基于大数据的产品生产方法及平台

技术领域

本申请涉及产品生产技术领域，具体而言，涉及一种基于大数据的产品生产方法及平台。

背景技术

随着经济的发展，人们对生活的品质需求也逐步提供，在保障基本的生活需求的基础上，各种产品的需求逐渐增加，因而，产品的产能也需要逐步提高。但是，经发明人研究发现，现有技术中，由于对产品的需求预测不准确，使得容易出现供需不平衡的问题。

发明内容

有鉴于此，本申请的目的在于提供一种基于大数据的产品生产方法及平台，以改善现有技术中产品市场容易出现供需不平衡的问题。

为实现上述目的，本申请实施例采用如下技术方案：

一种基于大数据的产品生产方法，包括：

获得目标品牌产品的多条历史产品订单数据，其中，每一条所述历史产品订单数据包括目标品牌产品的产品品类信息、产品规格信息和产品型号信息；

在基于所述产品品类信息、所述产品规格信息和所述产品型号信息构建的三维空间中，对所述多条历史产品订单数据进行聚类处理，得到至少一个历史产品订单数据簇，其中，每一个所述历史产品订单数据簇包括至少一条所述历史产品订单数据；

基于所述至少一个历史产品订单数据簇，确定所述目标品牌产品的生产指示信息，其中，该生产指示信息表征该目标品牌产品包括的每一种产品品类、每一种产品规格和每一种产品型号的目标生产产量。

在上述实施例的基础上，本申请还提供一种基于大数据的产品生产平台，包括：

存储器，用于存储计算机程序；

与所述存储器连接的处理器，用于执行所述计算机程序，以实现上述的基于大数据的产品生产方法。

本申请提供的基于大数据的产品生产方法及平台，通过基于产品品类信息、产品规格信息和产品型号信息对获得的多条历史产品订单数据进行聚类处理，可以得到至少一个历史产品订单数据簇，使得可以基于该至少一个历史产品订单数据簇确定目标品牌产品的生产指示信息，用于指示产品的目标生产产量。基于此，可以使得目标生产产量与用户对产品的需求量更容易平衡，从而改善现有技术中产品市场容易出现供需不平衡的问题，具有较高的实用价值。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

图1为本申请实施例提供的基于大数据的产品生产平台的结构框图。

图2为本申请实施例提供的基于大数据的产品生产方法包括的各步骤的流程示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本申请的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

如图1所示，本申请实施例提供了一种基于大数据的产品生产平台。其中，所述基于大数据的产品生产平台可以包括存储器和处理器。

详细地，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本申请实施例（如后文所述）提供的基于大数据的产品生产方法。

可选地，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-OnlyMemory，PROM），可擦除只读存储器（Erasable Programmable Read-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-Only Memory，EEPROM）等。

所述处理器可以是一种通用处理器，包括中央处理器（Central ProcessingUnit，CPU）、网络处理器（Network Processor，NP）、片上系统(System on Chip，SoC)等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

并且，图1所示的结构仅为示意，所述基于大数据的产品生产平台还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置，例如，还可以包括用于与其它设备进行信息交互的通信单元。

其中，在一种可以替代的示例中，所述基于大数据的产品生产平台可以是一种具备数据处理能力的服务器。

结合图2，本申请实施例还提供一种基于大数据的产品生产方法，可应用于上述基于大数据的产品生产平台。其中，该基于大数据的产品生产方法有关的流程所定义的方法步骤，可以由所述基于大数据的产品生产平台实现。下面将对图2所示的具体流程，进行详细阐述。

步骤S110，获得目标品牌产品的多条历史产品订单数据。

在本实施例中，在需要确定所述目标品牌产品的生产指示信息时，所述基于大数据的产品生产平台可以先获得该目标品牌产品的多条历史产品订单数据。

其中，每一条所述历史产品订单数据包括所述目标品牌产品的产品品类信息（如化妆品中的洗脸品类、防晒品类等）、产品规格信息（如100ml规格、500ml规格等）和产品型号信息（如洗脸品类中的美白型号、保湿型号、控油型号等）。

步骤S120，在基于所述产品品类信息、所述产品规格信息和所述产品型号信息构建的三维空间中，对所述多条历史产品订单数据进行聚类处理，得到至少一个历史产品订单数据簇。

在本实施例中，在基于步骤S110获得所述多条历史产品订单数据之后，所述基于大数据的产品生产平台可以在基于所述产品品类信息、所述产品规格信息和所述产品型号信息构建的三维空间中，对所述多条历史产品订单数据进行聚类处理（例如，可以采用邻近算法进行聚类处理），如此，可以得到至少一个历史产品订单数据簇。

其中，每一个所述历史产品订单数据簇包括至少一条所述历史产品订单数据。

步骤S130，基于所述至少一个历史产品订单数据簇，确定所述目标品牌产品的生产指示信息。

在本实施例中，在基于步骤S120得到所述至少一个历史产品订单数据簇之后，可以基于该至少一个历史产品订单数据簇，确定所述目标品牌产品的生产指示信息。

其中，所述生产指示信息可以表征所述目标品牌产品包括的每一种产品品类、每一种产品规格和每一种产品型号的目标生产产量（如A1品类、B1规格和C1型号的目标生产产量为X，A2品类、B2规格和C2型号的目标生产产量为Y，A3品类、B3规格和C3型号的目标生产产量为Z）。

基于上述方法，可以使得目标生产产量与用户对产品的需求量更容易平衡，从而改善现有技术中产品市场容易出现供需不平衡的问题。

第一方面，对于步骤S110需要说明的是，获得所述多条历史产品订单数据的具体方式不受限制，可以根据实际应用需求进行选择。

例如，在一种可以替代的示例中，为了避免异常数据的干扰，从而提高确定的生产指示信息的可靠度，步骤S110可以包括以下步骤：

首先，获得目标品牌产品的多条候选历史产品订单数据（例如，可以获取该目标品牌产品的全部订单数据，都作为候选历史产品订单数据，从而得到多条候选历史产品订单数据）；

其次，基于预先确定的数据筛选规则对所述多条候选历史产品订单数据进行筛选处理，得到多条历史产品订单数据。

可选地，在上述示例中，对所述多条候选历史产品订单数据进行筛选处理的具体方式不受限制，可以根据实际应用需求进行选择，在本申请实施例中，基于不同的需求，提供以下6种示例。

在第一种示例中，可以基于以下步骤进行筛选处理：

第一步，获取所述多条候选历史产品订单数据中每一条所述候选历史产品订单数据的生成时间信息，得到多个生成时间信息；

第二步，确定所述多个生成时间信息中的最早生成时间信息和最晚生成时间信息，并基于该最早生成时间信息和该最晚生成时间信息确定时间区间（例如，最早生成时间信息为2019年10月1日，最晚生成时间信息为2020年9月30日，则确定的时间区间为“2019年10月1日-2020年9月30日”）；

第三步，对所述时间区间进行等间隔分割处理，得到多个时间区间片段，并按照时间从早到晚的顺序对每一个时间区间片段进行编号，得到每一个时间区间片段对应的片段编号（例如，可以按每一日对所述时间区间进行分割处理，如此，在上述示例的基础上，可以得到365个时间区间片段，然后，经过编号处理，可以得到365个片段编号）；

第四步，针对每一个所述时间区间片段，统计该时间区间片段中所述候选历史产品订单数据的第三订单数量（也就是说，可以统计属于该时间区间片段的候选历史产品订单数据的数量，得到该时间区间片段对应的第三订单数量），得到多个第三订单数量；

第五步，基于每一个所述时间区间片段对应的所述片段编号和第三订单数量，分别形成对应的编号-订单数量对，得到多个编号-订单数量对；

第六步，基于所述多个编号-订单数量对进行曲线拟合处理，得到对应的编号-订单数量曲线（例如，在该编号-订单数量曲线所在的坐标空间内，横坐标可以为所述片段编号，纵坐标可以为所述第三订单数量）；

第七步，将所述多个编号-订单数量对中属于所述编号-订单数量曲线的每一个编号-订单数量对，确定为目标编号-订单数量对（也就是说，可以将所述编号-订单数量曲线上的每一个所述编号-订单数量对，确定为目标编号-订单数量对）；

第八步，将每一个所述目标编号-订单数量对包括的候选历史产品订单数据，作为历史产品订单数据（也就是说，可以将每一个所述目标编号-订单数量对对应的时间区间片段对应的候选历史产品订单数据，都作为所述历史产品订单数据）。

在第二种示例中，可以基于以下步骤进行筛选处理：

第一步，获取所述多条候选历史产品订单数据中每一条所述候选历史产品订单数据的生成时间信息，得到多个生成时间信息；

第二步，确定所述多个生成时间信息中的最早生成时间信息和最晚生成时间信息，并基于该最早生成时间信息和该最晚生成时间信息确定时间区间（如前文所述，在此不再一一赘述）；

第三步，对所述时间区间进行等间隔分割处理，得到多个时间区间片段，并按照时间从早到晚的顺序对每一个时间区间片段进行编号，得到每一个时间区间片段对应的片段编号（如前文所述，在此不再一一赘述）；

第四步，针对每一个所述时间区间片段，统计该时间区间片段中所述候选历史产品订单数据的第三订单数量，得到多个第三订单数量（如前文所述，在此不再一一赘述）；

第五步，基于每一个所述时间区间片段对应的所述片段编号和第三订单数量，分别形成对应的编号-订单数量对，得到多个编号-订单数量对；

第六步，基于所述多个编号-订单数量对进行曲线拟合处理，得到对应的编号-订单数量曲线（如前文所述，在此不再一一赘述）；

第七步，针对每一个所述编号-订单数量对，计算该编号-订单数量对与所述编号-订单数量曲线之间的偏离值（该偏离值可以是指，该编号-订单数量对与该编号-订单数量曲线在对应坐标空间内的距离值），并判断该偏离值是否小于偏离预设值（该偏离预设值可以基于用户配置生成，其中，对于历史产品订单数据的需求量较大时，该偏离预设值可以较大）；

第八步，将小于所述偏离预设值的每一个所述偏离值对应编号-订单数量对，确定为目标编号-订单数量对（也就是说，若一个所述编号-订单数量对对应的偏离值小于所述偏离预设值，可以将该编号-订单数量对确定为目标编号-订单数量对；反之，若一个所述编号-订单数量对对应的偏离值大于或等于所述偏离预设值，可以不将该编号-订单数量对确定为目标编号-订单数量对）；

第九步，将每一个所述目标编号-订单数量对包括的候选历史产品订单数据，作为历史产品订单数据（如前文所述，在此不再一一赘述）。

在第三种示例中，可以基于以下步骤进行筛选处理：

第一步，获取所述多条候选历史产品订单数据中每一条所述候选历史产品订单数据的用户身份信息（该用户身份信息可以是指，用户账号信息或用户身份证信息等），得到多个用户身份信息；

第二步，针对每一个所述用户身份信息，统计该用户身份信息对应的候选历史产品订单数据的第四订单数量（也就是说，统计该用户身份信息对应的候选历史产品订单数据的数量，即统计该用户身份信息对应的用户购买所述目标品牌产品的次数，得到该用户身份信息对应的第四订单数量），得到多个第四订单数量；

第三步，针对每一个所述用户身份信息，确定该用户身份信息对应的候选历史产品订单数据的目标时间信息，其中，该目标时间信息为该用户身份信息对应的每一个所述候选历史产品订单数据的生成时间信息中最晚的生成时间信息（例如，用户A购买了4次所述目标品牌产品，分别为2020年1月2日、2020年1月3日、2020年3月12日、2020年5月25日，如此，可以将对应的目标时间信息确定为2020年5月25日）；

第四步，基于每一个所述用户身份信息对应的所述目标时间信息和第四订单数量，分别形成对应的时间-订单数量对，得到多个时间-订单数量对（也就是说，针对多个用户身份信息，可以得到多个时间-订单数量对）；

第五步，基于所述多个时间-订单数量对进行曲线拟合处理，得到对应的时间-订单数量曲线（例如，在该时间-订单数量曲线所在的坐标空间内，横坐标可以为所述目标时间信息、纵坐标可以为所述第四订单数量）；

第六步，将所述多个时间-订单数量对中属于所述时间-订单数量曲线的每一个时间-订单数量对，确定为目标时间-订单数量对（也就是说，可以将所述时间-订单数量曲线上的每一个所述时间-订单数量对，确定为目标时间-订单数量对）；

第七步，将每一个所述目标时间-订单数量对对应的用户身份信息对应的候选历史产品订单数据，作为历史产品订单数据（也就是说，可以将每一个所述目标时间-订单数量对对应的时用户身份信息对应的候选历史产品订单数据，都作为所述历史产品订单数据）。

在第四种示例中，可以基于以下步骤进行筛选处理：

第一步，获取所述多条候选历史产品订单数据中每一条所述候选历史产品订单数据的用户身份信息，得到多个用户身份信息（如前文所述，在此不再一一赘述）；

第二步，针对每一个所述用户身份信息，统计该用户身份信息对应的候选历史产品订单数据的第四订单数量，得到多个第四订单数量（如前文所述，在此不再一一赘述）；

第三步，针对每一个所述用户身份信息，确定该用户身份信息对应的候选历史产品订单数据的目标时间信息，其中，该目标时间信息为该用户身份信息对应的每一个所述候选历史产品订单数据的生成时间信息中最晚的生成时间信息（如前文所述，在此不再一一赘述）；

第四步，基于每一个所述用户身份信息对应的所述目标时间信息和第四订单数量，分别形成对应的时间-订单数量对，得到多个时间-订单数量对（如前文所述，在此不再一一赘述）；

第五步，基于所述多个时间-订单数量对进行曲线拟合处理，得到对应的时间-订单数量曲线（如前文所述，在此不再一一赘述）；

第六步，针对每一个所述时间-订单数量对，计算该时间-订单数量对与所述时间-订单数量曲线之间的偏离值（该偏离值可以是指，该时间-订单数量对与该时间-订单数量曲线在对应坐标空间内的距离），并判断该偏离值是否小于偏离预设值（该偏离预设值可以基于用户配置生成，其中，对于历史产品订单数据的需求量较大时，该偏离预设值可以较大）；

第七步，将小于所述偏离预设值的每一个所述偏离值对应时间-订单数量对，确定为目标时间-订单数量对（也就是说，若一个所述时间号-订单数量对对应的偏离值小于所述偏离预设值，可以将该时间-订单数量对确定为目标时间-订单数量对；反之，若一个所述时间-订单数量对对应的偏离值大于或等于所述偏离预设值，可以不将该时间-订单数量对确定为目标编号-订单数量对）；

第八步，将每一个所述目标时间-订单数量对对应的用户身份信息对应的候选历史产品订单数据，作为历史产品订单数据（如前文所述，在此不再一一赘述）。

在第五种示例中，可以基于以下步骤进行筛选处理：

第一步，获取所述多条候选历史产品订单数据中每一条所述候选历史产品订单数据的生成时间信息，得到多个生成时间信息；

第二步，基于所述多个生成时间信息，按照时间从早到晚的顺序，对所述多条候选历史产品订单数据进行排序，得到候选订单数据序列（可以理解的是，在一些应用中，不存在生成时间信息相同的两条候选历史产品订单数据，因而，可以直接基于生成时间信息进行排序处理；在另一些应用中，存在生成时间信息相同的两条候选历史产品订单数据，因而，在排序时，可以随机确定该生成时间信息相同的两条候选历史产品订单数据在所述候选订单数据序列中的先后位置）；

第三步，对所述候选订单数据序列进行分割处理，得到至少两个候选订单数据子序列，其中，每一个所述候选订单数据子序列包括的所述候选历史产品订单数据的数量相同（也就是说，若所述候选订单数据序列包括奇数条候选历史产品订单数据，可以将第一条候选历史产品订单数据删除，即将生成时间信息最早的一条候选历史产品订单数据删除，然后，再进行分割处理）；

第四步，按照第一采样频率分别对所述至少两个候选订单数据子序列进行采样（如每间隔一个候选历史产品订单数据进行一次采样），得到对应的至少两个候选订单数据采样序列；

第五步，确定所述候选订单数据采样序列的序列数量（也就是说，需要确定得到的候选订单数据采样序列的数量），并确定所述候选订单数据采样序列包括的候选历史产品订单数据的订单数量（也就是说，确定每一个所述候选订单数据采样序列包括的候选历史产品订单数据的数量）；

第六步，基于所述序列数量和所述订单数量，计算得到在每一个所述候选订单数据采样序列中需要筛选出的候选历史产品订单数据的目标数量（例如，所述目标数量等于所述订单数量除以所述序列数量）；

第七步，在每一个所述候选订单数据采样序列中筛选出所述目标数量个候选历史产品订单数据（例如，可以随机筛选出目标数量个候选历史产品订单数据，或筛选出生成时间最晚的目标数量个候选历史产品订单数据，或筛选出生成时间最为集中的目标数量个候选历史产品订单数据，或筛选出对应用户最为集中的目标数量个候选历史产品订单数据），并基于筛选出的候选历史产品订单数据构建候选订单数据筛选序列（如此，该候选订单数据筛选序列包括的候选历史产品订单数据的数量为所述订单数量），其中，该候选订单数据筛选序列与该候选订单数据采样序列包括的候选历史产品订单数据的数量相同；

第八步，基于目标窗口从所述候选订单数据筛选序列中获取对应的候选订单数据窗口序列（也就是说，可以在该候选订单数据筛选序列中获取长度为该目标窗口的连续多个候选历史产品订单数据，从而得到候选订单数据窗口序列，且该目标窗口可以基于用户的配置操作生成），其中，该目标窗口的长度与该候选订单数据窗口序列包括的候选历史产品订单数据的数量相同；

第九步，从所述候选订单数据窗口序列中获取候选订单数据标准序列，并基于该候选订单数据窗口序列中该候选订单数据标准序列以外的其它候选历史产品订单数据形成候选订单数据对比序列，其中，该候选订单数据标准序列为时间上连续的订单数据序列（也就是说，可以在候选订单数据窗口序列中，获取连续的多个候选历史产品订单数据，从而得到候选订单数据标准序列，然后，基于其它的候选历史产品订单数据形成候选订单数据对比序列）；

第十步，计算所述候选订单数据对比序列中单位时间长度内具有的候选历史产品订单数据的第一数量（也就是说，可以先确定所述候选订单数据对比序列中各候选历史产品订单数据对应的最早生成时间信息和最晚生成时间信息，在计算该最早生成时间信息和该最晚生成时间信息之间的时间差值，然后，再将该候选订单数据对比序列包括的候选历史产品订单数据的数量除以该时间差值，可以得到该第一数量；其中，若所述候选订单数据标准序列的两个端点与所述候选订单数据窗口序列的两个端点都不重合，即该候选订单数据标准序列将该候选订单数据窗口序列分割为三部分，一部分形成该候选订单数据标准序列，另外两部分形成所述候选订单数据对比序列，如此，针对这个两个部分可以先分别计算单位时间内具有的候选历史产品订单数据的数量，再计算这两个数量的平均值，从而得到第一数量），计算所述候选订单数据筛选序列中单位时间长度内具有的候选历史产品订单数据的第二数量（计算方式如前所述，在此不再一一赘述），并计算该第一数量和该第二数量的平均值，得到平均数量；

第十一步，计算所述候选订单数据标准序列中单位时间长度内具有的候选历史产品订单数据的第三数量（计算方式如前所述，在此不再一一赘述），并判断该第三数量与所述平均数量的差值是否小于预设阈值（该预设阈值可以基于用户的配置操作生成）；

第十二步，若所述第三数量与所述平均数量的差值小于所述预设阈值，则将所述候选订单数据筛选序列包括的候选历史产品订单数据，作为历史产品订单数据（其中，若所述第三数量与所述平均数量的差值大于或等于所述预设阈值，且在上述第七步中，随机筛选出目标数量个候选历史产品订单数据，可以重新随机筛选出目标数量个候选历史产品订单数据，并再次执行前述的步骤，直到所述第三数量与所述平均数量的差值小于所述预设阈值）。

在第六种示例中，特别地，可以基于以下步骤进行筛选处理：

第一步，获取所述多条候选历史产品订单数据中每一条所述候选历史产品订单数据的生成时间信息，得到多个生成时间信息；

第二步，基于所述多个生成时间信息，按照时间从早到晚的顺序，对所述多条候选历史产品订单数据进行排序，得到候选订单数据序列（如前文所述，在此不再一一赘述）；

第三步，基于所述候选订单数据序列包括的所述候选历史产品订单数据的数量，确定目标值，其中，该目标值的平方与该数量之间的差值小于任意一个目标整数值的平方与该数量之间的差值，且该目标整数值的平方小于该数量（例如，若所述候选订单数据序列包括的所述候选历史产品订单数据的数量为101，则所述目标值为10；若所述候选订单数据序列包括的所述候选历史产品订单数据的数量为10001，则所述目标值为100；若所述候选订单数据序列包括的所述候选历史产品订单数据的数量为10000，则所述目标值为100）；

第四步，在所述候选订单数据序列包括的多条候选历史产品订单数据中，选择目标值的平方条候选历史产品订单数据（如生成时间信息最晚的目标值的平方条候选历史产品订单数据），并按照在所述候选订单数据序列中的排序和在矩阵中从左上至右下的方向，构建目标矩阵（也就是说，该目标矩阵中左上角的候选历史产品订单数据为，所述候选订单数据序列中的第一条候选历史产品订单数据；该目标矩阵中右下角的候选历史产品订单数据为，所述候选订单数据序列中的最后一条候选历史产品订单数据；该目标矩阵中第一行最后一列的候选历史产品订单数据为，所述候选订单数据序列中的第所述目标值条候选历史产品订单数据），其中，该目标矩阵的行数和列数等于所述目标值；

第五步，基于奇数行和奇数列对所述目标矩阵包括的候选历史产品订单数据进行第一采样处理，得到第一订单数据采样序列（也就是说，该第一订单数据采样序列包括的每一条候选历史产品订单数据，在所述目标矩阵中的位置都为奇数行和奇数列）；

第六步，基于偶数行和偶数列对所述目标矩阵包括的候选历史产品订单数据进行第二采样处理，得到第二订单数据采样序列（也就是说，该第二订单数据采样序列包括的每一条候选历史产品订单数据，在所述目标矩阵中的位置都为偶数行和偶数列）；

第七步，基于奇数行和偶数列对所述目标矩阵包括的候选历史产品订单数据进行第三采样处理，得到第三订单数据采样序列（也就是说，该第三订单数据采样序列包括的每一条候选历史产品订单数据，在所述目标矩阵中的位置都为奇数行和偶数列）；

第八步，基于偶数行和奇数列对所述目标矩阵包括的候选历史产品订单数据进行第四采样处理，得到第四订单数据采样序列（也就是说，该第四订单数据采样序列包括的每一条候选历史产品订单数据，在所述目标矩阵中的位置都为偶数行和奇数列）；

第九步，分别计算所述第一订单数据采样序列、所述第二订单数据采样序列、所述第三订单数据采样序列和所述第四订单数据采样序列中在单位时间长度内具有的候选历史产品订单数据的数量（计算方式如前所述，在此不再一一赘述），得到第一单位数量、第二单位数量、第三单位数量和第四单位数量；

第十步，针对所述第一单位数量，分别计算该第一单位数量与所述第二单位数量、所述第三单位数量和所述第四单位数量之间的差值，并计算三个该差值的离散程度，得到第一离散程度值（例如，三个差值为20、40和30，则先计算平均值为30，再计算第一离散程度值，即（|20-30|+|30-30|+|40-30|）/3=6.6666.....）；

第十一步，针对所述第二单位数量，分别计算该第二单位数量与所述第一单位数量、所述第三单位数量和所述第四单位数量之间的差值，并计算三个该差值的离散程度，得到第二离散程度值（计算方式如前所述，在此不再一一赘述）；

第十二步，针对所述第三单位数量，分别计算该第三单位数量与所述第一单位数量、所述第二单位数量和所述第四单位数量之间的差值，并计算三个该差值的离散程度，得到第三离散程度值（计算方式如前所述，在此不再一一赘述）；

第十三步，针对所述第四单位数量，分别计算该第四单位数量与所述第一单位数量、所述第二单位数量和所述第三单位数量之间的差值，并计算三个该差值的离散程度，得到第四离散程度值（计算方式如前所述，在此不再一一赘述）；

第十四步，在所述第一离散程度值、所述第二离散程度值、所述第三离散程度值和所述第四离散程度值中，确定最小的离散程度值；

第十五步，将所述最小的离散程度值对应的单位数量对应的订单数据采样序列包括的候选历史产品订单数据作为历史产品订单数据（例如，若最小的离散程度值为所述第四离散程度值，可以将所述第四单位数量对应的第四订单数据采样序列包括的候选历史产品订单数据，都作为历史产品订单数据，如此，可以得到多条历史产品订单数据）。

第二方面，对于步骤S130需要说明的是，确定所述目标品牌产品的生产指示信息的具体方式不受限制，可以根据实际应用需求进行选择。

例如，在一种可以替代的示例中，所述历史产品订单数据簇为多个。基于此，步骤S130可以包括以下步骤：

首先，针对每一个所述历史产品订单数据簇，统计该历史产品订单数据簇包括的历史产品订单数据的第一订单数量（如此，可以得到每一个所述历史产品订单数据包括的历史产品订单数据的数量，即针对多个所述历史产品订单数据簇，可以得到多个第一订单数量）；

其次，计算多个所述第一订单数量之间的比例信息（例如，针对三个历史产品订单数据簇，得到的比例信息可以为a：b：c）；

然后，针对每一个所述第一订单数量，在该第一订单数量对应的历史产品订单数据簇包括的至少一条历史产品订单数据对应的至少一种产品中确定目标产品（例如，针对三个历史产品订单数据簇，可以确定三种目标产品），其中，不同种的产品之间具有不同的所述产品品类信息、所述产品规格信息和/或所述产品型号信息；

最后，基于所述比例信息确定每一种所述目标产品的生产产量信息，得到所述目标品牌产品的生产指示信息（例如，可以将三种目标产品的生产产量比例确定为a：b：c，然后，再结合总的生产产能，分别确定每一种目标产品的生产产量信息）。

可选地，在上述示例中，确定所述目标产品的具体方式不受限制，可以根据实际应用需求进行选择。

例如，在一种可以替代的示例中，特别地，可以在所述历史产品订单数据簇包括的至少一条历史产品订单数据对应的至少一种产品中，确定任意一种产品或者确定对应的历史产品订单数据的数量最多的一种产品，作为所述目标产品。

例如，在一种可以替代的示例中，为了提高确定的目标产品的可靠度，可以基于以下步骤确定所述目标产品：

首先，针对每一个所述第一订单数量，确定该第一订单数量对应的历史产品订单数据簇包括的至少一条历史产品订单数据对应的至少一种产品（也就是说，需要确定每一个历史产品订单数据簇包括的每一条历史产品订单数据对应的产品，即确定至少确定一种产品）；

其次，针对每一个所述历史产品订单数据簇，确定该历史产品订单数据簇对应的每一种产品在该历史产品订单数据簇中对应的历史产品订单数据的第二订单数量（例如，针对历史产品订单数据簇1，对应有两种产品，分别为产品1和产品2，需要确定在该历史产品订单数据簇1中，产品1对应的历史产品订单数据的数量和产品2对应的历史产品订单数据的数量，即得到两个第二订单数量）；

然后，针对每一个所述历史产品订单数据簇，在该历史产品订单数据簇对应的每一个第二订单数量中确定具有最大值的第二订单数量，并将该具有最大值的第二订单数量作为目标第二订单数量（也就是说，在上述示例的基础上，若历史产品订单数据簇1对应有两个第二订单数量，可以将该两个第二订单数量中的较大值，确定为目标第二订单数量）；

最后，将每一个所述第二订单数量对应的产品确定为目标产品（也就是说，由于每一个所述历史产品订单数据簇都对应有一个目标第二订单数量，如此，可以将每一个目标第二订单数量对应的产品确定为目标产品，例如，在上述示例的基础上，若产品1对应的第二订单数量大于化妆平2对应的第二订单数量，可以将产品1确定为目标产品）。

综上所述，本申请提供的基于大数据的产品生产方法及平台，通过基于产品品类信息、产品规格信息和产品型号信息对获得的多条历史产品订单数据进行聚类处理，可以得到至少一个历史产品订单数据簇，使得可以基于该至少一个历史产品订单数据簇确定目标品牌产品的生产指示信息，用于指示产品的目标生产产量。基于此，可以使得目标生产产量与用户对产品的需求量更容易平衡，从而改善现有技术中产品市场容易出现供需不平衡的问题，具有较高的实用价值。

在本申请实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，电子设备，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，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。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。