一种关键指标的确定方法、相关装置、设备以及存储介质制造方法及图纸

技术编号:36326265 阅读:58 留言:0更新日期:2023-01-14 17:34
本申请公开了一种关键指标的确定方法,包括:获取针对头部指标的候选关键指标集合;获取每个候选关键指标的样本数据集合,每组样本数据包括第一指标数据和第二指标数据,第一指标数据为用户针对候选关键指标的数据,第二指标数据为用户针对头部指标的数据;根据每个候选关键指标的样本数据集合,确定每个候选关键指标的目标干预效应值,目标干预效应值用于表示对候选关键指标进行干预之后对头部指标产生的影响;根据每个候选关键指标的目标干预效应值,从候选关键指标集合中确定候选关键指标作为头部指标的关键指标。本申请还提供装置、设备和介质。本申请能够在降低人力成本的同时,从因果关系的角度找到对头部指标牵引较强的关键指标。的关键指标。的关键指标。

【技术实现步骤摘要】
一种关键指标的确定方法、相关装置、设备以及存储介质


[0001]本申请涉及计算机数据处理
,尤其涉及一种关键指标的确定方法、相关装置、设备以及存储介质。

技术介绍

[0002]北极星指标(North Star Metric)也叫唯一关键指标(One metric that matters,OMTM),是产品现阶段的关键指标,不同阶段会有不同的目标。北极星指标一旦确立,就像北极星一样,指引着公司上下向着同一个方向迈进。
[0003]目前,通常通过商业分析确定北极星指标。首先,找到商业目标和用户价值之间的交集。也就是说在企业长期生存盈利与用户长期价值之间找到共同点、然后,列出几个备选指标进行筛选。最后,基于一定原则确定北极星指标。
[0004]然而,由于不同的人和团队的主观判断和先验认知会有很大的不同,且容易被干扰而造成误判,而北极星指标的验证周期非常长,因此,不仅可能会导致所选的北极星指标与实际战略存在偏差,而且还需要投入较多的人力成本。

技术实现思路

[0005]本申请实施例提供了一种关键指标的确定方法、相本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种关键指标的确定方法,其特征在于,包括:获取针对头部指标的候选关键指标集合,其中,所述头部指标为预先确定的指标,所述候选关键指标集合包括至少两个候选关键指标;获取所述候选关键指标集合中每个候选关键指标所对应的样本数据集合,其中,所述样本数据集合包括至少两组样本数据,每组样本数据包括第一指标数据以及第二指标数据,所述第一指标数据为用户针对候选关键指标的数据,所述第二指标数据为用户针对所述头部指标的数据;根据所述每个候选关键指标所对应的样本数据集合,确定每个候选关键指标所对应的目标干预效应值,其中,所述目标干预效应值用于表示对候选关键指标进行干预之后对所述头部指标产生的影响;根据所述每个候选关键指标所对应的目标干预效应值,从所述候选关键指标集合中确定候选关键指标作为所述头部指标的关键指标。2.根据权利要求1所述的确定方法,其特征在于,所述根据所述每个候选关键指标所对应的样本数据集合,确定每个候选关键指标所对应的目标干预效应值,包括:针对所述候选关键指标集合中的每个候选关键指标,根据候选关键指标所对应的样本数据集合生成指标变量分布,其中,所述指标变量分布满足所述候选关键指标与所述头部指标之间的数据变化关系;针对所述候选关键指标集合中的每个候选关键指标,根据所述指标变量分布确定干预参数,其中,所述干预参数为所述指标变量分布对应所述候选关键指标的一个数值,所述干预参数用于将所述指标变量分布划分为干扰前的变量分布以及干扰后的变量分布;针对所述候选关键指标集合中的每个候选关键指标,根据所述干预参数以及用户画像集合,确定所述候选关键指标所对应的干预效应值,其中,所述用户画像集合包括至少两个用户的用户画像数据;针对所述候选关键指标集合中的每个候选关键指标,对所述干预效应值进行归一化处理,得到所述候选关键指标所对应的目标干预效应值。3.根据权利要求2所述的确定方法,其特征在于,所述针对所述候选关键指标集合中的每个候选关键指标,根据所述干预参数以及用户画像集合,确定所述候选关键指标所对应的干预效应值,包括:针对所述候选关键指标集合中的每个候选关键指标,根据所述干预参数将所述指标变量分布划分为所述干扰前的变量分布以及所述干扰后的变量分布,其中,所述干扰前的变量分布对应于第一标签,所述干扰后的变量分布对应于第二标签;针对所述候选关键指标集合中的每个候选关键指标,基于M个用户的用户画像数据以及所述M个用户所在变量分布所对应的标签,通过待训练模型获取所述M个用户的预测结果,其中,所述预测结果为用户针对所述头部指标的预测数据,所述M为大于1的整数;针对所述候选关键指标集合中的每个候选关键指标,根据所述M个用户的预测结果以及所述M个用户的第二指标数据,对所述待训练模型进行训练,得到目标模型;针对所述候选关键指标集合中的每个候选关键指标,基于N个用户的用户画像数据以及N个第一标签,通过所述目标模型获取所述N个用户的第一预测结果,其中,所述N个用户包含于所述M个用户,所述N为大于或等于1,且小于或等于所述M的整数;
针对所述候选关键指标集合中的每个候选关键指标,基于所述N个用户的用户画像数据以及N个第二标签,通过所述目标模型获取所述N个用户的第二预测结果;针对所述候选关键指标集合中的每个候选关键指标,根据所述N个用户的第一预测结果以及所述N个用户的第二预测结果,确定所述候选关键指标所对应的干预效应值。4.根据权利要求2所述的确定方法,其特征在于,所述根据所述干预参数、用户画像集合以及指标数据集合,确定所述候选关键指标所对应的干预效应值,包括:针对所述候选关键指标集合中的每个候选关键指标,根据所述干预参数将所述指标变量分布划分为所述干扰前的变量分布以及所述干扰后的变量分布,其中,所述干扰前的变量分布对应于P个用户的数据,所述干扰后的变量分布对应于Q个用户的数据,所述P与所述Q均为大于或等于1的整数;针对所述候选关键指标集合中的每个候选关键指标,基于所述P个用户的用户画像数据,通过第一待训练模型获取所述P个用户的预测结果,并且,基于所述Q个用户的用户画像数据,通过第二待训练模型获取所述Q个用户的预测结果,其中,所述预测结果为用户针对所述头部指标的预测数据;针对所述候选关键指标集合中的每个候选关键指标,根据所述P个用户的预测结果以及所述P个用户的第二指标数据,对所述第一待训练模型进行训练,得到第一目标模型,并且,根据所述Q个用户的预测结果以及所述Q个用户的第二指标数据,对所述第二待训练模型进行训练,得到第二目标模型;针对所述候选关键指标集合中的每个候选关键指标,基于N个用户的用户画像数据,通过所述第一目标模型获取所述N个用户的第一预测结果,其中,所述N个用户包含于(P+Q)个用户,所述N为大于或等于1,且小于或等于所述(P+Q)的整数;针对所述候选关键指标集合中的每个候选关键指标,基于N个用户的用户画像数据,通过所述第二目标模型获取所述N个用户的第二预测结果;针对所述候选关键指标集合中的每个候选关键指标,根据所述N个用户的第一预测结果以及所述N个用户的第二预测结果,确定所述候选关键指标所对应的干预效应值。5.根据权利要求2所述的确定方法,其特征在于,所述针对所述候选关键指标集合中的每个候选关键指标,对所述干预效应值进行归一化处理,得到所述候选关键指标所对应的目标干预效应值,包括:针对所述候选关键指标集合中的每个候选关键指标,根据所述干扰前的变量分布确定P个用户针对所述候选关键指标的第一均值,并且,根据所述干扰后的变量分布,确定Q个用户针对所述候选关键指标的第二均值,其中,所述P与所述Q均为大于或等于1的整数;针对所述候选关键指标集合中的每个候选关键指标,确定(P+Q)个用户针对所述候选关键指标的目标均值;针对所述候选关键指标集合中的每个候选关键指标,根据所述第一均值、所述第二均值以及所述目标均值确定归一化数值;针对所述候选关键指标集合中的每个候选关键指标,采用所述归一化数值对所述干预效应值进行归一化处理,得到所述候选关键指标所对应的目标干预效应值。6.根据权利要求1所述的确定方法,其特征在于,所述获取针对头部指标的候选关键指标集合,包括:
获取针对所述头部指标的候选指标集合,其中,所述候选指标集合包括T个候选指标,所述T为大于1的整数;获取所述候选指标集合中每个候选指标所对应的目标数据集合,其中,所述目标数据集合包括至少一个目标数据;根据所述每个候选指标所对应的目标数据集合,确定所述每个候选指标的关联评价参数,并根据所述每个候选指标的关联评价参数,从所述候选指标集合中获取候选指标子集合,其中,所述关联评价参数包括相关性系数以及方差扩大因子VIF中的至少一种,所述候选指标子集合包...

【专利技术属性】
技术研发人员:胡仲旻张殿鹏王潮雄
申请(专利权)人:腾讯科技深圳有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1