基于深度学习实现智慧门店的效益分析方法及装置与流程

1.本发明涉及数据分析领域，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。


背景技术：

2.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。
3.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。


技术实现要素：

4.为了解决上述问题，本发明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。
5.第一方面，本发明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：
6.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；
7.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；
8.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；
9.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；
10.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。
11.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：
12.分析所述门店数据中的异常数据；
13.制定所述异常数据的清洗规则；
14.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；
15.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；
16.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。
17.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：
18.分析所述目标门店数据的数据属性；
19.根据所述数据属性，确定所述目标门店数据的数据类型；
20.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，ec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，fi表示分类门店数据中第i个数据，gn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，包括：
[0049]
根据所述关键节点和所述节点关联关系，利用下述公式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：
[0050][0051]
其中，bg表示效益分析结果，rw表示第w个关键节点,sw表示第w个关键节点对应的节点关联关系，tw表示第w个关键节点的期望值。
[0052]
第二方面，本发明提供了一种基于深度学习实现智慧门店的效益分析装置，所述装置包括：
[0053]
门店数据分类模块，用于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；
[0054]
数据特征提取模块，用于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；
[0055]
效益因子分析模块，用于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；
[0056]
数据关联模块，用于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；
[0057]
效益结果计算模块，用于基于所述成本因子、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。
[0058]
与现有技术相比，本方案的技术原理及有益效果在于：
[0059]
本发明实施例通过对所述门店数据进行数据清洗，得到目标门店数据可以将无效数据进行数据清理，从而减少数据的处理量。进一步地，本发明实施例通过对所述目标门店数据进行数据分类，得到分类门店数据可以根据数据不同类型快速提取需要的数据。提高数据的处理效率，本发明实施例通过识别所述分类门店数据中的成本类数据和效益类数据可以从大量数据中筛选出所属需要的数据，从而提高数据的分析效率。紧接着，本发明实施例通过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可以通过数据特征更好的分析数据关系，从而提高智慧门店效益分析的准确性。本发明实施例通过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可以构建数据特征之间的特征关系，从而更好地分析智慧门店效益的深层次逻辑，从而提高智慧门店效益分析的准确性。其次，本发明实施例通过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可以建立门店成本数据和效益数据之间的数据关系，通过数据关系更好的对智慧门店进行效益分析。最后，本发明实施例通过基于所述成本因子、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可以利用模型对大量的数据进行深度学习分析从而得到效益分析结果。因此，本发明实施例提出的一种基于深度学习实现智慧门店的效益分析方法及装置，可以提高智慧门店效益分析的准确性。
附图说明
[0060]
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
[0061]
为了更清楚地说明本发明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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0062]
图1为本发明一实施例提供的一种基于深度学习实现智慧门店的效益分析方法的流程示意图；
[0063]
图2为本发明一实施例提供的一种基于深度学习实现智慧门店的效益分析装置的模块示意图；
[0064]
图3为本发明一实施例提供的实现基于深度学习实现智慧门店的效益分析方法的电子设备的内部结构示意图。
具体实施方式
[0065]
应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
[0066]
本发明实施例提供一种基于深度学习实现智慧门店的效益分析方法，所述基于深度学习实现智慧门店的效益分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之，所述基于深度学习实现智慧门店的效益分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、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、内容分发网络(content deliverynetwork，cdn)、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。
[0067]
参阅图1所示，是本发明一实施例提供的基于深度学习实现智慧门店的效益分析方法的流程示意图。其中，图1中描述的基于深度学习实现智慧门店的效益分析方法包括：
[0068]
s1、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。
[0069]
本发明实施例中，所述门店数据是指智慧门店的所有数据，例如门店运营时间、运营数据、存货量等等数据。
[0070]
本发明实施例通过对所述门店数据进行数据清洗，得到目标门店数据可以将无效数据进行数据清理，从而减少数据的处理量。其中，所述目标门店数据是指将所述门店数据进行数据分析、缺失值补充、无效值删除等等操作后等到的数据集合。
[0071]
作为本发明的一实施例，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。
[0072]
其中，所述异常数据是指所述门店数据中存在数据质量问题的数据，例如数据无效、数据缺失等等问题，所述清洗规则是指根据所述异常问题制定的对应清洗方式，所述映射关系是指将所述异常数据和对应的清洗规则之间相互关联得到的关联关系，所述清洗数据是指将所述异常数据进行清洗后得到的数据集合。
[0073]
进一步地，本发明实施例通过对所述目标门店数据进行数据分类，得到分类门店数据可以根据数据不同类型快速提取需要的数据。提高数据的处理效率。其中，所述分类门店数据是指将所述目标门店数据进行数据分类后得到的数据集合。
[0074]
作为本发明的一实施例，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，对所述目标门店数据进行分类，得到所述分类门店数据。
[0075]
其中，所述数据属性是指所述目标门店数据的属性，例如，培训类属性、货物类属性，所述数据类型是指数据的具体类型，例如门店人员类、门店货物类、门店金额类。
[0076]
进一步地，本发明一可选实施中，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：
[0077][0078]
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，ec表示目标门店数据的第c个数据类型,d()表示分类函数。
[0079]
s2、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。
[0080]
本发明实施例通过识别所述分类门店数据中的成本类数据和效益类数据可以从大量数据中筛选出所属需要的数据，从而提高数据的分析效率。其中，所述成本类数据是指所述分类门店数据中涉及门店成本的数据，所述效益类数据是指所述分类门店数据中涉及门店效益的数据。
[0081]
作为本发明的一实施例，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。
[0082]
其中，所述数据类型属性是指所述分类门店数据中数据类型的属性，所述成本数据阈值和所述效益数据阈值是指预先设定好的成本数据和效益数据的判定范围和规则，所述成本数据可能性和所述效益数据可能性是指通过所述成本数据阈值和所述效益数据阈值计算出所述分类门店数据中数据是成本类或者效益类的可能性。
[0083]
进一步地，本发明一可选实施中，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：
[0084][0085][0086]
其中，cb表示成本数据可能性，fi表示分类门店数据中第i个数据，gn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。
[0087]
本发明实施例通过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可以通过数据特征更好的分析数据关系，从而提高智慧门店效益分析的准确性。其中，所述成本数据特征和所述效益数据特征是指所述成本类数据和所述效益类数据的数据特征。
[0088]
作为本发明的一实施例，所述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，可以通过嵌入法通过机器学习和算法训练得到所述成本类数据和所述效益类数据的各个初始特征以及所述初始特征的权值系数，根据所述权值系数的大小来确定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。其中，所述权值系数是指通过模型生成特征的权值。
[0089]
s3、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。
[0090]
本发明实施例通过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可以构建数据特征之间的特征关系，从而更好地分析智慧门店效益的深层次逻辑，从而提高智慧门店效益分析的准确性。其中，所述成本特征矩阵和所述效益特征矩阵是指由所述成本数据特征和所述效益数据特征构建的矩阵。
[0091]
作为本发明的一实施例，所述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可以通过矩阵函数构建。
[0092]
进一步地，本发明实施例通过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可以确定所述智慧门店效益的影响因素，从而针对性的进行数据分析，从而提高智慧门店效益分析的准确性。其中，所述成本成本因子和所述效益因子是指影响智慧门店成本和效益的因素。
[0093]
作为本发明的一实施例，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；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；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。
[0094]
其中，所述成本特征值和所述效益特征值是指通过所述成本特征矩阵和所述效益特征矩阵计算得到的特征值，所述成本特征关系和所述效益特征关系是指特征之间的关系，所述成本影响参数和所述效益影响参数可以影响所述智慧门店效益的参数，例如门店营业范围、门店工作人员、门店热度等等参数。
[0095]
进一步地，本发明一可选实施中，所述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可以通过pna数据分析工具来分析。
[0096]
s4、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。
[0097]
本发明实施例通过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可以建立门店成本数据和效益数据之间的数据关系，通过数据关系更好的对智慧门店进行效益分析。其中，所述数据关联关系是指成本类数据和效益类数据之间数据关系。
[0098]
作为本发明的一实施例，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：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；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；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；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。
[0099]
其中，所述分析层是指对所述成本类数据和所述效益类数据进行数据分层并分析的层，所述成本类分层数据和所述效益类分层数据是指通过对所述成本类数据和所述效益类数据进行数据分层后得到的数据，所述结构层是指将数据进行结构化的层，所述成本结构化数据和所述效益结构化数据是指将所述成本类分层数据和所述效益类分层进行结构化处理后得到的数据，所述逻辑层是指构建所述成本结构化数据和所述效益结构化数据的结构逻辑的层。
[0100]
进一步地，本发明一可选实施中，所述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可以通过结构化函数来处理。
[0101]
s5、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。
[0102]
本发明实施例通过基于所述成本因子、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可以利用模型对大量的数据进行深度学习分析从而得到效益分析结果。其中，所述效益分析结果是指通过分析得到的智慧门店的效益分析报告。
[0103]
作为本发明的一实施例，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：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；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；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；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。
[0104]
其中，所述关系层是指建构所述成本因子、所述效益因子以及所述数据关联关系之间关联关系的层，所述关系树是指通过关系层将所述成本因子、所述效益因子以及所述数据关联关系进行关联得到的关系网，所述定位层是指用于识别所述关系树中重要节点的层，所述梳理层是指分析所述关键节点中所述成本因子、所述效益因子以及所述数据关联关系之间的关联关系的层，所述决策层是指用于计算输出所述智慧门店最终效益分析报告的层。
[0105]
进一步地，本发明一可选实施中，所述根据所述关键节点和所述节点关联关系，利用下述公式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：
[0106][0107]
其中，bg表示效益分析结果，rw表示第w个关键节点,sw表示第w个关键节点对应的节点关联关系，tw表示第w个关键节点的期望值。
[0108]
可以看出，本发明实施例通过对所述门店数据进行数据清洗，得到目标门店数据可以将无效数据进行数据清理，从而减少数据的处理量。进一步地，本发明实施例通过对所述目标门店数据进行数据分类，得到分类门店数据可以根据数据不同类型快速提取需要的数据。提高数据的处理效率，本发明实施例通过识别所述分类门店数据中的成本类数据和效益类数据可以从大量数据中筛选出所属需要的数据，从而提高数据的分析效率。紧接着，本发明实施例通过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可以通过数据特征更好的分析数据关系，从而提高智慧门店效益分析的准确性。本发明实施例通过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可以构建数据特征之间的特征关系，从而更好地分析智慧门店效益的深层次逻辑，从而提高智慧门店效益分析的准确性。其次，本发明实施例通过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可以建立门店成本数据和效益数据之间的数据关系，通过数据关系更好的对智慧门店进行效益分析。最后，本发明实施例通过基于所述成本因子、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可以利用模型对大量的数据进行深度学习分析从而得到效益分析结果。因此，本发明实施例提出的一种基于深度学习实现智慧门店的效益分析方法可以提高智慧门店效益分析的准确性。
[0109]
如图2所示，是本发明基于深度学习实现智慧门店的效益分析装置功能模块图。
[0110]
本发明所述基于深度学习实现智慧门店的效益分析装置200可以安装于电子设备中。根据实现的功能，所述基于深度学习实现智慧门店的效益分析装置可以包括门店数据分类模块201、数据特征提取模块202、效益因子分析模块203、数据关联模块202以及预警方案构建模块效益结果计算模块
[0111]
。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0112]
在本发明实施例中，关于各模块/单元的功能如下：
[0113]
所述门店数据分类模块201，用于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；
[0114]
所述数据特征提取模块202，用于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；
[0115]
所述效益因子分析模块203，用于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；
[0116]
所述数据关联模块204，用于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；
[0117]
所述效益结果计算模块205，用于基于所述成本因子、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。
[0118]
详细地，本发明实施例中所述基于深度学习实现智慧门店的效益分析装置200中的所述各模块在使用时采用与上述的图1所述的基于深度学习实现智慧门店的效益分析方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0119]
如图3所示，是本发明实现基于深度学习实现智慧门店的效益分析方法的电子设备的结构示意图。
[0120]
所述电子设备可以包括处理器30、存储器31、通信总线32以及通信接口33，还可以包括存储在所述存储器31中并可在所述处理器30上运行的计算机程序，如基于深度学习实现智慧门店的效益分析程序。
[0121]
其中，所述处理器30在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器30是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块(例如执行基于深度学习实现智慧门店的效益分析程序等)，以及调用存储在所述存储器31内的数据，以执行电子设备的各种功能和处理数据。
[0122]
所述存储器31至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器31在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器31在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器31还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器31不仅可以用于存储安装于电子设备的应用软件及各类数据，例如数据库配置化连接程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0123]
所述通信总线32可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器31以及至少一个处理器30等之间的连接通信。
[0124]
所述通信接口33用于上述电子设备3与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，所述用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于
显示可视化的用户界面。
[0125]
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0126]
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器30逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0127]
应该了解，所述实施例仅为说明之用，在专利发明范围上并不受此结构的限制。
[0128]
所述电子设备中的所述存储器31存储的数据库配置化连接程序是多个计算机程序的组合，在所述处理器30中运行时，可以实现：
[0129]
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；
[0130]
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；
[0131]
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；
[0132]
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；
[0133]
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。
[0134]
具体地，所述处理器30对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
[0135]
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)。
[0136]
本发明还提供一种存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
[0137]
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；
[0138]
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；
[0139]
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；
[0140]
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；
[0141]
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。
[0142]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
[0143]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0144]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0145]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0146]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0147]
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0148]
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

技术特征：
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；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；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。7.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：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；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；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；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。8.根据权利要求1所述的方法，其特征在于，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：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；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；
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；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。9.据权利要求8所述的方法，其特征在于，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，包括：根据所述关键节点和所述节点关联关系，利用下述公式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：其中，bg表示效益分析结果，r
w
表示第w个关键节点,s
w
表示第w个关键节点对应的节点关联关系，t
w
表示第w个关键节点的期望值。10.一种基于深度学习实现智慧门店的效益分析装置，其特征在于，所述装置包括：门店数据分类模块，用于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；数据特征提取模块，用于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；效益因子分析模块，用于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；数据关联模块，用于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；效益结果计算模块，用于基于所述成本因子、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。

技术总结
本发明涉及数据分析领域，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。


技术研发人员：冯平 马先勇 张秋红
受保护的技术使用者：东莞嘻牛智能科技有限公司
技术研发日：2023.05.11
技术公布日：2023/8/14