一种基于Python的客户数据监控方法与系统与流程

一种基于python的客户数据监控方法与系统
技术领域
1.本发明涉及故障监控技术领域，特别是一种基于python的客户数据监控方法与系统。


背景技术：

2.随着服务器业务范围的不断扩大，使用浪潮服务器的客户也越来越多，为更多的客户提供优质的售后保障至关重要，客户的质量数据是目前最直观、最清晰反映售后质量表现的方式。很多时候客户的质量数据指标更是重要的衡量工具，例如对客户的doa率进行持续监控。针对于这种到货机损的问题可以做专项性的改善，明确问题点，提升客户满意度，对客户的整机故障率、部件故障率进行持续关注，通过关注识别数据异常点，可以对有质量隐患的部件优先风险识别，最大程度上帮客户规避高故障率风险，防止影响客户的相关业务。目前的现状是大多数客户的数据指标使用的是同一种计算逻辑，通过客户售后质量人工计算的方式处理大量的数据源，这种方式耗时耗力，而当前使用浪潮服务器的客户领域涉及较多，负责每个客户售后质量的人力资源有限，处理售后问题的模式往往是一对多，就会出现客户数据监控覆盖不全的情况，有些客户因为每月度进行质量交流，会例行做相关指标的数据监控，而有些未建立定期沟通机制的客户就不会按月度监控，当问题已经体现在故障率上的时候，监控数据异常指标就失去了提前预防的意义，针对客户的一些基础信息如客户设备配置明细、客户机器保有量、客户端触发的疑难客诉记录等目前也是通过人工梳理维护，且各类数据未能以客户为特定维度建立信息一体化，工作量大且较为繁琐。


技术实现要素：

3.本发明的目的是提供一种基于python的客户数据监控方法与系统，旨在解决现有技术中服务器故障监控依赖人工、耗时耗力的问题，实现快速获取客户端整机故障率、部件故障率以及doa等数据报表，同时减少人力浪费。
4.为达到上述技术目的，本发明提供了一种基于python的客户数据监控方法，所述方法包括以下操作：
5.输入基本质量数据信息表，通过pandas模块和pymysql模块将基本质量数据信息表自动汇总和筛查，整理为关系型数据表；
6.根据不同物料以及不同属性的要求，利用pandas模块针对关系型数据表计算每个属性的目标值，输出目标报表；
7.根据目标报表自动监控预警数据指标异常。
8.优选地，所述自动汇总和筛查具体包括：
9.利用pandas模块将数据表转换成dataframe数据表，针对不同的物料，按照需求的属性设置不同的关键字表，利用pandas模块对原始数据表进行数据筛查，根据关键字表提取出每种物料的关键属性，通过pymysql模块将获取到的数据整理为关系型数据表，并按照
物料类型日期进行保存。
10.优选地，所述目标值包括整机故障率、部件故障率以及doa。
11.优选地，所述目标值的计算采用pandas模块中的loc函数完成。
12.优选地，所述根据目标报表自动监控预警数据指标异常具体包括：
13.对单一客户每月的故障率进行比对，有明显升高的月份进行标红预警；
14.对单一客户每月的部件故障率进行比对，有明显数量异常的部件进行标红预警；
15.对各客户部件故障率进行比对，识别在市场端表现中部件故障率较高的部件类别；
16.对出现异常doa的客户作标红预警。
17.优选地，所述关系型数据表按照日期保存在对应物料的数据库中，当单个物料数据库中数据表积累到定值时，利用numpy模块和matplotlib模块画出对应物料的柱状图和折线图。
18.本发明还提供了一种基于python的客户数据监控系统，所述系统包括：
19.数据表转换模块，用于输入基本质量数据信息表，通过pandas模块和pymysql模块将基本质量数据信息表自动汇总和筛查，整理为关系型数据表；
20.目标报表输出模块，用于根据不同物料以及不同属性的要求，利用pandas模块针对关系型数据表计算每个属性的目标值，输出目标报表；
21.自动监控模块，用于根据目标报表自动监控预警数据指标异常。
22.优选地，所述目标值包括整机故障率、部件故障率以及doa。
23.优选地，所述目标值的计算采用pandas模块中的loc函数完成。
24.优选地，所述关系型数据表按照日期保存在对应物料的数据库中，当单个物料数据库中数据表积累到定值时，利用numpy模块和matplotlib模块画出对应物料的柱状图和折线图。
25.发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
26.与现有技术相比，本发明通过采用python语言，结合pandas模块和pymysql模块完成原始数据表自动筛查过程、目标值统计生成以及目标值预警等功能，对定期提交的excel物料汇总表进行自动筛查，根据筛查结果对保存在服务器中的数据库进行自动更新修改。由于原始表格数量庞大，同时每种物料涉及的型号繁多，原本人工筛查的方式容易出错，而且重复简单的工作本身是一种人力浪费，通过本方案可快速获取客户端整机故障率、部件故障率以及doa等数据报表，同时减少人力浪费。
附图说明
27.图1为本发明实施例中所提供的一种基于python的客户数据监控方法流程图；
28.图2为本发明实施例中所提供的一种基于python的客户数据监控系统框图。
具体实施方式
29.为了能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结
构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
30.下面结合附图对本发明实施例所提供的一种基于python的客户数据监控方法与系统进行详细说明。
31.如图1所示，本发明实施例公开了一种基于python的客户数据监控方法，所述方法包括以下操作：
32.输入基本质量数据信息表，通过pandas模块和pymysql模块将基本质量数据信息表自动汇总和筛查，整理为关系型数据表；
33.根据不同物料以及不同属性的要求，利用pandas模块针对关系型数据表计算每个属性的目标值，输出目标报表；
34.根据目标报表自动监控预警数据指标异常。
35.根据机器保有量、每月故障数等自动生成不同维度的数据报表，数据表按月累积，以便于观察客户的质量表现趋势，通过自动生成按月度按机型按部件维度的故障率表现，替代了人工处理数据的繁琐，系统处理数据的时效短、精确度高、单一质量人员可通过系统对负责的所有客户作全面、覆盖性的质量数据监控，也可从软硬故障等其他角度对各类问题进行细分并计算故障率。
36.输入基本质量数据信息表，引入第三方模块pandas，利用pandas模块将数据表转换成dataframe数据表，针对不同的物料，按照需求的属性设置不同的关键字表，利用pandas模块对原始数据表进行数据筛查，根据关键字表提取出每种物料的关键属性，引入第三方模块pymysql，将获取到的数据整理为关系型数据表，并按照物料类型日期进行保存。重复上述步骤，完成所有报表的筛查。
37.针对获取的关系型数据表，根据不同物料、不同属性的要求，利用pandas模块中的loc函数批量计算每个属性的最终目标值，包括整机故障率、部件故障率以及doa等。利用pandas模块输出所需的目标报表，在报表生成过程中，若有警告信息，则在系统界面提示。将上述各物料的关系型数据表按照日期保存在对应物料的数据库中，以便之后进行物料数据对比监控，当单个物料数据库中数据表积累到定值时，利用numpy模块和matplotlib模块画出对应物料的柱状图和折线图，并自动保存便于定期查看。
38.结合自动生成的各客户数据报表，按照报表中的数据进行监控。
39.对单一客户每月的故障率进行比对，有明显升高的月份进行标红预警；
40.对单一客户每月的部件故障率进行比对，有明显数量异常的部件进行标红预警，客户质量人员根据预警，进一步识别排查明确故障数量增多的原因，优先在客户意识到问题之前将其规避；
41.对各客户部件故障率进行比对，识别在市场端表现中部件故障率较高的部件类别；
42.对出现异常doa的客户作标红预警。
43.系统中设置搜索功能，搜索有以下两条逻辑链：
44.搜索客户名称，查找机器sn、历史数据异常点/风险点、客户供货期间触发得到物
料问题记录、造成的ponc或减少的ponc；
45.搜索客户名称，查找质量回溯文档、改进措施更进以及后续落实。
46.本发明实施例通过采用python语言，结合pandas模块和pymysql模块完成原始数据表自动筛查过程、目标值统计生成以及目标值预警等功能，对定期提交的excel物料汇总表进行自动筛查，根据筛查结果对保存在服务器中的数据库进行自动更新修改。由于原始表格数量庞大，同时每种物料涉及的型号繁多，原本人工筛查的方式容易出错，而且重复简单的工作本身是一种人力浪费，通过本方案可快速获取客户端整机故障率、部件故障率以及doa等数据报表，同时减少人力浪费。
47.如图2所示，本发明实施例还公开了一种基于python的客户数据监控系统，所述系统包括：
48.数据表转换模块，用于输入基本质量数据信息表，通过pandas模块和pymysql模块将基本质量数据信息表自动汇总和筛查，整理为关系型数据表；
49.目标报表输出模块，用于根据不同物料以及不同属性的要求，利用pandas模块针对关系型数据表计算每个属性的目标值，输出目标报表；
50.自动监控模块，用于根据目标报表自动监控预警数据指标异常。
51.输入基本质量数据信息表，引入第三方模块pandas，利用pandas模块将数据表转换成dataframe数据表，针对不同的物料，按照需求的属性设置不同的关键字表，利用pandas模块对原始数据表进行数据筛查，根据关键字表提取出每种物料的关键属性，引入第三方模块pymysql，将获取到的数据整理为关系型数据表，并按照物料类型日期进行保存。重复上述步骤，完成所有报表的筛查。
52.针对获取的关系型数据表，根据不同物料、不同属性的要求，利用pandas模块中的loc函数批量计算每个属性的最终目标值，包括整机故障率、部件故障率以及doa等。利用pandas模块输出所需的目标报表，在报表生成过程中，若有警告信息，则在系统界面提示。将上述各物料的关系型数据表按照日期保存在对应物料的数据库中，以便之后进行物料数据对比监控，当单个物料数据库中数据表积累到定值时，利用numpy模块和matplotlib模块画出对应物料的柱状图和折线图，并自动保存便于定期查看。
53.结合自动生成的各客户数据报表，按照报表中的数据进行监控。
54.对单一客户每月的故障率进行比对，有明显升高的月份进行标红预警；
55.对单一客户每月的部件故障率进行比对，有明显数量异常的部件进行标红预警，客户质量人员根据预警，进一步识别排查明确故障数量增多的原因，优先在客户意识到问题之前将其规避；
56.对各客户部件故障率进行比对，识别在市场端表现中部件故障率较高的部件类别；
57.对出现异常doa的客户作标红预警。
58.系统中设置搜索功能，搜索有以下两条逻辑链：
59.搜索客户名称，查找机器sn、历史数据异常点/风险点、客户供货期间触发得到物料问题记录、造成的ponc或减少的ponc；
60.搜索客户名称，查找质量回溯文档、改进措施更进以及后续落实。
61.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、等同替换和改进等，均应包含在本发明的保护范围之内。