交易数据处理方法、装置、设备、存储介质及产品与流程

1.本技术涉及数据处理技术领域，具体而言，涉及一种交易数据处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品。


背景技术：

2.目前，在相关技术的交易过程中，交易数据都是按行依次存储在数据库中，并在需要对产品进行相关指标如复购率的统计时，采用结构化查询语言(structured query language，sql)在数据库中进行查找，统计效率非常低；可见，如何提升交易数据相关指标的统计效率是亟待解决的问题。


技术实现要素：

3.为解决上述技术问题，本技术的实施例提供了交易数据处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品，进而至少在一定程度上可以提升交易数据相关指标的统计效率。
4.根据本技术实施例的一个方面，提供了一种交易数据处理方法，所述方法包括：以交易参与方标识和交易日期为维度，构造目标产品对应的第一关系矩阵；获取历史交易数据；其中，所述历史交易数据中包含有多个交易参与方针对所述目标产品在各个交易日的交易统计数据；根据所述历史交易数据对所述第一关系矩阵进行元素值填充处理，并基于填充后的第一关系矩阵计算得到所述目标产品在多个不同时间段内分别对应的复购率；根据所述多个不同时间段内分别对应的复购率绘制基于时间序列的统计图，以根据所述统计图确定所述目标产品的交易属性变化趋势。
5.根据本技术实施例的一个方面，提供了一种交易数据处理装置，所述装置包括：构造模块，配置为以交易参与方标识和交易日期为维度，构造目标产品对应的第一关系矩阵；获取模块，配置为获取历史交易数据；其中，所述历史交易数据中包含有多个交易参与方针对所述目标产品在各个交易日的交易统计数据；处理与计算模块，配置为根据所述历史交易数据对所述第一关系矩阵进行元素值填充处理，并基于填充后的第一关系矩阵计算得到所述目标产品在多个不同时间段内分别对应的复购率；绘制模块，配置为根据所述多个不同时间段内分别对应的复购率绘制基于时间序列的统计图，以根据所述统计图确定所述目标产品的交易属性变化趋势。
6.在本技术的一些实施例中，基于前述方案，所述获取模块具体配置为从区块链网络中获取所述历史交易数据；该装置还包括：第一生成模块，配置为根据每个交易日采集到的多个交易参与方针对所述目标产品的交易统计数据生成一个区块，得到每个交易日对应的区块；第一存储模块，配置为将所述每个交易日对应的区块进行上链存储；其中，不同的交易日对应的区块高度不相同。
7.在本技术的一些实施例中，基于前述方案，所述交易统计数据中包含有交易参与方标识，以及与交易参与方标识对应的交易金额；所述第一生成模块包括：第一生成单元，
配置为根据所述交易统计数据中含有的交易参与方标识生成键元素，以及根据所述交易统计数据中含有的交易金额生成值元素；关联单元，配置为将所述键元素和对应的值元素进行关联，并将关联结果确定为待上链数据；第二生成单元，根据所述待上链数据生成所述区块。
8.在本技术的一些实施例中，基于前述方案，所述第一生成单元包括：归一化处理单元，配置为对所述交易统计数据中含有的交易金额进行归一化处理；其中，大于设定值的交易金额归一化处理后为第一数值，小于或等于所述设定值的交易金额归一化处理为第二数值；第一生成子单元，配置为根据归一化处理后的数值生成所述值元素。
9.在本技术的一些实施例中，基于前述方案，该装置还包括：第二存储模块，配置为每在所述区块链网络中新增一个区块，则获取新增区块的区块高度；将所述新增区块的区块高度与所述新增区块对应的交易日关联存储至第一关系表中；其中，所述获取模块，具体配置为根据所述第一关系表从对应区块高度的区块中获取指定交易日的交易统计数据，以得到所述历史交易数据。
10.在本技术的一些实施例中，基于前述方案，该装置还包括：第三存储模块，配置为在将第一个交易日对应的区块新增至所述区块链网络中时，获取所述第一个交易日所对应区块的区块高度；将所述第一个交易日所对应区块的区块高度与所述第一个交易日关联存储至第二关系表中；其中，所述获取模块，具体配置为根据指定交易日与所述第二关联表中第一个交易日之间的时间段间隔关系，确定所述指定交易日所对应区块的区块高度；从所述指定交易日所对应区块高度的区块中获取所述指定交易日的交易统计数据，以得到所述历史交易数据。
11.在本技术的一些实施例中，基于前述方案，该装置还包括：第一接收模块，配置为接收携带有第一时间段间隔集合以及第一指定日期集合的指令；其中，所述第一时间段间隔集合包括一个时间段间隔，所述第一指定日期集合包括多个在时间轴上相邻或不相邻的指定交易日；第二生成模块，配置为根据所述携带有第一时间段间隔集合以及第一指定日期集合的指令，生成多个目标日期集合；其中，各目标日期集合包括一个起始日期和一个终止日期，所述终止日期由所述指定交易日确定，所述起始日期由所述终止日期和所述时间段间隔确定；其中，所述处理与计算模块，具体配置为从所述第一关系矩阵中分别确定出与各目标日期集合对应的第二关系矩阵，以得到多个第二关系矩阵；基于各第二关系矩阵中所包含的元素值分别计算得到所述各第二关系矩阵对应的复购率，以得到所述目标产品在多个不同时间段内分别对应的复购率。
12.在本技术的一些实施例中，基于前述方案，第二接收模块，配置为接收携带有第二时间段间隔集合以及第二指定日期集合的指令；其中，所述第二时间段间隔集合包括多个依次递增的时间段间隔，所述第二指定日期集合包括多个在时间轴上相邻或不相邻的指定交易日；第三生成模块，配置为根据所述携带有第二时间段间隔集合以及第二指定日期集合的指令，生成多个目标日期集合；其中，各目标日期集合包括一个起始日期和一个终止日期，所述终止日期由所述指定交易日确定，所述起始日期由所述终止日期和所述时间段间隔确定；其中，所述处理与计算模块，具体配置为从所述第一关系矩阵中分别确定出与各目标日期集合对应的第三关系矩阵，以得到多个第三关系矩阵；基于各第三关系矩阵中所包含的元素值分别计算得到所述各第三关系矩阵对应的复购率，以得到所述目标产品在多个
不同时间段内分别对应的复购率。
13.在本技术的一些实施例中，基于前述方案，所述第三关系矩阵所填充的元素值为对交易统计数据进行归一化处理之后的第一数值和第二数值；所述处理与计算模块，还具体配置为：对第三关系矩阵中所包含的元素值基于时间序列进行求和运算，以得到所述多个交易参与方在所述第三关系矩阵对应的时间段内的元素值总和；从所述多个交易参与方在所述第三关系矩阵对应的时间段内的元素值总和中，筛选出元素值总和大于或等于预设数值的交易参与方，并统计所筛选出的交易参与方的总数；将所筛选出的交易参与方的总数与所述第三关系矩阵中含有的交易参与方的总数进行求商运算，得到所述第三关系矩阵对应的复购率。
14.在本技术的一些实施例中，基于前述方案，第四存储模块，配置为将所述目标产品在多个不同时间段内分别对应的复购率存储至区块链网络中；展示模块，配置为若接收到携带有指定时间段的查询指令，则从所述区块链网络中获取对应的复购率进行展示。
15.在本技术的一些实施例中，基于前述方案，根据所述多个不同时间段内分别对应的复购率，在二维显示空间中绘制基于时间序列的折线统计图，以根据所述折线统计图确定所述目标产品的交易生命周期、交易活跃度以及交易复购周期中的至少一个的变化趋势。
16.根据本技术实施例的一个方面，提供了一种电子设备，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电子设备执行时，使得所述电子设备实现如上所述的交易数据处理方法。
17.根据本技术实施例的一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的交易数据处理方法。
18.根据本技术实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实施例中提供的交易数据处理方法。
19.在本技术的实施例提供的技术方案中，首先以交易参与方标识和交易日期为维度，构造目标产品对应的第一关系矩阵，然后根据获取到的历史交易数据对第一关系矩阵进行元素值填充处理，并基于填充后的第一关系矩阵计算得到目标产品在多个不同时间段内分别对应的复购率，进而根据多个不同时间段内分别对应的复购率绘制基于时间序列的统计图，以根据统计图确定目标产品的交易属性变化趋势；其中历史交易数据中包含有多个交易参与方针对目标产品在各个交易日的交易统计数据。这样通过构造目标产品的第一关系矩阵，并基于历史交易数据对第一关系矩阵的元素值进行填充，可以批量计算得到不同时间段内的复购率，大大提升了交易数据关于复购率指标的统计效率；并且还根据计算得到的不同时间段内的复购率绘制基于时间序列的统计图，这样从统计图中可以直观地确定出目标产品的交易属性变化趋势，实现了对目标产品的交易趋势监控，便于后续相关人员根据目标产品的交易趋势监控灵活调整目标产品的相关策略等。
20.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
附图说明
21.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术者来讲，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。在附图中：
22.图1是区块链网络的结构示意图；
23.图2是区块链中各区块的连接关系示意图；
24.图3是可以应用本技术实施例的技术方案的示例性系统架构的示意图；
25.图4是本技术的一示例性实施例示出的交易数据处理方法的流程图；
26.图5是本技术的一示例性实施例示出的交易数据处理方法的流程图；
27.图6是图5所示实施例中的步骤s501在一示例性实施例中的流程图；
28.图7是本技术的一示例性实施例示出的折线统计图；
29.图8是本技术的一示例性实施例示出的折线统计图；
30.图9是本技术的一示例性实施例示出的折线统计图；
31.图10是本技术的一示例性实施例示出的折线统计图；
32.图11是本技术的一示例性实施例示出的交易数据处理装置的框图；
33.图12是适于用来实现本技术实施例的电子设备的计算机系统的结构示意图。
具体实施方式
34.这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相同的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相同的装置和方法的例子。
35.附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
36.附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
37.需要说明的是，在本技术中提及的“多个”是指两个或者两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
38.相关技术的交易过程中，交易数据都是按行依次存储在数据库中，并在需要对产品进行复购率指标的统计时，采用结构化查询语言在数据库中进行查找，统计效率非常低；同时由于有时候存在许多复杂的统计逻辑，因此需要对结构化查询语言进行多次修改，给相关工作人员带来较大的工作量；另外对于复杂的统计逻辑采用结构化查询语言还面临着难以实现，以及结构化查询语句较长后期维护困难等诸多问题。
39.基于此，本技术实施例提出了一种交易数据处理方法，通过构造目标产品的关系矩阵，并基于历史交易数据对关系矩阵的元素值进行填充，可以批量计算得到不同时间段
内的复购率，大大提升了交易数据关于复购率指标的统计效率，避免了采用结构化查询语言进行统计，统计效率低以及维护困难等诸多问题；并且还根据计算得到的不同时间段内的复购率绘制基于时间序列的统计图，这样从统计图中可以直观地确定出目标产品的交易属性变化趋势，实现了对目标产品的交易趋势监控，便于后续相关人员根据目标产品的交易趋势监控灵活调整目标产品的相关策略等。
40.在介绍本技术实施例的技术方案之前，先介绍本技术实施例中用到的区块链技术。
41.区块链(blockchain)是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块(即区块)，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。
42.其中，区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中用户管理模块负责所有区块链参与者的身份信息管理，包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等，并且在授权的情况下，监管和审计某些真实身份的交易情况，提供风险控制的规则配置(风控审计)；基础服务模块部署在所有区块链节点设备上，用来验证业务请求的有效性，并对有效请求完成共识后记录到存储上，对于一个新的业务请求，基础服务先对接口适配解析和鉴权处理(接口适配)，然后通过共识算法将业务信息加密(共识管理)，在加密之后完整一致的传输至共享账本上(网络通信)，并进行记录存储；智能合约模块负责合约的注册发行以及合约触发和合约执行，开发人员可以通过某种编程语言定义合约逻辑，发布到区块链上(合约注册)，根据合约条款的逻辑，调用密钥或者其它的事件触发执行，完成合约逻辑，同时还提供对合约升级注销的功能；运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出，例如告警、监控网络情况、监控节点设备健康状态等。
43.其中，平台产品服务层提供典型应用的基本能力和实现框架，开发人员可以基于这些基本能力，叠加业务的特性，完成业务逻辑的区块链实现。
44.其中，应用服务层提供基于区块链方案的应用服务给业务参与方进行使用。
45.如上，区块链本质上是一个去中心化的数据库，而区块链是由区块链网络中的节点共同维护的。例如请参阅图1，在图1所示的区块链网络中，可以包括多个节点101，多个节点101可以是形成区块链网络的各个客户端。每个节点101在进行正常工作可以接收到输入信息，并基于接收到的输入信息维护该区块链网络内的共享数据。为了保证区块链网络内的信息互通，区块链网络中的每个节点之间可以存在信息连接，节点之间可以通过上述信息连接进行信息传输。例如当区块链网络中的任意节点接收到输入信息时，区块链网络中的其它节点便根据共识算法获取该输入信息，将该输入信息作为共享数据进行存储，使得区块链网络中全部节点上存储的数据均一致。
46.对于区块链网络中的每个节点，均具有与其对应的节点标识，而且区块链网络中的每个节点均可以存储有其它节点的节点标识，以便后续根据其它节点的节点标识，将生成的区块广播至区块链网络中的其它节点。每个节点中可维护一个节点标识列表，将节点
名称和节点标识对应存储至该节点标识列表中。其中，节点标识可为ip(internet protocol，网络之间互联的协议)地址以及其他任一种能够用于标识该节点的信息。
47.区块链网络中的每个节点均存储一条相同的区块链。区块链由多个区块组成，请参阅图2，区块链由多个区块组成，创始块中包括区块头和区块主体，区块头中存储有输入信息特征值、版本号、时间戳和难度值等，区块主体中存储有输入信息；创始块的下一区块以创始块为父区块，下一区块中同样包括区块头和区块主体，区块头中存储有当前区块的输入信息特征值、父区块的区块头特征值、版本号、时间戳和难度值等，并以此类推，使得区块链中每个区块中存储的区块数据均与父区块中存储的区块数据存在关联，保证了区块中输入信息的安全性。
48.区块链网络中各个节点可以是服务器，也可以是终端设备。其中服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算(cloud computing)、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn(content delivery network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。其中终端设备包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。各个节点之间可以通过有线或无线通信方式进行直接或间接地连接，本技术在此不做限制。
49.前述的云计算是指it基础设施的交付和使用模式，具体指通过网络以按需、易扩展的方式获得所需资源；广义云计算指服务的交付和使用模式，指通过网络以按需、易扩展的方式获得所需服务。这种服务可以是it和软件、互联网相关，也可是其他服务。云计算是网格计算(grid computing)、分布式计算(distributed computing)、并行计算(parallel computing)、效用计算(utility computing)、网络存储(network storage technologies)、虚拟化(virtualization)、负载均衡(load balance)等传统计算机和网络技术发展融合的产物。随着互联网、实时数据流、连接设备多样化的发展，以及搜索服务、社会网络、移动商务和开放协作等需求的推动，云计算迅速发展起来。不同于以往的并行分布式计算，云计算的产生从理念上将推动整个互联网模式、企业管理模式发生革命性的变革。
50.基于前述介绍的区块链技术，以及相关技术中交易数据相关指标的统计效率低的问题，本技术的实施例提供的一种交易数据处理方法。具体而言，在本技术的一个应用场景中，请参阅图3，主要包含了云服务器301、区块链网络302。
51.其中，云服务器301具有逻辑计算能力，其通过以交易参与方标识和交易日期为维度，构造目标产品对应的第一关系矩阵，并从区块链网络302中获取历史交易数据，根据历史交易数据对第一关系矩阵进行元素值填充处理，并基于填充后的第一关系矩阵计算得到目标产品在多个不同时间段内分别对应的复购率，进而根据多个不同时间段内分别对应的复购率绘制基于时间序列的统计图，以根据统计图确定目标产品的交易属性变化趋势。
52.需要说明的是，除了前述所涉及的应用场景，本技术实施例还可以应用于各种应用场景，包括但不限于云技术、人工智能、智慧交通、辅助驾驶等，在实际应用中，可以根据具体应用场景进行相应调整。比如，如果应用于云技术场景，那么目标产品可以是云产品(如云服务器、云数据库等)；如果应用于人工智能场景中，那么目标产品可以是人工智能平台提供的计算能力、服务类型等；如果应用于智慧交通场景中，那么目标产品可以是交通类型、交通通行费用等；如果应用于辅助驾驶场景中，那么目标产品可以是辅助驾驶等级、辅
助驾驶能力等。
53.以下对本技术实施例的技术方案的各种实现细节进行详细阐述：
54.请参阅图4，图4是本技术的一个实施例示出的交易数据处理方法的流程图，该交易数据处理方法可以由图3中所示的云服务器来执行，或者也可以由终端设备来执行。如图4所示，交易数据处理方法至少包括步骤s401至步骤s404，详细介绍如下：
55.步骤s401，以交易参与方标识和交易日期为维度，构造目标产品对应的第一关系矩阵。
56.本技术实施例中交易参与方指的是参与交易购买的对象；例如对象a1与对象a2进行交易，其中对象a1是从对象a2处购买相关产品，此时对象a1即为交易参与方。相应地，本技术实施例中交易参与方标识则指的是唯一标识交易参与方的信息，以用于区分不同交易参与方；其中交易参与方标识包括但不限于交易参与方在交易平台所注册的交易号(通常由数字和/或字母组成)、交易参与方的身份证号码、交易参与方的手机号码、交易参与方的终端标识等。
57.本技术实施例中交易日期指的是参与交易购买的对象进行交易购买的日期；例如对象a1与对象a2进行交易，其中对象a1是在日期t从对象a2处购买相关产品，此时日期t即为交易日期。
58.本技术实施例中目标产品指的是待计算的产品；例如需要计算某个产品在预设时间段内的复购率，此时将其作为目标产品，进而进行计算。其中目标产品可以是涉及到食品、穿着以及使用等相关的任意产品；例如某商家的招牌牛肉面、某品牌的某款白色t恤、某品牌的某款包包、某品牌的某款扫地机器人等都可以作为目标产品，其中目标产品还可以是跟智慧交通、辅助驾驶相关的产品，在实际应用中，目标产品可以根据需要进行灵活调整。
59.本技术实施例中第一关系矩阵指的是一个按照长方阵列排列的复数或实数集合，其最早来自于方程组的系数及常数所构成的方阵，由m
×
n个数a
ij
排成的m行n列的数表称为m行n列的矩阵，简称m
×
n矩阵，这m
×
n个数称为矩阵q的元素，简称为元，数a
ij
位于矩阵的第i行第j列，称为矩阵q的(i,j)元，以数a
ij
为(i,j)元的矩阵可记为(aij)或(aij)m
×
n，m
×
n矩阵也记作qmn；其中“第一”为了和后续的关系矩阵(即第二关系矩阵、第三关系矩阵)相区分，其本质都是关系矩阵。
60.可以理解的是，本技术实施例中是以交易参与方标识和交易日期各自为维度，进而构造目标产品对应的第一关系矩阵；其中这里所构造的目标产品对应的第一关系矩阵中虽然存在多个元素，但是其元素值暂待填充。
61.步骤s402，获取历史交易数据；其中，历史交易数据中包含有多个交易参与方针对目标产品在各个交易日的交易统计数据。
62.本技术实施例中历史交易数据指的是过去时间段所产生的交易数据；其中，历史交易数据中包含多个交易方针对目标产品在各个交易日的交易统计数据，例如请参阅下表1所示，为一种示例的历史交易数据。
[0063][0064]
表1
[0065]
在本技术的一个实施例中，交易统计数据包含有交易参与方标识，以及与交易参与方标识对应的交易金额，例如请参阅下表2所示，为一种示例的交易统计数据。
[0066]
交易统计数据k1交易参与方a1所产生的交易金额s1交易统计数据k2交易参与方a2所产生的交易金额s2交易统计数据k3交易参与方a3所产生的交易金额s3
…………
[0067]
表2
[0068]
需要说明的是，本实施例中步骤s401和步骤s402可以任意交换顺序执行，也可以并行执行，本发明在此不做限制；其中：
[0069]
如果步骤s401先执行，那么在构造目标产品对应的第一关系矩阵时，就确定了交易参与方标识(多个参与方)和交易日期(多个交易日)，进而在步骤s402中就可以根据对应的多个参与方和对应的多个交易日去获取历史交易数据，即获取对应的多个交易参与方针对目标产品在对应的多个交易日的交易统计数据。这样可以获取到匹配的历史交易数据，而无需获取一些无用的历史交易数据，提升了历史交易数据的获取效率。
[0070]
如果步骤s402先执行，那么在获取历史交易数据时，就确定了交易参与方标识(多个参与方)和交易日期(多个交易日)，进而在步骤s401中就可以利用获取到的对应的多个交易参与方以及多个交易参与方针对目标产品在对应的多个交易日构造目标产品对应的第一关系矩阵。这样可以构造与历史交易数据中含有的多个交易参与方和多个交易日匹配的第一关系矩阵，提升了第一关系矩阵的构造效率。
[0071]
在本技术的一个实施例中，可以是从区块链网络中获取历史交易数据；请参阅图5，在步骤s402中获取历史交易数据的过程之前，交易数据处理方法还可以包括步骤s501至步骤s502：
[0072]
步骤s501，根据每个交易日采集到的多个交易参与方针对目标产品的交易统计数据生成一个区块，得到每个交易日对应的区块；
[0073]
步骤s502，将每个交易日对应的区块进行上链存储；其中，不同的交易日对应的区块高度不同。
[0074]
也即，可选实施例中，是将同一个交易日所采集到的多个交易参与方针对目标产品的交易统计数据生成一个区块，然后再将不同交易日分别对应的区块进行上链存储。一方面，由于将每个交易日对应的区块进行上链存储，保证了历史交易数据的真实性和安全性，进而使得后续计算得到的不同时间段内的复购率准确性更高；另一方面，由于同一个交易日对应一个区块，以及区块具有区块高度的特性，那么不同交易日对应的区块高度是不同的，因此区块高度可以用于表征交易日，这样不用存储历史交易数据中含有的交易日，不仅可以节省存储空间，还可以节省存储交易日的时间，从而提升了存储效率，并且还避免了由于存储交易日所带来的容易出错等问题。
[0075]
举例说明，设在210920这个交易日采集到多个交易参与方针对目标产品的交易统计数据，此时则根据所采集到的交易统计数据生成一个新的区块b1，其中该区块的高度为h1，然后将该新的区块b1进行上链存储；相应地，在210921这个交易日采集到的多个交易参与方针对目标产品的交易统计数据，此时则根据所采集到的交易统计数据生成一个新的区块b2，其中该区块的高度为h2，然后将该新的区块b2进行上链存储；可以理解的是，这里只是以两个具体交易日为例，在其他交易日采集到的交易统计数据进行类推即可。
[0076]
同时，请参见下表3所示，为一种示例的在预设时间段内所上链存储的交易日对应的区块。
[0077][0078][0079]
表3
[0080]
在本技术的一个实施例中，交易统计数据中包含有交易参与方标识，以及与交易参与方标识对应的交易金额；请参阅图6，步骤s501中根据每个交易日采集到的多个交易参与方针对目标产品的交易统计数据生成一个区块的过程，可以包括步骤s601至步骤s603：
[0081]
步骤s601，根据交易统计数据中含有的交易参与方标识生成键元素，以及根据交易统计数据中含有的交易金额生成值元素；
[0082]
步骤s602，将键元素和对应的值元素进行关联，并将关联结果确定为待上链数据；
[0083]
步骤s603，根据待上链数据生成区块。
[0084]
也即，可选实施例中，是根据交易统计数据中含有的交易参与方标识生成键元素，以及根据交易统计数据中含有的交易金额生成值元素，然后将键元素和对应的值元素进行关联，并将关联结果确定为待上链数据，进而根据待上链数据生成区块。这样通过将交易参与方标识与交易金额进行关联，可以提升后续获取交易统计数据的准确性，即提升后续获
取历史交易数据的准确性。
[0085]
可以理解的是，关联结果(即待上链数据)可以表示为键值形式(key-value)，即键元素-值元素；其中将键元素和值元素进行关联的方式可以为：定义用于表征键元素和值元素之间关系的哈希函数f(key)＝value，以实现对键元素和值元素的关联。
[0086]
举例说明，如上述表2中所示交易统计数据k1为交易参与方a1所产生的交易金额s1，那么可以根据交易统计数据k1中含有的交易参与方a1生成键元素，以及根据交易统计数据k1中含有的交易金额s1生成值元素，然后将根据交易参与方a1生成的键元素，以及根据交易金额s1生成的值元素进行关联，得到关联结果为a1-s1，并将关联结果a1-s1确定为待上链数据，进而根据待上链数据生成区块；相应地，根据交易统计数据k2可以得到关联结果a2-s2，并将关联结果a2-s2确定为待上链数据，进而根据待上链数据生成区块，以及根据交易统计数据k3可以得到关联结果a3-s3，并将关联结果a3-s3确定为待上链数据，进而根据待上链数据生成区块。可以理解的是，由上述表1所知，交易统计数据k1、k2、k3都是在同一个交易日t1所产生的交易统计数据，因此分别根据交易统计数据k1、k2、k3所得到关联结果(即待上链数据)所生成的区块为同一个区块。
[0087]
在本技术的一个实施例中，步骤s601中根据交易统计数据中含有的交易金额生成值元素的过程，可以包括以下步骤：
[0088]
对交易统计数据中含有的交易金额进行归一化处理；其中，大于设定值的交易金额归一化处理后为第一数值，小于或等于设定值的交易金额归一化处理为第二数值；
[0089]
根据归一化处理后的数值生成值元素。
[0090]
也即，可选实施例中，是对交易统计数据中含有的交易金额进行归一化处理，其中大于设定值的交易金额归一化处理后为第一数值，小于或等于设定值的交易金额归一化处理为第二数值，进而根据归一化处理后的数值生成值元素。这样通过对交易统计数据中含有的交易金额进行归一化处理，并根据归一化处理后的数值生成值元素，可以使得值元素所占用的存储空间更小，并且更加便于后续计算得到不同时间段内的复购率。
[0091]
可以理解的是，归一化处理指的是将预处理的数据(如交易金额)限定在一定的范围内例如[0，1]或者[-1，1]，其作用在于归纳统一数据的统计分布性。
[0092]
举例说明，设定值为0元，第一数值为1，第二数值为0，那么当交易金额大于0元时，则将交易金额归一化处理为1，当交易金额小于或等于0元时，则将将交易金额归一化处理为0。
[0093]
在本技术的一个实施例中，数据处理方法还可以包括以下步骤：
[0094]
每在区块链网络中新增一个区块，则获取新增区块的区块高度；
[0095]
将新增区块的区块高度与新增区块对应的交易日关联存储至第一关系表中；
[0096]
其中，从区块链网络中获取历史交易数据，包括：
[0097]
根据第一关系表从对应区块高度的区块中获取指定交易日的交易统计数据，以得到历史交易数据。
[0098]
也即，可选实施例中，是在区块链网络中每新增一个区块时，就获取对应新增区块的区块高度，进而将新增区块的区块高度与新增区块对应的交易日关联存储至第一关系表中，这样在从区块链网络中获取历史交易数据时，只需要从第一关系表中先查找到指定交易日对应区块高度，然后再从对应区块高度的区块中获取指定交易日的交易统计数据即
可。
[0099]
举例说明，例如请参见下表4所示，为一种示例的第一关系表。
[0100]
区块高度交易日h1t1h2t2h3t3
…………
[0101]
表4
[0102]
其中，如果指定交易日为t1，根据上述表4可知，指定交易日t1所对应的区块高度为h1，那么此时是从区块高度为h1对应的区块中去获取指定交易日t1的交易统计数据；相应地，如果指定交易日为t2、t3进行类推即可。
[0103]
在本技术的一个实施例中，数据处理方法还可以包括以下步骤：
[0104]
在将第一个交易日对应的区块新增至区块链网络中时，获取第一个交易日所对应区块的区块高度；
[0105]
将第一个交易日所对应区块的区块高度与第一个交易日关联存储至第二关系表中；
[0106]
从区块链网络中获取历史交易数据，包括：
[0107]
根据指定交易日与第二关联表中第一个交易日之间的时间段间隔关系，确定指定交易日所对应区块的区块高度；
[0108]
从指定交易日所对应区块高度的区块中获取指定交易日的交易统计数据，以得到历史交易数据。
[0109]
也即，可选实施例中，是在将第一个交易日对应的区块新增至区块链网络中时，获取第一个交易日所对应区块的区块高度，并将第一个交易日所对应区块的区块高度与第一个交易日关联存储至第二关系表中，这样在从区块链网络中获取历史交易数据时，需要先确定指定交易日与第二关联表中第一个交易日之间的时间段间隔关系，然后再根据该时间段间隔关系，确定指定交易日所对应区块的区块高度，进而从对应区块高度的区块中获取指定交易日的交易统计数据即可。
[0110]
举例说明，例如请参见下表5所示，为一种示例的第二关系表。
[0111]
区块高度交易日h1t1
[0112]
表5
[0113]
其中，如果指定交易日为t10，先需要确定指定交易日t10与上述表5中第一个交易日t1之间的时间段间隔关系，设指定交易日t10与第一个交易日t1相差9天，那么根据一个交易日对应一个区块高度的区块，则可以确定出指定交易日t10所对应的区块高度，设指定交易日t10所对应的区块高度为h10，那么此时是从区块高度为h10对应的区块中去获取指定交易日t10的交易统计数据；相应地，其他指定交易日进行类推即可。
[0114]
步骤s403，根据历史交易数据对第一关系矩阵进行元素值填充处理，并基于填充后的第一关系矩阵计算得到目标产品在多个不同时间段内分别对应的复购率。
[0115]
本技术实施例中在获取历史交易数据之后，需要根据历史交易数据对第一关系矩
阵进行元素值填充处理，并基于填充后的第一关系矩阵计算得到目标产品在多个不同时间段内分别对应的复购率。
[0116]
在本技术的一个实施例中，是从区块链网络中获取历史交易数据，并根据获取到的历史交易数据对第一关系矩阵进行元素值填充处理，其中所填充的元素值为对交易统计数据进行归一化处理之后的第一数值和第二数值。
[0117]
举例说明，例如请参见下表6所示，为一种示例的填充后的第一关系矩阵。
[0118][0119]
表6
[0120]
在本技术的一个实施例中，在基于填充后的第一关系矩阵计算得到目标产品在多个不同时间段内分别对应的复购率之前，数据处理方法还包括以下步骤：
[0121]
接收携带有第一时间段间隔集合以及第一指定日期集合的指令；其中，第一时间段间隔集合包括一个时间段间隔，第一指定日期集合包括多个在时间轴上相邻或不相邻的指定交易日；
[0122]
根据携带有第一时间段间隔集合以及第一指定日期集合的指令，生成多个目标日期集合；其中，各目标日期集合包括一个起始日期和一个终止日期，终止日期由指定交易日确定，起始日期由终止日期和时间段间隔确定；
[0123]
其中，基于填充后的第一关系矩阵计算得到目标产品在多个不同时间段内分别对应的复购率，包括：
[0124]
从第一关系矩阵中分别确定出与各目标日期集合对应的第二关系矩阵，以得到多个第二关系矩阵；
[0125]
基于各第二关系矩阵中所包含的元素值分别计算得到各第二关系矩阵对应的复购率，以得到目标产品在多个不同时间段内分别对应的复购率。
[0126]
也即，可选实施例中，是接收携带有第一时间段间隔集合以及第一指定日期集合的指令，进而可以根据该指令生成多个目标日期集合，这样基于填充后的第一关系矩阵计算得到目标产品在多个不同时间段内分别对应的复购率，即为先从第一关系矩阵中分别确定出与各目标日期集合对应的第二关系矩阵，以得到多个第二关系矩阵，然后基于各第二关系矩阵中所包含的元素值分别计算得到各第二关系矩阵对应的复购率，从而得到目标产品在多个不同时间段内分别对应的复购率。可以理解的是，第一时间段间隔集合包括一个时间段间隔，第一指定日期集合包括多个在时间轴上相邻或不相邻的指定交易日。
[0127]
举例说明，例如第一时间段间隔集合包括的时间段间隔为一个月，第一指定日期集合包括在时间轴上不相邻的10个指定交易日分别为200131、200228、200331、200430、200531、200630、200731、200831、200930、201031、201130、201231，那么根据第一时间段间隔集合以及第一指定日期集合可以确定出10个目标日期集合分别为[200101,200131]、[200201,200228]、[200301,200331]、[200401,200431]、[200501,200530]、[200601,
200630]、[200701,200731]、[200801,200831]、[200901,200930]、[201001,201031]、[201101,201130]、[201201,201231]；进而从上述表6所示的第一关系矩阵中分别确定出与10个目标日期集合对应的第二关系矩阵(即10个第二关系矩阵)，然后基于各第二关系矩阵中所包含的元素值分别计算得到各第二关系矩阵对应的复购率，从而可以得到在时间段[200101,200131]的复购率、
……
在时间段[201201,201231]的复购率。
[0128]
举例说明，例如第一时间段间隔集合包括的时间段间隔为5天，第一指定日期集合包括在时间轴上相邻的30个指定交易日分别为200401、200402、200403、
……
200429、200430，那么根据第一时间段间隔集合以及第一指定日期集合可以确定出30个目标日期集合分别为[200327,200401]、[200328,200402]、[200329,200403]、
……
[200425,200429]、[200426,200430]；进而从上述表6所示的第一关系矩阵中分别确定出与30个目标日期集合对应的第二关系矩阵(即30个第二关系矩阵)，然后基于各第二关系矩阵中所包含的元素值分别计算得到各第二关系矩阵对应的复购率，从而可以得到在时间段[200327,200401]的复购率、
……
在时间段[200426,200430]的复购率。
[0129]
在本技术的一个实施例中，在基于填充后的第一关系矩阵计算得到目标产品在多个不同时间段内分别对应的复购率之前，数据处理方法还包括以下步骤：
[0130]
接收携带有第二时间段间隔集合以及第二指定日期集合的指令；其中，第二时间段间隔集合包括多个依次递增的时间段间隔，第二指定日期集合包括多个在时间轴上相邻或不相邻的指定交易日；
[0131]
根据携带有第二时间段间隔集合以及第二指定日期集合的指令，生成多个目标日期集合；其中，各目标日期集合包括一个起始日期和一个终止日期，终止日期由指定交易日确定，起始日期由终止日期和时间段间隔确定；
[0132]
其中，基于填充后的第一关系矩阵计算得到目标产品在多个不同时间段内分别对应的复购率，包括：
[0133]
从第一关系矩阵中分别确定出与各目标日期集合对应的第三关系矩阵，以得到多个第三关系矩阵；
[0134]
基于各第三关系矩阵中所包含的元素值分别计算得到各第三关系矩阵对应的复购率，以得到目标产品在多个不同时间段内分别对应的复购率。
[0135]
也即，可选实施例中，是接收携带有第一时间段间隔集合以及第一指定日期集合的指令，进而可以根据该指令生成多个目标日期集合，这样基于填充后的第一关系矩阵计算得到目标产品在多个不同时间段内分别对应的复购率，即为先从第一关系矩阵中分别确定出与各目标日期集合对应的第三关系矩阵，以得到多个第三关系矩阵，然后基于各第三关系矩阵中所包含的元素值分别计算得到各第三关系矩阵对应的复购率，从而得到目标产品在多个不同时间段内分别对应的复购率。可以理解的是，第二时间段间隔集合包括多个依次递增的时间段间隔，第二指定日期集合包括多个在时间轴上相邻或不相邻的指定交易日。
[0136]
举例说明，例如第二时间段间隔集合包括的时间段间隔为1天、2天、3天、4天、5天、6天、7天、8天、9天、10天；第二指定日期集合包括在时间轴上不相邻的2个指定交易日分别为200504、200509，那么根据第二时间段间隔集合以及第二指定日期集合可以确定出20个目标日期集合分别为[200503,200504]、[200502,200504]、[200501,200504]、[200430,
200504]、[200429,200504]、[200428,200504]、[200427,200504]、[200426,200504]、[200425,200504]、[200424,200504]、[200508,200509]、[200507,200509]、[200506,200509]、[200505,200509]、[200504,200509]、[200503,200509]、[200502,200509]、[200501,200509]、[200430,200509]、[200429,200509]；进而从上述表6所示的第一关系矩阵中分别确定出与20个目标日期集合对应的第三关系矩阵(即20个第三关系矩阵)，然后基于各第三关系矩阵中所包含的元素值分别计算得到各第三关系矩阵对应的复购率，从而可以得到在时间段[200503,200504]的复购率、
……
在时间段[200424,200504]的复购率，以及在时间段[200508,200509]的复购率、
……
在时间段[200429,200509]的复购率。
[0137]
在本技术的一个实施例中，第二关系矩阵所填充的元素值为对交易统计数据进行归一化处理之后的第一数值和第二数值；基于各第二关系矩阵中所包含的元素值分别计算得到各第二关系矩阵对应的复购率，可以包括以下步骤：
[0138]
对第二关系矩阵中所包含的元素值基于时间序列进行求和运算，以得到多个交易参与方在第二关系矩阵对应的时间段内的元素值总和；
[0139]
从多个交易参与方在第二关系矩阵对应的时间段内的元素值总和中，筛选出元素值总和大于或等于预设数值的交易参与方，并统计所筛选出的交易参与方的总数；
[0140]
将所筛选出的交易参与方的总数与第二关系矩阵中含有的交易参与方的总数进行求商运算，得到第二关系矩阵对应的复购率。
[0141]
也即，可选实施例中，是对第二关系矩阵中所包含的元素值基于时间序列进行求和运算，从而得到多个交易参与方在第二关系矩阵对应的时间段内的元素值总和，然后再从多个交易参与方在第二关系矩阵对应的时间段内的元素值总和中，筛选出元素值总和大于或等于预设数值的交易参与方，并统计所筛选出的交易参与方的总数，进而将所筛选出的交易参与方的总数与第二关系矩阵中含有的交易参与方的总数进行求商运算，从而得到第二关系矩阵对应的复购率。
[0142]
举例说明，例如设从上述表6中所示的第一关系矩阵中选取出与目标日期集合为[200101,200106]对应的第二关系矩阵，其中对第二关系矩阵中所包含的元素值基于时间序列进行求和运算，得到交易参与方a1在时间段[200101,200106]的元素值总和为2，交易参与方a2在时间段[200101,200106]的元素值总和为3，交易参与方a3在时间段[200101,200106]的元素值总和为1，交易参与方a4在时间段[200101,200106]的元素值总和为1，交易参与方a5在时间段[200101,200106]的元素值总和为1；同时设只针对交易参与方a1、a2、a3、a4、a5而言，因此，在时间段[200101,200106]的复购率为2/5，其中2指代的是元素值总和大于或等于预设数值2的交易参与方总数，5指代的是第二关系矩阵中含有的交易方的总数。
[0143]
在本技术的一个实施例中，第三关系矩阵所填充的元素值为对交易统计数据进行归一化处理之后的第一数值和第二数值；基于各第三关系矩阵中所包含的元素值分别计算得到各第三关系矩阵对应的复购率，可以包括以下步骤：
[0144]
对第三关系矩阵中所包含的元素值基于时间序列进行求和运算，以得到多个交易参与方在第三关系矩阵对应的时间段内的元素值总和；
[0145]
从多个交易参与方在第三关系矩阵对应的时间段内的元素值总和中，筛选出元素值总和大于或等于预设数值的交易参与方，并统计所筛选出的交易参与方的总数；
[0146]
将所筛选出的交易参与方的总数与第三关系矩阵中含有的交易参与方的总数进行求商运算，得到第三关系矩阵对应的复购率。
[0147]
需要说明的是，基于各第三关系矩阵中所包含的元素值分别计算得到各第三关系矩阵对应的复购率，和上述基于各第二关系矩阵中所包含的元素值分别计算得到各第二关系矩阵对应的复购率相同，请参见前述介绍，这里不再赘述。
[0148]
步骤s404，根据多个不同时间段内分别对应的复购率绘制基于时间序列的统计图，以根据统计图确定目标产品的交易属性变化趋势。
[0149]
本技术实施例中在根据历史交易数据对第一关系矩阵进行元素值填充处理，并基于填充后的第一关系矩阵计算得到目标产品在多个不同时间段内分别对应的复购率之后，需要根据多个不同时间段内分别对应的复购率绘制基于时间序列的统计图，以根据统计图确定目标产品的交易属性变化趋势。
[0150]
本技术实施例中时间序列指的是将某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列，其是一种定量预测方法，也称简单外延方法，该方法基于随机过程理论和数理统计学方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题。
[0151]
在本技术的一个实施例中，在基于填充后的第一关系矩阵计算得到目标产品在多个不同时间段内分别对应的复购率之后，数据处理方法还可以包括以下步骤：
[0152]
将目标产品在多个不同时间段内分别对应的复购率存储至区块链网络中；
[0153]
若接收到携带有指定时间段的查询指令，则从区块链网络中获取对应的复购率进行展示。
[0154]
也即，可选实施例中，可以将目标产品在多个不同时间段内分别对应的复购率存储至区块链网络中，这样保证了目标产品在多个不同时间段内分别对应的复购率的真实性和安全性；并且在接收到携带有指定时间段的查询指令时，从区块链网络中获取对应的复购率进行展示即可，便于相关工作人员随时查看目标产品在多个时间段内分别对应的复购率。
[0155]
在本技术的一个实施例中，根据多个不同时间段内分别对应的复购率绘制基于时间序列的统计图，可以包括以下步骤：
[0156]
根据多个不同时间段内分别对应的复购率，在二维显示空间中绘制基于时间序列的折线统计图，以根据折线统计图确定目标产品的交易生命周期、交易活跃度以及交易复购周期中的至少一个的变化趋势。
[0157]
其中，根据折线统计图可以确定出目标产品的交易生命周期，目标产品的交易生命周期包括成长期、稳定期以及衰退期等；例如请参阅图7，选取每月月末的近p日复购率，可以看出目标产品在20-21年期间，目标产品的交易生命周期由成长期逐渐变为衰退期。
[0158]
其中，根据折线统计图可以确定出目标产品的交易活跃度；例如请参阅图8，复购率在某个日期突增，则表明目标产品在该日期可能存在着老客户营销，请参阅图9，复购率在某个日期突降，则表明目标产品在该日期可能存在着新客户拉新。
[0159]
其中，根据折线统计图可以确定出目标产品的交易复购周期，交易售卖方可能会在特定日期进行营销活动，如周六进行老客户打折销售，那么在周六当天的复购率则会相较其他日期有所提升；例如请参阅图10，统计周一和周六在不同的近p日的复购率，可以看
出目标产品在周一近p日复购率是呈缓慢增长趋势，而在周六近p日复购率在近7日有大幅提升。
[0160]
本技术实施例中通过构造目标产品的第一关系矩阵，并基于历史交易数据对第一关系矩阵的元素值进行填充，可以批量计算得到不同时间段内的复购率，大大提升了交易数据关于复购率指标的统计效率；并且还根据计算得到的不同时间段内的复购率绘制基于时间序列的统计图，这样从统计图中可以直观地确定出目标产品的交易属性变化趋势，实现了对目标产品的交易趋势监控，便于后续相关人员根据目标产品的交易趋势监控灵活调整目标产品的相关策略等。
[0161]
以下对本技术实施例的一个具体应用场景进行详细说明：
[0162]
交易数据处理方法可以包括以下步骤，详细介绍如下：
[0163]
步骤一，以交易参与方标识和交易日期为维度，构造目标产品对应的第一关系矩阵。
[0164]
其中，行名称为交易参与方的标识，列名称为交易日期。
[0165]
步骤二，获取历史交易数据，并根据获取到的历史交易数据对第一关系矩阵进行元素值填充处理。
[0166]
其中，假设获取到历史交易数据中包含有7个交易参与方(如a1，a2、a3、a4、a5、a6、a7)针对该目标产品在各个交易日的交易统计数据，具体地，历史交易数据为交易参与方a1在20210430消费30元，在20210502消费50元，在20210507消费40元，交易参与方a2在20210508消费30元，交易参与方a3在20210505消费20元，交易参与方a4在20210508消费10元，交易参与方a5在20210502消费30元，在20210506消费2元，交易参与方a6在20210504消费20元，交易参与方a7在20210430消费10元；因此，根据历史交易数据对第一关系矩阵进行元素值填充处理，得到填充处理后的第一关系矩阵如下表7所示：
[0167][0168]
表7
[0169]
步骤三，根据填充处理后的第一关系矩阵按照行和/或列进行求和运算，得到对应的交易总金额。
[0170]
其中，可以统计目标产品每日的交易总金额；例如根据填充处理后的第一关系矩阵按照列进行求和运算，得到目标产品每日的交易总金额，如下表8所示：
[0171][0172]
表8
[0173]
根据上述表8可以得知，最大交易总金额在210502日，在210501和210503无交易金
额，此时可能是因为210501假日，该商户休假未营业从而目标产品无交易金额等；对于一些特定商户，假设每周日会休假未营业，则依据上述方案则可快速核实找到该类商户。
[0174]
其中，可以统计每个交易参与方在该目标产品上累计的交易总金额；例如根据填充处理后的第一关系矩阵按照行进行求和运算，得到每个交易参与方在该目标产品上累计的交易总金额，如下表9所示：
[0175][0176][0177]
表9
[0178]
其中，可以指定时间段和/或交易参与方，即从第一关系矩阵中确定出第一目标关系矩阵，然后根据矩阵特性(按照行和/或列进行运算)，对确定出的第一目标关系矩阵进行数据统计；例如统计交易参与方a1、a3(即指定交易参与方)在[210501,210505](即指定时间段，也是上述实施例中提及的包括多个在时间轴上相邻的第一指定日期集合/第二指定日期集合)的交易总金额时，是先获取对应的第一目标关系矩阵，再统计交易总金额，如下表10所示：
[0179]
a150a20a320a40a530a620a70
[0180]
表10
[0181]
其中，可以统计指定交易参与方在哪一日交易金额最大，即获取第一关系矩阵中该指定交易参与方用户对应元素值最大的日期。
[0182]
其中，可以统计在指定交易日哪个交易参与方交易金额最大，即获取第一关系矩阵中该指定交易日对应元素值最大的交易参与方。
[0183]
步骤四，对填充处理后的第一关系矩阵的元素值进行归一化处理，并根据归一化处理后的数值生成值元素；其中大于设定值的交易金额归一化处理后为第一数值，小于或等于设定值的交易金额归一化处理为第二数值。
[0184]
其中，对填充处理后的第一关系矩阵的元素值进行归一化处理，生成归一化处理后的第一关系矩阵如下表11所示：
[0185][0186]
表11
[0187]
步骤五，接收携带有目标时间段间隔集合以及目标指定日期集合的指令；其中，目标时间段间隔集合包括一个时间段间隔，目标指定日期集合包括一个指定交易日。
[0188]
其中，设接收到目标时间间隔集合为30天，目标指定日期集合为200501的指令。
[0189]
步骤六，根据携带有目标时间段间隔集合以及目标指定日期集合的指令，生成目标日期集合；其中，各目标日期集合包括一个起始日期和一个终止日期，终止日期由指定交易日确定，起始日期由终止日期和时间段间隔确定。
[0190]
其中，根据目标时间间隔集合为30天，目标指定日期集合为200501的指令，生成目标日期集合[200401,200501]。
[0191]
步骤七，从归一化处理后的第一关系矩阵中确定出与目标日期集合对应的第二目标关系矩阵。
[0192]
步骤八，基于第二目标关系矩阵中所包含的元素值计算得到第二目标关系矩阵对应的复购率，以得到目标产品在时间段内对应的复购率。
[0193]
其中，计算得到的是目标产品在时间段[200401,200501]内对应的复购率，即统计得到的是210501近30日的复购率。
[0194]
可以理解的是，目标时间段间隔集合可以包括一个或多个时间段间隔，和/或，目标指定日期集合包括一个或多个指定交易日，采用上述方式进行类推即可。
[0195]
在本技术的一个实施例中，可以将计算得到的目标产品在不同时间段内对应的复购率进行存储，进而在接收到查询指令时，返回对应的复购率；例如记所需统计的目标指定日期集合为(d1,d2,d3,
…
,dk)，则该目标指定日期集合内的近p日复购率计算公式为for i in(d1,d2,d3,
…
,dk)，其中当i为(d1,d2,d3,
…
,dk)中的某一个日期，则为求取该日期的近p日复购率，返回复购率值fi，当i为(d1,d2,d3,
…
,dk)中的所有日期，则为求取(d1,d2,d3,
…
,dk)中各日期的近p日复购率，返回(d1,d2,d3,
…
,dk)近p日复购率(f1,f2,f3,
…
,fk)。
[0196]
本技术实施例中通过构造目标产品的第一关系矩阵，并基于历史交易数据中的交易金额对关系矩阵的元素值进行填充，这样可以根据填充处理后的第一关系矩阵按照行和/或列进行求和运算，得到相应的统计数据；同时对填充处理后的第一关系矩阵进行归一化处理，并在接收携带有目标时间段间隔集合以及目标指定日期集合的指令时，计算得到对应时间段内的复购率，大大提升了交易数据关于复购率指标的统计效率。
[0197]
以下对本技术实施例的另一个具体应用场景进行详细说明：
[0198]
交易数据处理方法可以包括以下步骤，详细介绍如下：
[0199]
步骤一，根据接收到携带有目标时间段间隔集合如p日(p1,p2,p3,
…
,pn)，以及目
标指定日期集合如(d1,d2,d3,
…
,dk)的指令。
[0200]
步骤二，根据指令中每一个数值p和日期计算该日期的近p日的复购率，记为f(pi,dj)(其中1≤i≤n，1≤j≤k)。
[0201]
步骤三，以交易时间段间隔和交易日期为维度，构造目标产品对应的第四关系矩阵。
[0202]
其中，行名称根据目标时间段间隔集合中的数值p按照从小到大命名，列名称根据目标指定日期集合中的日期按照由先至后命名。
[0203]
步骤四，根据计算得到的每一个数值p和日期计算该日期的近p日的复购率f(pi,dj)，对第四关系矩阵进行元素值填充。
[0204]
其中，如210501日近7日复购率为f(7,20210501)＝0.1，则0.1放置在第四关系矩阵中列名为210501，行名为7的位置，进行元素值填充后的第四关系矩阵如下表12所示：
[0205][0206]
表12
[0207]
步骤五，对填充处理后的第四关系矩阵按照行和/或列进行时间序列分析，发掘目标产品的近p日复购率是否具有趋势变化，针对有趋势变化的可进行深入分析。
[0208]
本技术实施例中通过构造目标产品的第四关系矩阵，并基于计算得到的复购率对第四关系矩阵的元素值进行填充，这样可以对填充处理后的第四关系矩阵按照行和/或列进行时间序列分析，从而发掘目标产品的交易属性变化趋势，以实现对目标产品交易趋势的监控。
[0209]
图11是本技术的一个实施例示出的交易数据处理装置的框图。如图11所示，该装置包括：
[0210]
构造模块1101，配置为以交易参与方标识和交易日期为维度，构造目标产品对应的第一关系矩阵；
[0211]
获取模块1102，配置为获取历史交易数据；其中，历史交易数据中包含有多个交易参与方针对目标产品在各个交易日的交易统计数据；
[0212]
处理与计算模块1103，配置为根据历史交易数据对第一关系矩阵进行元素值填充处理，并基于填充后的第一关系矩阵计算得到目标产品在多个不同时间段内分别对应的复购率；
[0213]
绘制模块1104，配置为根据多个不同时间段内分别对应的复购率绘制基于时间序列的统计图，以根据统计图确定目标产品的交易属性变化趋势。
[0214]
采用本技术实施例中的技术方案，通过构造目标产品的第一关系矩阵，并基于历史交易数据对第一关系矩阵的元素值进行填充，可以批量计算得到不同时间段内的复购率，大大提升了交易数据关于复购率指标的统计效率；并且还根据计算得到的不同时间段内的复购率绘制基于时间序列的统计图，这样从统计图中可以直观地确定出目标产品的交易属性变化趋势，实现了对目标产品的交易趋势监控，便于后续相关人员根据目标产品的
交易趋势监控灵活调整目标产品的相关策略等。
[0215]
在本技术的一个实施例中，获取模块1102具体配置为从区块链网络中获取历史交易数据；该装置还包括：
[0216]
第一生成模块，配置为根据每个交易日采集到的多个交易参与方针对目标产品的交易统计数据生成一个区块，得到每个交易日对应的区块；第一存储模块，配置为将每个交易日对应的区块进行上链存储；其中，不同的交易日对应的区块高度不相同。
[0217]
在本技术的一个实施例中，交易统计数据中包含有交易参与方标识，以及与交易参与方标识对应的交易金额；第一生成模块包括：
[0218]
第一生成单元，配置为根据交易统计数据中含有的交易参与方标识生成键元素，以及根据交易统计数据中含有的交易金额生成值元素；关联单元，配置为将键元素和对应的值元素进行关联，并将关联结果确定为待上链数据；第二生成单元，根据待上链数据生成区块。
[0219]
在本技术的一个实施例中，第一生成单元包括：
[0220]
归一化处理单元，配置为对交易统计数据中含有的交易金额进行归一化处理；其中，大于设定值的交易金额归一化处理后为第一数值，小于或等于设定值的交易金额归一化处理为第二数值；第一生成子单元，配置为根据归一化处理后的数值生成值元素。
[0221]
在本技术的一个实施例中，该装置还包括：
[0222]
第二存储模块，配置为每在区块链网络中新增一个区块，则获取新增区块的区块高度；将新增区块的区块高度与新增区块对应的交易日关联存储至第一关系表中；其中，获取模块1102具体配置为根据第一关系表从对应区块高度的区块中获取指定交易日的交易统计数据，以得到历史交易数据。
[0223]
在本技术的一个实施例中，该装置还包括：
[0224]
第三存储模块，配置为在将第一个交易日对应的区块新增至区块链网络中时，获取第一个交易日所对应区块的区块高度；将第一个交易日所对应区块的区块高度与第一个交易日关联存储至第二关系表中；其中，获取模块1102具体配置为根据指定交易日与第二关联表中第一个交易日之间的时间段间隔关系，确定指定交易日所对应区块的区块高度；从指定交易日所对应区块高度的区块中获取指定交易日的交易统计数据，以得到历史交易数据。
[0225]
在本技术的一个实施例中，该装置还包括：
[0226]
第一接收模块，配置为接收携带有第一时间段间隔集合以及第一指定日期集合的指令；其中，第一时间段间隔集合包括一个时间段间隔，第一指定日期集合包括多个在时间轴上相邻或不相邻的指定交易日；第二生成模块，配置为根据携带有第一时间段间隔集合以及第一指定日期集合的指令，生成多个目标日期集合；其中，各目标日期集合包括一个起始日期和一个终止日期，终止日期由指定交易日确定，起始日期由终止日期和时间段间隔确定；其中，处理与计算模块1103具体配置为从第一关系矩阵中分别确定出与各目标日期集合对应的第二关系矩阵，以得到多个第二关系矩阵；基于各第二关系矩阵中所包含的元素值分别计算得到各第二关系矩阵对应的复购率，以得到目标产品在多个不同时间段内分别对应的复购率。
[0227]
在本技术的一个实施例中，该装置还包括：
[0228]
第二接收模块，配置为接收携带有第二时间段间隔集合以及第二指定日期集合的指令；其中，第二时间段间隔集合包括多个依次递增的时间段间隔，第二指定日期集合包括多个在时间轴上相邻或不相邻的指定交易日；第三生成模块，配置为根据携带有第二时间段间隔集合以及第二指定日期集合的指令，生成多个目标日期集合；其中，各目标日期集合包括一个起始日期和一个终止日期，终止日期由指定交易日确定，起始日期由终止日期和时间段间隔确定；其中，处理与计算模块1103具体配置为从第一关系矩阵中分别确定出与各目标日期集合对应的第三关系矩阵，以得到多个第三关系矩阵；基于各第三关系矩阵中所包含的元素值分别计算得到各第三关系矩阵对应的复购率，以得到目标产品在多个不同时间段内分别对应的复购率。
[0229]
在本技术的一个实施例中，第三关系矩阵所填充的元素值为对交易统计数据进行归一化处理之后的第一数值和第二数值；处理与计算模块1103还具体配置为：
[0230]
对第三关系矩阵中所包含的元素值基于时间序列进行求和运算，以得到多个交易参与方在第三关系矩阵对应的时间段内的元素值总和；从多个交易参与方在第三关系矩阵对应的时间段内的元素值总和中，筛选出元素值总和大于或等于预设数值的交易参与方，并统计所筛选出的交易参与方的总数；将所筛选出的交易参与方的总数与第三关系矩阵中含有的交易参与方的总数进行求商运算，得到第三关系矩阵对应的复购率。
[0231]
在本技术的一个实施例中，该装置还包括：
[0232]
第四存储模块，配置为将目标产品在多个不同时间段内分别对应的复购率存储至区块链网络中；展示模块，配置为若接收到携带有指定时间段的查询指令，则从区块链网络中获取对应的复购率进行展示。
[0233]
在本技术的一个实施例中，绘制模块1104具体配置为：
[0234]
根据多个不同时间段内分别对应的复购率，在二维显示空间中绘制基于时间序列的折线统计图，以根据折线统计图确定目标产品的交易生命周期、交易活跃度以及交易复购周期中的至少一个的变化趋势。
[0235]
需要说明的是，上述实施例所提供的装置与上述实施例所提供的方法属于同一构思，其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述，此处不再赘述。
[0236]
本技术的实施例还提供了一种电子设备，包括一个或多个处理器和存储装置，其中，存储装置用于存储一个或多个程序，当一个或多个程序被电子设备执行时实现如前的交易数据处理方法。
[0237]
图12示出了适于用来实现本技术实施例的电子设备的计算机系统的结构示意图。
[0238]
需要说明的是，图12示出的电子设备的计算机系统1200仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0239]
如图12所示，计算机系统1200包括中央处理单元(central processing unit，cpu)1201，其可以根据存储在只读存储器(read-only memory，rom)1202中的程序或者从储存部分1208加载到随机访问存储器(random access memory，ram)1203中的程序而执行各种适当的动作和处理，例如执行上述实施例中的方法。在ram 1203中，还存储有系统操作所需的各种程序和数据。cpu 1201、rom 1202以及ram 1203通过总线1204彼此相连。输入/输出(input/output，i/o)接口1205也连接至总线1204。
[0240]
以下部件连接至i/o接口1205：包括键盘、鼠标等的输入部分1206；包括诸如阴极射线管(cathode ray tube，crt)、液晶显示器(liquid crystal display，lcd)等以及扬声器等的输出部分1207；包括硬盘等的储存部分1208；以及包括诸如lan(local area network，局域网)卡、调制解调器等的网络接口卡的通信部分1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至i/o接口1205。可拆卸介质1211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1210上，以便于从其上读出的计算机程序根据需要被安装入储存部分1208。
[0241]
特别地，根据本技术的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本技术的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分1209从网络上被下载和安装，和/或从可拆卸介质1211被安装。在该计算机程序被中央处理单元(cpu)1201执行时，执行本技术的系统中限定的各种功能。
[0242]
需要说明的是，本技术实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(erasable programmable read only memory，eprom)、闪存、光纤、便携式紧凑磁盘只读存储器(compact disc read-only memory，cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本技术中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
[0243]
附图中的流程图和框图，图示了按照本技术各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不相同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0244]
描述于本技术实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况
下并不构成对该单元本身的限定。
[0245]
本技术的另一方面还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如前的交易数据处理方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中。
[0246]
本技术的另一方面还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各个实施例中提供的交易数据处理方法。
[0247]
上述内容，仅为本技术的较佳示例性实施例，并非用于限制本技术的实施方案，本领域普通技术人员根据本技术的主要构思和精神，可以十分方便地进行相应的变通或修改，故本技术的保护范围应以权利要求书所要求的保护范围为准。