dws层中k-means划分法的公式为：
57.其中，xi表示为样本参数，μj表示为聚类质心点；给定训练样 本x1,.....,xm，每一个xi∈rn，即表示每一个样本元素都是n维向量；随机 选取k个聚类质心点为μ1,μ2,...,μk∈rn，重复下列过程直到收敛；对于每 一个样本i计算其应该属于的类ci＝arg min j||
x(i)-μj||2；对于每一个类μj,重 新计算该类的质心
58.进一步的，dws层中dbscan密度法：将数据集当作由低密度区域分隔的 高密度区域,其中，dbscan发现簇可以是任意形状的，而k均值则假定簇是 凸性的；
59.另外，dbscan算法具有决定性，当以相同的顺序提供相同的数据时，始 终生成相同的群集。但是，当以不同的顺序提供数据时，结果可能会有所不 同。因为输入顺序的不同，分配非核心样本的聚类可能因数据顺序而异。当 非核心样本的距离低于不同集群中两个核心样本时，就会发生这种情况。由 于三角不平等，两个核心样本彼此的距离更远，否则他们将处于同一数据簇， 因此，对所属同行业维的指标项，会当作一个连续的簇状群输入系统，同一 行业中，使用频率最高的指标项，会被定义为核心样本。通过把所有的指标 项进行模型训练后，我们会得到各自数据簇的大致坐标及核心样本距离，凭 借距离值的远近，用来描述数据簇的相似度。
60.进一步的，dws层中不同行业指标分为：销售行业和研发行业；
61.销售行业：采用总体运营指标项、销售转化指标项、客户价值指标项、 商品及供应链指标项。
62.研发行业：采用产品管理相关指标项、功能开发相关指标项、功能测试 相关指标项。
63.工作原理：对用户行为数据的指标项挖掘时，首先，建立起最基本的用 于存放面向分析主体的流量实时数据和数据库表，建立后，对流量流量实时 数据进行清洗，将所述流量流量实时数据转化成指标的目标值明细表、指标 的达成值明细表、流量明细表和其他明细表。
64.完成后，面向分析主体进行建仓，将所述指标的目标值明细表和所述指 标的达成值明细表经划分法转换成天数指标实体宽度表和历史累计指标实体 宽度表；将所述流量明细表经密度法转换成天数流量实体宽度表和历史累计 指标流量实体宽度表；将所述其他明细表经不同行业指标转化成其他实体宽 度表。
65.转化完成后，将所述天数指标实体宽度表、所述历史累计指标实体宽度 表、所述天数流量实体宽度表、所述历史累计指标流量实体宽度表和所述其 他实体宽度表进行规范并对做主数据库表进行填充，补充完成后，建设大量 面向用户的数据集市，通过转化完成后的数据和现有的数据进行对比，对比 完成后对数据指标进行公示。
66.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而 言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行 多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限 定。