一种基于数据对比的产品分析方法、装置、设备及介质与流程

1.本发明涉及数据分析领域，特别涉及一种基于数据对比的产品分析方法、装置、设备及介质。


背景技术：

2.随着数字时代的发展变化，烟草行业在发展过程中积累了大量的生产、经营、销售、消费数据。立足卷烟产品维护和新品开发实际，依据产品各档位、各规格的销售排名情况，从价位、规格、销售数据等多维度筛选其主要竞品，明确现阶段竞品分析潜在目标范围。而通过竞品分析来确定自身产品的市场状态，便可以根据产品的市场状态制定合理的营销策略，有效解决用户的痛点。因此如何基于竞品数据确定自身产品的市场状态，是目前亟待解决的问题。


技术实现要素：

3.有鉴于此，本发明的目的在于提供一种基于数据对比的产品分析方法、装置、设备及介质，能够准确、快速地确定自身产品的市场状态。其具体方案如下：
4.第一方面，本技术公开了一种基于数据对比的产品分析方法，包括：
5.基于预设规则获取目标产品的目标数据，并将获取的所述目标产品的目标数据存储至数据库中，以得到存储数据；所述目标数据包括预设范围内销售数据、预设范围内同档位销售占比、预设范围内同期销量涨幅、预设范围外销量数据、预设范围外同档位销售占比以及预设范围外同期销量涨幅；
6.获取自身产品预设时间内的所述目标数据，以得到自身产品输入数据，并利用深度学习模型确定所述自身产品的所述目标数据中各项数据分别对应的权重系数；
7.基于所述自身产品输入数据、所述权重系数以及所述存储数据通过产品状态模型确定自身产品状态值，并根据所述自身产品状态值确定所述自身产品的销售状态。
8.可选的，所述基于预设规则获取目标产品的目标数据，包括：
9.基于产品的品牌价格档位进行分批次采集所述目标产品的市场销售数据，以获取目标产品的目标数据。
10.可选的，所述将获取的所述目标产品的目标数据存储至数据库中，以得到存储数据，包括：
11.将获取的所述目标产品的目标数据根据档位价格以及数据时间存储至数据库中，以得到存储数据。
12.可选的，所述并利用深度学习模型确定所述自身产品的所述目标数据中各项数据分别对应的权重系数，包括：
13.将与所述自身产品同品规的产品进行若干次人为主观排序，得到若干主观排序数据；
14.将与所述自身产品同品规的产品按照市场销售状况从高到低进行排序，得到销售
排序数据，以基于所述若干主观排序数据和所述销售排序数据确定产品样本数据；
15.利用所述深度学习模型对所述产品样本数据进行分类和汇聚，以得到最终排序；
16.利用所述深度学习模型确定所述目标数据中各项数据对所述最终排序的影响程度，以确定所述自身产品的所述目标数据中各项数据分别对应的权重系数。
17.可选的，所述基于所述自身产品输入数据、所述权重系数以及所述存储数据通过产品状态模型确定自身产品状态值之前，还包括：
18.利用数据归一化算法对所述目标数据中各项数据进行归一化，以归纳统一样本的统计分布性。
19.可选的，所述方法还包括：
20.根据所述预设范围内外各自对应的权重系数确定所述自身产品在所述预设范围内外的市场销售状态。
21.第二方面，本技术公开了一种基于数据对比的产品分析装置，包括：
22.存储数据获取模块，用于基于预设规则获取目标产品的目标数据，并将获取的所述目标产品的目标数据存储至数据库中，以得到存储数据；所述目标数据包括预设范围内销售数据、预设范围内同档位销售占比、预设范围内同期销量涨幅、预设范围外销量数据、预设范围外同档位销售占比以及预设范围外同期销量涨幅；
23.权重系数确定模块，用于获取自身产品预设时间内的所述目标数据，以得到自身产品输入数据，并利用深度学习模型确定所述自身产品的所述目标数据中各项数据分别对应的权重系数；
24.销售状态确定模块，用于基于所述自身产品输入数据、所述权重系数以及所述存储数据通过产品状态模型确定自身产品状态值，并根据所述自身产品状态值确定所述自身产品的销售状态。
25.可选的，所述存储数据获取模块，包括：
26.数据存储单元，用于将获取的所述目标产品的目标数据根据档位价格以及数据时间存储至数据库中，以得到存储数据。
27.第三方面，本技术公开了一种电子设备，包括：
28.存储器，用于保存计算机程序；
29.处理器，用于执行所述计算机程序以实现前述的基于数据对比的产品分析方法。
30.第四方面，本技术公开了一种计算机可读存储介质，用于保存计算机程序，所述计算机程序被处理器执行时实现前述的基于数据对比的产品分析方法。
31.由上可知，本技术在进行产品状态分析时，首先基于预设规则获取目标产品的目标数据，并将获取的所述目标产品的目标数据存储至数据库中，以得到存储数据；所述目标数据包括预设范围内销售数据、预设范围内同档位销售占比、预设范围内同期销量涨幅、预设范围外销量数据、预设范围外同档位销售占比以及预设范围外同期销量涨幅；获取自身产品预设时间内的所述目标数据，以得到自身产品输入数据，并利用深度学习模型确定所述自身产品的所述目标数据中各项数据分别对应的权重系数；最终基于所述自身产品输入数据、所述权重系数以及所述存储数据通过产品状态模型确定自身产品状态值，并根据所述自身产品状态值确定所述自身产品的销售状态。可见，本技术通过提供一种基于数据对比的产品分析方法，通过对所有竞品数据进行收集，形成竞品分析库，得出产品状态值从而
判断自身产品的市场状态。这样一来，能够较准确、快速地得出产品的销售状态。
附图说明
32.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，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
33.图1为本技术公开的一种基于数据对比的产品分析方法流程图；
34.图2为本技术公开的一种具体的基于数据对比的产品分析方法流程图；
35.图3为本技术公开的一种基于数据对比的产品分析装置结构示意图；
36.图4为本技术公开的一种电子设备结构图。
具体实施方式
37.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
38.现有技术中，无法准确地获取自身产品的市场状态，进而对产品的销售有一定的影响。为了解决上述问题，本技术公开了一种基于数据对比的产品分析方法，能够较准确、快速地得出产品的销售状态。
39.参见图1所示，本发明实施例公开了一种基于数据对比的产品分析方法，包括：
40.步骤s11、基于预设规则获取目标产品的目标数据，并将获取的所述目标产品的目标数据存储至数据库中，以得到存储数据；所述目标数据包括预设范围内销售数据、预设范围内同档位销售占比、预设范围内同期销量涨幅、预设范围外销量数据、预设范围外同档位销售占比以及预设范围外同期销量涨幅。
41.本实施例中，在进行产品分析之前，首先基于预设规则获取目标产品的目标数据，并将获取的所述目标产品的目标数据存储至数据库中，其中，所述基于预设规则获取目标产品的目标数据，包括：基于产品的品牌价格档位进行分批次采集所述目标产品的市场销售数据，以获取目标产品的目标数据。所述将获取的所述目标产品的目标数据存储至数据库中，以得到存储数据，包括：将获取的所述目标产品的目标数据根据档位价格以及数据时间存储至数据库中，以得到存储数据。在一种具体的实施例中，根据品牌价格档位分批次采集市场销售数据，包括同档位不同品规的省内销量数据，省内同档位销量占比，省内同期销量涨幅，省外销量数据，省外同档位销量占比，省外同期销量涨幅等关键市场数据。采集的数据，按照档位价格、数据时间、省内销量数据，省内同档位销量占比，省内同期销量涨幅，省外销量数据，省外同档位销量占比，省外同期销量涨幅数据存储在数据库中。
42.步骤s12、获取自身产品预设时间内的所述目标数据，以得到自身产品输入数据，并利用深度学习模型确定所述自身产品的所述目标数据中各项数据分别对应的权重系数。
43.本实施例中，首先要获取自身产品预设时间内的所述目标数据，即获取预设范围内销售数据、预设范围内同档位销售占比、预设范围内同期销量涨幅、预设范围外销量数
据、预设范围外同档位销售占比以及预设范围外同期销量涨幅。对于自身产品，收集一年内每个月的省内销量数据，省内同档位销量占比，省内同期销量涨幅，省外销量数据，省外同档位销量占比，省外同期销量涨幅数据，形成execl。之后要获取权重系数，所述并利用深度学习模型确定所述自身产品的所述目标数据中各项数据分别对应的权重系数，包括：将与所述自身产品同品规的产品进行若干次人为主观排序，得到若干主观排序数据；将与所述自身产品同品规的产品按照市场销售状况从高到低进行排序，得到销售排序数据，以基于所述若干主观排序数据和所述销售排序数据确定产品样本数据；利用所述深度学习模型对所述产品样本数据进行分类和汇聚，以得到最终排序；利用所述深度学习模型确定所述目标数据中各项数据对所述最终排序的影响程度，以确定所述自身产品的所述目标数据中各项数据分别对应的权重系数。
44.在一种具体的实施例中，产品通过状态模型形成状态值时，需要输入权重系数，对应省内销量数据，省内同档位销量占比，省内同期销量涨幅，省外销量数据，省外同档位销量占比，省外同期销量涨幅数据六项指标所占权重系数。其中：
45.省内销量权重系数+省内占比权重系数+省内增幅权重系数＝1；
46.省外销量权重系数+省外占比权重系数+省外增幅权重系数＝1；
47.省内权重系数+省外权重系数＝1；
48.运用深度学习模型提供系数参考值，对同品规产品抽取1000人进行10次以上主观排序，对同品规的产品按照市场销售状况从高到低进行排序，随后形成产品主观样本数据，通过深度学习对产品样本数据进行分类和汇聚，筛选出符合主流产品排序定位，加入省内销量数据，省内同档位销量占比，省内同期销量涨幅，省外销量数据，省外同档位销量占比，省外同期销量涨幅6项数据作为参数，通过深度学习分析6项参数对排名的影响程度，从而推出各项指标的权重系数。
49.步骤s13、基于所述自身产品输入数据、所述权重系数以及所述存储数据通过产品状态模型确定自身产品状态值，并根据所述自身产品状态值确定所述自身产品的销售状态。
50.本实施例中，根据产品输入参数、权重系数，与数据库中已存储数据通过产品状态模型得出产品状态值。在基于所述自身产品输入数据、所述权重系数以及所述存储数据通过产品状态模型确定自身产品状态值之前，还包括：利用数据归一化算法对所述目标数据中各项数据进行归一化，以归纳统一样本的统计分布性。最终，根据所述自身产品状态值确定所述自身产品的销售状态，产品状态值的数值越大代表该产品市场销售状态越好。同时还包括：根据所述预设范围内外各自对应的权重系数确定所述自身产品在所述预设范围内外的市场销售状态。就是说根据省内外的权重系数，可推算出省内外的市场销售状态。
51.由上可知，本技术在进行产品状态分析时，首先基于预设规则获取目标产品的目标数据，并将获取的所述目标产品的目标数据存储至数据库中，以得到存储数据；所述目标数据包括预设范围内销售数据、预设范围内同档位销售占比、预设范围内同期销量涨幅、预设范围外销量数据、预设范围外同档位销售占比以及预设范围外同期销量涨幅；获取自身产品预设时间内的所述目标数据，以得到自身产品输入数据，并利用深度学习模型确定所述自身产品的所述目标数据中各项数据分别对应的权重系数；最终基于所述自身产品输入数据、所述权重系数以及所述存储数据通过产品状态模型确定自身产品状态值，并根据所
述自身产品状态值确定所述自身产品的销售状态。可见，本技术通过提供一种基于数据对比的产品分析方法，通过对所有竞品数据进行收集，形成竞品分析库，得出产品状态值从而判断自身产品的市场状态。这样一来，能够较准确、快速地得出产品的销售状态。
52.基于上述实施例可知，本技术可以基于产品状态值判断自身产品的市场状态。接下来，将针对获取产品状态值的过程进行具体的描述。参见图2所示，本技术实施例公开了一种具体的基于数据对比的产品分析方法，包括：
53.基于上述实施例可知，基于所述自身产品输入数据、所述权重系数以及所述存储数据通过产品状态模型能够确定自身产品状态值，在基于所述自身产品输入数据、所述权重系数以及所述存储数据通过产品状态模型确定自身产品状态值之前，还包括：利用数据归一化算法对所述目标数据中各项数据进行归一化，以归纳统一样本的统计分布性。即运用数据归一化算法，归纳统一样本的统计分布性。将省内销量值、省内同档位销量占比值、省内同期销量涨幅值、省外销量值、省外同档位销量占比值、省外同期销量涨幅值六项指标进行归一化，将数值进行处理限定在0-1之间。
54.对于产品状态值的计算具体如下：产品状态值＝(省内销量值
×
省内销量权重系数+省内同档位销量占比值
×
省内同档位销量占比权重系数+省内同期销量涨幅值
×
省内同期销量涨幅权重系数)
×
省内系数+(省外销量值
×
省外销量权重系数+省外同档位销量占比值
×
省外同档位销量占比权重系数+省外同期销量涨幅值
×
省外同期销量涨幅权重系数)
×
省外系数，需要指出的是，这里的省内销量值、省内同档位销量占比值、省内同期销量涨幅值、省外销量值、省外同档位销量占比值、省外同期销量涨幅值即预设范围内销售数据、预设范围内同档位销售占比、预设范围内同期销量涨幅、预设范围外销量数据、预设范围外同档位销售占比以及预设范围外同期销量涨幅。其中，省内销量值＝省内销量基础分+省内销量区间分，而省内销量基础分，计算逻辑为：将省内销量数据进行处理，将所有品规销量数据降序排序，按排序位数分为10个区间，第一区间为排序数1～排序数(总数量/10)，该区间内平台销量赋基础分0.9分；第二区间为排序数((总数量/10)+1)～排序数(总数量
×
2/10)，该区间内平台销量赋基础分0.8分；第三区间为排序数((总数量
×
2/10)+1)～排序数(总数量
×
3/10)，该区间内平台销量赋基础分0.7分；第四区间为排序数((总数量
×
3/10)+1)～排序数(总数量
×
4/10)，该区间内平台销量赋基础分0.6分；第五区间为排序数((总数量
×
4/10)+1)～排序数(总数量
×
5/10)，该区间内平台销量赋基础分0.5分；第六区间为排序数((总数量
×
5/10)+1)～排序数(总数量
×
6/10)，该区间内平台销量赋基础分0.4分；第七区间为排序数((总数量
×
6/10)+1)～排序数(总数量
×
7/10)，该区间内平台销量赋基础分0.3分；第八区间为排序数((总数量
×
7/10)+1)～排序数(总数量
×
8/10)，该区间内平台销量赋基础分0.2分；第九区间为排序数((总数量
×
8/10)+1)～排序数(总数量
×
9/10)，该区间内平台销量赋基础分0.1分；第十区间为排序数((总数量
×
9/10)+1)～排序数(总数量
×
10/10)，该区间内平台销量赋基础分0分。省内销量区间分，计算逻辑：取产品省内销量与该产品所在区间销量最大值进行比值，保留两位小数。同样地，省内同档位销量占比值、省内同期销量涨幅值、省外销量值、省外同档位销量占比值、省外同期销量涨幅值等指标参照省内销量同逻辑进行计算。这样一来，便可以计算得出产品状态值，进而快速、便捷地确定产品市场销售状态。
55.由上可知，本技术提供了一种基于数据对比的产品分析方法，通过对所有竞品数
据进行收集，形成竞品分析库，得出产品状态值从而判断自身产品的市场状态。这样一来，能够较准确、快速地得出产品的销售状态。
56.参见图3所示，本发明实施例公开了一种基于数据对比的产品分析装置，包括：
57.存储数据获取模块11，用于基于预设规则获取目标产品的目标数据，并将获取的所述目标产品的目标数据存储至数据库中，以得到存储数据；所述目标数据包括预设范围内销售数据、预设范围内同档位销售占比、预设范围内同期销量涨幅、预设范围外销量数据、预设范围外同档位销售占比以及预设范围外同期销量涨幅；
58.权重系数确定模块12，用于获取自身产品预设时间内的所述目标数据，以得到自身产品输入数据，并利用深度学习模型确定所述自身产品的所述目标数据中各项数据分别对应的权重系数；
59.销售状态确定模块13，用于基于所述自身产品输入数据、所述权重系数以及所述存储数据通过产品状态模型确定自身产品状态值，并根据所述自身产品状态值确定所述自身产品的销售状态。
60.由上可知，本技术在进行产品状态分析时，首先基于预设规则获取目标产品的目标数据，并将获取的所述目标产品的目标数据存储至数据库中，以得到存储数据；所述目标数据包括预设范围内销售数据、预设范围内同档位销售占比、预设范围内同期销量涨幅、预设范围外销量数据、预设范围外同档位销售占比以及预设范围外同期销量涨幅；获取自身产品预设时间内的所述目标数据，以得到自身产品输入数据，并利用深度学习模型确定所述自身产品的所述目标数据中各项数据分别对应的权重系数；最终基于所述自身产品输入数据、所述权重系数以及所述存储数据通过产品状态模型确定自身产品状态值，并根据所述自身产品状态值确定所述自身产品的销售状态。可见，本技术通过提供一种基于数据对比的产品分析方法，通过对所有竞品数据进行收集，形成竞品分析库，得出产品状态值从而判断自身产品的市场状态。这样一来，能够较准确、快速地得出产品的销售状态。
61.在一些具体的实施例中，所述存储数据获取模块11，具体可以包括：
62.目标数据获取单元，用于基于产品的品牌价格档位进行分批次采集所述目标产品的市场销售数据，以获取目标产品的目标数据。
63.在一些具体的实施例中，所述存储数据获取模块11，具体可以包括：
64.数据存储单元，用于将获取的所述目标产品的目标数据根据档位价格以及数据时间存储至数据库中，以得到存储数据。
65.在一些具体的实施例中，所述权重系数确定模块12，具体可以包括：
66.主观排序数据获取单元，用于将与所述自身产品同品规的产品进行若干次人为主观排序，得到若干主观排序数据；
67.样本数据确定单元，用于将与所述自身产品同品规的产品按照市场销售状况从高到低进行排序，得到销售排序数据，以基于所述若干主观排序数据和所述销售排序数据确定产品样本数据；
68.最终排序获取单元，用于利用所述深度学习模型对所述产品样本数据进行分类和汇聚，以得到最终排序；
69.权重系数确定单元，用于利用所述深度学习模型确定所述目标数据中各项数据对所述最终排序的影响程度，以确定所述自身产品的所述目标数据中各项数据分别对应的权
重系数。
70.在一些具体的实施例中，所述装置，还可以包括：
71.数据归一化单元，用于利用数据归一化算法对所述目标数据中各项数据进行归一化，以归纳统一样本的统计分布性。
72.在一些具体的实施例中，所述装置，还可以包括：
73.销售状态获取单元，用于根据所述预设范围内外各自对应的权重系数确定所述自身产品在所述预设范围内外的市场销售状态。
74.进一步的，本技术实施例还公开了一种电子设备，图4是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本技术的使用范围的任何限制。
75.图4为本技术实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的基于数据对比的产品分析方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。
76.本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本技术技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
77.另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222等，存储方式可以是短暂存储或者永久存储。
78.其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，其可以是windows server、netware、unix、linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的基于数据对比的产品分析方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
79.进一步的，本技术还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的基于数据对比的产品分析方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
80.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
81.专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
82.结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
83.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。
84.以上对本技术所提供的技术方案进行了详细介绍，本文中应用了具体个例对本技术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技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，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技术的限制。

技术特征：
1.一种基于数据对比的产品分析方法，其特征在于，包括：基于预设规则获取目标产品的目标数据，并将获取的所述目标产品的目标数据存储至数据库中，以得到存储数据；所述目标数据包括预设范围内销售数据、预设范围内同档位销售占比、预设范围内同期销量涨幅、预设范围外销量数据、预设范围外同档位销售占比以及预设范围外同期销量涨幅；获取自身产品预设时间内的所述目标数据，以得到自身产品输入数据，并利用深度学习模型确定所述自身产品的所述目标数据中各项数据分别对应的权重系数；基于所述自身产品输入数据、所述权重系数以及所述存储数据通过产品状态模型确定自身产品状态值，并根据所述自身产品状态值确定所述自身产品的销售状态。2.根据权利要求1所述的基于数据对比的产品分析方法，其特征在于，所述基于预设规则获取目标产品的目标数据，包括：基于产品的品牌价格档位进行分批次采集所述目标产品的市场销售数据，以获取目标产品的目标数据。3.根据权利要求1所述的基于数据对比的产品分析方法，其特征在于，所述将获取的所述目标产品的目标数据存储至数据库中，以得到存储数据，包括：将获取的所述目标产品的目标数据根据档位价格以及数据时间存储至数据库中，以得到存储数据。4.根据权利要求1至3任一项所述的基于数据对比的产品分析方法，其特征在于，所述并利用深度学习模型确定所述自身产品的所述目标数据中各项数据分别对应的权重系数，包括：将与所述自身产品同品规的产品进行若干次人为主观排序，得到若干主观排序数据；将与所述自身产品同品规的产品按照市场销售状况从高到低进行排序，得到销售排序数据，以基于所述若干主观排序数据和所述销售排序数据确定产品样本数据；利用所述深度学习模型对所述产品样本数据进行分类和汇聚，以得到最终排序；利用所述深度学习模型确定所述目标数据中各项数据对所述最终排序的影响程度，以确定所述自身产品的所述目标数据中各项数据分别对应的权重系数。5.根据权利要求1所述的基于数据对比的产品分析方法，其特征在于，所述基于所述自身产品输入数据、所述权重系数以及所述存储数据通过产品状态模型确定自身产品状态值之前，还包括：利用数据归一化算法对所述目标数据中各项数据进行归一化，以归纳统一样本的统计分布性。6.根据权利要求1所述的基于数据对比的产品分析方法，其特征在于，还包括：根据所述预设范围内外各自对应的权重系数确定所述自身产品在所述预设范围内外的市场销售状态。7.一种基于数据对比的产品分析装置，其特征在于，包括：存储数据获取模块，用于基于预设规则获取目标产品的目标数据，并将获取的所述目标产品的目标数据存储至数据库中，以得到存储数据；所述目标数据包括预设范围内销售数据、预设范围内同档位销售占比、预设范围内同期销量涨幅、预设范围外销量数据、预设范围外同档位销售占比以及预设范围外同期销量涨幅；
权重系数确定模块，用于获取自身产品预设时间内的所述目标数据，以得到自身产品输入数据，并利用深度学习模型确定所述自身产品的所述目标数据中各项数据分别对应的权重系数；销售状态确定模块，用于基于所述自身产品输入数据、所述权重系数以及所述存储数据通过产品状态模型确定自身产品状态值，并根据所述自身产品状态值确定所述自身产品的销售状态。8.根据权利要求7所述的基于数据对比的产品分析装置，其特征在于，所述存储数据获取模块，包括：数据存储单元，用于将获取的所述目标产品的目标数据根据档位价格以及数据时间存储至数据库中，以得到存储数据。9.一种电子设备，其特征在于，包括：存储器，用于保存计算机程序；处理器，用于执行所述计算机程序以实现如权利要求1至6任一项所述的基于数据对比的产品分析方法。10.一种计算机可读存储介质，其特征在于，用于保存计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于数据对比的产品分析方法。

技术总结
本申请公开了一种基于数据对比的产品分析方法、装置、设备及介质，涉及数据分析领域，包括：获取目标产品的目标数据，将获取的目标产品的目标数据存储至数据库中，以得到存储数据；目标数据包括预设范围内销售数据、预设范围内同档位销售占比、预设范围内同期销量涨幅、预设范围外销量数据、预设范围外同档位销售占比以及预设范围外同期销量涨幅；获取自身产品预设时间内的目标数据，得到自身产品输入数据，利用深度学习模型确定各项数据对应的权重系数；基于自身产品输入数据、权重系数以及存储数据通过产品状态模型确定自身产品状态值，并根据自身产品状态值确定自身产品的销售状态。可见，本申请能够较准确地分析自身产品的市场状态。的市场状态。的市场状态。


技术研发人员：王晓伟 王宇哲 陈一 庞哲 谢豪
受保护的技术使用者：湖北中烟工业有限责任公司
技术研发日：2023.07.19
技术公布日：2023/10/19