一种产品推广渠道的监管方法及系统与流程

本发明涉及互联网技术领域，特别是一种产品推广渠道的监管方法及系统。

背景技术：

在产品推广中，例如手机软件的推广中，为了提升软件安装率，进而提升软件的用户触达率，软件开发商，如手机软件开发商通常会与各软件分销商签订软件内置协议，这样软件分销商在拿到新出厂的手机后，便可通过刷机等方式，将协议中指定的手机软件安装到手机中。用户拿到手机后，启动软件，软件会在网络畅通的情况下，与软件的后台程序进行通讯。

软件和后台的第一次通讯日期被后台记录为新增日期，即该软件的一个用户的新增日期。此外，还有激活日期等定义，但这些定义可以是由每个手机软件自定义的。例如，比较通用的激活日期定义方法为：新增日期之后30天内软件第二次启动的日期。

软件内置协议中一般规定了软件开发商和软件分销商之间的付费规则，比如按照软件的激活量进行付费。但在实践中发现，会存在某些软件分销商自己对软件进行启动，以使之符合软件的付费规则，然后获取利益的欺诈行为。

如果把软件分销商定义为软件推广的一个渠道，则软件开发商针对渠道的欺诈行为进行识别和反馈的行为，即为渠道监管。下面将介绍两种渠道监管方法。

第一种，考察软件的同一个用户的新增日期、激活日期与后续留存使用日期的时间间隔。

这种方法假设用户的正常行为是新增日期、激活日期和留存使用日期的时间间隔非常短，而渠道冒充用户行为则无法体现这种规律。因为渠道在模拟用户行为获得付费之后，就不会再使用该软件，导致后续的用户真正的使用日期与新增和激活日期间隔非常大。这样通过软件的后台统计就可以对问题渠道进行甄别。

第二种，考察国际移动用户识别码(IMSI，International Mobile Subscriber Identity)数目和国际移动装备辨识码(IMEI，International Mobile Equipment Identity)数目的比例。

这种方法假设目前市面上单SIM卡手机居多，正常情况下每个单卡手机的IMSI和IMEI是一一对应的，即软件上报的IMSI和IMEI数目应该接近1：1。但如果是渠道模拟的话，最常用的一种操作是使用一张SIM卡激活多个手机，即一个IMSI对应多个IMEI的情况。针对这种情况的渠道监管，可以使软件上报SIM卡的IMSI和手机的IMEI，后台对一段时期内这两个值进行个数统计可以发现问题渠道。

这种利用软件上报从而对用户行为进行建模的渠道监管，可以统一为基于数据挖掘和分析技术的渠道画像。可以看出，上述两种渠道监管技术可以在一定程度上对渠道进行画像，并甄别问题渠道，但这两种技术方案都各有不足。第一种方案下，如果渠道在软件激活后继续以正常用户行为使用软件，则会被视为正常用户行为；第二种方案则无法覆盖市场上日益增加的多SIM卡手机，并因此出现误告警。

技术实现要素：

有鉴于此，本发明实施例中一方面提供一种产品推广渠道的监管方法，另一方面提供一种产品推广渠道的监管系统，用于提升问题渠道的甄别率，并降低误告警几率。

本发明实施例中提供的一种产品推广渠道的监管方法，包括：

根据第一设定时间段内收集的各渠道的数据建立渠道基准画像；

根据第二设定时间段内收集的待检测渠道的数据建立所述待检测渠道的画像；

将所述待检测渠道的画像与所述渠道基准画像进行比对，并在比对结果指示差异度大于设定的第一阈值或者相似度低于设定的第二阈值时，确定所述待检测渠道为问题渠道。

本发明实施例中提供的一种产品推广渠道的监管系统，包括：

渠道基准画像建立模块，用于根据第一设定时间段内收集的各渠道的数据建立渠道基准画像；

待检测渠道画像建立模块，用于根据第二设定时间段内收集的待检测渠道的数据建立所述待检测渠道的画像；

问题渠道评估模块，用于将所述待检测渠道的画像与所述渠道基准画像进行比对，并在比对结果指示差异度大于设定的第一阈值或者相似度低于设定的第二阈值时，确定所述待检测渠道为问题渠道。

可见，本发明实施例中，首先利用各推广渠道的数据进行渠道综合建模，绘制出渠道基准画像，进而再利用某一个待检测渠道的数据对所述待检测渠道进行建模，绘制出该待检测渠道的画像，之后将两个画像进行比对，计算出偏离程度，根据该偏离程度可以判断渠道的健康程度，进而对其进行监管。可见，通过首先建立渠道综合模型，进而再将待检测渠道的模型与渠道综合模块进行比对，可以识别出问题渠道，从而可以提升问题渠道的甄别率，并降低误告警几率。

附图说明

为了更清楚的说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来说，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它的附图。其中，

图1为本发明实施例中一种产品推广渠道的监管方法的示例性流程图。

图2A为本发明实施例中周内连续24时段的新增时间分布基线，图2B为本发明实施例中一待检测渠道的周内连续24时段的新增时间分布曲线。

图3A为本发明实施例中月初三天新增后的基准留存曲线，图3B为本发明实施例中一待检测渠道的月初三天新增后的留存曲线。

图4为本发明实施例中一份技术报告的截屏图。

图5为本发明实施例中一种产品推广渠道的监管系统的结构示意图。

图6为本发明又一个实施例中一种产品推广渠道的监管系统的结构示意图。

图7为本发明实施例中一种服务器的结构示意图。

具体实施方式

本发明实施例中，假设大部分推广渠道带来的用户都是真实正常的，他们的联网行为都符合某种基本规律，而由某些问题渠道带来的用户行为则与此偏离，通过计算偏离程度可以判断渠道的健康程度，进而对其进行监管。

基于此，可首先用既有数据(比如上月的数据)对渠道有一个整体的建模，因为默认正常渠道个数远远超过异常渠道的个数，异常渠道的样本几乎会被淹没，因此这样整体建模得到的渠道总体画像可以认为是正常的用户画像。然后对本月某个渠道进行建模，如果两个模型的几个维度的加权差值超过预设的阈值，则认为该渠道为问题渠道，反之为正常渠道。

图1为本发明实施例中一种软件推广渠道的监管方法的示例性流程图。如图1所示，该方法可包括如下流程。

步骤101，根据第一设定时间段内收集的各渠道的数据建立渠道基准画像。

本步骤101主要是利用各渠道的数据进行渠道综合建模，从而得到渠道基准画像。在根据所采集的数据建立渠道基准画像之前，可根据需要对数据进行预处理：包括数据清洗、数据归一化等，这一部分可以由技术人员根据数据特性写数据处理程序完成，或者藉由成熟的软件比如商用统计软件(SAS，Statistics Analysis System)完成。

本实施例中，建立渠道基准画像的方法可有多种。例如，为了进行更全面的考察，可根据渠道的数据类型确定至少两个考察维度，然后根据所确定的考察维度对设定时间段内收集的各渠道的数据进行统计，得到由各考察维度的基准统计数据线(简称基线)构成的渠道基准画像。其中，每个考察维度指的是针对数据中的一个或多个数据类型所设计的考察方法，该考察方法可根据普通用户行为和推广渠道违规操作规律总结得出。例如，以手机软件推广为例，可基于手机软件上报的新增、激活、留存等数据类型确定多个考察维度，以对渠道进行多维度考察。其中，所有维度基本上均采用相同时间段作为基准。例如，该第一设定时间段可以为一个自然月里的某几周。具体地，每个维度数据可都从自然月的第一周开始产生。这样可以体现数据趋势变化的月初、月末效应与周末效应。比如月初的时候用户的手机流量较多，联网行为更为频繁；周末的时候用户赋闲时间较多，联网行为更为频繁。例如，本步骤中，第一设定时间段可以为上一个月的第一周开始的几周。

下面列举本实施例中针对手机软件所确定的几个维度，其它实施例中也可确定其中的至少两个，或其它类型维度，此处不对其进行限定。

维度1：激活新增比

渠道激活的用户与新增的用户之比，例如第一子时间段的日激活量与日新增量之比。假如第一子时间段为一个自然月第一周周一开始的四周，则此大维度可拆分成一个自然月第一周周一开始的四周，即28个细分的维度，每个维度依次表示28天中每天的激活新增比。

该激活新增比用曲线表示时的说明如下：

X轴时间跨度：28天

Y轴转化率计算：当天的累计激活量/当天的累计新增量

特殊处理：因为各天的数值是比值，因此不需要归一化。

维度2：新增量时间分布

渠道按照一天24小时计算每个时段新增的数量。为了考虑到缩小维度及周末效应，本维度可对一个自然月第一周数据进行考量，具体地，可把第一周数据分成两部分：把周一到周五的数据作为一部分考量，把周六周日的数据作为一部分考量。即新增量时间分布可被划分为第二子时间段的新增量时间分布、第三子时间段的新增量时间分布。具体描述如下：

周一到周五每天有24个时段，对于每个时段，可将五天中该时段的新增之和作为周内这个时段的总新增或者新增量，这样处理的结果会产生24个时段维度。

周六到周日同样按照上述方式产生24个时段维度。即可将两天中该时段的新增之和作为周末这个时段的总新增或者新增量。

该新增时间分布用曲线表示时的说明如下：

周内(周一到周五)

X轴时间跨度：24时段

Y轴新增量计算：5天，同时段新增量累计

周末(周六到周天)

X轴时间跨度：24时段

Y轴新增量计算：2天，同时段新增量累计

特殊处理：累积新增量可按渠道号归一化。例如，首先对渠道号各时段累计新增量按大小排序，然后可安装归一化的公式：(时段值-最小值)/(最大值-最小值)进行归一化计算。其中，如果公式中的分母为0，则可取最终归一化值为0.5。

维度3：激活量时间分布

同维度2，只是新增时间改为激活时间。具体如下：

渠道按照一天24小时计算每个时段激活的数量。为了考虑到缩小维度及周末效应，本维度可对一个自然月第一周数据进行考量，具体地，可把第一周数据分成两部分：把周一到周五的数据作为一部分考量，把周六周日的数据作为一部分考量。即激活量时间分布可被划分为第二子时间段的激活量时间分布、第三子时间段的激活量时间分布。具体描述如下：

周一到周五每天有24个时段，对于每个时段，可将五天中该时段的激活之和作为周内这个时段的总激活或者激活量，这样处理的结果会产生24个时段维度。

周六到周日同样按照上述方式产生24个时段维度。即可将两天中该时段的激活之和作为周末这个时段的总激活或者激活量。

该新增时间分布用曲线表示时的说明如下：

周内(周一到周五)

X轴时间跨度：24时段

Y轴新增量计算：5天，同时段激活量累计

周末(周六到周天)

X轴时间跨度：24时段

Y轴新增量计算：2天，同时段激活量累计

特殊处理：累积激活量可按渠道号归一化。具体的归一化处理可同上述的新增量时间分布。

维度4：用户留存率

渠道用户当天新增后，后面若干天的留存率，即第四子时间段的用户留存率。例如，本维度可考量每天新增之后14天的留存情况，其中可采用自然月的头两周作为新增用户的考察点，这样本大维度共可拆分成14*14个维度。

该用户留存率用曲线表示时的说明如下：

该月第一周周一的新增及其之后14天的留存。

X轴时间跨度：14天

Y轴留存率计算：某天，该渠道号所上报的全部IMEI去重之后，属于新增IMEI集的个数除以新增量，为当天的留存率。

特殊处理：比值无需归一化，新增集为0的情况需要提前过滤避免分母为0问题。

上述各个考察维度的统计数据线构成渠道基准画像。其中，上述第一子时间段、第二子时间段、第三子时间段及第四子时间段中每个子时间段的长度范围均位于第一设定时间段内，且相互之间存在重叠或不存在重叠。

步骤102，根据第二设定时间段内收集的待检测渠道的数据建立所述待检测渠道的画像。

本步骤中的画像建立方法与步骤101中的画像建立方法是一致的，不同之处在于所采用的数据范围不同。步骤101中是采用全部渠道或大部分渠道的数据生成作为基准的各个考察维度的统计数据线，本步骤102中是仅采用某一待检测渠道的数据生成针对该待检测渠道的各个考察维度的统计数据线。本实施例中，第二设定时间段可以是和第一设定时间段相同的时间段，例如都是上个月第一周开始的几周；或者，也可以是和第一设定时间段不同的时间段，例如，第二设定时间段可以是本月第一周开始的几周。或者是其它的时间段。但二者的起止时间特点以及持续时间长度应该是一致的。例如，如果第一设定时间段是从一个自然月的第一周开始，则第二设定时间段也应是从一个自然月的第一周开始；同理，如果第一设定时间段是在一个自然月的第四周结束，则第二设定时间段也应是在一个自然月的第四周结束。

例如，针对步骤101中确定多种考察维度的情况，本步骤中可根据步骤101中确定的考察维度对第二设定时间段内收集的待检测渠道的数据进行统计，得到由各考察维度的待检测统计数据线构成的待检测渠道的画像。

步骤103，将所述待检测渠道的画像与所述渠道基准画像进行比对，并在比对结果指示相似度低于第一阈值或者差异度大于第二阈值时，确定所述待检测渠道为问题渠道。

本步骤中，在将所述待检测渠道的画像与所述渠道基准画像进行比对时，可获取二者的相似度，并在相似度低于设定的第一阈值时，确定所述待检测渠道为问题渠道，否则为正常渠道；或者，也可获取二者的差异度，并在差异度大于设定的第二阈值时，确定所述待检测渠道为问题渠道，否则为正常渠道。

例如，本实施例中，针对步骤101和步骤102中利用各考察维度的统计数据线建立渠道画像的情况，可针对每个考察维度，将对应的待检测统计数据线与基准统计数据线进行曲线相似度计算，得到对应所述考察维度的差异度值；根据预先确定的每个考察维度对应的加权值，对各考察维度对应的差异度值进行加权计算，得到综合差异值，在所述综合差异值大于设定的第一阈值时，确定所述待检测渠道为问题渠道。具体可包括：

针对维度1：连续28天的激活/新增数据

把28天数据视为时间序列曲线，计算待检测渠道曲线(即待检测统计数据线)与基线(基准统计数据线)的曲线差异度，差异度计算方法可以采用动态时间规整(DTW，Dynamic Time Warping)，DTW是一种衡量两个长度相同或不同的时间序列的相似度的方法。这样可以体现出该维度中隐含的时间属性。

针对维度2：周内和周末的连续24时段的新增

把24时段归一化后的值视为时间序列曲线，计算待检测渠道的新增时间分布曲线与新增时间分布基线的差异度，差异度计算方法可以采用欧式距离。

其中，欧式距离的公式如下式(1)所示：

例如，图2A示出了周内连续24时段的新增时间分布基线，图2B示出了一待检测渠道的周内连续24时段的新增时间分布曲线。经过计算两条曲线的欧式距离，发现得到的差异度较大，因此可以认为在该考察维度上，该渠道操作不合规，有问题渠道嫌疑。

针对维度3：周内和周末的连续24时段的激活

把24时段归一化后的值视为时间序列曲线，计算待检测渠道的激活时间分布曲线与激活时间分布基线的差异度，差异度计算方法同样可以采用欧式距离。

针对维度4：连续14天新增后的14天的留存率

连续14天新增后的留存，这样展开的数据有14*14＝196个小维度，会形成一张巨大的宽表，不适合进行曲线拟合，必须进行适度的降维处理。本方案采用的降维处理方案为：合并月初前三天(即第四子时间段的前若干天)新增后的留存率曲线，合并月中后三天(即第四子时间段的后若干天)新增后的留存率曲线，计算这两条曲线与基线的差异度，差异度计算方法为DTW。其中，三天为尝试值，可以替换为其他的天数。因此这196个维度，被降维处理为2个维度。

例如，图3A示出了月初三天新增后的基准留存曲线，图3B示出了一待检测渠道的月初三天新增后的留存曲线。采用DTW算法进行相似度计算后，发现二者差别很大，即得到的差异度较大，可以认为该渠道在该考察维度上，操作不合规。

本实施例中，通过实验验证，发现维度1的差异度不应被赋予过高的权值，因为实验证明连续28天的表现并没有固定趋势，因此该维度只能用于下限监控。即该比值低于某个预设的阈值之后，才需要引起重视。因此可把该组28个维度，采用平均值的方式，降低为一个维度。此外，实验证明，维度2和维度3的差异度可被赋予较高的权值，而维度4的渠道画像的拟合度最高，因此其差异度应被予以最高权值。

本实施例中，假设针对维度1预先确定了第一加权值W1，针对维度2和维度3的周内差异度和周末差异度预先确定了相同的第二加权值W2，针对维度4预先确定了第三加权值W3。其中，第一加权值小于第二加权值，第二加权值小于第三加权值。

假设将针对维度1计算得到的差异度值称为第一差异度值D1，将针对维度2得到的周内差异度值和周末差异度值分别称为第二差异度值D2和第三差异度值D3，将针对维度3得到的周内差异度值和周末差异度值分别称为第四差异度值D4和第五差异度值D5，将针对维度4得到的月初差异度值和月中差异度值分别称为第六差异度值D6和第七差异度值D7。则本步骤中，综合差异度值SD可如下述式(2)表示：

SD＝W1×D1+W2×(D2+D3)+W2×(D4+D5)+W3×(D6+D7) (2)

作为一个例子，其中，第一加权值W1可以为0.05，第二加权值W2可以为0.1，第三加权值W3可以为0.275。这里的各考察维度的加权值可由实验得出，并可利用线性回归算法进行验证，当验证结果与实验结果基本一致时，可以认为是有效的渠道考察计算公式。

进一步地，本实施例中，在步骤103中得到评估结果之后，还可进一步生成一份技术报告提供给对应的人员，如商务接口人等。

图4示出了一份技术报告的截屏图。如图4所示，该技术报告分为三个部分，第一部分为结论，直接给出通过渠道画像对比认为差距较大的渠道号码，第二部分为建模过程(即建立渠道画像过程)的数据统计，第三部分为评估数据统计，对进行画像差值计算时用到的数据统计。在其它实施方式中，该技术报告也可根据需要只包括其中的一部分，或两部分，或进一步包括其它内容。此处不对其进行限定。

图5为本发明实施例中一种产品推广渠道的监管系统的结构示意图。如图5所示，该系统可包括：渠道基准画像建立模块510、待检测渠道画像建立模块520和问题渠道评估模块530。

其中，渠道基准画像建立模块510用于根据第一设定时间段内收集的各渠道的数据建立渠道基准画像。

待检测渠道画像建立模块520用于根据第二设定时间段内收集的待检测渠道的数据建立所述待检测渠道的画像。其中，第二设定时间段和第一设定时间段的起止时间特点和持续时长是一致的。

问题渠道评估模块530用于将所述待检测渠道的画像与所述渠道基准画像进行比对，并在比对结果指示差异度大于设定的第一阈值或者相似度低于设定的第二阈值时，确定所述待检测渠道为问题渠道。

进一步地，本实施例中还可以进一步包括技术报告生成模块540，用于根据问题渠道评估模块530的评估结果，生成一份技术报告。该技术报告可如图所示，包括三个部分，第一部分为结论，直接给出通过渠道画像对比认为差距较大的渠道号码，第二部分为建模过程(即建立渠道画像过程)的数据统计，第三部分为评估数据统计，对进行画像差值计算时用到的数据统计。在其它实施方式中，该技术报告也可根据需要只包括其中的一部分，或两部分，或进一步包括其它内容。此处不对其进行限定。

图6为本发明又一个实施例中一种产品推广渠道的监管系统的结构示意图。如图6所示，该系统除了包括图5中所示的各个模块以外，进一步包括维度确定模块550，用于根据渠道的数据类型确定至少两个考察维度。例如，维度确定模块550可确定如下考察维度中的至少两个：第一子时间段的日激活量与日新增量之比；第二子时间段的新增量时间分布、第三子时间段的新增量时间分布；第二子时间段的激活量时间分布、第三子时间段的激活量时间分布；和第四子时间段的用户留存率。其中，所述第一子时间段、第二子时间段、第三子时间段及第四子时间段中每个子时间段的长度范围均位于所述第一设定时间段和第二设定时间段内，且相互之间存在重叠或不存在重叠。作为一个例子，第一子时间段可以为一个自然月第一周周一开始的四周的28天；第二子时间段可以为一个自然月第一周的周一至周五的24时段；第三子时间段可以为一个自然月第一周的周六至周日的24时段；第四子时间段为一个自然月第一周周一出现新增后开始的14天。

相应地，渠道基准画像建立模块510可根据所述至少两个考察维度对所述第一设定时间段内收集的各渠道的数据进行统计，得到由各考察维度的基准统计数据线构成的渠道基准画像；待检测渠道画像建立模块520可根据所述确定的考察维度对所述第二设定时间段内收集的待检测渠道的数据进行统计，得到由各考察维度的待检测统计数据线构成的待检测渠道的画像。问题渠道评估模块530可包括：差异度计算模块531、加权计算模块532和结果判定模块533。

其中，差异度计算模块531用于针对每个考察维度，将对应的待检测统计数据线与基准统计数据线进行曲线相似度计算，得到对应所述考察维度的差异度值。

加权计算模块532用于根据预先确定的每个考察维度对应的加权值，对各考察维度对应的差异度值进行加权计算，得到综合差异值。

结果判定模块533用于在所述综合差异值大于设定的第一阈值时，确定所述待检测渠道为问题渠道。

其中，差异度计算模块531可包括下述模块中的至少两个：

第一差异度计算子模块5311，用于针对所述第一子时间段的日激活量与日新增量之比，采用动态时间规整计算待检测统计数据线与基准统计数据线的差异度；

第二差异度计算子模5312，用于针对所述第二子时间段的新增量时间分布、第三子时间段的新增量时间分布、第二子时间段的激活量时间分布、第三子时间段的激活量时间分布中的任一个，首先对所述子时间段进行归一化处理，然后采用欧式距离计算归一化处理后的待检测统计数据线与基准统计数据线的差异度；

第三差异度计算子模块5313，用于针对所述第四子时间段的用户留存率，首先对所述第四子时间段的用户留存率进行降维处理，然后利用动态时间规整计算降维处理后的待检测统计数据线与基准统计数据线的差异度。

其中，加权计算模块532可针对所述第一子时间段的日激活量与日新增量之比，采用预先确定的第一加权值；针对所述第二子时间段的新增量时间分布、第三子时间段的新增量时间分布、第二子时间段的激活量时间分布、第三子时间段的激活量时间分布中的任一个采用预先确定的第二加权值；针对所述第四子时间段的用户留存率，采用预先确定的第三加权值；进行加权计算后得到综合差异值。其中，第一加权值小于第二加权值，第二加权值小于第三加权值。

图7为本发明实施例中一种服务器的结构示意图。该服务器可用于实现图1所示方法以及图5和图6所示装置。如图7所示，该服务器可包括：处理器701、非易失性计算机可读存储器702、显示单元703和网络通信接口704。这些组件通过总线705进行通信。

本实施例中，存储器702中存储有多个程序模块，例如：操作系统706、网络通信模块707和应用程序708。

处理器701可以读取存储器702中的应用程序708所包括的各种模块(图中未示出)来执行服务器的各种功能应用以及数据处理。本实施例中的处理器701可以为一个，也可以为多个，其可以为CPU，处理单元/模块，ASIC，逻辑模块或可编程门阵列等。

其中，操作系统706包括但不限于：Android操作系统、Windows操作系统、苹果iOS操作系统、苹果Mac OS操作系统等等。

应用程序708可包括图5或图6所示装置中的各个功能模块，并形成对应的计算机可执行指令集709及对应的元数据和启发式算法710。这些计算机可执行指令集可以由所述处理器701执行并完成图1所示方法，或者图5或图6所示装置的功能。

在本实施例中，网络通信接口704与网络通信模块707相配合完成服务器各种网络信号的收发，包括与各推广渠道之间的数据的传输及网络数据交互等。

显示单元703具有一显示面板，用于完成相关信息的输入及显示，包括呈现技术报告等。

本发明还提供了一种存储介质，如非易失性计算机可读存储介质，其中存储有数据处理程序，该数据处理程序用于执行本发明上述方法的任何一种实施例。

可见，本发明实施例中，首先利用各推广渠道的数据进行渠道综合建模，绘制出渠道基准画像，进而再利用某一个待检测渠道的数据对所述待检测渠道进行建模，绘制出该待检测渠道的画像，之后将两个画像进行比对，计算出偏离程度，根据该偏离程度可以判断渠道的健康程度，进而对其进行监管。

进一步地，使用了数据挖掘与分析中的曲线相似性度量技术，对推广渠道上报的新增、激活、留存等数据进行多维度考察，且各个维度之间相关性小，从而可以全方位地对渠道进行立体画像；相比于单一维度的考量，更不容易引起误判或遗漏。通过建立比较模型对待评估数据进行分析，最终得出某推广渠道的手机软件的用户行为画像，并与基准画像进行对比，达到对推广渠道进行监管的目的。实现了全方位、全自动的渠道考量体系，节约人力和时间成本；并提升了问题渠道的甄别率，降低了误告警几率。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。