门店营收数据确定方法、系统及电子设备与流程

本申请涉及计算机技术领域，尤其涉及一种门店营收数据确定方法、系统及电子设备。

背景技术：

营收是指门店在生产经营活动中，因提供各类服务或销售产品取得的各项营业收入，它关系到门店的生存和发展，对门店经营具有重要意义。

传统地，在分析一个新门店营收时，主要采用人为主观判断方式确定出相似门店，从而根据相似门店的营收来分析新门店营收。但是，上述方式具有较强主观性，且需投入大量人力与时间，存在精准性低、成本高等问题。

技术实现要素：

鉴于上述问题，本申请提供一种解决上述问题或至少部分地解决上述问题的门店营收数据确定方法、系统及电子设备。

在本申请的一个实施例中，提供了一种门店营收数据确定方法。该方法，包括：

确定多个第二门店；其中，所述第二门店为第一门店的相似门店；

获取所述多个第二门店的多维数据；

根据所述多个第二门店的多维数据，确定所述第一门店的多维数据；

对所述第一门店的多维数据进行分析，得出所述第一门店营收数据；

在交互界面上，展示所述第一门店营收数据。

在本申请的一实施例中，提供了一种门店营收数据确定系统。该系统包括：

服务端，用于确定多个第二门店；其中，所述第二门店为第一门店的相似门店；获取所述多个第二门店的多维数据；根据所述多个第二门店的多维数据，确定所述第一门店的多维数据；对所述第一门店的多维数据进行分析，得出所述第一门店营收数据；

客户端，用于提供交互界面，在交互界面上展示所述第一门店营收数据。

在本申请的一个实施例中，提供了一种电子设备。该电子设备包括：存储器和处理器，其中，

所述存储器，用于存储程序；

所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：

确定多个第二门店；其中，所述第二门店为第一门店的相似门店；

获取所述多个第二门店的多维数据；

根据所述多个第二门店的多维数据，确定所述第一门店的多维数据；

对所述第一门店的多维数据进行分析，得出所述第一门店营收数据；

在交互界面上，展示所述第一门店营收数据。

本申请实施例提供的技术方案，在基于与第一门店相似的多个第二门店的多维数据，确定出所述第一门店的多维数据之后，通过对所述第一门店的多维数据进行分析来得到所述第一门店营收数据，并将所述第一门店营收数据在交互界面上进行可视化展示。方案中门店营收数据是利用科学客观方式所得到的，具有较高精准度，且方案简单、高效。

附图说明

为了更清楚地说明本申请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利用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本申请一实施例提供的门店营收数据确定方法的流程示意图；

图2a为本申请一实施例提供的门店营收数据确定系统的结构框图；

图2b为本申请一实施例提供的门店营收数据确定系统的具体形态示意图；

图3为本申请一实施例提供的门店营收数据确定装置的结构框图；

图4为本申请一实施例提供的电子设备的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，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。

在本申请的说明书、权利要求书及上述附图中描述的一些流程中，包含了按照特定顺序出现的多个操作，这些操作可以不按照其在本文中出现的顺序来执行或并行执行。操作的序号如101、102等，仅仅是用于区分各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。而本申请中术语“或/和”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如：a或/和b，表示可以单独存在a，同时存在a和b，单独存在b这三种情况；本申请中字符“/”，一般表示前后关联对象是一种“或”关系。此外，下述的各实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。

下面将结合附图对本申请实施例的技术方案进行详细介绍说明。

图1示出了本申请一实施例提供的门店营收数据确定方法的流程示意图。该方法可以由门店营收数据确定装置来执行，所述装置可以通过软件和/或硬件的方式实现，所述装置可以配置在计算机、服务器等电子设备中，且本实施例提供的方法可适用于任何进行门店营收数据确定的场景。如图1所示，该方法包括以下步骤：

101、确定多个第二门店；其中，所述第二门店为第一门店的相似门店；

102、获取所述多个第二门店的多维数据；

103、根据所述多个第二门店的多维数据，确定所述第一门店的多维数据；

104、对所述第一门店的多维数据进行分析，得出所述第一门店营收数据；

105、在交互界面上，展示所述第一门店营收数据。

上述101中，所述第一门店为企业或商家等在某一区域内新开设或者欲新开设的门店，这里统称为新门店。在实际应用中，为了能够更好地把握第一门店可能产生的经济效益及其发展趋势，企业或商家等常会对第一门店可能产生的营收数据进行分析，以便于基于分析结果调整第一门店经营战略，提高竞争力。但在对第一门店营收数据进行分析过程中，传统方案主要是利用人为主观方式确定出与第一门店相似的第二门店，进而基于第二门店的营收数据来分析第一门店营收数据，不过这种人为主观确定相似门店方式具有较强主观性，易造成所得到的第一门店营收数据具有较低精准性。为解决此问题，本实施例提供的技术方案在确定与第一门店相似的第二门店过程中，是基于已有门店的属性特性及第一门店的属性特征，利用诸如knn最近邻算法计算出已有门店与第一门店间的相似度，从而根据相似度计算结果来判定出与第一门店相似的第二门店。

即在一具体可实现技术方案中，上述步骤101“确定多个第二门店”，可具体包括：

1011、获取多个已有门店的属性特征，以及所述第一门店的属性特征；

1012、对各已有门店的属性特征及所述第一门店的属性特征进行向量化，并根据向量化结果计算各已有门店与第一门店间的相似度；

1013、将所述相似度大于一阈值的已有门店，作为所述第二门店。

上述1011中，已有门店或第一门店的属性特征可以包括但不限于：门店所在区域、门店所在区域内能提供服务品类、门店所在区域内房屋密度、门店所在区域内的人口数量、门店所在区域内竞品门店数量等等；其中，上述服务品类指的是服务的类别或种类，上述竞品门店可以是借助现有门店的布局来进行定义的，如可以分别借助门店间的距离、门店所提供的服务品类相同数目等等进行定义。具体实施时，已有门店或第一门店的属性特征可以采用ai大数据方式获得，当然也可以采用其他方式，比如人工调研方式，此处并不作具体限定。不过考虑到相似度计算结果的精准性问题，需要保证获取到的属性特征具有全面性及精准性，为此本实施例优先选用ai大数据方式获取已有门店或第一门店的属性特征。这里需要说明的是，已有门店与第一门店可以位于相同区域，也可以位于不同区域，所述区域可以是直辖市、市区、县区、街道等，本实施例不作限定。

上述1012中，为了方便于基于各已有门店的属性特征及第一门店的属性特性进行相似度计算，在计算各已有门店与第一门店间的相似度之前需要对各已有门店的属性特征及第一门店的属性特征进行向量化处理，具体实施时，可以采用现有向量化方法对各已有门店的属性特征及第一门店的属性特征进行向量化，以得到各已有门店对应的属性特征向量和第一门店对应的属性特征向量，具体向量化过程可参见现有技术。进一步地，在根据向量化结果计算各已有门店与第一门店间的相似度时，可采用knn最近邻算法，具体地，可利用knn最近邻算法，采用向量间的余弦相似性算法，计算出各已有门店与第一门店间的相似度，其中，所述余弦相似性算法对应的计算公式如下：

上述公式中l1为已有门店的属性特征向量，l2为第一门店的属性特征向量，d表示属性特性向量中属性特征的个数，l1i表示已有门店的属性特性向量中第i个属性特征，l2i表示第一门店的属性特性向量中第i个属性特征。sim(l1,l2)为已有门店的属性特性向量l1和第一门店的属性特征向量l2之间的余弦相似性。

此外，除采用向量间的余弦相似性算法计算各已有门店与第一门店间的相似度之外，还可以采用其他算法计算各已有门店与第一门店间的相似度，比如，最短距离(singlelinkage)、最长距离(completelinkage)、杰卡德(jaccard)相似度、k-s(kolmogorov-smirnov)检验、k-l(kullback-leibler)散度等算法，本实施例对此不作具体限定。上述已有门店与第一门店间的相似度值越大，说明该已有门店与第一门店间的相似性越高。

上述1013中，计算出各已有门店与第一门店间的相似度后，可以将所述相似度大于一阈值的已有门店，作为所述第二门店，其中，所述阈值可以根据实际需求进行确定，比如阈值可以为0.7，0.85等，此处不作限定。此外，还可以按照各已有门店与第一门店间的相似度大小，从大到小对各已有门店进行排序，取排序靠前的前n个已有门店，作为所述第二门店。

上述102中，多个第二门店各自对应的多维数据可以是利用ai大数据方式，自动、直接地从互联网中获取到的。所述多维数据与门店提供服务存在关联性，具体地，所述多维数据可以包括但不限于如下中的至少部分数据：门店所在区域内下单的用户数量、门店所在区域内完成订单数量、门店所在区域内未完成订单数量、门店所在区域内竞品门店数量、门店在所区域内能提供门店所对应服务的人员数量、门店所在区域内能提供服务品类、门店所在区域内能提供各类服务的人员数量、门店所在区域内人口数量、门店所在区域内房屋密度、门店营业面积等等。上述中未完成订单数量可以是指流失订单数量，也即用户取消订单数量。

一般地，在分析一个门店的营收数据时，常综合该门店的多维数据进行分析，但考虑到第一门店为新门店，缺乏相应的经营数据，很难全面获取到第一门店的多维数据，而由于第二门店与第一门店相似的门店，第二门店的多维数据与第二门店的多维数据间存在较大的相关性，为此第一门店的多维数据可以基于第二门店的多维数据进行确定。即，在一具体可实现技术方案中，步骤103“根据所述多个第二门店的多维数据，确定所述第一门店的多维数据”，可具体包括如下步骤：

1031、根据各第二门店与第一门店间的相似度，确定各第二门店对应的权系数；

1032、基于各第二门店的多维数据及对应的权系数，确定出所述第一门店的多维数据。

具体实施时，可以基于各第二门店的多维数据及对应的权系数，对各第二门店的多维数据进行加权平均计算，以此来得到第一门店的多维数据。举例来说，假设多个第二门店具体包括第二门店a和第二门店b，其中，第二门店a的多维数据包含有a1，a2及a3，第二门店b的多维度数据包含有b1、b2及b3，且分别根据第二门店a与第一门店c间的相似度确定出第二门店a对应的权系数为0.7，根据第二门店b与第一门店c间的相似度确定出第二门店b对应的权系数为0.3，则相应地，根据第二门店a和第二门店b的多维度数及其各自对应的权系数，可以确定出第一门店的多维数据如下：

c1＝(0.7*a1+0.3*b1)/2；c2＝(0.7*a2+0.3*b2)/2；c3＝(0.7*a3+0.3*b3)/2

其中，a1与b1，a2与b2，以及a3与b3分别为同一类型维度数据。

在得到第一门店的多维数据后，可以对第一门店的多维数据进行分析以得出第一门店营收数据，具体实施时，可以分别对第一门店的各维数据对应的参数进行设置，从而基于第一门店的各维数据及所述各维数据对应的参数来得出第一门店的营收数据。据此，在一种可实现的技术方案中，步骤104“对所述第一门店的多维数据进行分析，得出所述第一门店营收数据”，可具体包括：

1041、设置所述第一门店的各维数据对应的参数；

1042、根据所述第一门店的各维数据及所述各维数据对应的参数，得到所述第一门店营收数据。

上述1041中，可以采用一种或多种相结合的方式来设置第一门店的各维数据对应的参数，比如，可以单一地按照各维数据对门店营收数据的影响程度来自定义设置第一门店的各维数据对应的参数，也可以结合其他方式，比如结合各维数据所属类型来综合地自定义设置第一门店的各维数据对应的参数，此处不作限定。下面以根据第一门店的各维数据所属类型来自定义设置第一门店的各维数据对应的参数为例进行说明。具体地，例如，承接上述步骤103中示例，基于第二门店a和第二门店b的多维数据所得到的第一门店c的多维数据包含有c1、c2及c3，设定c1表示第一门店营业面积，c2表示第一门店在区域内能提供门店所对应服务的人员数量，c3表示第一门店所在区域内完成订单数量，则在自定义设置c1、c2及c3各自对应的参数时，具体可通过以下方式进行设置：

如在设置c1对应的参数时，可以参考相似门店的坪效指标来自定义c1对应的参数；其中，所述坪效指标可以反映出门店面积的生产力，比如，设定一门店的营业面积为100m²，当日营业收入为9000元，则该门店的日坪效＝9000元/100m²＝90元/m²。在设置c2对应的参数时，可以参考相似门店的人效指标来自定义c2对应的参数，其中，所述人效指标可以反映出能提供门店所对应服务的人员营销能力与排版用人的合理性，比如，设定一门店某天营业收入为9000元，能提供该门店所对应服务的人员数量为9人，则该门店当日人效＝9000元/9人＝1000元/人。同理，也可以参考相似门店的订单效指标来自定义设置c3对应的参数，其中，所述订单效指标可以反映出消费者的消费能力，以及商品或提供服务所对应的定价等，比如，设定一门店某天营业收入为9000元，完成订单数量为20，则该门店的日订单效＝9000元/20单＝450元/单。

这里需说明的是，上述示例中示出的第一门店的多维数据仅仅是示例性地，在实际中第一门店的多维数据并不限于此。另外，参考上述描述，同样可以对第一门店的其它维数据对应的参数进行自定义设置。

上述1042中，可以对第一门店的各维数据及所述各维数据对应的参数进行加权求和，来得到所述第一门店营收数据。具体地，步骤1042“根据所述第一门店的各维数据及所述各维数据对应的参数，得到所述第一门店营收数据”，可具体采用如下步骤实现：

a11、对各维数据与对应参数间的乘积值进行求和，得到一个和值；

a12、确定所述和值所属数值区间；

a13、基于所述和值所属数值区间，对所述和值进行归一化处理，得到所述第一门店营收数据。

举例来说，继续承接上述示例，设定第一门店c的多维数据包含有c1、c2及c3，且c1对应的参数为w1，c2对应的参数为w2，c3对应的参数为w3，则对各维数据与对应参数间的乘积进行求和所得到的一个和值num为：

num＝w1*c1+w2*c2+w3*c3

进一步地，再根据num所属数值范围，进行归一化处理，从而根据归一化结果得到第一门店营收数据。具体地，若num所属数值范围为[a，b]，而正常范围为[min，max]，则可以按照如下公式将num进行归一化到[min，max]范围区间内：

上述num'表示对num进行归一化处理后所得到的结果，也即第一门店c的营收数据。

例如，假设num为17500元，其所属数值范围为[10000元，20000元]，而正常范围为10000元以下，即[0元，1000元]，则按照上述归一化公式可得到num对应的归一化结果为7500元，即第一门店的营收数据为7500元

这里需说明的是，上述得到的第一门店营收数据可以是以时、日、月、季或年等作为统计时间段可能产生的营收数据，具体是由第一门店的多维度数据对应的时间段进行确定的，也即是由所获取到的与第一门店相似的第二门店的多维数据对应的时间段进行确定的。例如，当以日作为统计时间段，获取某一日各第二门店的多维数据时，则基于各第二门店的多维数据可得到相应日第一门店的多维数据，从而基于第一门店的多维数据得到的第一门店营收数据也即为相应日该第一门店可能产生的营业收入。

上述105中，将所述第一门店营收数据展示在交互界面上，为用户可视化地呈现了所得到的第一门店营收数据。

本实施例提供的技术方案，在基于与第一门店相似的多个第二门店的多维数据，确定出所述第一门店的多维数据之后，通过对所述第一门店的多维数据进行分析来得到所述第一门店营收数据，并在交互界面上展示所述第一门店营收数据。方案中门店营收数据是利用科学客观方式所得到的，具有较高精准度，方案简单、高效，为此通过该第一门店的营收数据，可以为企业或商家提供预期利润、口碑、门店整体战略布局等多维度效果参考。

在另一种可实现的技术方案中，还可以根据多个第二门店的营收数据来确定第一门店的营收数据，具体地，可以首先根据各第二门店与第一门店间的相似度来确定出第二门店对应的权系数，从而再结合各第二门店的营收数据及对应的权系数，来得到第一门店的营收数据。

即进一步地，本实施例提供的所述方法，还包括如下步骤：

106、获取多个第二门店的营收数据；

107、根据各第二门店与所述第一门店间的相似度，确定各第二门店对应的权系数；

108、根据各第二门店的营收数及对应的权系数，得出所述第一门店的营收数据。

具体实施时，再确定出与第一门店相似的多个第二门店的基础上，可以利用ai大数据技术手段获取到多个第二门店各自不同统计时间段对应的营收数据，其中，所述时间段可以根据实际需要进行设定，具体可以以时、日、月、季或年等作为一时间段；之后进一步地根据各第二门店与所述第一门店间的相似度来确定出各第二门店对应的权系数，从而求取各第二门店不同时间段的营收数据与对应权系数间的加权平均值来得出第一门店相应时间段对应的营收数据。

举例来说，假设第二门店a和第二门店b是与第一门店c相似的门店，且利用ai大数据手段分别获取到第二门店a的月营收为rev_a，第二门店b的月营收额为rev_b，并分别根据第二门店a与第一门店c间的相似度确定出第二门店a对应的权系数为0.7，根据第二门店b与第一门店c间的相似度确定出第二门店b对应的权系数为0.3，则相应地，可以按如下公式得到第一门店c的月营收额rev_c：

rev_c＝(0.7*rev_a+0.3*rev_b)/2

基于上文相关内容可知，上述第二门店是采用科学客观方式所确定出的与第一门店具有较高相似度的门店，为此第二门店的营收数据与第一门店营收数据具有较强的相关性，从而本实施例根据第二门店的营收数据及其对应的权系数所得到的第一门店营收数据具有较高精准性，且方案简单、高效。另外，通过该第一门店的营收数据，可以为企业或商家提供预期利润、口碑、门店整体战略布局等多维度效果参考。

这里需要说明的是：本实施提供的方法可适用于任何需进行门店营收数据确定的应用场景中，其中，所述门店所属类型可以为但不限于家政类、餐饮类、快递类、美容美发类、运动健身类、酒店类、教育类、商品零售类、房地产类、信息咨询服务业类、旅游业类等等，本实施例对此不作具体限定。

上述方法实施例提供的技术方案可基于如下硬件系统实现。具体地，图2a和图2b示出了本申请一实施例提供的门店营收数据确定系统的结构示意图。如图2a所示，该系统具体包括：

服务端201，用于确定多个第二门店；其中，所述第二门店为第一门店的相似门店；获取所述多个第二门店的多维数据；根据所述多个第二门店的多维数据，确定所述第一门店的多维数据；对所述第一门店的多维数据进行分析，得出所述第一门店营收数据；

客户端202，用于提供交互界面，在交互界面上展示所述第一门店营收数据。

具体实施时，参见图2b所示，上述服务端201包括能够进行数据处理，并且具有通信功能的设备。在一些实施例中，服务端设备201可实现为常规服务器、云端服务器、云主机、虚拟中心等服务器等设备，本实施例对此不做限制。其中，云端服务器为基于云计算的计算机集合，即由基于云计算(cloudcomputing)的大量主机或网络服务器构成，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。

上述客户端202可以是能够与用户进行交互，并且具有通信功能的设备。在不同的应用场景下，客户端202的实现形态会有所不同。例如，在一些场景下，客户端201可为：手机、平板电脑、个人数字助手(personaldigitalassistant，pda)、台式计算机、笔记本电脑、智能穿戴设备(如智能眼镜、智能手表等)等等，本实施例对此不作限定。

本实施例门店营收数据确定系统中，服务端201和客户端202之间的数据交互过程，可基于服务端201和客户端202之间建立的通信连接关系实现。其中，具体的通信连接方式可视实际的应用场景而定。

在一些示例性实施方式中，服务端201和客户端202之间可采用有线通信方式无线通信方式进行通信。其中，无线通信方式包括蓝牙、zigbee、红外线、wifi(wireless-fidelity，无线保真技术)等短距离通信方式，也包括lora等远距离无线通信方式，还可包括基于移动网络的无线通信方式。其中，当通过移动网络通信连接时，移动网络的网络制式可以为3d(gsm)、3g(wcdma、td-scdma、cdma2000、utms)、4g(lte)、4g+(lte+)、5g、wimax等中的任意一种。

进一步地，上述服务端201，还用于获取多个第二门店的营收额；根据各第二门店与所述第一门店间的相似度，确定各第二门店对应的权系数；根据各第二门店的营收额及对应的权系数，得出所述第一门店的营收数据。

这里需要说明的是：本实施例提供的所述门店营收数据确定系统中各步骤未尽详述的内容可参见上述各实施例中的相应内容，此处不再作赘述。此外，本实施例提供的所述门店营收数据确定系统中除了上述各步骤以外，还可包括上述各实施例中其他部分或全部步骤，具体可参见上述各实施例相应内容，在此不再赘述。

图3示出了本申请一实施例提供的门店营收数据确定装置的结构框图。如图3所示，该装置具体包括：，

第一确定模块301，用于确定多个第二门店；其中，所述第二门店为第一门店的相似门店；

第一获取模块302，用于获取所述多个第二门店的多维数据；

第二确定模型303，用于根据所述多个第二门店的多维数据，确定所述第一门店的多维数据；

分析模块304，用于对所述第一门店的多维数据进行分析，得出所述第一门店营收数据；

展示模块305，用于在交互界面上，展示所述第一门店营收数据。

本实施例提供的技术方案，在基于与第一门店相似的多个第二门店的多维数据，确定出所述第一门店的多维数据之后，通过对所述第一门店的多维数据进行分析来得到所述第一门店营收数据，并在交互界面上展示所述第一门店营收数据。方案中门店营收数据是整利用科学客观方式所得到的，具有较高精准度，且方案简单、高效。

进一步地，上述第一确定模块301，在用于确定多个第二门店时，具体用于：

获取多个已有门店的属性特征，以及所述第一门店的属性特征；

对各已有门店的属性特征及所述第一门店的属性特征进行向量化，以根据向量化结果计算各已有门店与第一门店间的相似度；

将所述相似度大于一阈值的已有门店，作为所述第二门店。

其中，所述属性特征包括：门店所在区域、门店所在区域内能提供服务品类、门店所在区域内房屋密度、门店所在区域内的人口数量、门店所在区域内竞品门店数量。

进一步地，上述第二确定模块303，在用于根据所述多个第二门店的多维数据，确定所述第一门店的多维数据时，具体用于：根据各第二门店与第一门店间的相似度，确定各第二门店对应的权系数；基于各第二门店的多维数据及对应的权系数，确定出所述第一门店的多维数据。

进一步地，上述多维数据包括如下中的至少部分数据：门店所在区域内下单的用户数量、门店所在区域内完成订单数量、门店所在区域内未完成订单数量、门店所在区域内竞品门店数量、门店在所区域内能提供门店所对应服务的人员数量、门店所在区域内能提供服务品类、门店所在区域内能提供各类服务的人员数量、门店所在区域内人口数量、门店所在区域内房屋密度，门店营业面积。

进一步地，上述分析模块304，在用于对所述第一门店的多维数据进行分析，得出所述第一门店营收数据时，具体用于：设置所述第一门店的各维数据对应的参数；根据所述第一门店的各维数据及所述各维数据对应的参数，得到所述第一门店营收数据。

进一步地，上述分析模块304，在用于根据所述第一门店的各维数据及所述各维数据对应的参数，得到所述第一门店营收数据时，具体用于：对各维数据与对应参数间的乘积值进行求和，得到一个和值；确定所述和值所属数值区间；基于所述和值所属数值区间，对所述和值进行归一化处理，得到所述第一门店营收数据。

进一步地，本实施例提供的所述装置，还包括：

第二获取模块，用于获取多个第二门店的营收额；

第三确定模块，用于根据各第二门店与所述第一门店间的相似度，确定各第二门店对应的权系数；

得出模块，用于根据各第二门店的营收额及对应的权系数，得出所述第一门店的营收数据。

这里需要说明的是：本实施例提供的门店营收数据确定装置可以执行图1所示实施例所述的门店营收数据确定方法，其实现原理和技术效果不再赘述。对于上述实施例中的门店营收数据确定装置中各个模块或单元执行操作的具体实现方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图4示出了本申请一实施例提供一个电子设备的结构示意图。如图4所示，所述电子设备包括：存储器401以及处理器402。存储器401可被配置为存储其它各种数据以支持在传感器上的操作。这些数据的示例包括用于在传感器上操作的任何应用程序或方法的指令。存储器401可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。

所述处理器402，与所述存储器401耦合，用于执行所述存储器401中存储的所述程序，以用于：

确定多个第二门店；其中，所述第二门店为第一门店的相似门店；

获取所述多个第二门店的多维数据；

根据所述多个第二门店的多维数据，确定所述第一门店的多维数据；

对所述第一门店的多维数据进行分析，得出所述第一门店营收数据；

在交互界面上，展示所述第一门店营收数据。

其中，处理器402在执行存储器401中的程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面各实施例的描述。

进一步，如图4所示，电子设备还包括：通信组件403、显示器404、电源组件405及音频组件406等其它组件。图4中仅示意性给出部分组件，并不意味着电子设备只包括图4所示组件。

相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，所述计算机程序被计算机执行时能够实现上述各实施例提供的门店营收数据确定方法步骤或功能。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，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，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。