一种基于深度学习的线上渠道业务数据处理方法及系统技术方案

本公开提供了一种基于深度学习的线上渠道业务数据处理方法及系统，获取线上各渠道的运营数据和用电客户数据；对获取的数据进行预处理，得到格式统一的数据；将预处理后的数据输入到预设长短期记忆神经网络模型中，得到线上渠道各类业务办理趋势数据和风险点数据；将历史数据以及业务办理趋势数据和风险点数据进行融合，得到基于日期、单位和渠道的多维度数据，根据获取的多维度数据进行业务引导；本公开采用深度学习，扩展多元数据挖掘分析模型，提高了数据预测精度，实现了对预测线上渠道各类业务办理趋势以及可能存在的风险点的预测，以数字化驱动营销精益化管理，提高了对营销运营情况的感知、分析和管控能力。

【技术实现步骤摘要】
一种基于深度学习的线上渠道业务数据处理方法及系统
本公开涉及数据处理
，特别涉及一种基于深度学习的线上渠道业务数据处理方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
，并不必然构成现有技术。目前，针对电力公司各对外服务线上渠道，强化了渠道运营数据分析，深度融合移动作业应用、营业厅智能化、数据挖掘和共享，打造线上线下一体化服务模式，挖掘分析渠道服务业务模式与用户画像，研究中短期线上渠道业务行为趋势预测，并有针对性的制定运营策略，全面支撑网上国网APP以及其他渠道各类运营活动，促进各类业务价值共创，全面深化服务渠道应用。目前电力公司在渠道运营分析方面存在的问题主要包括：(1)现公司线上渠道分散，渠道业务交叉，公共类服务未共享，各单位业务独立纵向开展，横向没有融通，业务数据资源分散，跨专业数据集成关系复杂，各渠道数据无法统一。各渠道的分析运营缺乏有力的技术支撑，缺乏对渠道的业务发展趋势预测，缺乏服务资源调度分配的依据和机制。(2)在深入推进“互联网+”供电服务的过程中，省市县一体化系协同和线上线下服务协同机制不够健全，需要加快从线下到线上的服务融合转变。结合公司电网、技术、信息平台的优势，进一步整合内外部资源，为用户提供跨领域、多维度的增值服务,提升公司各自有渠道市场影响力。(3)存量数据多，数据价值利用不高，各线上渠道上线以来，积累大量业务数据，业务办理实时办理量巨大，各渠道的数据来源以及记录方式等影响因素的不同，造成大量数据为不相关信息，渠道运营数据的价值密度、真实性受到极大程度的影响，而这种差异会极大程度地影响各渠道运营数据分析的准确性，目前数据价值利用较低。
技术实现思路
为了解决现有技术的不足，本公开提供了一种基于深度学习的线上渠道业务数据处理方法及系统，以实现对线上线下渠道的运行监控及运营管理为目标，构建了渠道服务全景视图，为渠道运营管控提供了数据支撑，即结合渠道、日期、单位等变量信息，通过收集各渠道、各单位的推广、注册、绑定、活跃等账号信息和用户行为数据，根据对大量实时数据、历史数据、结构化数据、非结构化数据通过深度学习进行业务分析与趋势预测，预测量化线上渠道各类业务办理趋势以及可能存在的风险点，提高了预测精度，展示了各时间段的数据变化趋势，为渠道的运营活动策划与风险管控提供了数据支撑，促进了各类业务价值共创。为了实现上述目的，本公开采用如下技术方案：本公开第一方面提供了一种基于深度学习的线上渠道业务数据处理方法。一种基于深度学习的线上渠道业务数据处理方法，包括以下步骤：获取线上各渠道的运营数据和用电客户数据；对获取的数据进行预处理，得到格式统一的数据；将预处理后的数据输入到预设长短期记忆神经网络模型中，得到线上渠道各类业务办理趋势数据和风险点数据；将历史数据以及业务办理趋势数据和风险点数据进行融合，得到基于日期、单位和渠道的多维度数据，根据获取的多维度数据进行业务引导。本公开第二方面提供了一种基于深度学习的线上渠道业务数据处理系统。一种基于深度学习的线上渠道业务数据处理系统，包括：数据获取模块，被配置为：获取线上各渠道的运营数据和用电客户数据；数据预处理模块，被配置为：对获取的数据进行预处理，得到格式统一的数据；数据预测模块，被配置为：将预处理后的数据输入到预设长短期记忆神经网络模型中，得到线上渠道各类业务办理趋势数据和风险点数据；数据融合模块，被配置为：将历史数据以及业务办理趋势数据和风险点数据进行融合，得到基于日期、单位和渠道的多维度数据，根据获取的多维度数据进行业务引导。本公开第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于深度学习的线上渠道业务数据处理方法中的步骤。本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于深度学习的线上渠道业务数据处理方法中的步骤。与现有技术相比，本公开的有益效果是：1、本公开所述的内容，通过基于深度学习的线上渠道业务数据处理方法，采用深度学习，扩展多元数据挖掘分析模型，提高了数据预测精度，实现了对预测线上渠道各类业务办理趋势以及可能存在的风险点的预测，以数字化驱动营销精益化管理，提高了对营销运营情况的感知、分析和管控能力。2、本公开所述的内容，通过基于深度学习的线上渠道业务数据处理方法，强化了渠道运营数据分析，深度融合移动作业应用、营业厅智能化、数据挖掘和共享，全面支撑各渠道运营活动，促进各类业务价值共创，全面深化服务渠道应用。3、本公开所述的内容，通过基于深度学习的线上渠道业务数据处理方法，加快从线下到线上的服务融合转变，整合内外部资源，为用户提供跨领域、多维度的增值服务，提升电力公司自有渠道的市场占有率和影响力。本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。附图说明构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。图1为本公开实施例1提供的基于深度学习的线上渠道业务数据处理方法的流程示意图。具体实施方式下面结合附图与实施例对本公开作进一步说明。应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。实施例1：如图1所示，本公开实施例1提供了一种基于深度学习的线上渠道业务数据处理方法，包括以下步骤：获取线上各渠道的运营数据和用电客户数据；对获取的数据进行预处理，得到格式统一的数据；将预处理后的数据输入到预设长短期记忆神经网络模型中，得到线上渠道各类业务办理趋势数据和风险点数据；将历史数据以及业务办理趋势数据和风险点数据进行融合，得到基于日期、单位和渠道的多维度数据，根据获取的多维度数据进行业务引导。具体的，包括以下内容：S1：业务诊断及需求调研梳理电力公司业务痛点及渠道典型应用场景相关业务数据，进而分析业务需求。业务痛点：每个渠道都有一个网站或APP软件，管理起来很麻烦；每个渠道统计的数据不一致，不知道哪个渠道统计的数据为准；渠道对应的产品太多，推广起来本文档来自技高网...

【技术保护点】
1.一种基于深度学习的线上渠道业务数据处理方法，其特征在于：包括以下步骤：/n获取线上各渠道的运营数据和用电客户数据；/n对获取的数据进行预处理，得到格式统一的数据；/n将预处理后的数据输入到预设长短期记忆神经网络模型中，得到线上渠道各类业务办理趋势数据和风险点数据；/n将历史数据以及业务办理趋势数据和风险点数据进行融合，得到基于日期、单位和渠道的多维度数据，根据获取的多维度数据进行业务引导。/n

【技术特征摘要】
1.一种基于深度学习的线上渠道业务数据处理方法，其特征在于：包括以下步骤：
获取线上各渠道的运营数据和用电客户数据；
对获取的数据进行预处理，得到格式统一的数据；
将预处理后的数据输入到预设长短期记忆神经网络模型中，得到线上渠道各类业务办理趋势数据和风险点数据；
将历史数据以及业务办理趋势数据和风险点数据进行融合，得到基于日期、单位和渠道的多维度数据，根据获取的多维度数据进行业务引导。


2.如权利要求1所述的基于深度学习的线上渠道业务数据处理方法，其特征在于：
各渠道的运营数据和用电客户数据至少包括：网上国网、掌上电力SD和95598智能网站的运营数据、业务数据、活动数据以及用电客户档案信息数据。


3.如权利要求1所述的基于深度学习的线上渠道业务数据处理方法，其特征在于：
结合渠道、日期和单位变量信息，获取各渠道、各单位的各个日期的推广、注册、绑定和活跃账号信息和用户行为数据。


4.如权利要求1所述的基于深度学习的线上渠道业务数据处理方法，其特征在于：
长短期记忆神经网络模型的训练，包括：
选择特征数据训练样本集，定义结构化数据关键数据类别与标签，提取非结构化数据底层特征与标签，选定预设数量的样本数据；
确定RNN结构和网络结构，将处理好的样本分为训练集、验证集和测试集，并进行数据集的比例分配；
利用分配好的数据集，采用TensorFlow深度学习技术框架和Python语言进行模型训练和验证。


5.如权利要求1所述的基于深度学习的线上渠道业务数据处理方法，其特征在于：
根据外部系统数据的类型、实时性和数据量的不同，部署多种数据接入方式，分别接入至数据中台及云平台的OSS内，根据数据来源和数据接入方式不同，进行数据存储和数据处理。


6.如权利要求1所述的基于深度学习的线上渠道业务数据处理方法，...

【专利技术属性】
技术研发人员：汪友杰，颜康，闫婷婷，任显坤，高建峰，史敏，王胜生，林鹏翔，车慧明，田亮，郎济莹，王栋，李天舒，陈军，金叶，
申请(专利权)人：山东鲁能软件技术有限公司，
类型：发明
国别省市：山东;37