基于深度学习实现智慧门店的效益分析方法及装置制造方法及图纸

本发明专利技术涉及数据分析领域，揭露一种基于深度学习实现智慧门店的效益分析方法及装置，所述方法包括：对目标门店数据进行数据分类，得到分类门店数据；识别分类门店数据中的成本类数据和效益类数据，分别分析成本类数据和效益类数据的成本数据特征和效益数据特征；分别构建成本数据特征和效益数据特征的成本特征矩阵和效益特征矩阵，分别确定智慧门店效益分析的成本因子和效益因子；利用训练好的门店效益分析模型中的数据关联网络挖掘成本类数据和效益类数据的数据关联关系；利用门店效益分析模型中的决策网络分析智慧门店的门店效益，得到智慧门店的效益分析结果。本发明专利技术可提高智慧门店效益分析的准确性。门店效益分析的准确性。门店效益分析的准确性。

【技术实现步骤摘要】
基于深度学习实现智慧门店的效益分析方法及装置


[0001]本专利技术涉及数据分析领域，尤其涉及一种基于深度学习实现智慧门店的效益分析方法及装置。

技术介绍

[0002]智慧门店是目前移动互联网最新的O2O创新模式,是一套通过融合人工智能、物联网、大数据、3G等先进技术,旨在重构门店人、货、场,助力品牌和门店建立起和用户的深度链接软硬件一体化解决方案的服务平台，对智慧门店的效益分析可以及时对智慧门店进行升级修改，更好的让智慧门店系统通过智能化、数字化等手段服务客户。
[0003]目前智慧门店的效益分析主要是通过对智慧门店建立和运营的成本和后期的收益进行比对分析的方法来实现，这种方法没有考虑智慧门店的建立时间、运营方案、盈利周期等因素，使得智慧门店的效益分析缺少前瞻性，从而导致智慧门店的效益分析不够准确。

技术实现思路

[0004]为了解决上述问题，本专利技术提供了一种基于深度学习实现智慧门店的效益分析方法及装置，可以提智慧门店效益分析的准确性。
[0005]第一方面，本专利技术提供了一种基于深度学习实现智慧门店的效益分析方法，包括：
[0006]获取智慧门店的门店数据，对所述门店数据进行数据清洗，得到目标门店数据，对所述目标门店数据进行数据分类，得到分类门店数据；
[0007]识别所述分类门店数据中的成本类数据和效益类数据，分别分析所述成本类数据和所述效益类数据的成本数据特征和效益数据特征；
[0008]分别构建所述成本数据特征和所述效益数据特征的成本特征矩阵和效益特征矩阵，根据所述成本特征矩阵和所述效益特征矩阵，分别确定所述智慧门店效益分析的成本因子和效益因子；
[0009]根据所述成本因子和所述效益因子，利用训练好的门店效益分析模型中的数据关联网络挖掘所述成本类数据和所述效益类数据的数据关联关系；
[0010]基于所述成本因子、所述效益因子以及所述数据关联关系，利用所述门店效益分析模型中的决策网络分析所述智慧门店的门店效益，得到所述智慧门店的效益分析结果。
[0011]在第一方面的一种可能实现方式中，所述对所述门店数据进行数据清洗，得到目标门店数据，包括：
[0012]分析所述门店数据中的异常数据；
[0013]制定所述异常数据的清洗规则；
[0014]将所述异常数据和所述清洗规则进行映射，得到所述异常数据和所述清洗规则之间的映射关系；
[0015]根据所述映射关系，利用所述清洗规则对所述异常数据进行清洗，得到清洗数据；
[0016]将所述清洗数据对所述门店数据进行替换，得到所述目标门店数据。
[0017]在第一方面的一种可能实现方式中，所述对所述目标门店数据进行数据分类，得到分类门店数据，包括：
[0018]分析所述目标门店数据的数据属性；
[0019]根据所述数据属性，确定所述目标门店数据的数据类型；
[0020]根据所述数据类型，利用下述公式对所述目标门店数据进行分类，得到所述分类门店数据：
[0021][0022]其中，FL(A)表示分类门店数据，b表示目标门店数据数量，c表示数据类型的数据，E
c
表示目标门店数据的第c个数据类型，D()表示分类函数。
[0023]在第一方面的一种可能实现方式中，所述识别所述分类门店数据中的成本类数据和效益类数据，包括：
[0024]分析所述分类门店数据中的数据类型属性；
[0025]根据所述数据类型属性，分别确定所述分类门店数据中成本数据阈值和效益数据阈值；
[0026]根据所述成本数据阈值和所述效益数据阈值，分别计算所述分类门店数据中的成本数据可能性和效益数据可能性；
[0027]基于所述成本数据可能性和所述效益数据可能性，提取所述分类门店数据中的成本类数据和效益类数据。
[0028]在第一方面的一种可能实现方式中，所述根据所述成本数据阈值和所述效益数据阈值，分别计算所述分类门店数据中的成本数据可能性和效益数据可能性，包括：
[0029]利用下述公式计算所述分类门店数据中的成本数据可能性和效益数据可能性：
[0030][0031][0032]其中，CB表示成本数据可能性，F
i
表示分类门店数据中第i个数据，G
n
表示分类门店数据中第n个数据类型，ε表示成本数据可能性的判别系数，ρ表示成本数据阈值，XY表示效益数据可能性，σ表示效益数据可能性的判别系数，μ表示效益数据阈值。
[0033]在第一方面的一种可能实现方式中，所述根据所述成本特征矩阵和所述效益特征矩阵，分别确定所述智慧门店效益分析的成本因子和效益因子，包括：
[0034]分别计算所述成本特征矩阵和所述效益特征矩阵的成本特征值和所述效益特征值；
[0035]基于所述成本特征值和所述效益特征值，分别构建所述成本特征矩阵和所述效益特征矩阵的成本特征关系和效益特征关系；
[0036]基于所述成本特征关系和所述效益特征关系，分析所述智慧门店效益分析的成本
影响参数和效益影响参数；
[0037]基于所述成本影响参数和所述效益影响参数，分别确定所述智慧门店效益分析的成本因子和效益因子。
[0038]在第一方面的一种可能实现方式中，所述根据所述成本因子和所述效益因子，利用训练好的门店效益分析模型中的数据关联网络挖掘所述成本类数据和所述效益类数据的数据关联关系，包括：
[0039]利用所述数据关联网络的分析层分别对所述所述成本类数据和所述效益类数据进行分层，得到成本类分层数据和效益类分层数据；
[0040]利用所述数据关联网络的结构层分别对所述成本类分层数据和所述效益类分层数据进行数据结构化处理，得到成本结构化数据和效益结构化数据；
[0041]利用所述数据关联网络的逻辑层分别构建所述成本结构化数据和所述效益结构化数据的成本结构数据逻辑和效益结构数据逻辑；
[0042]根据所述成本结构数据逻辑和所述效益结构数据逻辑，利用所述数据关联网络的关联层构建所述成本类数据和所述效益类数据的数据关联关系。
[0043]在第一方面的一种可能实现方式中，所述基于所述成本因子、所述效益因子以及所述数据关联关系，利用所述门店效益分析模型中的决策网络分析所述智慧门店的门店效益，得到所述智慧门店的效益分析结果，包括：
[0044]利用所述决策网络中的关系层构建所述成本因子、所述效益因子以及所述数据关联关系的关系树；
[0045]利用所述决策网络中的定位层识别所述关系树中的关键节点；
[0046]利用所述决策网络中的梳理层分析所述关键节点的节点关联关系；
[0047]根据所述关键节点和所述节点关联关系，利用所述决策网络中的决策层计算所述智慧门店的门店效益，得到所述智慧门店的效益分析结果。
[0048]在第一方面的一种可能实现方式中，所述根据所述关键节点和所述节点关联关系，利用所述决策网络中的决本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习实现智慧门店的效益分析方法，其特征在于，所述方法包括：获取智慧门店的门店数据，对所述门店数据进行数据清洗，得到目标门店数据，对所述目标门店数据进行数据分类，得到分类门店数据；识别所述分类门店数据中的成本类数据和效益类数据，分别分析所述成本类数据和所述效益类数据的成本数据特征和效益数据特征；分别构建所述成本数据特征和所述效益数据特征的成本特征矩阵和效益特征矩阵，根据所述成本特征矩阵和所述效益特征矩阵，分别确定所述智慧门店效益分析的成本因子和效益因子；根据所述成本因子和所述效益因子，利用训练好的门店效益分析模型中的数据关联网络挖掘所述成本类数据和所述效益类数据的数据关联关系；基于所述成本因子、所述效益因子以及所述数据关联关系，利用所述门店效益分析模型中的决策网络分析所述智慧门店的门店效益，得到所述智慧门店的效益分析结果。2.根据权利要求1所述的方法，其特征在于，所述对所述门店数据进行数据清洗，得到目标门店数据，包括：分析所述门店数据中的异常数据；制定所述异常数据的清洗规则；将所述异常数据和所述清洗规则进行映射，得到所述异常数据和所述清洗规则之间的映射关系；根据所述映射关系，利用所述清洗规则对所述异常数据进行清洗，得到清洗数据；将所述清洗数据对所述门店数据进行替换，得到所述目标门店数据。3.根据权利要求1所述的方法，其特征在于，所述对所述目标门店数据进行数据分类，得到分类门店数据，包括：分析所述目标门店数据的数据属性；根据所述数据属性，确定所述目标门店数据的数据类型；根据所述数据类型，利用下述公式对所述目标门店数据进行分类，得到所述分类门店数据：其中，FL(A)表示分类门店数据，b表示目标门店数据数量，c表示数据类型的数据，E
c
表示目标门店数据的第c个数据类型，D()表示分类函数。4.根据权利要求1所述的方法，其特征在于，所述识别所述分类门店数据中的成本类数据和效益类数据，包括：分析所述分类门店数据中的数据类型属性；根据所述数据类型属性，分别确定所述分类门店数据中成本数据阈值和效益数据阈值；根据所述成本数据阈值和所述效益数据阈值，分别计算所述分类门店数据中的成本数据可能性和效益数据可能性；基于所述成本数据可能性和所述效益数据可能性，提取所述分类门店数据中的成本类
数据和效益类数据。5.根据权利要求1所述的方法，其特征在于，所述根据所述成本数据阈值和所述效益数据阈值，分别计算所述分类门店数据中的成本数据可能性和效益数据可能性，包括：利用下述公式计算所述分类门店数据中的成本数据可能性和效益数据可能性：利用下述公式计算所述分类门店数据中的成本数据可能性和效益数据可能性：其中，CB表示成本数据可能性，F
i
表示分类门店数据中第i个数据，G
n
表示分类门店数据中第n个数据类型，ε表示成本数据可能性的判别系数，ρ表示成本数据阈值，XY表示效益数据可能性，σ表示效益数据可能性的判别系数，μ表示效益数据阈值。6.根据权利要求1所述的方法，其特征在于，所述根据所述成本特征矩阵和所述效益特征矩阵，分别确定所述智慧门店效益分析的成本因子和效益因子，包括：分别计算所述成本特征矩阵和所述效益特征矩阵的成本特征值和所述效益特征值；基于所述成本特征值和所述效益特征值，分别构...

【专利技术属性】
技术研发人员：冯平，马先勇，张秋红，
申请(专利权)人：东莞嘻牛智能科技有限公司，
类型：发明
国别省市：