本發(fā)明主要涉及數(shù)據(jù)分析
技術(shù)領(lǐng)域：
，具體涉及一種查找價(jià)值用戶的數(shù)據(jù)處理方法和系統(tǒng)。
背景技術(shù)：
：傳統(tǒng)劃分用戶價(jià)值的方法是基于個(gè)人主觀將不同維度的數(shù)據(jù)劃分范圍，然后加以組合，形成新的維度；傳統(tǒng)劃分方法有其自身的局限性：1.在分析過程中，遇到劃分?jǐn)?shù)據(jù)范圍的問題時(shí)，往往憑借其中一個(gè)維度進(jìn)行篩選，而不能多個(gè)維度同時(shí)考慮，影響結(jié)論準(zhǔn)確；2.當(dāng)數(shù)據(jù)量大，數(shù)據(jù)較復(fù)雜時(shí)，用傳統(tǒng)的劃分方法，會(huì)增加分析人員的負(fù)擔(dān)，增加執(zhí)行成本。技術(shù)實(shí)現(xiàn)要素：本發(fā)明所要解決的技術(shù)問題是針對現(xiàn)有技術(shù)的不足，提供一種查找價(jià)值用戶的數(shù)據(jù)處理方法和系統(tǒng)。本發(fā)明解決上述技術(shù)問題的技術(shù)方案如下：一種查找價(jià)值用戶的數(shù)據(jù)處理方法，包括如下步驟：步驟s1：以用戶名為行、rfm業(yè)務(wù)指標(biāo)為列來構(gòu)建數(shù)據(jù)分析列表；步驟s2：根據(jù)每個(gè)用戶的rfm業(yè)務(wù)指標(biāo)以及設(shè)定的劃分閾值將數(shù)據(jù)分析列表中的數(shù)據(jù)劃分為主體用戶數(shù)據(jù)、高價(jià)值用戶數(shù)據(jù)和異常用戶數(shù)據(jù)三部分；步驟s3：將高價(jià)值用戶數(shù)據(jù)和異常用戶數(shù)據(jù)濾除，保留主體用戶數(shù)據(jù)；步驟s4：根據(jù)kmeans聚類方法對主體用戶數(shù)據(jù)聚類處理，得到多個(gè)聚類簇，每個(gè)聚類簇包括一個(gè)聚類中心；步驟s5：根據(jù)ahp層次分析法對聚類中心進(jìn)行量化價(jià)值計(jì)算，根據(jù)量化價(jià)值的高低將主體用戶數(shù)據(jù)進(jìn)行歸類，得到價(jià)值用戶的種類。本發(fā)明的有益效果是：采用rfm業(yè)務(wù)指標(biāo)來從全局上考慮數(shù)據(jù)維度，并采用kmeans聚類方法，使數(shù)據(jù)自行成簇，避免了維度考慮單一的問題及人為造成的誤差影響，從而提高工作效率。在上述技術(shù)方案的基礎(chǔ)上，本發(fā)明還可以做如下改進(jìn)。進(jìn)一步，所述數(shù)據(jù)分析列表為n*3的列表，其中n行分別為n個(gè)用戶名，3列為每個(gè)用戶名對應(yīng)r指標(biāo)、f指標(biāo)和m指標(biāo)；所述rfm業(yè)務(wù)指標(biāo)包括r指標(biāo)、f指標(biāo)和m指標(biāo)，r指標(biāo)為用戶最近充值日期至設(shè)定日期之間的間隔天數(shù)，f指標(biāo)為用戶在充值天數(shù)內(nèi)成功充值的次數(shù)，m指標(biāo)為用戶在充值天數(shù)內(nèi)成功充值的金額。采用上述進(jìn)一步方案的有益效果是：進(jìn)行多維度的數(shù)據(jù)挖掘和分析，避免考慮單一而影響數(shù)據(jù)的準(zhǔn)確性。進(jìn)一步，所述設(shè)定的劃分閾值包括第一劃分閾值和第二劃分閾值，第一劃分閾值為主體用戶與高價(jià)值用戶間的劃分閾值，第二劃分閾值為高價(jià)值用戶與異常用戶間的劃分閾值。閾值的確立可以根據(jù)具體業(yè)務(wù)要求來決定，比如業(yè)務(wù)目的要求很嚴(yán)格，那么閾值就取得保守些，如果業(yè)務(wù)目的是貪婪型的，那么閾值就取得偏大些。采用上述進(jìn)一步方案的有益效果是：通過閾值將數(shù)據(jù)分類，有利于分清哪部分?jǐn)?shù)據(jù)是主體用戶數(shù)據(jù)。進(jìn)一步，所述步驟s5具體包括：步驟s501：根據(jù)ahp層次分析法分別對聚類中心進(jìn)行加權(quán)計(jì)算處理，得到各聚類簇的量化價(jià)值；步驟s502：根據(jù)預(yù)設(shè)的業(yè)務(wù)分類數(shù)值和各聚類簇的量化價(jià)值的高低將各聚類簇歸類處理，得到主體用戶數(shù)據(jù)的高價(jià)值聚類簇和低價(jià)值聚類簇。采用上述進(jìn)一步方案的有益效果是：為方便各聚類簇之間的比較，對每個(gè)聚類簇進(jìn)行加權(quán)計(jì)算，確立權(quán)重，既考慮到了數(shù)據(jù)內(nèi)部的關(guān)系，也用到了業(yè)務(wù)方面的經(jīng)驗(yàn)，使準(zhǔn)確性提高。進(jìn)一步，所述步驟s5還包括步驟s503：將得到的高價(jià)值聚類簇和低價(jià)值聚類簇重復(fù)執(zhí)行步驟s501加權(quán)計(jì)算處理和步驟s502歸類處理，得到主體用戶數(shù)據(jù)最終的高價(jià)值聚類簇和低價(jià)值聚類簇。采用上述進(jìn)一步方案的有益效果是：將已聚類過的聚類簇再次聚類，使聚類簇逐漸變少，便于理解。本發(fā)明解決上述技術(shù)問題的另一技術(shù)方案如下：一種查找價(jià)值用戶的數(shù)據(jù)處理系統(tǒng)，包括：列表構(gòu)建模塊，用于以用戶名為行、rfm業(yè)務(wù)指標(biāo)為列來構(gòu)建數(shù)據(jù)分析列表；劃分模塊，用于根據(jù)每個(gè)用戶的rfm業(yè)務(wù)指標(biāo)以及設(shè)定的劃分閾值將數(shù)據(jù)分析列表中的數(shù)據(jù)劃分為主體用戶數(shù)據(jù)、高價(jià)值用戶數(shù)據(jù)和異常用戶數(shù)據(jù)三部分；濾除模塊，用于將高價(jià)值用戶數(shù)據(jù)和異常用戶數(shù)據(jù)濾除，保留主體用戶數(shù)據(jù)；聚類模塊，用于根據(jù)kmeans聚類方法對主體用戶數(shù)據(jù)聚類處理，得到多個(gè)聚類簇，每個(gè)聚類簇包括一個(gè)聚類中心；歸類模塊，用于根據(jù)ahp層次分析法對各聚類中心進(jìn)行量化價(jià)值計(jì)算，并根據(jù)量化價(jià)值的高低將主體用戶數(shù)據(jù)進(jìn)行歸類，得到價(jià)值用戶的種類。在上述技術(shù)方案的基礎(chǔ)上，本發(fā)明還可以做如下改進(jìn)。進(jìn)一步，列表構(gòu)建模塊中，所述數(shù)據(jù)分析列表為n*3的列表，n行分別為n個(gè)用戶名，3列為每個(gè)用戶名對應(yīng)r指標(biāo)、f指標(biāo)和m指標(biāo)；所述rfm業(yè)務(wù)指標(biāo)包括r指標(biāo)、f指標(biāo)和m指標(biāo)，r指標(biāo)為用戶最近充值日期至設(shè)定日期之間的間隔天數(shù)，f指標(biāo)為用戶在充值天數(shù)內(nèi)成功充值的次數(shù)，m指標(biāo)為用戶在充值天數(shù)內(nèi)成功充值的金額。進(jìn)一步，所述設(shè)定的劃分閾值包括第一劃分閾值和第二劃分閾值，第一劃分閾值為主體用戶與高價(jià)值用戶間的劃分閾值，第二劃分閾值為高價(jià)值用戶與異常用戶間的劃分閾值。進(jìn)一步，所述歸類模塊包括：計(jì)算單元，用于根據(jù)ahp層次分析法分別對聚類中心進(jìn)行加權(quán)計(jì)算處理，得到各聚類簇的量化價(jià)值；歸類單元，用于根據(jù)預(yù)設(shè)的業(yè)務(wù)分類數(shù)值和各聚類簇的量化價(jià)值的高低將各聚類簇歸類處理，得到主體用戶數(shù)據(jù)的高價(jià)值聚類簇和低價(jià)值聚類簇。進(jìn)一步，所述歸類模塊還包括調(diào)用單元，所述調(diào)用單元用于依次調(diào)用計(jì)算單元和歸類單元將得到的高價(jià)值聚類簇和低價(jià)值聚類簇再次進(jìn)行加權(quán)計(jì)算處理和歸類處理，得到主體用戶數(shù)據(jù)最終的高價(jià)值聚類簇和低價(jià)值聚類簇。附圖說明圖1為本發(fā)明實(shí)施例提供的數(shù)據(jù)處理方法的方法流程圖；圖2為本發(fā)明實(shí)施例提供的數(shù)據(jù)處理系統(tǒng)的模塊框圖。具體實(shí)施方式以下結(jié)合附圖對本發(fā)明的原理和特征進(jìn)行描述，所舉實(shí)例只用于解釋本發(fā)明，并非用于限定本發(fā)明的范圍。圖1為本發(fā)明實(shí)施例提供的數(shù)據(jù)處理方法的方法流程圖；如圖1所示，一種查找價(jià)值用戶的數(shù)據(jù)處理方法，包括如下步驟：步驟s1：以用戶名為行、rfm業(yè)務(wù)指標(biāo)為列來構(gòu)建數(shù)據(jù)分析列表；步驟s2：根據(jù)每個(gè)用戶的rfm業(yè)務(wù)指標(biāo)以及設(shè)定的劃分閾值將數(shù)據(jù)分析列表中的數(shù)據(jù)劃分為主體用戶數(shù)據(jù)、高價(jià)值用戶數(shù)據(jù)和異常用戶數(shù)據(jù)三部分；步驟s3：將高價(jià)值用戶數(shù)據(jù)和異常用戶數(shù)據(jù)濾除，保留主體用戶數(shù)據(jù)；步驟s4：根據(jù)kmeans聚類方法對主體用戶數(shù)據(jù)聚類處理，得到多個(gè)聚類簇，每個(gè)聚類簇包括一個(gè)聚類中心；步驟s5：根據(jù)ahp層次分析法對聚類中心進(jìn)行量化價(jià)值計(jì)算，根據(jù)量化價(jià)值的高低將主體用戶數(shù)據(jù)進(jìn)行歸類，得到價(jià)值用戶的種類。上述實(shí)施例中，應(yīng)理解的，主體用戶數(shù)據(jù)一般為97％占比以上的用戶量、高價(jià)值用戶數(shù)據(jù)一般為3％以下的用戶量和異常用戶數(shù)據(jù)一般為0.1％以下的用戶量。步驟s2中，閾值的確立可以根據(jù)具體業(yè)務(wù)要求來決定，比如業(yè)務(wù)目的要求很嚴(yán)格，那么閾值就取得保守些，如果業(yè)務(wù)目的是貪婪型的，那么閾值就取得偏大些。上述實(shí)施例中，由于每聚類簇的聚類中心與總體均值比較后，只能大于或者小于，所以rfm共有2^3個(gè)類別，即kmeans聚類簇?cái)?shù)等于8。上述實(shí)施例中，所述步驟s3將主體用戶數(shù)據(jù)歸一化，來將高價(jià)值用戶數(shù)據(jù)和異常用戶數(shù)據(jù)濾除，保留主體用戶數(shù)據(jù)；上述實(shí)施例中，采用rfm業(yè)務(wù)指標(biāo)來從全局上考慮數(shù)據(jù)維度，并采用kmeans聚類方法，使數(shù)據(jù)自行成簇，避免了維度考慮單一的問題及人為造成的誤差影響，從而提高工作效率?？蛇x地，作為本發(fā)明的一個(gè)實(shí)施例，所述數(shù)據(jù)分析列表為n*3的列表，其中n行分別為n個(gè)用戶名，3列為每個(gè)用戶名對應(yīng)r指標(biāo)、f指標(biāo)和m指標(biāo)；所述rfm業(yè)務(wù)指標(biāo)包括r指標(biāo)、f指標(biāo)和m指標(biāo)，r指標(biāo)為用戶最近充值日期至設(shè)定日期之間的間隔天數(shù)，f指標(biāo)為用戶在充值天數(shù)內(nèi)成功充值的次數(shù)，m指標(biāo)為用戶在充值天數(shù)內(nèi)成功充值的金額；上述實(shí)施例中，具體的，r指標(biāo)為用戶在時(shí)間范圍內(nèi)的最后充值日期距離2016年9月1日的間隔天數(shù)；f指標(biāo)為用戶在充值天數(shù)內(nèi)成功充值的次數(shù)；m指標(biāo)為用戶在充值天數(shù)內(nèi)成功充值的金額；上述實(shí)施例中，進(jìn)行多維度的數(shù)據(jù)挖掘和分析，避免考慮單一而影響數(shù)據(jù)的準(zhǔn)確性?？蛇x地，作為本發(fā)明的一個(gè)實(shí)施例，所述設(shè)定的劃分閾值包括第一劃分閾值和第二劃分閾值，第一劃分閾值為主體用戶與高價(jià)值用戶間的劃分閾值，第二劃分閾值為高價(jià)值用戶與異常用戶間的劃分閾值。具體的，第一劃分閾值小于第二劃分閾值。上述實(shí)施例中，通過閾值將數(shù)據(jù)分箱，有利于分清哪部分?jǐn)?shù)據(jù)是主體用戶數(shù)據(jù)?？蛇x地，作為本發(fā)明的一個(gè)實(shí)施例，所述步驟s5具體包括：步驟s501：根據(jù)ahp層次分析法分別對聚類中心進(jìn)行加權(quán)計(jì)算處理，得到各聚類簇的量化價(jià)值；例如，聚類簇a的聚類中心為r＝x1,f＝x2,m＝x3，ahp層次分析法得到的r,f,m權(quán)重為a,b,c，經(jīng)過加權(quán)，聚類簇a的中心價(jià)值為ax1+bx2+cx3；步驟s502：根據(jù)預(yù)設(shè)的業(yè)務(wù)分類數(shù)值和各聚類簇的量化價(jià)值的高低將各聚類簇歸類處理，得到主體用戶數(shù)據(jù)的高價(jià)值聚類簇和低價(jià)值聚類簇。主體用戶數(shù)據(jù)的高價(jià)值聚類簇對應(yīng)極高價(jià)值用戶，低價(jià)值聚類簇對應(yīng)低價(jià)值用戶。具體的，上述實(shí)施例中，高價(jià)值聚類簇和低價(jià)值聚類簇是相對于主體用戶內(nèi)部的水平來說的，可以根據(jù)加權(quán)后的價(jià)值度來判斷，至于價(jià)值度的閾值，根據(jù)歷史數(shù)據(jù)來判斷，一般加權(quán)價(jià)值x<＝0.2為低價(jià)值，0.2<x<＝0.4為中價(jià)值用戶，0.4以上為高價(jià)值。上述實(shí)施例中，例如：ahp層次分析法中，利用表1，表1rfmrr/rr/fr/mff/rf/ff/mmm/rm/fm/mn階為3，ri為0.58，mi為每行乘積，r為0.635904，f為1.05984，m為1.483776，w為特征向量，w為3.179519，權(quán)重wr為0.2，權(quán)重wr為0.333333，權(quán)重wm為0.466667，經(jīng)計(jì)算后，改寫表1得到表2：表2rfmr10.600.43f1.6710.71m2.331.401上述實(shí)施例中，為方便各聚類簇之間的比較，對每個(gè)聚類簇進(jìn)行加權(quán)計(jì)算，確立權(quán)重，既考慮到了數(shù)據(jù)內(nèi)部的關(guān)系，也用到了業(yè)務(wù)方面的經(jīng)驗(yàn)，使準(zhǔn)確性提高?？蛇x地，作為本發(fā)明的一個(gè)實(shí)施例，所述步驟s5還包括步驟s503：將得到的高價(jià)值聚類簇和低價(jià)值聚類簇重復(fù)執(zhí)行步驟s501加權(quán)計(jì)算處理和步驟s502歸類處理，得到主體用戶數(shù)據(jù)最終的高價(jià)值聚類簇和低價(jià)值聚類簇。上述實(shí)施例中，步驟s502中得到的8個(gè)kmeans聚類簇，聚類簇?cái)?shù)目過多，不宜對聚類簇進(jìn)行分析，則繼續(xù)將8個(gè)kmeans聚類簇?cái)?shù)進(jìn)行歸類為3個(gè)kmeans聚類簇。上述實(shí)施例中，將已聚類過的聚類簇再次聚類，使聚類簇逐漸變少，便于理解。圖2為本發(fā)明實(shí)施例提供的數(shù)據(jù)處理系統(tǒng)的模塊框圖；可選地，作為本發(fā)明的另一個(gè)實(shí)施例，如圖2所示，一種查找價(jià)值用戶的數(shù)據(jù)處理系統(tǒng)，包括：列表構(gòu)建模塊，用于以用戶名為行、rfm業(yè)務(wù)指標(biāo)為列來構(gòu)建數(shù)據(jù)分析列表；劃分模塊，用于根據(jù)每個(gè)用戶的rfm業(yè)務(wù)指標(biāo)以及設(shè)定的劃分閾值將數(shù)據(jù)分析列表中的數(shù)據(jù)劃分為主體用戶數(shù)據(jù)、高價(jià)值用戶數(shù)據(jù)和異常用戶數(shù)據(jù)三部分；濾除模塊，用于將高價(jià)值用戶數(shù)據(jù)和異常用戶數(shù)據(jù)濾除，保留主體用戶數(shù)據(jù)；聚類模塊，用于根據(jù)kmeans聚類方法對主體用戶數(shù)據(jù)聚類處理，得到多個(gè)聚類簇，每個(gè)聚類簇包括一個(gè)聚類中心；歸類模塊，用于根據(jù)ahp層次分析法對各聚類中心進(jìn)行量化價(jià)值計(jì)算，并根據(jù)量化價(jià)值的高低將主體用戶數(shù)據(jù)進(jìn)行歸類，得到價(jià)值用戶的種類。可選地，作為本發(fā)明的一個(gè)實(shí)施例，列表構(gòu)建模塊中，所述數(shù)據(jù)分析列表為n*3的列表，其中n行分別為n個(gè)用戶名，3列為每個(gè)用戶名對應(yīng)r指標(biāo)、f指標(biāo)和m指標(biāo)；所述rfm業(yè)務(wù)指標(biāo)包括r指標(biāo)、f指標(biāo)和m指標(biāo)，r指標(biāo)為用戶最近充值日期至設(shè)定日期之間的間隔天數(shù)，f指標(biāo)為用戶在充值天數(shù)內(nèi)成功充值的次數(shù)，m指標(biāo)為用戶在充值天數(shù)內(nèi)成功充值的金額?？蛇x地，作為本發(fā)明的一個(gè)實(shí)施例，所述設(shè)定的劃分閾值包括第一劃分閾值和第二劃分閾值，第一劃分閾值為主體用戶與高價(jià)值用戶間的劃分閾值，第二劃分閾值為高價(jià)值用戶與異常用戶間的劃分閾值。可選地，作為本發(fā)明的一個(gè)實(shí)施例，所述歸類模塊包括：計(jì)算單元，用于根據(jù)ahp層次分析法分別對聚類中心進(jìn)行加權(quán)計(jì)算處理，得到各聚類簇的量化價(jià)值；歸類單元，用于根據(jù)預(yù)設(shè)的業(yè)務(wù)分類數(shù)值和各聚類簇的量化價(jià)值的高低將各聚類簇歸類處理，得到主體用戶數(shù)據(jù)的高價(jià)值聚類簇和低價(jià)值聚類簇。可選地，作為本發(fā)明的一個(gè)實(shí)施例，所述歸類模塊還包括調(diào)用單元，所述調(diào)用單元用于依次調(diào)用計(jì)算單元和歸類單元將得到的高價(jià)值聚類簇和低價(jià)值聚類簇再次進(jìn)行加權(quán)計(jì)算處理和歸類處理，得到主體用戶數(shù)據(jù)最終的高價(jià)值聚類簇和低價(jià)值聚類簇。上述的查找價(jià)值用戶的數(shù)據(jù)處理方法和系統(tǒng)還可對低價(jià)值用戶分類與高(極高)價(jià)值用戶分類進(jìn)行歸類，得到該分類中價(jià)值用戶的種類，再分別制定營銷計(jì)劃。本發(fā)明采用rfm業(yè)務(wù)指標(biāo)來從全局上考慮數(shù)據(jù)維度，并采用kmeans聚類方法，使數(shù)據(jù)自行成簇，避免了維度考慮單一的問題及人為造成的誤差影響，從而提高工作效率。以上所述僅為本發(fā)明的較佳實(shí)施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。當(dāng)前第1頁12