CN105469200A - 一种公司运营指标体系的优化方法及*** - Google Patents
一种公司运营指标体系的优化方法及*** Download PDFInfo
- Publication number
- CN105469200A CN105469200A CN201510802537.4A CN201510802537A CN105469200A CN 105469200 A CN105469200 A CN 105469200A CN 201510802537 A CN201510802537 A CN 201510802537A CN 105469200 A CN105469200 A CN 105469200A
- Authority
- CN
- China
- Prior art keywords
- index
- class
- optimizing
- original
- representative
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种公司运营指标体系的优化方法及***,该方法包括:按照预设的原始指标类型,对N个原始指标中类型相同的原始指标进行统一的无量纲化处理并划分为一类,相应地得到M类原始指标;接着利用灰色关联分析技术,对上述M类原始指标进行指标聚类处理,相应地得到K类优化指标;从每一类优化指标的所有指标中,选出代表度大于预设代表度的指标作为该类优化指标的代表性指标,相应地得到上述K类优化指标中每一类优化指标所对应的代表性指标;将上述K类优化指标中的所有代表性指标进行合并,得到优化后的公司运营指标体系。可见,本申请减少了公司运营指标体系的指标冗余,由此提高了后续对运营状况的评估效率和评估准确性。
Description
技术领域
本发明涉及指标优化技术领域,特别涉及一种公司运营指标体系的优化方法及***。
背景技术
当前,很多公司为了对企业自身的运营状况进行评估,通过都会针对自身的实际运营状况,构建一个相应的公司运营指标体系。
然而,在公司运营指标的实际选取过程中,主要是依据人为经验对公司的运营指标进行人工选取,这种带有人为主观因素的选取方式,一方面容易导致对相类似的指标进行重复选取的情况,另一方面可能会将一些对公司运营状况评估影响不大的指标纳入公司运营指标体系,从而使得整个公司运营指标体系非常臃肿,由此严重降低了整个评估过程的评估效率和评估准确性。
综上所述可以看出,如何减少公司运营指标体系的指标冗余,以提高对运营状况的评估效率和评估准确性是目前亟待解决的问题。
发明内容
有鉴于此,本发明的目的在于提供一种公司运营指标体系的优化方法及***,减少了公司运营指标体系的指标冗余,从而提高了对运营状况的评估效率和评估准确性。其具体方案如下:
一种公司运营指标体系的优化方法,所述公司运营指标体系包括N个原始指标,N为正整数;所述优化方法包括:
按照预设的原始指标类型,对所述N个原始指标中类型相同的原始指标进行统一的无量纲化处理并划分为一类,相应地得到M类原始指标,M为不大于N的正整数;
利用灰色关联分析技术,对所述M类原始指标进行指标聚类处理,相应地得到K类优化指标,K为不大于M的正整数;
从每一类优化指标的所有指标中,选出代表度大于预设代表度的指标作为该类优化指标的代表性指标,相应地得到所述K类优化指标中每一类优化指标所对应的代表性指标;
将所述K类优化指标中的所有代表性指标进行合并,得到优化后的公司运营指标体系。
优选的,所述预设的原始指标类型包括第一原始指标类型、第二原始指标类型和第三原始指标类型;其中,
所述第一原始指标类型为公司运营的良好状况与原始指标的具体数值之间呈正相关时所对应的原始指标类型;
所述第二原始指标类型为公司运营的良好状况与原始指标的具体数值之间呈负相关时所对应的原始指标类型;
所述第三原始指标类型为原始指标的具体数值越趋向于任一固定数值,公司的运营状况越良好时所对应的原始指标类型。
优选的,所述从每一类优化指标的所有指标中,选出代表度大于预设代表度的指标作为该类优化指标的代表性指标,相应地得到所述K类优化指标中每一类优化指标所对应的代表性指标的过程,包括:
计算每一类优化指标的所有指标中每一个指标的平均关联程度,并将每一个指标的平均关联程度确定为该指标的代表度;
从每一类优化指标中选出代表度大于所述预设代表度的指标作为该类优化指标的代表性指标,相应地得到所述K类优化指标中每一类优化指标所对应的代表性指标。
优选的,所述计算任一类优化指标的所有指标中每一个指标的平均关联程度的过程,包括:
对该类优化指标中的目标指标与该类优化指标中的所有指标之间的灰色关联度进行平均值计算,将计算得到的平均值确定为所述目标指标的平均关联度;其中,所述目标指标为该类优化指标中的任一个指标。
优选的,所述利用灰色关联分析技术,对所述M类原始指标进行指标聚类处理,相应地得到K类优化指标的过程,包括:
步骤S1211:将所述M类原始指标确定为目标指标类集;
步骤S1212:计算当前的目标指标类集中每两类指标之间的类间灰色关联度,并从得到的所有类间灰色关联度中挑选出最大类间灰色关联度;
步骤S1213:将目标指标类集中与所述最大类间灰色关联度对应的两类指标合并成一类,形成新的目标指标类集,并进入步骤S1212,直到当前的目标指标类集中指标类的总数等于预设类总数,所述预设类总数为K。
优选的,所述利用灰色关联分析技术,对所述M类原始指标进行指标聚类处理,相应地得到K类优化指标的过程,包括:
步骤S1221:将所述M类原始指标确定为目标指标类集;
步骤S1222:计算当前的目标指标类集中每两类指标之间的类间灰色关联度,并从得到的所有类间灰色关联度中挑选出最大类间灰色关联度;
步骤S1223:将目标指标类集中与所述最大类间灰色关联度对应的两类指标合并成一类,形成新的目标指标类集,并进入步骤S1222,直到当前的目标指标类集中最大类间灰色关联度小于或等于预设阈值,相应地得到所述K类优化指标。
一种公司运营指标体系的优化***,所述公司运营指标体系包括N个原始指标,N为正整数;所述优化***包括:
预处理模块,用于按照预设的原始指标类型,对所述N个原始指标中类型相同的原始指标进行统一的无量纲化处理并划分为一类,相应地得到M类原始指标,M为不大于N的正整数;
指标聚类模块,用于利用灰色关联分析技术,对所述M类原始指标进行指标聚类处理,相应地得到K类优化指标,K为不大于M的正整数;
代表性指标选取模块,用于从每一类优化指标的所有指标中,选出代表度大于预设代表度的指标作为该类优化指标的代表性指标,相应地得到所述K类优化指标中每一类优化指标所对应的代表性指标;
指标合并模块,用于将所述K类优化指标中的所有代表性指标进行合并,得到优化后的公司运营指标体系。
优选的,所述代表性指标选取模块包括:
第一计算单元,用于计算每一类优化指标的所有指标中每一个指标的平均关联程度,并将每一个指标的平均关联程度确定为该指标的代表度;
代表性指标选取单元,用于从每一类优化指标中选出代表度大于所述预设代表度的指标作为该类优化指标的代表性指标,相应地得到所述K类优化指标中每一类优化指标所对应的代表性指标。
优选的,所述指标聚类模块包括:
第一确定单元,用于将所述M类原始指标确定为目标指标类集;
第一筛选单元,用于当获取到当前的目标指标类集后,计算当前的目标指标类集中每两类指标之间的类间灰色关联度,并从得到的所有类间灰色关联度中挑选出最大类间灰色关联度;
第一合并单元,用于将目标指标类集中与所述最大类间灰色关联度对应的两类指标合并成一类,形成新的目标指标类集,并将该新的目标指标类集发送至所述第一筛选单元,直到当前的目标指标类集中指标类的总数等于预设类总数,所述预设类总数为K。
优选的,所述指标聚类模块包括:
第二确定单元,用于将所述M类原始指标确定为目标指标类集;
第二筛选单元,用于当获取到当前的目标指标类集后,计算当前的目标指标类集中每两类指标之间的类间灰色关联度,并从得到的所有类间灰色关联度中挑选出最大类间灰色关联度;
第二合并单元,用于将目标指标类集中与所述最大类间灰色关联度对应的两类指标合并成一类,形成新的目标指标类集,并将该新的目标指标类集发送至所述第二筛选单元,直到当前的目标指标类集中最大类间灰色关联度小于或等于预设阈值,相应地得到所述K类优化指标。
本发明中,按照预设的原始指标类型,对N个原始指标中类型相同的原始指标进行统一的无量纲化处理并划分为一类,相应地得到M类原始指标;接着利用灰色关联分析技术,对上述M类原始指标进行指标聚类处理,相应地得到K类优化指标;从每一类优化指标的所有指标中,选出代表度大于预设代表度的指标作为该类优化指标的代表性指标,相应地得到上述K类优化指标中每一类优化指标所对应的代表性指标;将上述K类优化指标中的所有代表性指标进行合并,得到优化后的公司运营指标体系。可见,本发明一方面利用灰色关联分析技术,对上述M类原始指标进行指标聚类处理,相应地得到K类优化指标,也即对上述M类原始指标进行了一次聚类优化,减少了公司运营指标体系的指标冗余;另一方面还从上述K类优化指标中选出每一类优化指标的代表性指标,然后将上述K类优化指标中的所有代表性指标进行合并,得到了优化后的公司运营指标体系,从而进一步减少了公司运营指标体系的指标冗余,由此提高了后续对运营状况的评估效率和评估准确性。
附图说明
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。
图1为本发明实施例公开的一种公司运营指标体系的优化方法流程图;
图2为本发明实施例公开的一种具体的公司运营指标体系的优化方法流程图;
图3为本发明实施例公开的另一种具体的公司运营指标体系的优化方法流程图;
图4为本发明实施例公开的一种公司运营指标体系的优化***结构示意图。
具体实施方式
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。
本发明实施例公开了一种公司运营指标体系的优化方法,其中,公司运营指标体系包括N个原始指标,N为正整数;参见图1所示,上述优化方法包括:
步骤S11:按照预设的原始指标类型,对上述N个原始指标中类型相同的原始指标进行统一的无量纲化处理并划分为一类,相应地得到M类原始指标,M为不大于N的正整数;
步骤S12:利用灰色关联分析技术,对上述M类原始指标进行指标聚类处理,相应地得到K类优化指标,K为不大于M的正整数;
步骤S13:从每一类优化指标的所有指标中,选出代表度大于预设代表度的指标作为该类优化指标的代表性指标,相应地得到上述K类优化指标中每一类优化指标所对应的代表性指标;
步骤S14:将上述K类优化指标中的所有代表性指标进行合并,得到优化后的公司运营指标体系。
本发明实施例中,按照预设的原始指标类型,对N个原始指标中类型相同的原始指标进行统一的无量纲化处理并划分为一类,相应地得到M类原始指标;接着利用灰色关联分析技术,对上述M类原始指标进行指标聚类处理,相应地得到K类优化指标;从每一类优化指标的所有指标中,选出代表度大于预设代表度的指标作为该类优化指标的代表性指标,相应地得到上述K类优化指标中每一类优化指标所对应的代表性指标;将上述K类优化指标中的所有代表性指标进行合并,得到优化后的公司运营指标体系。
可见,本发明实施例一方面利用灰色关联分析技术,对上述M类原始指标进行指标聚类处理,相应地得到K类优化指标,也即对上述M类原始指标进行了一次聚类优化,减少了公司运营指标体系的指标冗余;另一方面还从上述K类优化指标中选出每一类优化指标的代表性指标,然后将上述K类优化指标中的所有代表性指标进行合并,得到了优化后的公司运营指标体系,从而进一步减少了公司运营指标体系的指标冗余,由此提高了后续对运营状况的评估效率和评估准确性。
本发明实施例公开了一种具体的公司运营指标体系的优化方法,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。具体的:
上一实施例中,预设的原始指标类型包括第一原始指标类型、第二原始指标类型和第三原始指标类型;其中,
第一原始指标类型为公司运营的良好状况与原始指标的具体数值之间呈正相关时所对应的原始指标类型,也即,第一原始指标类型所对应的原始指标是指具体数值越大,公司运营状况越良好的原始指标。
第二原始指标类型为公司运营的良好状况与原始指标的具体数值之间呈负相关时所对应的原始指标类型;也即,第二原始指标类型所对应的原始指标是指具体数值越小,公司运营状况越良好的原始指标。
第三原始指标类型为原始指标的具体数值越趋向于任一固定数值,公司的运营状况越良好时所对应的原始指标类型。也即,第三原始指标类型所对应的原始指标是指具体数值越是趋向于某一固定数值,公司运营状况越良好的原始指标。
参见图2所示,上一实施例的步骤S13具体可以包括:
步骤S131:计算每一类优化指标的所有指标中每一个指标的平均关联程度,并将每一个指标的平均关联程度确定为该指标的代表度;
步骤S132:从每一类优化指标中选出代表度大于预设代表度的指标作为该类优化指标的代表性指标,相应地得到上述K类优化指标中每一类优化指标所对应的代表性指标。
上述步骤S131中,计算任一类优化指标的所有指标中每一个指标的平均关联程度的过程,具体包括:对该类优化指标中的目标指标与该类优化指标中的所有指标之间的灰色关联度进行平均值计算,将计算得到的平均值确定为目标指标的平均关联度;其中,目标指标为该类优化指标中的任一个指标。
例如,假设某一类优化指标为Gi,其中,Gi包括k个指标,分别为X1、X2、X3…、Xk;计算Gi中任意两个指标之间的灰色关联度,得到关于Gi的灰色关联度矩阵Γi,Γi具体为:
其中,对于Gi中的任一指标Xj,j∈{1,2,...,k},其与Gi中的所有指标之间的灰色关联度分别为γj1、γj2、...、γjk,也即,Γi中的第j行的元素恰好为Gi中的任一指标Xj与Gi中的所有指标之间的灰色关联度。计算Γi中的第j行的元素的平均值,便可得到与指标Xj对应的平均关联度:
参见图2所示,上一实施例步骤S12中,利用灰色关联分析技术,对M类原始指标进行指标聚类处理,相应地得到K类优化指标的过程,具体可以包括:
步骤S1211:将上述M类原始指标确定为目标指标类集;
步骤S1212:计算当前的目标指标类集中每两类指标之间的类间灰色关联度,并从得到的所有类间灰色关联度中挑选出最大类间灰色关联度;
其中,计算任意两类指标之间的类间灰色关联度的过程具体包括,先计算一类指标中的每个指标和另一类指标中的每个指标之间的灰色关联度,然后从得到的所有灰色关联度中挑选出最大的灰色关联度,并将该最大的灰色关联度确定为这两类指标的类间灰色关联度。
例如,设某两类指标分别为Cn和Dm,其中,Cn包括N个指标,分别为a1、a2、a3…、aN,Dm也包括M个指标,分别为b1、b2、b3…、bM。在计算Cn和Dm之间的类间灰色关联度时,先计算Cn中的每个指标和Dm中的每个指标之间的灰色关联度,得到相应的类间灰色关联度矩阵ΓCD:
其中,λth表示指标at和指标bh之间的灰色关联度,t∈{1,2,...,N},h∈{1,2,...,M},将上述类间灰色关联度矩阵ΓCD中最大的元素的数值确定为Cn和Dm的类间灰色关联度。
步骤S1213:将目标指标类集中与最大类间灰色关联度对应的两类指标合并成一类,形成新的目标指标类集,并进入步骤S1212,直到当前的目标指标类集中指标类的总数等于预设类总数,预设类总数为K。
当然,图2中示出的步骤S12的具体过程仅仅是一个具体的实施方式,也可以通过采用其他实施方式完成相应的处理。例如,参见图3所示,上一实施例步骤S12的过程具体也可以为:
步骤S1221:将上述M类原始指标确定为目标指标类集;
步骤S1222:计算当前的目标指标类集中每两类指标之间的类间灰色关联度,并从得到的所有类间灰色关联度中挑选出最大类间灰色关联度;
步骤S1223:将目标指标类集中与最大类间灰色关联度对应的两类指标合并成一类,形成新的目标指标类集,并进入步骤S1222,直到当前的目标指标类集中最大类间灰色关联度小于或等于预设阈值,相应地得到K类优化指标。
本发明实施例还公开了一种公司运营指标体系的优化***,上述公司运营指标体系包括N个原始指标,N为正整数;参见图4所示,上述优化***包括:
预处理模块41,用于按照预设的原始指标类型,对N个原始指标中类型相同的原始指标进行统一的无量纲化处理并划分为一类,相应地得到M类原始指标,M为不大于N的正整数;
指标聚类模块42,用于利用灰色关联分析技术,对M类原始指标进行指标聚类处理,相应地得到K类优化指标,K为不大于M的正整数;
代表性指标选取模块43,用于从每一类优化指标的所有指标中,选出代表度大于预设代表度的指标作为该类优化指标的代表性指标,相应地得到K类优化指标中每一类优化指标所对应的代表性指标;
指标合并模块44,用于将K类优化指标中的所有代表性指标进行合并,得到优化后的公司运营指标体系。
其中,上述代表性指标选取模块43具体包括第一计算单元和代表性指标选取单元,其中,
第一计算单元,用于计算每一类优化指标的所有指标中每一个指标的平均关联程度,并将每一个指标的平均关联程度确定为该指标的代表度;
代表性指标选取单元,用于从每一类优化指标中选出代表度大于预设代表度的指标作为该类优化指标的代表性指标,相应地得到K类优化指标中每一类优化指标所对应的代表性指标。
另外,上述指标聚类模块42具体可以包括第一确定单元、第一筛选单元和第一合并单元;其中,
第一确定单元,用于将M类原始指标确定为目标指标类集;
第一筛选单元,用于当获取到当前的目标指标类集后,计算当前的目标指标类集中每两类指标之间的类间灰色关联度,并从得到的所有类间灰色关联度中挑选出最大类间灰色关联度;
第一合并单元,用于将目标指标类集中与最大类间灰色关联度对应的两类指标合并成一类,形成新的目标指标类集,并将该新的目标指标类集发送至第一筛选单元,直到当前的目标指标类集中指标类的总数等于预设类总数,预设类总数为K。
当然,上述指标聚类模块42具体也可以包括第二确定单元、第二筛选单元和第二合并单元;其中,
第二确定单元,用于将M类原始指标确定为目标指标类集;
第二筛选单元,用于当获取到当前的目标指标类集后,计算当前的目标指标类集中每两类指标之间的类间灰色关联度,并从得到的所有类间灰色关联度中挑选出最大类间灰色关联度;
第二合并单元,用于将目标指标类集中与最大类间灰色关联度对应的两类指标合并成一类,形成新的目标指标类集,并将该新的目标指标类集发送至第二筛选单元,直到当前的目标指标类集中最大类间灰色关联度小于或等于预设阈值,相应地得到K类优化指标。
本发明实施例中,预处理模块可按照预设的原始指标类型,对N个原始指标中类型相同的原始指标进行统一的无量纲化处理并划分为一类,相应地得到M类原始指标;接着指标聚类模块利用灰色关联分析技术,对上述M类原始指标进行指标聚类处理,相应地得到K类优化指标;代表性指标选取模块则可从每一类优化指标的所有指标中,选出代表度大于预设代表度的指标作为该类优化指标的代表性指标,相应地得到上述K类优化指标中每一类优化指标所对应的代表性指标;最后通过指标合并模块将上述K类优化指标中的所有代表性指标进行合并,得到优化后的公司运营指标体系。
可见,本发明实施例一方面利用灰色关联分析技术,对上述M类原始指标进行指标聚类处理,相应地得到K类优化指标,也即对上述M类原始指标进行了一次聚类优化,减少了公司运营指标体系的指标冗余;另一方面还从上述K类优化指标中选出每一类优化指标的代表性指标,然后将上述K类优化指标中的所有代表性指标进行合并,得到了优化后的公司运营指标体系,从而进一步减少了公司运营指标体系的指标冗余,由此提高了后续对运营状况的评估效率和评估准确性。
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。
以上对本发明所提供的一种公司运营指标体系的优化方法及***进行了详细介绍,本文中应用了具体个例对本发明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发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,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发明的限制。
Claims (10)
1.一种公司运营指标体系的优化方法,其特征在于,所述公司运营指标体系包括N个原始指标,N为正整数;所述优化方法包括:
按照预设的原始指标类型,对所述N个原始指标中类型相同的原始指标进行统一的无量纲化处理并划分为一类,相应地得到M类原始指标,M为不大于N的正整数;
利用灰色关联分析技术,对所述M类原始指标进行指标聚类处理,相应地得到K类优化指标,K为不大于M的正整数;
从每一类优化指标的所有指标中,选出代表度大于预设代表度的指标作为该类优化指标的代表性指标,相应地得到所述K类优化指标中每一类优化指标所对应的代表性指标;
将所述K类优化指标中的所有代表性指标进行合并,得到优化后的公司运营指标体系。
2.根据权利要求1所述的公司运营指标体系的优化方法,其特征在于,所述预设的原始指标类型包括第一原始指标类型、第二原始指标类型和第三原始指标类型;其中,
所述第一原始指标类型为公司运营的良好状况与原始指标的具体数值之间呈正相关时所对应的原始指标类型;
所述第二原始指标类型为公司运营的良好状况与原始指标的具体数值之间呈负相关时所对应的原始指标类型;
所述第三原始指标类型为原始指标的具体数值越趋向于任一固定数值,公司的运营状况越良好时所对应的原始指标类型。
3.根据权利要求2所述的公司运营指标体系的优化方法,其特征在于,所述从每一类优化指标的所有指标中,选出代表度大于预设代表度的指标作为该类优化指标的代表性指标,相应地得到所述K类优化指标中每一类优化指标所对应的代表性指标的过程,包括:
计算每一类优化指标的所有指标中每一个指标的平均关联程度,并将每一个指标的平均关联程度确定为该指标的代表度;
从每一类优化指标中选出代表度大于所述预设代表度的指标作为该类优化指标的代表性指标,相应地得到所述K类优化指标中每一类优化指标所对应的代表性指标。
4.根据权利要求3所述的公司运营指标体系的优化方法,其特征在于,所述计算任一类优化指标的所有指标中每一个指标的平均关联程度的过程,包括:
对该类优化指标中的目标指标与该类优化指标中的所有指标之间的灰色关联度进行平均值计算,将计算得到的平均值确定为所述目标指标的平均关联度;其中,所述目标指标为该类优化指标中的任一个指标。
5.根据权利要求1至4任一项所述的公司运营指标体系的优化方法,其特征在于,所述利用灰色关联分析技术,对所述M类原始指标进行指标聚类处理,相应地得到K类优化指标的过程,包括:
步骤S1211:将所述M类原始指标确定为目标指标类集;
步骤S1212:计算当前的目标指标类集中每两类指标之间的类间灰色关联度,并从得到的所有类间灰色关联度中挑选出最大类间灰色关联度;
步骤S1213:将目标指标类集中与所述最大类间灰色关联度对应的两类指标合并成一类,形成新的目标指标类集,并进入步骤S1212,直到当前的目标指标类集中指标类的总数等于预设类总数,所述预设类总数为K。
6.根据权利要求1至4任一项所述的公司运营指标体系的优化方法,其特征在于,所述利用灰色关联分析技术,对所述M类原始指标进行指标聚类处理,相应地得到K类优化指标的过程,包括:
步骤S1221:将所述M类原始指标确定为目标指标类集;
步骤S1222:计算当前的目标指标类集中每两类指标之间的类间灰色关联度,并从得到的所有类间灰色关联度中挑选出最大类间灰色关联度;
步骤S1223:将目标指标类集中与所述最大类间灰色关联度对应的两类指标合并成一类,形成新的目标指标类集,并进入步骤S1222,直到当前的目标指标类集中最大类间灰色关联度小于或等于预设阈值,相应地得到所述K类优化指标。
7.一种公司运营指标体系的优化***,其特征在于,所述公司运营指标体系包括N个原始指标,N为正整数;所述优化***包括:
预处理模块,用于按照预设的原始指标类型,对所述N个原始指标中类型相同的原始指标进行统一的无量纲化处理并划分为一类,相应地得到M类原始指标,M为不大于N的正整数;
指标聚类模块,用于利用灰色关联分析技术,对所述M类原始指标进行指标聚类处理,相应地得到K类优化指标,K为不大于M的正整数;
代表性指标选取模块,用于从每一类优化指标的所有指标中,选出代表度大于预设代表度的指标作为该类优化指标的代表性指标,相应地得到所述K类优化指标中每一类优化指标所对应的代表性指标;
指标合并模块,用于将所述K类优化指标中的所有代表性指标进行合并,得到优化后的公司运营指标体系。
8.根据权利要求7所述的公司运营指标体系的优化***,其特征在于,所述代表性指标选取模块包括:
第一计算单元,用于计算每一类优化指标的所有指标中每一个指标的平均关联程度,并将每一个指标的平均关联程度确定为该指标的代表度;
代表性指标选取单元,用于从每一类优化指标中选出代表度大于所述预设代表度的指标作为该类优化指标的代表性指标,相应地得到所述K类优化指标中每一类优化指标所对应的代表性指标。
9.根据权利要求7或8所述的公司运营指标体系的优化***,其特征在于,所述指标聚类模块包括:
第一确定单元,用于将所述M类原始指标确定为目标指标类集;
第一筛选单元,用于当获取到当前的目标指标类集后,计算当前的目标指标类集中每两类指标之间的类间灰色关联度,并从得到的所有类间灰色关联度中挑选出最大类间灰色关联度;
第一合并单元,用于将目标指标类集中与所述最大类间灰色关联度对应的两类指标合并成一类,形成新的目标指标类集,并将该新的目标指标类集发送至所述第一筛选单元,直到当前的目标指标类集中指标类的总数等于预设类总数,所述预设类总数为K。
10.根据权利要求7或8所述的公司运营指标体系的优化***,其特征在于,所述指标聚类模块包括:
第二确定单元,用于将所述M类原始指标确定为目标指标类集;
第二筛选单元,用于当获取到当前的目标指标类集后,计算当前的目标指标类集中每两类指标之间的类间灰色关联度,并从得到的所有类间灰色关联度中挑选出最大类间灰色关联度;
第二合并单元,用于将目标指标类集中与所述最大类间灰色关联度对应的两类指标合并成一类,形成新的目标指标类集,并将该新的目标指标类集发送至所述第二筛选单元,直到当前的目标指标类集中最大类间灰色关联度小于或等于预设阈值,相应地得到所述K类优化指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510802537.4A CN105469200A (zh) | 2015-11-19 | 2015-11-19 | 一种公司运营指标体系的优化方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510802537.4A CN105469200A (zh) | 2015-11-19 | 2015-11-19 | 一种公司运营指标体系的优化方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105469200A true CN105469200A (zh) | 2016-04-06 |
Family
ID=55606868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510802537.4A Pending CN105469200A (zh) | 2015-11-19 | 2015-11-19 | 一种公司运营指标体系的优化方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105469200A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106813A (zh) * | 2013-01-18 | 2013-05-15 | 南京航空航天大学 | 一种基于指标体系的交通态势复杂度评估方法 |
CN104408539A (zh) * | 2014-12-12 | 2015-03-11 | 国家电网公司 | 一种配电网资源优化配置综合评价方法及*** |
CN104463704A (zh) * | 2014-12-08 | 2015-03-25 | 国家电网公司 | 电力通信网可靠性评价指标约简方法及*** |
-
2015
- 2015-11-19 CN CN201510802537.4A patent/CN105469200A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106813A (zh) * | 2013-01-18 | 2013-05-15 | 南京航空航天大学 | 一种基于指标体系的交通态势复杂度评估方法 |
CN104463704A (zh) * | 2014-12-08 | 2015-03-25 | 国家电网公司 | 电力通信网可靠性评价指标约简方法及*** |
CN104408539A (zh) * | 2014-12-12 | 2015-03-11 | 国家电网公司 | 一种配电网资源优化配置综合评价方法及*** |
Non-Patent Citations (2)
Title |
---|
李琼 等: "基于聚类-灰色关联分析的数字化报警***评价指标体系构建", 《南华大学学报(自然科学版)》 * |
郭三党 等: "基于最大灰色关联度的聚类方法分析", 《数学的实践与认识》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169628B (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
CN108198408B (zh) | 一种基于用电信息采集***的自适应反窃电监控方法及*** | |
CN108241932A (zh) | 一种电力供应商评价模型的建立方法 | |
CN104850963A (zh) | 一种流域突发水污染事件预警及应急处置方法和*** | |
CN104820771B (zh) | 一种航天工程制造成熟度等级确定方法 | |
CN104866625A (zh) | 一种用于实体匹配的方法及*** | |
CN111784093B (zh) | 一种基于电力大数据分析的企业复工辅助判断方法 | |
CN106709625A (zh) | 一种电力市场需求响应规划评估方法 | |
CN107358542A (zh) | 一种励磁***性能评估模型的参数确定方法 | |
CN108182511A (zh) | 一种基于秩和比法的需求侧响应资源价值评价方法 | |
CN107092932A (zh) | 一种基于条件依赖标签集的多标签主动学习方法 | |
CN105139282A (zh) | 一种电网指标数据处理方法、装置以及计算设备 | |
CN104574141A (zh) | 一种业务影响度分析方法 | |
CN106502878A (zh) | 一种基于相对成熟度的业务***评价方法及装置 | |
CN111768022A (zh) | 煤机生产设备的设备检测方法及装置 | |
CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
CN102331987A (zh) | 专利数据挖掘***及方法 | |
KR102051347B1 (ko) | 운영지표에 기반한 전기자동차 충전소의 효율적 추천 및 분류 장치 및 방법 | |
CN116227941B (zh) | 一种调水工程的风险模拟计算评估方法及*** | |
CN104599062A (zh) | 一种基于分类的农业科技成果价值评估方法及*** | |
CN108090623A (zh) | 一种基于广义极值理论和层次分析法的电网停电事故的危险性评估方法 | |
CN105469200A (zh) | 一种公司运营指标体系的优化方法及*** | |
CN111311318A (zh) | 用户流失预警的方法、装置、设备及存储介质 | |
Saharizan et al. | Spatial flood vulnerability assessment in Peninsular Malaysia using Data Envelopment Analysis (DEA) | |
CN115115469A (zh) | 一种立体库调度效率评价方法、***及存储介质、终端 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160406 |
|
RJ01 | Rejection of invention patent application after publication |