指标处理方法及装置

技术领域

本申请涉及计算机技术领域，特别是涉及一种指标处理方法及装置、电子设备、机器可读介质。

背景技术

针对服务端在提供服务过程中产生的大量原始数据，可以对原始数据进行进一步分析得到洞察报告，洞察报告总结了原始数据中存在的显著性问题，能够提升原始数据的可读性。

相关技术中，可以由专业数据分析人员对原始数据进行分析，构建原始数据中数据指标与维度之间的关联，并分析得出显著性结论，建立洞察报告。

但是，目前的方案中，由于原始数据中存在大量的数据指标和维度，且对分析人员的技术要求较高，则在构建洞察报告的过程中，需要消耗大量的人力成本，降低了生产效率。

发明内容

本申请实施例提供了一种指标处理方法，以解决相关技术中构建洞察报告的过程需要消耗大量的人力成本的问题。

相应的，本申请实施例还提供了一种指标处理装置、电子设备以及存储介质，用以保证上述方法的实现及应用。

为了解决上述问题，本申请实施例公开了一种指标处理方法，所述方法包括：

获取原始数据；

根据所述原始数据，获取目标数据指标以及所述目标数据指标的目标元数据；

根据预设的分析模型、所述目标数据指标、所述目标元数据，获取指标处理结果，所述指标处理结果用于表征所述目标元数据对所述目标数据指标变化过程的影响；

展示所述指标处理结果。

本申请实施例公开了一种指标处理方法，所述方法包括：

接收客户端发送的原始数据；

根据所述原始数据，获取目标数据指标以及所述目标数据指标的目标元数据；

根据预设的分析模型、所述目标数据指标、所述目标元数据，获取指标处理结果，所述指标处理结果用于表征所述目标元数据对所述目标数据指标变化过程的影响；

对所述指标处理结果进行渲染，得到可视化指标处理结果，并将所述可视化指标处理结果发送至所述客户端。

本申请实施例公开了一种指标处理装置，所述装置包括：

第一获取模块，用于获取原始数据；

第二获取模块，用于根据所述原始数据，获取目标数据指标以及所述目标数据指标的目标元数据；

第一分析模块，用于根据预设的分析模型、所述目标数据指标、所述目标元数据，获取指标处理结果，所述指标处理结果用于表征所述目标元数据对所述目标数据指标变化过程的影响；

展示模块，用于展示所述指标处理结果。

本申请实施例公开了一种指标处理装置，所述装置包括：

接收模块，用于接收客户端发送的原始数据；

第三获取模块，用于根据所述原始数据，获取目标数据指标以及所述目标数据指标的目标元数据；

第二分析模块，用于根据预设的分析模型、所述目标数据指标、所述目标元数据，获取指标处理结果，所述指标处理结果用于表征所述目标元数据对所述目标数据指标变化过程的影响；

发送模块，用于对所述指标处理结果进行渲染，得到可视化指标处理结果，并将所述可视化指标处理结果发送至所述客户端。

本申请实施例还公开了一种电子设备，包括：处理器；和存储器，其上存储有可执行代码，当所述可执行代码被执行时，使得所述处理器执行如本申请实施例中一个或多个所述的方法。

本申请实施例还公开了一个或多个机器可读介质，其上存储有可执行代码，当所述可执行代码被执行时，使得处理器执行如本申请实施例中一个或多个所述的方法。

与现有技术相比，本申请实施例包括以下优点：

本申请实施例中，可以从原始数据中获取待分析的目标数据指标以及目标数据指标的目标元数据，并通过分析模型，直接对目标数据指标、目标元数据进行分析处理，得到用于构建洞察报告的指标处理结果，相较于人工分析方案，本申请实施例可以实现自动化生成洞察报告的目的，降低了人工成本，提高了生产效率。另外，本申请实施例不采用原始数据直接分析，而是采用原始数据中的目标数据指标、目标元数据进行分析，从而避免了原始数据中大量冗余数据参与分析计算，在降低了计算量的基础上，避免了冗余数据带来的干扰，提升了指标处理结果的准确性和直观性。

附图说明

图1是本申请实施例的一种指标处理方法的架构图；

图2是本申请实施例的另一种指标处理方法的架构图；

图3是本申请实施例的一种指标处理方法的场景示意图；

图4是本申请实施例的另一种指标处理方法的场景示意图；

图5是本申请实施例的另一种指标处理方法的场景示意图；

图6是本申请实施例的一种指标处理方法的步骤流程图；

图7是本申请实施例的另一种指标处理方法的步骤流程图；

图8是本申请实施例的另一种指标处理方法实施例的步骤流程图；

图9是本申请实施例的一种维度配置界面图；

图10是本申请实施例的另一种维度配置界面图；

图11是本申请实施例的一种指标处理方法的系统流程图；

图12是本申请实施例的一种指标处理装置的结构框图；

图13是本申请实施例的另一种指标处理装置的结构框图；

图14是本申请一实施例提供的装置的结构示意图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。

为使本领域技术人员更好地理解本申请，以下对本申请涉及的概念进行说明：

原始数据：可以为服务端在提供服务过程中产生的数据，原始数据可以以数据表的形式存在，如，商品售卖场景下的销售表、物流运输场景下的物流信息表等，原始数据具体可以包括按照时间周期、维度统计的各个指标的度量数据。

度量数据：原始数据中的定量数据，通常是表格首行中的数据，如一张销售表，其中销售额、利润的具体数值就是度量数据。

维度：原始数据中的分类数据，通常是表格首列中的数据，维度可以所属于指标。如一张销售表，其中，指标：销售渠道所包括的多种具体渠道可以作为指标：销售渠道的维度。

指标：一种用于衡量目标的参数，指标可以直接来自于度量，也可以是自行定义得到的，例如快递物流报表中，指标：“日均签收包裹量”可以是原始数据中的一个度量，指标：“渗透率”可以是原始数据中的A度量除以B度量得到的。

时间周期类型：可以包括年、月、日等时间周期，是统计指标的时候选定的时间范围，例如周期类型为月，则查看的就是每个月的指标，例如每个月的营收、利润等。

元数据：即指标的具体信息，由指标的定义可以知道，指标的元数据可以包括指标的维度、度量、时间周期类型等信息。

指标处理结果：通过对指标的元数据进行一系列分析操作后所得到的结果，用于表征指标的元数据对指标变化过程的影响，指标处理结果具体可以以指标的洞察报告的形式存在。

分析模型：用于对指标的元数据进行分析操作的模型，可以基于一种算法实现对指标的元数据的运算处理，从而得到用于构建洞察报告的指标处理结果。如TOP-N分析模型，可以统计指标的元数据中最大的N个值；最大最小值分析模型，可以统计指标的元数据中最大值和最小值；异常点检测分析模型，可以确定指标的元数据中的异常数据分布点。

下钻维度：用于执行下钻分析的维度，下钻分析是一种分析操作，指沿着特定属性维度的层次下降，获取更详细的数据的过程，且可以通过下钻维度下的度量数据，分析下钻维度下的度量数据对整体数据带来的贡献或影响。本申请实施例中，下钻维度是指相较于指标更低层次的维度，当定义了下钻维度时，代表用户需求以下钻维度获取更细粒度的数据分析结果。

参照图1，其示出了本申请实施例提供的一种指标处理方法的架构图，服务端、数据生产端。

数据生产端可以用于提供对应领域的服务，并在提供服务的过程中，产生原始数据，如在数据生产端为商品售卖领域的情况下，可以按照时间周期，生成某几种商品的销售量、销售额等度量数据；在数据生产端为物流运输领域的情况下，可以按照时间周期，生成不同渠道的发货单量、下单单量、收货省份等度量数据；在数据生产端为直播领域的情况下，可以按照时间周期，生成不同主播的直播主题、直播时长等度量数据。

服务端可以包括提取模块、分析模块、展示模块，其中，提取模块用于获取数据生产端生产的原始数据，并从原始数据中提取得到一个或多个目标数据指标以及目标数据指标的目标元数据；分析模块用于根据与目标数据指标、目标元数据对应的分析模型，对目标数据指标和目标元数据进行分析处理，得到目标数据指标对应的指标处理结果；展示模块则用于对由指标处理结果构成的洞察报告进行可视化展示。

在本申请实施例中，提取模块在从原始数据中提取得到目标数据指标以及目标数据指标的目标元数据的过程中，所提取的目标数据指标可以是原始数据中的所有数据指标，也可以为原始数据中的部分数据指标，即用户可以根据实际需求，指定所提取的目标数据指标。

另外，由于指标的元数据可以包括：指标的维度、度量、时间周期类型等，则提取的目标数据指标的目标元数据，可以为目标数据指标的所有维度、度量、时间周期类型，也可以为目标数据指标的部分元数据，即用户可以根据实际需求，指定所提取的目标元数据。在提取了目标数据指标以及目标数据指标的目标元数据后，可以基于目标数据指标和目标元数据，构建指标数据表，使得后续分析操作基于指标数据表来实现。

进一步的，服务端的分析模块可以提供多种分析模型，不同分析模型可以执行不同的算法以实现对应的数据分析功能，分析模块可以通过为目标数据指标和目标元数据预先配置好的分析模型，对目标数据指标和目标元数据进行分析，得到目标数据指标的指标处理结果。其中，为目标数据指标和目标元数据配置的分析模型，可以是针对目标数据指标和目标元数据的数据类型默认设置的分析模型，也可以是根据用户实际需求设置的分析模型。

在分析模块对所有目标数据指标输出了对应的指标处理结果后，可以将所有目标数据指标的指标处理结果组合构建可视化的洞察报告，并由服务端的展示模块对洞察报告进行展示，以供服务端用户能够通过洞察报告来直观了解原始数据中指标的分析结果。

需要说明的是，参照图2，其示出了本申请实施例提供的另一种指标处理方法的架构图，包括：服务端、客户端。

其中，客户端可以提供原始数据，该原始数据可以为客户端生产的，也可以为数据生产端生产并发送给客户端的，客户端为了满足对原始数据的洞察分析，可以将原始数据发送至服务端，服务端在通过提取模块、分析模块对原始数据处理得到可视化的洞察报告后，可以将洞察报告发送至客户端，以供客户端进行观看，从而满足客户端用户的数据洞察需求。

现通过一个商品售卖场景下的示例，以对指标处理方法的运作方式进行说明：

如下表1为一个销售表，其中时间周期类型为日，即按照日统计各种度量数据，数据指标可以包括：A、B，维度具有：大区、品类、收货省份、收货市、发货单量、下单单量等，其中，维度品类的度量数据包括：家电、美妆；维度收货省份的度量数据包括：江苏、广东；维度收货市的度量数据包括：深圳、广州、南京、苏州；维度大区的度量数据包括：华北、华南。

表1

假设洞察分析的需求是分析渠道A指标和渠道B指标，具体为按照时间周期日，分析其中发货单量的最大值，以及下单单量中最大的三个值，并按照下钻维度华南统计指标B的发货单量总量和下单单量总量。

则提取模块可以确定表1中的目标数据指标包括渠道A指标和渠道B指标，目标数据指标的目标元数据包括：时间周期类型日，维度大区、度量数据取发货单量度量数据和下单单量度量数据。

则提取后的目标数据指标和目标元数据可以构建数据指标报表，如表2：

表2

针对洞察分析需求1：求最大值，则可以选取分析模型1，分析模型1可以为求最大值模型，功能是找出一系列数值中的最大值；针对洞察分析需求2：求最大的三个值，则可以选取分析模型2，分析模型2可以为TOP 3模型，功能是找出一系列数值中的最大的三个值；针对洞察分析需求3：按照下钻维度华南统计各个指标的总量，则可以选取分析模型3，分析模型3可以为下钻分析模型，功能是按照下钻维度进行数据的下钻分析。

对于分析模型1，可以以表2为输入，通过查找发货单量度量数据中的最大值5000并输出，其输出结果包括：发货单量最大值为日期6.20，B渠道的发货单量5000。

对于分析模型2，可以以表2为输入，通过对下单单量度量数据由大到小进行排序，并取前三数据值输出，输出结果包括：下单单量最大值为日期6.20，B渠道的下单单量8000；下单单量第二大值为日期6.21，A渠道的下单单量5000；下单单量第三大值为日期6.21，B渠道的下单单量3500。

对于分析模型3，可以以表2为输入，按照下钻维度华南，通过加和操作，统计发货单量总量为9500，下单单量总量为15000并输出。

则最后的洞察报告可以包括上述三个分析模型所输出的结果，洞察报告可以被展示，以反映原始数据的指标特性。

需要说明的是，实际情况下，原始数据中存在较多的元数据，如存在很多维度和度量，而其中存在较多的对洞察报告无价值的维度、度量，对于洞察分析来说，这些维度和度量是无用的，若将这些无用元数据参与洞察分析，不但会导致最终结果中存在较多冗余结果，还有可能因无用元数据的参与，而影响最终结果的准确性和客观性。并且，针对洞察分析的需求，原始数据中很多维度之间存在隐含的关联性，如层级关联，仅通过相关技术中的人工分析，分析难度较大，而将所有元数据参与分析，又会导致结果的不准确性以及运算量过于巨大。

本申请实施例基于上述诉求，可以在提取目标数据指标的目标元数据时，剔除其中的无用元数据，如无用维度、度量等，从而在降低了计算量的基础上，进一步降低了最终结果中存在冗余结果的几率，并且使得最终结果中保留的都是高价值结果，降低了无用元数据带来的干扰，提升了洞察报告的直观性和准确性。

具体的，一种实现方式中，由于用户在历史时间段，会通过查询操作获取原始数据中的查询数据，具体为输入相应的维度或度量，以查询得到该维度下的度量数据，或该度量的数据，服务端可以收集用户的历史查询维度/度量，并通过相应模型确定能够反映用户查询习惯的维度/度量，并将这些能够反映用户查询习惯的维度/度量作为有用维度/度量，将除有用维度/度量之外的其他无用维度/度量过滤剔除。其中，所采用的模型可以为聚类模型，通过对历史查询维度/度量进行聚类，可以获得聚类簇，聚类簇中包含的历史查询维度/度量可以作为反映了用户查询习惯的有用维度/度量。另外，所采用的模型也可以为深度学习模型，通过大量历史样本数据对深度学习模型进行训练后，可以使得深度学习模型具有分析出历史查询维度/度量中的有用维度/度量的能力。

另一种实现方式中，服务端可以向用户提供维度配置界面，维度配置界面可以包括目标数据指标，以及原始数据中的待选维度，服务端可以响应于用户对维度配置界面的选取操作，从待选维度中选择目标数据指标的目标维度，使得用户可以根据实际需求配置目标数据指标的目标维度，配置的目标维度即为有用维度，能够满足用户的习惯，从而提取得到了原始数据中所需要关注的维度，且在配置维度的过程中，可以建立维度之间的层级关联性，提升维度之间的关联性，对于有用度量的获取过程同理。

可选的，原始数据包括商品售卖数据，物流运输数据，直播数据中的至少一种。

本申请实施例的一种应用场景可以为商品售卖场景，参照图3，其示出了本申请实施例提供的一种指标处理方法的场景示意图，包括：服务端、商品售卖服务端。商品售卖服务端可以产生商品销售过程中的销售原始数据，具体可以产生具有多维度的售卖数据指标，如，大区、品类、收货省份、收货市、发货单量、下单单量等维度，以及这些维度的具体度量数据，时间周期类型可以包括年、月、日等，商品售卖服务端为了满足对原始数据的洞察分析，可以将原始数据发送至服务端，服务端在通过提取模块、分析模块对原始数据处理得到可视化的指标处理结果，可以将指标处理结果发送至商品售卖服务端，以供商品售卖服务端进行观看，从而满足商品售卖服务端用户的数据洞察需求。

本申请实施例的另一种应用场景可以为物流运输场景，参照图4，其示出了本申请实施例提供的另一种指标处理方法的场景示意图，包括：服务端、物流运输服务端。物流运输服务端可以产生物流运输过程中的物流原始数据，具体可以产生具有多维度的物流数据指标，如，发货地、收货地、揽收量、入库量等维度，以及这些维度的具体度量数据，时间周期类型可以包括年、月、日等，物流运输服务端为了满足对原始数据的洞察分析，可以将原始数据发送至服务端，服务端在通过提取模块、分析模块对原始数据处理得到可视化的指标处理结果后，可以将指标处理结果发送至物流运输服务端，以供物流运输服务端进行观看，从而满足物流运输服务端用户的数据洞察需求。

本申请实施例的另一种应用场景可以为直播场景，参照图5，其示出了本申请实施例提供的一种指标处理方法的场景示意图，包括：服务端、直播服务端。直播服务端可以产生直播过程中的直播原始数据，具体可以产生具有多维度的直播数据指标，如，主播、直播主题、直播时长、热度、贡献度等维度，以及这些维度的具体度量数据，时间周期类型可以包括年、月、日等，直播服务端为了满足对原始数据的洞察分析，可以将原始数据发送至服务端，服务端在通过提取模块、分析模块对原始数据处理得到可视化的指标处理结果后，可以将指标处理结果发送至直播服务端，以供直播服务端进行观看，从而满足直播服务端用户的数据洞察需求。

需要说明的是，服务端还可以根据实际需求，为所有目标数据指标中的至少部分指标设置预警阈值，并在目标数据指标的度量数据值超过该预警阈值的情况下，发出警示信息，以告知服务端的用户该目标数据指标处于超出预警阈值的状态，以供服务端实现对目标数据指标在全生命周期的数值预警。其中，服务端可以自行展示警示信息，也可以将警示信息发送至其他设备进行展示，如发送至用户的客户端进行展示。

本申请实施例中，可以从原始数据中获取待分析的目标数据指标以及目标数据指标的目标元数据，并通过分析模型，直接对目标数据指标、目标元数据进行分析处理，得到用于构建洞察报告的指标处理结果，相较于人工分析方案，本申请实施例可以实现自动化生成洞察报告的目的，降低了人工成本，提高了生产效率。另外，本申请实施例不采用原始数据直接分析，而是采用原始数据中的目标数据指标、目标元数据进行分析，从而避免了原始数据中大量冗余数据参与分析计算，在降低了计算量的基础上，避免了冗余数据带来的干扰，提升了指标处理结果的准确性和直观性。

参照图6，其示出了本申请实施例提供了一种指标处理方法的步骤流程图，包括：

步骤101，获取原始数据。

在本申请实施例中，原始数据可以为服务端在提供服务过程中产生的数据，也可以是数据生产端在提供服务过程中产生的数据，原始数据可以以数据表的形式存在，如，商品售卖场景下的销售表、物流运输场景下的物流信息表等，原始数据具体可以包括按照时间周期、维度统计的各个指标的度量数据。

步骤102，根据所述原始数据，获取目标数据指标以及所述目标数据指标的目标元数据。

在本申请实施例中，数据指标是一种用于衡量目标的参数，数据指标可以直接来自于原始数据，也可以是自行定义得到的，在从原始数据中提取得到目标数据指标以及目标数据指标的目标元数据的过程中，所提取的目标数据指标可以是原始数据中的所有数据指标，也可以为原始数据中的部分数据指标，即用户可以根据实际需求，指定所提取的目标数据指标。

另外，由于指标的元数据可以包括：指标的维度、度量、时间周期类型等，则提取的目标数据指标的目标元数据，可以为目标数据指标的所有维度、度量、时间周期类型，也可以为目标数据指标的部分元数据，即用户可以根据实际需求，指定所提取的目标元数据。在提取了目标数据指标以及目标数据指标的目标元数据后，可以基于目标数据指标和目标元数据，构建指标数据表，使得后续分析操作基于指标数据表来实现。

步骤103、根据预设的分析模型、所述目标数据指标、所述目标元数据，获取指标处理结果，所述指标处理结果用于表征所述目标元数据对所述目标数据指标变化过程的影响。

在本申请实施例中，服务端的分析模块可以提供多种分析模型，不同分析模型可以执行不同的算法以实现对应的数据分析功能，分析模块可以通过为目标数据指标和目标元数据预先配置好的分析模型，对目标数据指标和目标元数据进行分析，得到目标数据指标的指标处理结果。其中，为目标数据指标和目标元数据配置的分析模型，可以是针对目标数据指标和目标元数据的数据类型默认设置的分析模型，也可以是根据用户实际需求设置的分析模型。

分析模型用于对指标的元数据进行分析操作，其可以基于一种算法实现对指标的元数据的运算处理，从而得到用于构建洞察报告的指标处理结果。

步骤104、展示所述指标处理结果。

在该步骤中，服务端可以用对由指标处理结果构成的洞察报告进行可视化展示。服务端也可以将指标处理结果发送至客户端以供其展示，从而能够用户能够通过展示的指标处理结果来直观了解原始数据中指标的分析情况。

对指标处理结果的可视化展示，具体可以通过数据可视化处理软件，将所有指标处理结果组合并渲染为图标等形式进行展示，其具备直观、清楚的特性。

综上所述，本申请实施例中，可以从原始数据中获取待分析的目标数据指标以及目标数据指标的目标元数据，并通过分析模型，直接对目标数据指标、目标元数据进行分析处理，得到用于构建洞察报告的指标处理结果，相较于人工分析方案，本申请实施例可以实现自动化生成洞察报告的目的，降低了人工成本，提高了生产效率。另外，本申请实施例不采用原始数据直接分析，而是采用原始数据中的目标数据指标、目标元数据进行分析，从而避免了原始数据中大量冗余数据参与分析计算，在降低了计算量的基础上，避免了冗余数据带来的干扰，提升了指标处理结果的准确性和直观性。

参照图7，示出了本申请的另一种指标处理方法实施例的步骤流程图。

包括：

步骤201，接收客户端发送的原始数据。

步骤202，根据所述原始数据，获取目标数据指标以及所述目标数据指标的目标元数据。

步骤203，根据预设的分析模型、所述目标数据指标、所述目标元数据，获取指标处理结果，所述指标处理结果用于表征所述目标元数据对所述目标数据指标变化过程的影响。

步骤204，对所述指标处理结果进行渲染，得到可视化指标处理结果，并将所述可视化指标处理结果发送至所述客户端。

在本申请实施例中，客户端可以提供原始数据，该原始数据可以为客户端生产的，也可以为数据生产端生产并发送给客户端的，客户端为了满足对原始数据的洞察分析，可以将原始数据发送至服务端，服务端在通过提取模块、分析模块对原始数据处理得到可视化的洞察报告后，可以将洞察报告发送至客户端，以供客户端进行观看，从而满足客户端用户的数据洞察需求。

综上所述，本申请实施例中，可以从原始数据中获取待分析的目标数据指标以及目标数据指标的目标元数据，并通过分析模型，直接对目标数据指标、目标元数据进行分析处理，得到用于构建洞察报告的指标处理结果，相较于人工分析方案，本申请实施例可以实现自动化生成洞察报告的目的，降低了人工成本，提高了生产效率。另外，本申请实施例不采用原始数据直接分析，而是采用原始数据中的目标数据指标、目标元数据进行分析，从而避免了原始数据中大量冗余数据参与分析计算，在降低了计算量的基础上，避免了冗余数据带来的干扰，提升了指标处理结果的准确性和直观性。

参照图8，示出了本申请的另一种指标处理方法实施例的步骤流程图。

包括：

步骤301，获取原始数据。

该步骤具体可以参照上述步骤101，此处不再赘述。

步骤302，根据所述原始数据，获取目标数据指标以及所述目标数据指标的目标元数据。

该步骤具体可以参照上述步骤101，此处不再赘述。

可选的，所述目标元数据包括所述原始数据中，所述目标数据指标在至少一个目标维度下的度量数据；步骤302具体可以包括：

子步骤3021、获取所述目标数据指标的目标维度。

在本申请实施例中，元数据是指标的具体信息，由指标的定义可以知道，指标的元数据可以包括指标的维度、度量、时间周期类型等信息。提取目标元数据的过程中，获取的目标维度可以为目标数据指标的所有维度，也可以为目标数据指标的部分维度，即用户可以根据实际需求，指定所提取的目标维度。在确定了目标维度后，可以进一步基于目标维度，从原始数据中提取度量数据。

子步骤3022、获取与所述目标维度对应的度量数据类型和时间周期类型；所述时间周期类型用于表征统计所述目标数据指标时所选定的时间范围。

在本申请实施例中，在获取目标元数据的过程中，除了指定目标维度之外，还可以指定与目标维度对应的度量数据类型和时间周期类型，度量数据类型用于反映后续洞察分析所需的度量数据的类型，如销售表中，仅针对发货量进行统计，则可以限定度量数据的类型为发货量，而其他度量数据如下单量、利润等度量数据可以作为冗余数据进行剔除，时间周期类型则用于限定统计数据指标的时候选定的时间范围，如按照年/月/日等范围。

子步骤3023、在所述原始数据中，按照所述目标维度对应的时间周期类型所划分的时间范围，获取所述目标数据指标在目标维度下的度量数据，其中，提取的度量数据所属于所述目标维度对应的度量数据类型。

在具体提取目标元数据时，可以按照目标维度对应的时间周期类型所划分的时间范围，获取目标数据指标在目标维度下的度量数据，且提取的度量数据所属于所述目标维度对应的度量数据类型。

例如，针对上述表1，假设洞察分析的需求是分析渠道A指标和渠道B指标，具体为按照时间周期日，分析其中发货单量的最大值，以及下单单量中最大的三个值，并按照下钻维度华南统计指标B的发货单量总量和下单单量总量。

则在提取目标元数据时，可以确定表1中的目标数据指标包括渠道A指标和渠道B指标，目标数据指标的目标元数据包括：时间周期类型日，维度大区、度量数据取发货单量度量数据和下单单量度量数据。提取后的目标数据指标和目标元数据可以构建数据指标报表，如表2。

可选的，子步骤3021具体可以包括：

子步骤A1、获取针对所述目标数据指标的历史查询维度。

子步骤A2、根据所述历史查询维度，确定目标维度。

实际情况下，原始数据中存在较多的元数据，如存在很多维度和度量，而其中存在较多的对洞察报告无价值的维度、度量，对于洞察分析来说，这些维度和度量是无用的，若将这些无用元数据参与洞察分析，会影响最终结果的准确性和客观性。并且，针对洞察分析的需求，原始数据中很多维度之间存在隐含的关联性。

本申请实施例基于上述诉求，可以在提取目标数据指标的目标元数据时，剔除其中的无用元数据。

一种实现方式中，由于用户在历史时间段，会通过查询操作获取原始数据中的查询数据，具体为输入相应的维度或度量，以查询得到该维度下的度量数据，服务端可以收集用户的历史查询维度，并通过相应模型确定能够反映用户查询习惯的维度，并将这些能够反映用户查询习惯的维度作为有用维度，将除有用维度之外的其他无用维度过滤剔除。可选的，子步骤A2具体可以包括：

子步骤A21、通过预设的聚类模型对所有所述历史查询维度进行聚类，得到聚类簇，并将所述聚类簇中包含的历史查询维度作为所述目标维度。

具体的，剔除无用维度时所采用的模型可以为聚类模型，通过对历史查询维度进行聚类，可以获得聚类簇，聚类簇是一个互相具有共通性的数据的集合，聚类簇中包含的历史查询维度可以作为反映了用户查询习惯的有用维度。另外，所采用的模型也可以为深度学习模型，通过大量历史样本数据对深度学习模型进行训练后，可以使得深度学习模型具有分析出历史查询维度中的有用维度的能力。对于无用度量的剔除过程同理。

可选的，子步骤3021还可以包括：

子步骤A3、提供针对所述目标数据指标的维度配置界面，所述维度配置界面包括所述目标数据指标，以及所述原始数据中的待选维度。

子步骤A4、响应于对所述维度配置界面的选取操作，从所述待选维度中选择目标维度。

另一种实现方式中，服务端可以向用户提供维度配置界面，维度配置界面可以包括目标数据指标，以及原始数据中的待选维度，其中待选维度可以是原始数据中的所有维度，也可以是原始数据中的部分维度，服务端可以响应于用户对维度配置界面的选取操作，从待选维度中选择目标数据指标的目标维度，使得用户可以根据实际需求配置目标数据指标的目标维度，配置的目标维度即为有用维度，能够满足用户的习惯，从而提取得到了原始数据中所需要关注的维度，且在配置维度的过程中，可以建立维度之间的层级关联性，提升维度之间的关联性，对于有用度量的获取过程同理。

需要说明的是，在服务端响应于用户对维度配置界面的选取操作之后，还可以基于从待选维度中选择的目标维度，生成配置信息；配置信息包括数据指标与维度之间的对应关系，则服务端在目标维度的过程中，可以从配置信息中获取与目标指标对应的目标维度。

参照图9，示出了本申请的一种维度配置界面图。服务端可以向配置人员的客户端提供维度配置界面10，客户端的用户可以对维度配置界面10中的待选维度进行选取，并在选取完毕后点击生成配置并发送，使得配置信息发送至服务端，服务端可以从配置信息中获取与目标指标对应的目标维度。

参照图10，示出了本申请的另一种维度配置界面图。服务端可以自行展示维度配置界面20，服务端的用户可以对维度配置界面20中的待选维度进行选取，并在选取完毕后获得与目标指标对应的目标维度。

步骤303，根据预设的分析模型、所述目标数据指标、所述目标元数据，获取指标处理结果，所述指标处理结果用于表征所述目标元数据对所述目标数据指标变化过程的影响。

可选的，预设的分析模型包括多个分析子模型；步骤303包括：

子步骤3031，从预设的多个分析子模型中，选取与所述目标元数据匹配的目标分析子模型。

子步骤3032，根据所述目标分析子模型、所述目标数据指标和所述目标元数据，获取所述目标数据指标的指标处理结果。

在本申请实施例中，服务端的分析模型可以提供多种分析子模型，不同分析子模型可以执行不同的算法以实现对应的数据分析功能，服务端可以通过为目标数据指标和目标元数据预先配置好的分析模型，对目标数据指标和目标元数据进行分析，得到目标数据指标的指标处理结果。其中，为目标数据指标和目标元数据配置的分析模型，可以是针对目标数据指标和目标元数据的数据类型默认设置的分析模型，也可以是根据用户实际需求设置的分析模型。

可选的，所述分析模型包括：通用分析子模型、与所述目标元数据对应的专用分析子模型；步骤303包括：

子步骤3033，从所述分析模型中，选取所述通用分析子模型和/或与所述目标元数据对应的专用分析子模型作为所述目标分析子模型。

由于上述实施例已经描述了一些通用分析子模型的功能实现(如最大值分析模型，TOP N分析模型等)，现通过若干示例对一些特殊专用分析子模型的功能实现进行描述。

下钻分析子模型：若目标元数据的目标维度中存在下钻维度，则需要通过下钻分析子模型进行下钻分析，具体的，针对商品售卖场景，假设分析的目标数据指标关联的目标度量是发货单量，关联的下钻维度是大区，时间周期类型为日，首先统计每一天的发货总量：日期6.20，发货总量：18500；日期6.21，发货总量：21000。可以得知日期6.20到日期6.21，发货单总量增长了2500，环比增加了2500/18500＝13.51％。

进一步的，下钻分析子模型按照下钻维度大区进行下钻，得到下钻维度下每一天的发货单量：日期6.20，华北大区发货单量：7500；日期6.20，华南大区发货单量：11000；日期6.21，华北大区发货单量：9000；日期6.21，华南大区发货单量：12000。下钻分析子模型可以进一步计算得到，华北单量增长了1500，华南单量增长了1000。则华北大区对总的增长的贡献度为华北贡献度＝1500/2500＝60％；华南大区对总的增长的贡献度为华南贡献度＝1000/2500＝40％。下钻分析子模型得到的指标分析结果可以包括这些大区下发货单量，以及各个大区的贡献度。

异常点检测分析模型：若目标元数据需要进行异常点检测，则需要采用异常点检测分析模型，假设过去每一天的总发货单量如下：

日期6.21:21000；

日期6.20:18500；

日期6.19:11000；

日期6.18:9500；

日期6.17:10000；

日期6.16:10000；

日期6.15:10000；

日期6.14:10000；

日期6.13:10000；

日期6.12:10000。

计算可知，上述总发货单量的平均值为12000，标准差为3930.65，6月21号的总发货单量与平均值偏离了(21000-12000)/3930.65＝2.29倍的标准差，若异常点检测分析模型设置超过两个标准差即为异常，则6月21号的总发货单量就属于异常点，总发货单量会将异常点的时间、发货单量、平均值、标准差、标准差的偏离个数都放到指标处理结果中。

步骤304，将所述指标处理结果输入显著性评估模型，获取所述指标处理结果的显著性评分。

在本申请实施例中，洞察报告包含的指标处理结果应该直观准确，无冗余内容，因此，为了进一步提升洞察报告的直观、显著性，可以将指标处理结果输入显著性评估模型，获取指标处理结果的显著性评分，以便按照显著性评分对指标处理结果进行过滤，如过滤显著性评分低于预设阈值的指标处理结果。例如，在分析模型为异常状况分析模型的情况下，针对正态分布类型的异常检测，分析模型的输出的指标处理结果中包含平均值、标准差等数据，根据这些数据可以评估异常的程度有多高，从而得到指标处理结果的显著性评分。例如，指标处理结果异常程度越高，指标处理结果就更具备显著性，指标处理结果的显著性评分也就越高，反之同理。

步骤305，根据所述显著性评分，对所述指标处理结果进行过滤。

在本申请实施例中，基于显著性评估，可以有效过滤洞察报告中无用的冗余结果，仅保留具备显著性和准确性的结果，提升了洞察报告的直观、显著性。

可选的，一种实现方式中，所述显著性评估模型包括：规则显著性评估模型，步骤304具体可以包括：

子步骤3041、将所述指标处理结果输入所述规则显著性评估模型，并在所述指标处理结果符合所述规则显著性评估模型定义的判断规则的情况下，输出第一显著性评分，以及在所述指标处理结果不符合所述判断规则的情况下，输出第二显著性评分。

步骤305具体可以包括：

子步骤3051、将所述显著性评分小于所述第一显著性评分的指标处理结果筛除。

在本申请实施例中，规则显著性评估模型可以对一些通用分析子模型实现显著性评估，通用分析子模型可以包括：下钻分析子模型、TOP N分析子模型、最大/最小值分析子模型、时间周期波动分析子模型(计算一个时间范围内的维度的度量数据的波动率)等。

针对这些通用分析子模型，规则显著性评估模型可以定义对应的判断规则，以使得指标处理结果满足该判断规则时，输出第一显著性评分，指标处理结果不满足该判断规则时，输出第二显著性评分。

例如，针对TOP N分析子模型，若输出的指标处理结果中有N个数据，则认为符合判断规则，输出第一显著性评分1，若输出的指标处理结果中没有N个数据，则认为不符合判断规则，输出第二显著性评分0。在筛除时，可以将第二显著性评分为0的指标处理结果筛除。

针对最大/最小值分析子模型，若输出的指标处理结果中有最大/最小值，则认为符合判断规则，输出第一显著性评分1，若输出的指标处理结果中没有最大/最小值，则认为不符合判断规则，输出第二显著性评分0。在筛除时，可以将第二显著性评分为0的指标处理结果筛除。

针对下钻分析子模型，有下钻结果，则输出第一显著性评分1，无下钻结果，则输出第二显著性评分0；针对时间周期波动分析子模型，有波动结果，则输出第一显著性评分1，无波动结果，则输出第二显著性评分0。

可选的，另一种实现方式中，分布显著性评估模型；所述指标处理结果包括：根据所述所述目标元数据计算得到的平均值和标准差，步骤304具体可以包括：

子步骤3042、将所述指标处理结果输入所述规则显著性评估模型，根据所述目标元数据的实际值与所述平均值的差值，以及所述标准差，确定所述指标处理结果的显著性评分。

在本申请实施例中，分布显著性评估模型可以对一些异常分析场景下的异常分析子模型实现显著性评估，异常分析子模型可以是基于平均值、标准差确定异常点的专用模型，异常分析子模型可以包括：异常检测分析子模型(通过平均值和标准差检测数据的异常点)、同环比分析子模型(通过同环比平均值和标准差检测数据的异常点)、率值波动分析子模型(通过波动率平均值和标准差检测数据的波动异常点)、下钻异常检测子模型(用于在下钻维度下数据的检测异常点)。

现在针对一个示例对分布显著性评估模型的实现过程进行说明，异常分析子模型为异常检测分析子模型；

若目标元数据需要进行异常点检测，则需要采用异常点检测分析模型，假设过去每一天的总发货单量如下：

日期6.21:21000；

日期6.20:18500；

日期6.19:11000；

日期6.18:9500；

日期6.17:10000；

日期6.16:10000；

日期6.15:10000；

日期6.14:10000；

日期6.13:10000；

日期6.12:10000。

计算可知，上述总发货单量的平均值为12000，标准差为3930.65，6月21号的总发货单量与平均值偏离了(21000-12000)/3930.65＝2.29倍的标准差，若异常点检测分析模型设置超过两个标准差即为异常，则6月21号的总发货单量就属于异常点，总发货单量会将异常点的时间、发货单量、平均值、标准差、标准差的偏离个数都放到指标处理结果中。

对于分布显著性评估模型，如果指标处理结果中包括异常点，则显著性分数为1，如果不包括异常点，则计算正态分布的累积概率，在正态分布中，如果累积概率刚好是平均值，则显著性分数为0，如果累积概率在平均值和异常值(2倍标准差)之间，则查询正态分布概率表得到分布概率，用分布概率除以异常值的累积概率即可得到显著性分数，显著性分数介于(0,1)之间。

步骤306，将所述指标处理结果中的数值添加进预设语料模板后进行展示，和/或将所述指标处理结果中的数值转化为可视化图表进行展示。

在该步骤中，服务端可以用对由指标处理结果构成的洞察报告进行可视化展示。服务端也可以将指标处理结果发送至客户端以供其展示，从而能够用户能够通过展示的指标处理结果来直观了解原始数据中指标的分析情况。

对指标处理结果的可视化展示，可以通过数据可视化处理软件，将所有指标处理结果组合并渲染为图标等形式进行展示，其具备直观、清楚的特性。也可以将指标处理结果中的数值添加进预设语料模板后进行展示，如，一个语料为渠道指标XX的日均出货量为XX，环比上周增加XX，在指标处理结果中包含计算得到的目标数据指标的度量数据日均出货量的平均值，以及环比上周增长值时，可以将目标数据指、平均值、环比上周增长值添加进上述语料并展示。

参照图11，示出了本申请的一种指标处理方法的系统流程图，提供了综合上述实施例内容的整体性架构描述。

其中，服务端可以从原始数据中获取目标数据指标、目标元数据，以及目标数据指标、目标元数据的具体数值，并建立数据指标报表，服务端的分析模块，可以针对数据指标报表依次进行决策、分发、执行、评估、过滤、渲染，得到可展示的洞察报告。

其中，决策是根据数据指标报表的配置(有没有时间列、有没有下钻维度等)决定需要使用的分析模型的类型；分发是将数据指标报表中的目标数据指标、目标元数据和可执行的分析模型组合成一个分析点，将所有分析点分发给后续流水线执行；执行是执行分析，调用分析模型计算目标数据指标、目标元数据，得到指标处理结果；评估：是根据指标处理结果评估显著性；过滤是根据每个指标处理结果的显著性从高到低排序，过滤掉显著性较低的指标处理结果，例如异常检测分析子模型发现了异常，但异常不够显著，这一步会过滤掉；渲染：将指标处理结果进行样式、文本的渲染，得到包括文本结果和/或图表的洞察报告。

综上所述，本申请实施例中，可以从原始数据中获取待分析的目标数据指标以及目标数据指标的目标元数据，并通过分析模型，直接对目标数据指标、目标元数据进行分析处理，得到用于构建洞察报告的指标处理结果，相较于人工分析方案，本申请实施例可以实现自动化生成洞察报告的目的，降低了人工成本，提高了生产效率。另外，本申请实施例不采用原始数据直接分析，而是采用原始数据中的目标数据指标、目标元数据进行分析，从而避免了原始数据中大量冗余数据参与分析计算，在降低了计算量的基础上，避免了冗余数据带来的干扰，提升了指标处理结果的准确性和直观性。

参照图12，其示出了本申请实施例提供了一种指标处理装置的框图，包括：

第一获取模块401，用于获取原始数据；

第二获取模块402，用于根据所述原始数据，获取目标数据指标以及所述目标数据指标的目标元数据；

第一分析模块403，用于根据预设的分析模型、所述目标数据指标、所述目标元数据，获取指标处理结果，所述指标处理结果用于表征所述目标元数据对所述目标数据指标变化过程的影响；

展示模块404，用于展示所述指标处理结果。

可选的，所述预设的分析模型包括多个分析子模型；

所述第一分析模块403，包括：

选取子模块，用于从预设的多个分析子模型中，选取与所述目标元数据匹配的目标分析子模型；

分析子模块，用于根据所述目标分析子模型、所述目标数据指标和所述目标元数据，获取所述目标数据指标的指标处理结果。

可选的，所述装置还包括：

评分模块，用于将所述指标处理结果输入显著性评估模型，获取所述指标处理结果的显著性评分；

过滤模块，用于根据所述显著性评分，对所述指标处理结果进行过滤。

可选的，所述显著性评估模型包括：规则显著性评估模型，所述评分模块，包括：

第一评估子模块，用于将所述指标处理结果输入所述规则显著性评估模型，并在所述指标处理结果符合所述规则显著性评估模型定义的判断规则的情况下，输出第一显著性评分，以及在所述指标处理结果不符合所述判断规则的情况下，输出第二显著性评分；

所述过滤模块，包括：

过滤子模块，用于将所述显著性评分小于所述第一显著性评分的指标处理结果筛除。

可选的，所述显著性评估模型包括：分布显著性评估模型；所述指标处理结果包括：根据所述所述目标元数据计算得到的平均值和标准差；

所述评分模块，包括：

第二评估子模块，将所述指标处理结果输入所述规则显著性评估模型，根据所述目标元数据的实际值与所述平均值的差值，以及所述标准差，确定所述指标处理结果的显著性评分。

可选的，所述目标元数据包括所述原始数据中，所述目标数据指标在至少一个目标维度下的度量数据；

所述第二获取模块402，包括：

第一获取子模块，用于获取所述目标数据指标的目标维度；

第二获取子模块，用于获取与所述目标维度对应的度量数据类型和时间周期类型；所述时间周期类型用于表征统计所述目标数据指标时所选定的时间范围；

第三获取子模块，用于在所述原始数据中，按照所述目标维度对应的时间周期类型所划分的时间范围，获取所述目标数据指标在目标维度下的度量数据，其中，提取的度量数据所属于所述目标维度对应的度量数据类型。

可选的，第一获取子模块，包括：

获取单元，用于获取针对所述目标数据指标的历史查询维度；

确定单元，用于根据所述历史查询维度，确定目标维度。

可选的，第一获取子模块，包括：

聚类单元，用于通过预设的聚类模型对所有所述历史查询维度进行聚类，得到聚类簇，并将所述聚类簇中包含的历史查询维度作为所述目标维度。

可选的，所述装置还包括：

提供单元，用于提供针对所述目标数据指标的维度配置界面，所述维度配置界面包括所述目标数据指标，以及所述原始数据中的待选维度；

所述第一获取子模块，包括：

第一选取单元，用于响应于对所述维度配置界面的选取操作，从所述待选维度中选择目标维度。

可选的，所述分析模型包括：通用分析子模型、与所述目标元数据对应的专用分析子模型；

所述选取子模块，包括：

第二选取单元，用于从所述分析模型中，选取所述通用分析子模型和/或与所述目标元数据对应的专用分析子模型作为所述目标分析子模型。

可选的，所述展示模块404，包括：

展示子模块，用于将所述指标处理结果中的数值添加进预设语料模板后进行展示，和/或将所述指标处理结果中的数值转化为可视化图表进行展示。

可选的，所述原始数据包括商品售卖数据，物流运输数据，直播数据中的至少一种。

综上，本申请实施例中，可以从原始数据中获取待分析的目标数据指标以及目标数据指标的目标元数据，并通过分析模型，直接对目标数据指标、目标元数据进行分析处理，得到用于构建洞察报告的指标处理结果，相较于人工分析方案，本申请实施例可以实现自动化生成洞察报告的目的，降低了人工成本，提高了生产效率。另外，本申请实施例不采用原始数据直接分析，而是采用原始数据中的目标数据指标、目标元数据进行分析，从而避免了原始数据中大量冗余数据参与分析计算，在降低了计算量的基础上，避免了冗余数据带来的干扰，提升了指标处理结果的准确性和直观性。

参照图13，其示出了本申请实施例提供了一种指标处理装置的框图，包括：

接收模块501，用于接收客户端发送的原始数据；

第三获取模块502，用于根据所述原始数据，获取目标数据指标以及所述目标数据指标的目标元数据；

第二分析模块503，用于根据预设的分析模型、所述目标数据指标、所述目标元数据，获取指标处理结果，所述指标处理结果用于表征所述目标元数据对所述目标数据指标变化过程的影响；

发送模块504，用于对所述指标处理结果进行渲染，得到可视化指标处理结果，并将所述可视化指标处理结果发送至所述客户端。

综上，本申请实施例中，可以从原始数据中获取待分析的目标数据指标以及目标数据指标的目标元数据，并通过分析模型，直接对目标数据指标、目标元数据进行分析处理，得到用于构建洞察报告的指标处理结果，相较于人工分析方案，本申请实施例可以实现自动化生成洞察报告的目的，降低了人工成本，提高了生产效率。另外，本申请实施例不采用原始数据直接分析，而是采用原始数据中的目标数据指标、目标元数据进行分析，从而避免了原始数据中大量冗余数据参与分析计算，在降低了计算量的基础上，避免了冗余数据带来的干扰，提升了指标处理结果的准确性和直观性。

本申请实施例还提供了一种非易失性可读存储介质，该存储介质中存储有一个或多个模块(programs)，该一个或多个模块被应用在设备时，可以使得该设备执行本申请实施例中各方法步骤的指令(instructions)。

本申请实施例提供了一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得电子设备执行如上述实施例中一个或多个所述的方法。本申请实施例中，所述电子设备包括终端设备、服务端(集群)等各类型的设备。

本公开的实施例可被实现为使用任意适当的硬件，固件，软件，或及其任意组合进行想要的配置的装置，该装置可包括终端设备、服务端(集群)等电子设备。图14示意性地示出了可被用于实现本申请实施例中所述的各个实施例的示例性装置1000。

对于一个实施例，图14示出了示例性装置1000，该装置具有一个或多个处理器1002、被耦合到(一个或多个)处理器1002中的至少一个的控制模块(芯片组)1004、被耦合到控制模块1004的存储器1006、被耦合到控制模块1004的非易失性存储器(NVM)/存储设备1008、被耦合到控制模块1004的一个或多个输入/输出设备1010，以及被耦合到控制模块1004的网络接口1012。

处理器1002可包括一个或多个单核或多核处理器，处理器1002可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。在一些实施例中，装置1000能够作为本申请实施例中所述终端设备、服务端(集群)等设备。

在一些实施例中，装置1000可包括具有指令1014的一个或多个计算机可读介质(例如，存储器1006或NVM/存储设备1008)以及与该一个或多个计算机可读介质相合并被配置为执行指令1014以实现模块从而执行本公开中所述的动作的一个或多个处理器1002。

对于一个实施例，控制模块1004可包括任意适当的接口控制器，以向(一个或多个)处理器1002中的至少一个和/或与控制模块1004通信的任意适当的设备或组件提供任意适当的接口。

控制模块1004可包括存储器控制器模块，以向存储器1006提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。

存储器1006可被用于例如为装置1000加载和存储数据和/或指令1014。对于一个实施例，存储器1006可包括任意适当的易失性存储器，例如，适当的DRAM。在一些实施例中，存储器1006可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。

对于一个实施例，控制模块1004可包括一个或多个输入/输出控制器，以向NVM/存储设备1008及(一个或多个)输入/输出设备1010提供接口。

例如，NVM/存储设备1008可被用于存储数据和/或指令1014。NVM/存储设备1008可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如，一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。

NVM/存储设备1008可包括在物理上作为装置1000被安装在其上的设备的一部分的存储资源，或者其可被该设备访问可不必作为该设备的一部分。例如，NVM/存储设备1008可通过网络经由(一个或多个)输入/输出设备1010进行访问。

(一个或多个)输入/输出设备1010可为装置1000提供接口以与任意其他适当的设备通信，输入/输出设备1010可以包括通信组件、音频组件、传感器组件等。网络接口1012可为装置1000提供接口以通过一个或多个网络通信，装置1000可根据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信，例如接入基于通信标准的无线网络，如WiFi、2G、3G、4G、5G等，或它们的组合进行无线通信。

对于一个实施例，(一个或多个)处理器1002中的至少一个可与控制模块1004的一个或多个控制器(例如，存储器控制器模块)的逻辑封装在一起。对于一个实施例，(一个或多个)处理器1002中的至少一个可与控制模块1004的一个或多个控制器的逻辑封装在一起以形成系统级封装(SiP)。对于一个实施例，(一个或多个)处理器1002中的至少一个可与控制模块1004的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例，(一个或多个)处理器1002中的至少一个可与控制模块1004的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。

在各个实施例中，装置1000可以但不限于是：服务端、台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中，装置1000可具有更多或更少的组件和/或不同的架构。例如，在一些实施例中，装置1000包括一个或多个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。

其中，检测装置中可采用主控芯片作为处理器或控制模块，传感器数据、位置信息等存储到存储器或NVM/存储设备中，传感器组可作为输入/输出设备，通信接口可包括网络接口。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、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终端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终端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。

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终端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。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供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步骤。

尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。

最后，还需要说明的是，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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。

以上对本申请所提供的一种指标处理方法、装置、电子设备和存储介质，进行了详细介绍，本文中应用了具体个例对本申请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，依据本申请的思想，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申请的限制。