数据分析的方法及装置与流程

1.本技术涉及数据处理与分析领域，特别是涉及一种数据分析的方法及装置。


背景技术：

2.现阶段的数字化营销场景中，营销人员可以查看用户画像，了解用户在小程序或app各功能页面上的使用情况，也可以通过预设规则通过计算得到用户标签，展示到用户画像上。也可通过机器学习建模，圈定出可能进行某个目标行为的用户群，如高流失、高意向用户，对用户进行挽留或激励性营销。
3.现有方案用户画像需要业务人员或数据分析人员，通过大量的数据分析建立规则与算法，来形成对应标签，人工成本巨大；生成的规则标签和统计标签，营销人员只能感知到用户的行为状况，但不能洞察出用户哪些行为对自身业务有促进作用，也无法从众多维度的标签中做出有效的选择；标签往往只适用于一个场景，营销人员并不能确定该标签是否对当前场景有用。


技术实现要素：

4.本技术实施例提供了一种数据分析的方法及装置，以期得到不同用户的关键特征及其对应的特征值，通过行为预测模型对用户进行行为分获取，并根据雷达图动态展示客户的关键特征，进行用户业务风险控制。
5.第一方面，本技术实施例提供了一种数据分析的方法，上述方法包括：
6.获取用户数据；
7.将所述用户数据分为特征数据和行为数据；
8.对所述特征数据进行数据预处理，得到第一数据集合，所述第一数据集包含用户的特征类型及其对应的特征值；
9.对所述第一数据集进行特征工程处理，得到第二数据集合，所述特征工程处理是对所述特征类型及其对应的所述特征值征进行特征分桶的过程，所述特征分桶是指对相似的所述特征类型及其对应的所述特征值进行聚合，所述第二数据集合包含关键特征及其对应的关键特征值；
10.将所述行为数据导入所述行为预测模型以预测所述用户的行为分；
11.利用所述第二数据集合确定所述用户的所述关键特征及其对应的所述关键特征值；
12.利用所述关键特征及其对应的所述关键特征值以及所述用户的行为分，建立用户打分表。
13.第二方面，本技术实施例提供了一种数据分析的装置，上述装置包括：
14.监听单元，在数据分析点监听目标终端的事件，所述事件用于指示所述目标终端所执行的业务操作，所述采集点是指期望从所述业务操作中捕获的目标触发事件；
15.采集单元，所述采集单元与所述监听单元相连接，用于采集所述用户数据；
16.数据存储单元，所述数据存储单元与所述采集单元连接，用于存储所述用户数据；
17.数据分析单元，所述数据分析单元与所述数据存储单元连接，用于利用所述数据存储单元内的所述用户数据进行特征工程处理和行为预测模型训练，所述特征工程处理是对所述特征类型及其对应的所述特征值征进行特征分桶的过程，所述行为预测模型可用于用户行为打分和预测；
18.数据查询单元，所述数据查询单元与所述数据存储单元相连接，用于实现所述用户数据的自由查询。
19.第三方面，本技术实施例提供了一种电子设备，上述设备包括：
20.一个或多个处理器；
21.一个或多个存储器，用于存储程序，
22.一个或多个通信接口，所述通信接口用于进行无线通信，所述存储器和所述通信接口相互连接，并且完成相互间的通信工作；
23.所述一个或多个存储器和所述程序被配置为，由所述一个或多个处理器控制所述设备执行如本技术实施例第一方面任一方法中所描述的部分或全部步骤。
24.第四方面，本技术实施例提供了一种计算机可读存储介质，计算机可读存储介质中存储有用于电子数据交换的计算机程序，计算机程序包括执行指令，执行指令用于执行如本技术实施例第一方面任一方法中所描述的部分或全部步骤。
25.第五方面，本技术实施例提供了一种计算机程序产品，其中，计算机程序产品包括计算机程序，计算机程序可操作来使计算机执行如本技术实施例第一方面任一方法中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
26.可以看出，本技术实施例中，通过获取用户数据；将用户数据分为特征数据和行为数据；对特征数据进行数据预处理，得到第一数据集合；对第一数据集进行特征工程处理，得到第二数据集合，第二数据集合包含关键特征及其对应的关键特征值；将行为数据导入所述行为预测模型以预测用户的行为分；利用第二数据集合确定用户的关键特征及其对应的关键特征值；利用关键特征及其对应的关键特征值以及用户的行为分，建立用户打分表。采用本技术实施例的方法，能够得到不同用户的关键特征及其对应的特征值，通过行为预测模型对用户进行行为分获取，还能够根据雷达图动态展示客户的关键特征，进行用户业务风险控制。
附图说明
27.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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人员来讲，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。
28.图1是本技术实施例提供的一种网络构架的结构示意图；
29.图2是本技术实施例提供的一种数据分析的方法的流程示意图；
30.图3是本技术实施例提供的一种数据分析装置的结构示意图；
31.图4是本技术实施例提供的另一种数据分析装置的结构示意图。
具体实施方式
32.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
33.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤的过程、方法、系统、产品或设备没有限定于已列出的步骤，而是可选地还包括没有列出的步骤，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤。
34.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
35.相关设计中，一些方案以埋点事件的为管理单元，没有统一的业务模型抽象，数据资源利用率低。数据清洗转化基于web服务处理，数据吞吐低，只能满足少量的同时上报，并且数据写入的实时性较差。
36.针对上述问题，本技术实施例提出了一种数据分析的方法及装置，通过获取用户数据；将用户数据分特征数据和行为数据；对特征数据进行数据预处理，得到第一数据集合；对第一数据集进行特征工程处理，得到第二数据集合，第二数据集合包含关键特征及其对应的关键特征值；将行为数据导入所述行为预测模型以预测用户的行为分；利用第二数据集合确定用户的关键特征及其对应的关键特征值；利用关键特征及其对应的关键特征值以及用户的行为分，建立用户打分表。采用本技术实施例的方法，能够得到不同用户的关键特征及其对应的特征值，通过行为预测模型对用户进行行为分获取，还能够根据雷达图动态展示客户的关键特征，进行用户业务风险控制。
37.为了更好理解本发明实施例公开的一种数据分析的方法及装置，下面对本发明实施例进行详细介绍。
38.下面先对本发明实施例适用的网络构架进行描述。请参阅图1，图1是本发明实施例公开的一种网络构架的结构示意图。如图1所示，该网络构架示意图可以包括服务设备和终端，其中，服务设备可以包括服务器、服务主机、服务系统以及服务平台等，而终端包括但不限于移动电话、移动电脑、平板电脑、个人数字助理(personal digital assistant，pda)、媒体播放器、智能电视、智能手表、智能眼镜、智能手环等用户设备。其中，服务设备可以通过互联网与终端进行通信连接。
39.基于此，本技术实施例提供的一种数据分析的方法，请参阅图2，图2是本技术实施例提供的一种数据分析的方法的流程示意图，所述数据分析的方法应用于服务设备中，如图2所示，该方法包括以下步骤：
40.步骤201：获取用户数据。
41.示例性地，用户在目标终端与系统产生交互。其中，所述目标终端包括但不限于移动电话、移动电脑、平板电脑、个人数字助理(personal digital assistant，pda)、媒体播
放器、智能电视、智能手表、智能眼镜、智能手环等用户设备。
42.具体的，数据分析是为了针对采集到的用户数据，进行用户特征的提取和行为预测，从而获取不同用户的得分作为业务风险控制的参考数据源。
43.用户通过在目标终端选择如应用软件app、小程序或网页等平台，进行相关业务操作，具体地，业务操作可以包括但是不限于以下内容：“点击”、“滑动页面”等等。其中，“点击”操作可能会产生的数据字段有：点击链接、点击跳转、点击位置等，对于“滑动页面”操作可能会产生的数据字段有：向上、向下、向左、向右等。每一次业务操作都会与系统产生交互数据，平台需要做的就是获取这些交互数据。
44.步骤202：将所述用户数据分为特征数据和行为数据。
45.示例性地，通过步骤201所采集到的用户数据包含多个用户的数据，这些数据按属性可以分为静态信息和动态信息。其中，静态信息用于表征用户的属性特征信息，例如：姓名、年龄、性别等；动态信息用于表征用户的行为信息，例如：页面浏览、页面停留、信息选择等。
46.具体地，根据上述属性将用户数据分为特征数据和行为数据。
47.步骤203：对所述特征数据进行数据预处理，得到第一数据集合，所述第一数据集包含用户的特征类型及其对应的特征值。
48.示例性地，不同用户之间会存在特征差异，不同特征之间也会存在特征值的差异，上述特征类型会包含多个特征，多个特征也有其对应的特征值。
49.示例性地，上述都以数据集包括至少一个特征类型及其对应的特征值。需要进行说明的是，数据中的特征类型选择是通过模型自动筛选的。目前特征选择方法一般可以分为三类：过滤式算法(filtermethod)、封装式算法(wrappermethod)和嵌入式算法(embeddedmethod)。
50.其中，过滤式方法是指将特征选择作为一个预处理过程，利用数据的内在特性对选取的子集进行评价，其广泛使用的包括：方差总和法、信息增益法和互信息法等；封装式算法是将分类器作为一个黑盒子来评估特征的子集，根据分类的准确性来分别评估每一个特征子集，其广泛使用的包括：序列前向选择、序列后向选择和支持向量机等方法；嵌入式算法是指将特征选择的过程直接嵌入到训练过程中，其广泛使用的包括：决策树、递归式特征消除算法(recursive feature elimination，rfe)等。
51.具体地，对于一个特定的学习算法来说，哪一个特征是有效的是未知的。因此，需要从所有特征中选择出对于学习算法有益的相关特征。而且在实际应用中，经常会出现维度灾难问题。如果只选择所有特征中的部分特征构建模型，那么可以大大减少学习算法的运行时间，也可以增加模型的可解释性。
52.步骤204：对所述第一数据集进行特征工程处理，得到第二数据集合。
53.示例性地，所述特征工程处理是对所述特征类型及其对应的所述特征值征进行特征分桶的过程，所述特征分桶是指对相似的所述特征类型及其对应的所述特征值进行聚合，所述第二数据集合包含关键特征及其对应的关键特征值。
54.在一个可能的实施例中，当前本技术实现关键特征是基于决策树模型的实现的。
55.示例性地，决策树(decision tree)是监督学习算法的一种，主要应用于分类问题，但有时也会应用在回归问题上。其原理是：从数据中挑选具有区分性的变量，将数据集
拆分为两个或两个以上的子集合，一步一步拆分，最终形成了一棵“树”，“树”的每个叶子节点代表该分支最终的预测结果。在决策树中，深度较浅的节点一般对应的特征分类能力更强：可以将更多的样本区分开。对于基于决策树的算法，如随机森林，重要的特征更有可能出现在深度较浅的节点，而且出现的次数可能越多，即可基于树模型中特征出现次数等指标对特征进行重要性排序，根据排序从若干特征类型中选取关键特征。
56.步骤205：将所述行为数据导入所述行为预测模型以预测所述用户的行为分。
57.示例性地，上述行为预测模型其实质可以视为对训练数据进行0/1标签标注过程，即根据用户的行为数据进行判断当前用户的行为意向为：有购买意向或无购买意向，使用0或1表示。
58.具体地，首先将行为数据分为训练数据集和测试数据集，训练数据集是通过对0或1表示的用户购房意向进行人工标注得到的标准数据集；然后，将得到的标准数据集作为行为预测模型的输入，采用有监督的训练方法进行模型预训练，并保存训练结果为第一模型。其中，有监督的训练方法是指模型的训练数据是有标签的，训练目标是能够给新数据以正确的标签。
59.进一步地，利用测试数据集对第一模型进行无监督训练，第一模型的输出结果即为第二数据集中客户对应的标签，同时在第二数据集训练过程中通过对相关参数的调整优化，提高模型标签分类的准确性。将上述输出的标签结果存入数据库的客户标签集中，并保存上述模型训练结果以供下次继续使用。
60.步骤206：利用所述第二数据集合确定所述用户的所述关键特征及其对应的所述关键特征值。
61.示例性地，不同用户在特征上会存在差异，并且每个客户在各个特征上的特征值也存在不同。根据步骤204训练得到的第二数据集以及其训练过程的模型参数，可以对后续输入的用户数据中的特征数据进行关键特征及其对应的特征值确认。
62.步骤207：利用所述关键特征及其对应的所述关键特征值以及所述用户的行为分，建立用户打分表。
63.具体地，根据各用户得到的关键特征及其对应的关键特征值，以及用户行为分预测结果，整体上构成该用户的打分结果。
64.可以看出，本技术实施例中，通过获取用户数据；将用户数据分为特征数据和行为数据；对特征数据进行数据预处理，得到第一数据集合；对第一数据集进行特征工程处理，得到第二数据集合，第二数据集合包含关键特征及其对应的关键特征值；将行为数据导入所述行为预测模型以预测用户的行为分；利用第二数据集合确定用户的关键特征及其对应的关键特征值；利用关键特征及其对应的关键特征值以及用户的行为分，建立用户打分表。采用本技术实施例的方法，能够得到不同用户的关键特征及其对应的特征值，通过行为预测模型对用户进行行为分获取，还能够根据雷达图动态展示客户的关键特征，进行用户业务风险控制。
65.在一个可能的示例中，所述获取用户数据，包括：采用埋点的方式从目标终端自动获取所述用户数据；所述埋点是指在数据分析点监听目标终端的事件，所述事件用于指示所述目标终端所执行的业务操作，所述采集点是指期望从所述业务操作中捕获的目标事件。
66.示例性地，业务操作可以包括但是不限于以下内容：“点击”、“滑动页面”等等。其中，“点击”操作可能会产生的数据字段有：点击链接、点击跳转、点击位置等，对于“滑动页面”操作可能会产生的数据字段有：向上、向下、向左、向右等。
67.其中，在进行监听目标终端所执行的业务操作之前，需要提前设定触发监听机制的目标触发事件，所述目标触发事件包括：点击事件，用户每点击目标端界面一次，就会记录一次对当前的操作；曝光事件，用户在目标端进入或刷新某一页面时，记录一次操作数据；页面停留时长，记录用户在页面停留时长，当前时间段内的浏览操作等数据。
68.进一步地，将所采集到的数据存储至数据库中。在具体应用中，数据分析人员可以自行在数据中心加工分析埋点数据，不需要重新开发获取数据。
69.可以看出，在本技术的实施例中，采用上述方法，实现了实时地进行埋点数据采集，并将采集到的客户数据并上报至服务器的数据库中存储，实现了数据采集的自动化。通过设置目标触发事件，避免了在每一个事件发生时进行代码检查的复杂，基于组件化的事件拦截自动上报，减少了事件采集的工作量。
70.在一种可能的示例中，所述采用埋点的方式从目标终端自动获取所述用户数据之后，所述方法还包括：数据抽取、数据转换和数据加载；其中，所述数据抽取是指从数据库中获取所述用户数据的过程；所述数据转换是指对所述用户数据按照预先设计好的规则将抽取的数据进行数据格式和维度的转换，使本来异构的数据格式能统一起来；所述是指将转换完数据按计划增量或全部导入到数据库中。
71.示例性地，对采集到的用户数据按照预先设计好的规则进行数据格式和维度的转换，使原本异构的数据格式能统一起来；然后，将转换完数据按计划增量或全部导入到数据库中。
72.可以看出，通过在对采集到的数据进行数据抽取、数据转换和数据加载等过程，实现数据的标准化和规格化存储。
73.在一个可能的示例中，所述对所述特征数据进行数据预处理，包括：利用机器学习的算法和模型对所述特征数据进行训练，得到特征值；根据所述特征值从大到小选择对应的所述特征类型。
74.示例性地，通过步骤203中所述的特征选择过程，重要的特征更有可能出现在深度较浅的节点，而且出现的次数可能越多，即可基于树模型中特征出现次数等指标对特征进行重要性排序。
75.可以看出，本技术实施例中，通过训练来确定特征的优劣，对特征数据进行特征选择处理，能够保证用户的特征选择的准确性。
76.在一个可能的示例中，所述对所述第一数据集进行特征工程处理，包括：通过证据权重woe对所述特征值进行数值特征分桶；通过目标编码对所述特征类型进行类型特征分桶。
77.示例性地，证据权重全称是(weight ofevidence，woe)，也叫作自变量的一种编码，是对于字符型变量的某个值或者是连续变量的某个分段下的好坏客户的比例的一种计量。通常，一个用户会具有多个不同的特征，每个特征有其对应的特征值，用户是否有购买意向的标签包括有购买意向的客户也即好客户和没有购买意向的客户也即坏客户，可以用0或1来表征好客户或坏客户。实际的应用会将原始特征对应的数据替换为应用woe公式后
的数据，也称作woe编码或者woe化。woe编码需要首先将这个特征分组处理也就是分箱。一般选择使用均匀分箱，离散型数据分箱个数就是该数据的数据类别个数，连续型数据一般会使用6组，尽可能均分。
78.具体的，实际应用中可能会出现，将数值型属性转换成类别呈现更有意义，同时能使算法减少噪声的干扰，通过将一定范围内的数值划分成确定的块。例如，对于同一个变量如年龄，如果年龄区间[24,27]对应的woe值是0.2，而年龄区间[28,31]对应的woe值是0.1，则意味着年龄区间[24,27]的用户对应的没有购买意向的概率比年龄区间[28,31]的用户更高。
[0079]
如果对每一个特征的每个取值进行编码，不仅计算量很大，而且会导致所构建的模型不稳定，变量的异常取值很容易干扰模型。故在对每一个特征进行woe编码前，首先进行特征分箱，也就是进行数据离散化。为保证分箱的合理性，即不同分箱之间的差异性尽可能明显，一般会采用卡方分箱方式。
[0080]
具体的，对于某个特征进行分箱，分箱后得到多个箱，对于第i箱，woe的计算公式如下：
[0081][0082]
其中，表示该箱中坏用户也就是没有购买意向的客户占总体坏用户的比例，可以用0表示用户是没有购买意向的客户，1表示有购买意向的客户。p
ni
表示该箱中好用户也就是有购买意向的客户占总体坏用户的比例，yi是该箱中坏用户的数量，y
t
是该箱中所有坏用户的数量，ni该箱中好用户的数量，n
t
是该箱中所有好用户的数量。只有在了解属性的领域知识的基础，确定属性能够划分成简洁的范围时分箱才有意义，即所有的数值落入一个分区时能够呈现出共同的特征。根据上述公式，woe可以理解为每个分箱中坏用户分布相对于好用户分布之间的差异，所得woe越大，这两种差异就越大。
[0083]
示例性地，目标编码对所述特征类型进行类型特征分桶的原理与上述woe分箱相类似，在此不作赘述。
[0084]
可以看出，本技术实施例中，通过进行特征分箱对多个特征进行筛选和聚类，可以实现对不同的用户特征或行为评估偏差较小，有效的区分出用户的购买意向，更有利于实际应用中营销人员确定对不同用户的服务方式，提高工作效率。
[0085]
在一个可能的示例中，上述方法之后还包括：根据所述特征分桶计算每个特征的对比值，得到所述第二数据集合，所述对比值是指在所述特征分桶中具有某一特征的用户所占比例与总体中具有相同特征的用户所占比例的比值；所述对比值是使用目标群体指数tgi表征，所述tgi用于指示研究所述特征和目标人群的关联度。
[0086]
示例性地，目标群体指数(target group index，tgi)，其计算方式为：
[0087]
tgi＝[目标群体中具有某一特征的群体所占比例/总体中具有相同特征的群体所占比例]*标准数100。
[0088]
具体的，tgi指数等于100表示平均水平，高于100代表该类用户对某类特征的关注程度高于整体水平。
[0089]
在一个可能的示例中，假设目标终端所有用户的男女比是6:4，在这些用户中，触发过“点击”事件的男女比是9:1，触发过“页面停留”的男女比是2:8。那么该“点击”事件业务操作在男性中的tgi是90％/60％*100＝150，女性10％/40％*100＝25，该“页面停留”事件业务操作在男性中的tgi是20％/60％*100＝33.33，女性80％/40％*100＝200。
[0090]
可以看出，本技术实施例中，通过目标群体指数可反映目标群体在不同特征属性：如年龄、性别、收入等特征范围中的购买意向；有助于明确目标客户，可作为营销人员设定目标客户和营销方案时候的重要参考，从而提高营销的效率。
[0091]
在一个可能的示例中，上述方法还包括:根据所述用户得分表和所述第二数据集合，选择作为雷达图的展示字段；所述雷达图用于指示所述用户的关键行为和诉求。
[0092]
具体的，数据库中所采集到的用户数据中，包含用户的基本信息，包括：姓名、性别、电话等；也包含有用户的行为信息，例如用户在app、小程序或网页端进行的相关业务操作，在所述界面选择个人意向信息浏览选择，这个交互过程中会采集到多类场景信息，包括：用户购房意向、选址要求、设施需求等等。针对这类场景信息进行研究，所得到的用户得分表和第二数据集合中会有每一类信息都对应一个标签，能够得到针对该用户一个全方位的评价，可以以雷达图的形式展现不同用户的特征分布图，给营销人员作为参考。
[0093]
可以看出，本技术实施例中，通过雷达图可以让营销人员参考用户的特征分布图了解客户需求，以提供不同的服务。不仅提高了所采集到的用户数据的利用率，同时针对不同标签的用户可以提供更精确的服务，不仅可以提高销售人员的工作效率以及用户业务风险控制，还能有效地提高客户对于销售人员的信赖度。
[0094]
与上述图2所示的实施例一致的，请参阅图3，图3是本技术实施例提供的一种数据分析装置的结构示意图，如图3所示：
[0095]
一种数据分析装置，上述装置包括：
[0096]
301：监听单元，在数据分析点监听目标终端的事件，所述事件用于指示所述目标终端所执行的业务操作，所述采集点是指期望从所述业务操作中捕获的目标触发事件。
[0097]
302：采集单元，所述采集单元与所述监听单元相连接，用于采集所述用户数据。
[0098]
303：数据存储单元，所述数据存储单元与所述采集单元连接，用于存储所述用户数据。
[0099]
304：数据分析单元，所述数据分析单元与所述数据存储单元连接，用于利用所述数据存储单元内的所述用户数据进行特征工程处理和行为预测模型训练，所述特征工程处理是对所述特征类型及其对应的所述特征值征进行特征分桶的过程，所述行为预测模型可用于用户行为打分和预测。
[0100]
305：数据查询单元，所述数据查询单元与所述数据存储单元相连接，用于实现所述用户数据的自由查询。
[0101]
可以看出，本技术实施例中，通过获取用户数据；将用户数据分为特征数据和行为数据；对特征数据进行数据预处理，得到第一数据集合；对第一数据集进行特征工程处理，得到第二数据集合，第二数据集合包含关键特征及其对应的关键特征值；将行为数据导入所述行为预测模型以预测用户的行为分；利用第二数据集合确定用户的关键特征及其对应的关键特征值；利用关键特征及其对应的关键特征值以及用户的行为分，建立用户打分表。采用本技术实施例的方法，能够得到不同用户的关键特征及其对应的特征值，通过行为预
测模型对用户进行行为分获取，还能够根据雷达图动态展示客户的关键特征，进行用户业务风险控制。
[0102]
具体地，本技术实施例可以根据上述方法示例对数据分析的装置进行功能单元的划分，例如，可以对应各个功能划分各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。需要说明的是，本技术实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0103]
与上述图2所示的实施例一致的，请参阅图4，图4是本技术实施例提供的另一种数据分析装置的结构示意图，如图4所示：
[0104]
一种电子设备，包括：
[0105]
一个或多个处理器；一个或多个存储器，用于存储程序，一个或多个通信接口，所述通信接口用于进行无线通信，所述存储器和所述通信接口相互连接，并且完成相互间的通信工作；所述一个或多个存储器和所述程序被配置为，由所述一个或多个处理器控制所述设备执行如本技术实施例第一方面任一方法中所描述的部分或全部步骤。
[0106]
其中，存储器可以是易失性存储器如动态随机存储器dram，也可以是非易失性存储器如机械硬盘。上述存储器用于存储一组可执行程序代码，上述处理器用于调用存储器中存储的可执行程序代码，可以执行如上述数据分析的方法实施例中记载的任何一种数据分析的方法的部分或全部步骤。
[0107]
上述无线通信可以使用任一通信标准或协议，包括但不限于gsm(global system of mobile communication，全球移动通讯系统)、gprs(general packet radio service，通用分组无线服务)、cdma2000(codedivision multiple access2000，码分多址2000)、wcdma(wideband code divisionmultiple access,宽带码分多址)、td-scdma(time division-synchronous codedivision multiple access，时分同步码分多址)、fdd-lte(frequency divisionduplexing-long term evolution，频分双工长期演进)和tdd-lte(time divisionduplexing-long term evolution，分时双工长期演进)等。
[0108]
本技术实施例提供了一种计算机可读存储介质，计算机可读存储介质中存储有用于电子数据交换的计算机程序，计算机程序包括执行指令，执行指令用于执行如上述数据分析的方法实施例中记载的任何一种数据分析的方法的部分或全部步骤，上述计算机包括电子终端设备。
[0109]
本技术实施例提供了一种计算机程序产品，其中，计算机程序产品包括计算机程序，计算机程序可操作来使计算机如上述方法实施例中记载的任何一种数据分析的方法的部分或全部步骤，该计算机程序产品可以是一个软件安装包。
[0110]
需要说明的是，对于前述的任一种数据分析的方法的实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本技术所必须的。
[0111]
以上对本技术实施例进行了详细介绍，本文中应用了具体个例对本技术一种数据分析的方法及装置的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本
申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术一种数据分析的方法及装置的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。
[0112]
本技术是参照本技术实施例的方法、硬件产品和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0113]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。存储器可以包括：闪存盘、只读存储器(英文：read-only memory，简称：rom)、随机存取器(英文：random access memory，简称：ram)、磁盘或光盘等。
[0114]
尽管在此结合各实施例对本技术进行了描述，然而，在实施所要求保护的本技术过程中，本领域技术人员通过查看附图、公开内容、以及所附权利要求书，可理解并实现所公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
[0115]
本领域普通技术人员可以理解上述任一种数据分析的方法实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：read-only memory，简称：rom)、随机存取器(英文：random access memory，简称：ram)、磁盘或光盘等。
[0116]
可以理解的是，凡是被控制或者被配置以用于执行本技术一种数据分析的方法实施例所描述的流程图的处理方法的产品，如上述流程图的装置以及计算机程序产品，均属于本技术所描述的相关产品的范畴。
[0117]
显然，本领域的技术人员可以对本技术提供的一种数据分析的方法及装置进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。