[发明专利]一种基于大数据的业务指标监测方法及装置

说明书

本申请公开了一种基于大数据的业务指标监测方法，包括：在广告业务投放后，实时获取业务指标的待监控数据；将所述待监控数据进行拆解，获取用户的待分析数据及用户常量特征；将所述用户的待分析数据输入至多粒度时间序列监测模型，获取所述用户在不同时期的异常数据情况；将所述不同时期的异常数据情况进行数据合并及归一化，输出最终异常情况；基于所述最终异常数据情况，结合所述用户常量特征，对所述广告业务进行调整。解决现有技术中简单环比导致业务监控的准确率较低的问题。

技术领域

本申请涉及电子商务领域，尤其涉及一种基于大数据的业务指标监测方法及装置。

背景技术

对于电子商务领域而言，互联网广告业务的投放是一种主要的业务。对于该类业务而言，为了保证其能够正常运行及及时更新，满足用户的个性化需求，需要对其流量、点击率、收益情况进行监控，并针对突发情况和异常情况(网站客户流失、投诉、异常监管等)。

目前，针对人工配置的各项业务指标通常采样简单环比的方式进行排查，即对于同一个指标，监控其同比和环比增减的幅度，若超过一定阈值，则认为异常。但是，对于简单环比的监控方式而言，容易出现漏报和错报等情况，其准确率较低。

发明内容

本发明实施例提供一种基于大数据的业务指标监测方法，用于解决现有技术中简单环比导致业务监控的准确率较低的问题。

本发明实施例提供一种基于大数据的业务指标监测方法，包括：

在广告业务投放后，实时获取业务指标的待监控数据；

将所述待监控数据进行拆解，获取用户的待分析数据及用户常量特征；

将所述用户的待分析数据输入至多粒度时间序列监测模型，获取所述用户在不同时期的异常数据情况；

将所述不同时期的异常数据情况进行数据合并及归一化，输出最终异常情况；

基于所述最终异常数据情况，结合所述用户常量特征，对所述广告业务进行调整。

可选地，多粒度时间序列监测模型包括短期环比模型及长期环比模型，则将所述用户的待分析数据输入至多粒度时间序列监测模型，获取所述用户在不同时期的异常数据情况，包括：

分别采用短期环比模型及长期环比模型对所述用户的待分析数据进行处理，其中，采用短期环比模型对所述用户的待分析数据进行处理，包括：

设置计数器，将当前的待分析数据与历史N个待分析数据分别进行比较，若所述当前的待分析数据与第i个待分析数据的差值大于第一阈值，则计数器加1操作，若所述计数器的最终数值大于第二阈值，则确定所述当前的待分析数据为异常数据，其中i为大于等于1且小于等于N的正整数；

采用长期环比模型对所述用户的待分析数据进行处理，包括：

将不同周期的待分析数据设置在一个集合M中，并获取第T周期的指数移动平均值EMA_T及集合M中的整体平均值mean，若EMA_T与mean的差值大于3σ，则认定第T周期的待分析数据为异常数据，其中，σ为sigma标准差。

可选地，多粒度时间序列监测模型还包括阿特曼Z得分公式z-score模型，则将所述用户的待分析数据输入至多粒度时间序列监测模型，获取所述用户在不同时期的异常数据情况，包括：

将不同周期的待分析数据设置在一个集合M中；

计算所述集合M中所有待分析数据的平均值；

计算所述所有待分析数据的标准差；

将所述集合M中待分析数据按照升序或降序排序，并获取排序后的中位数；