CN107292743A - 针对企业投融资的智能化决策方法及其*** - Google Patents

Abstract

本发明涉及针对企业投融资的智能化决策方法及其***，该方法包括：获取海量企业数据；根据海量企业数据获取企业决策点；量化海量企业数据中的指标，获取量化指标；从量化指标内获取舆情和风险信息；推送所述舆情和风险信息、企业决策点以及银行风控\投资模型，获取投融资的决策。本发明通过获取海量企业数据，并获取企业决策点，保证决策点的可靠性和准确性，按照银行的风控模型或投资机构投资模型将海量企业数据内需要量化的指标进行量化，获取量化指标，保证决策支持更符合银行和投行的需要，在从量化指标内筛选出符合企业投资偏好的舆情和风险信息，实现从海量的企业数据进行分析，数据量大，数据维度多，决策效率高且决策结果可靠以及准确。

Description

针对企业投融资的智能化决策方法及其***

技术领域

本发明涉及企业投融资决策方法，更具体地说是指针对企业投融资的智能化决策方法及其***。

背景技术

企业投融资是指企业经营运作的两种不同的形式，目的都是通过投资融资活动，壮大企业实力，获取企业更大效益的方式，财务管理中的投资既包括对外投资，也包括对内投资，时刻不能忘记投资要挑最佳选择，有比较，这些评估方法才有意义，是否最佳选择由好些因素组成的，绝不是一两个指标能说明一切，因此，需要企业的数据进行分析，以做出对应的决策。

目前,银行针对企业的贷款业务或者投资机构对企业的股权投资业务，也有一些相关解决方案和产品，但是都是基于对企业基础数据的简单分析，由计算机做一些简单的统计分析和报表分析，再由人工根据分析结果做出最终决策，由于基础数据量小，数据维度少，人工很难对是否可贷或者可投做出决策，决策效率低且决策结果不可靠以及不准确。

中国专利201410302943.X公开了一种基于量化指标的信息化评价方法，包括以下步骤：步骤1，开始进行信息化投资效益的评价；步骤2，设定本次评价的目的；步骤3，设定本次评价的对象；步骤4，建立本次评价的指标体系，结合设定的评价目的及评价对象，选取合适的指标构建本次信息化投资效益评价的指标体系；步骤5，确定各指标的权重，选择合适的权值计算方法，明确各个指标的权值；步骤6，构造综合评价模型，构建多属性线型综合评价模型对信息化投资效益进行评价；步骤7，开展综合评价及结果分析，根据前面各步骤所得成果，对信息化投资为企业带来的效益进行综合评价，并对评价过程结论和最终评价结果进行分析；步骤8，判断平均结果是否符合企业实际情况，若不符合，则说明在指标数据获取、指标权重设置等方面存在误差甚至错误，需要重新进行评价；步骤9，结束信息化投资效益评价工作。

上述的专利只能针对企业信息进行定量分析，而不能基于企业的海量数据来对企业进行决策点的提取，容易导致决策结果不准确的现象。

因此，有必要设计一种针对企业投融资的智能化决策方法，实现从海量的企业数据进行分析，数据量大，数据维度多，决策效率高且决策结果可靠以及准确。

发明内容

本发明的目的在于克服现有技术的缺陷，提供针对企业投融资的智能化决策方法及其***。

为实现上述目的，本发明采用以下技术方案：针对企业投融资的智能化决策方法，所述方法包括：

获取海量企业数据；

根据海量企业数据获取企业决策点；

量化海量企业数据中的指标，获取量化指标；

从量化指标内获取舆情和风险信息；

推送所述舆情和风险信息、企业决策点以及银行风控\投资模型，获取投融资的决策。

其进一步技术方案为：根据海量企业数据获取企业决策点的步骤，包括以下具体步骤：

对需要服务的企业进行分类和分层，获取企业子项；

结合企业业务特征，将所述企业子项与企业的各类决策需求关联，形成决策点分类模型；

基于专有数据源和海量数据，对决策点分类模型进行动态调整；

匹配调整后的决策点分类模型和企业经营的产品和服务，获取企业决策点。

其进一步技术方案为：量化海量企业数据中的指标，获取量化指标的步骤，包括以下具体步骤：

按照银行的风控模型或投资机构投资模型，筛选出海量企业数据中的指标；

对所述指标的数量进行统计，将统计的值作为量化指标。

其进一步技术方案为：从量化指标内获取舆情和风险信息的步骤，包括以下具体步骤：

存储所述量化指标；

从量化指标内筛选出舆情和风险信息；

对所述舆情和风险信息进行分析处理。

其进一步技术方案为：对所述舆情和风险信息进行分析处理的步骤，包括以下具体步骤：

对所述舆情和风险信息进行信息情感分析以及词性分析；

根据企业的投资偏好，筛选符合要求的舆情和风险信息。

本发明还提供了针对企业投融资的智能化决策***，包括数据获取单元、决策点获取单元、量化指标获取单元、信息获取单元以及推送单元；

所述数据获取单元，用于获取海量企业数据；

所述决策点获取单元，用于根据海量企业数据获取企业决策点；

所述量化指标获取单元，用于量化海量企业数据中的指标，获取量化指标；

所述信息获取单元，用于从量化指标内获取舆情和风险信息；

所述推送单元，用于推送所述舆情和风险信息、企业决策点以及银行风控\投资模型，获取投融资的决策。

其进一步技术方案为：所述决策点获取单元包括企业子项获取模块、模型形成模块、调整模块以及决策点获取模块；

所述企业子项获取模块，用于对需要服务的企业进行分类和分层，获取企业子项；

所述模型形成模块，用于结合企业业务特征，将所述企业子项与企业的各类决策需求关联，形成决策点分类模型；

所述调整模块，用于基于专有数据源和海量数据，对决策点分类模型进行动态调整；

所述决策点获取模块，用于匹配调整后的决策点分类模型和企业经营的产品和服务，获取企业决策点。

其进一步技术方案为：所述量化指标获取单元包括筛选模块以及统计模块；

所述指标筛选模块，用于按照银行的风控模型或投资机构投资模型，筛选出海量企业数据中的指标；

所述统计模块，用于对所述指标的数量进行统计，将统计的值作为量化指标。

其进一步技术方案为：所述信息获取单元包括存储模块、信息筛选模块以及分析处理模块；

所述存储模块，用于存储所述量化指标；

所述信息筛选模块，用于从量化指标内筛选出舆情和风险信息；

所述分析处理模块，用于对所述舆情和风险信息进行分析处理。

其进一步技术方案为：所述分析处理模块包括分析子模块以及偏好筛选子模块；

所述分析子模块，用于对所述舆情和风险信息进行信息情感分析以及词性分析；

所述偏好筛选子模块，用于根据企业的投资偏好，筛选符合要求的舆情和风险信息。

本发明与现有技术相比的有益效果是：本发明的针对企业投融资的智能化决策方法，通过获取海量企业数据，并获取企业决策点，保证决策点的可靠性和准确性，按照银行的风控模型或投资机构投资模型将海量企业数据内需要量化的指标进行量化，获取量化指标，保证决策支持更符合银行和投行的需要，在从量化指标内筛选出符合企业投资偏好的舆情和风险信息，将决策点、风控\投资模型、舆情和风险信息进行推送，对贷后、投后企业动态的及时关注，实现从海量的企业数据进行分析，数据量大，数据维度多，决策效率高且决策结果可靠以及准确。

下面结合附图和具体实施例对本发明作进一步描述。

附图说明

图1为本发明具体实施例提供的针对企业投融资的智能化决策方法的流程图；

图2为本发明具体实施例提供的获取企业决策点的具体流程图；

图3为本发明具体实施例提供的获取量化指标的具体流程图；

图4为本发明具体实施例提供的获取舆情和风险信息的具体流程图；

图5为本发明具体实施例提供的对所述舆情和风险信息进行分析处理的具体流程图；

图6为本发明具体实施例提供的针对企业投融资的智能化决策***的结构框图；

图7为本发明具体实施例提供的决策点获取单元的结构框图；

图8为本发明具体实施例提供的量化指标获取单元的结构框图；

图9为本发明具体实施例提供的信息获取单元的结构框图；

图10为本发明具体实施例提供的分析处理模块的结构框图；

图11为本发明具体实施例提供的获取企业决策点的分类示意图。

具体实施方式

为了更充分理解本发明的技术内容，下面结合具体实施例对本发明的技术方案进一步介绍和说明，但不局限于此。

如图1～11所示的具体实施例，本实施例提供的针对企业投融资的智能化决策方法，可以运用在企业的投融资过程中，实现从海量的企业数据进行分析，数据量大，数据维度多，决策效率高且决策结果可靠以及准确。

如图1所示，本实施例提供了针对企业投融资的智能化决策方法，该方法包括：

S1、获取海量企业数据；

S2、根据海量企业数据获取企业决策点；

S3、量化海量企业数据中的指标，获取量化指标；

S4、从量化指标内获取舆情和风险信息；

S5、推送所述舆情和风险信息、企业决策点以及银行风控\投资模型，获取投融资的决策。

对于上述的S1步骤，具体是通过数据爬取技术，在设定时间内从互联网上采集和爬取企业相关数据，作为海量企业数据；在获取到海量企业数据后，还需要对这些海量企业数据进行定期更新，以此来积累企业数据，海量可靠数据的支持，提升决策的准确度。

更进一步的，对于上述的S2步骤，根据海量企业数据获取企业决策点的步骤，包括以下具体步骤：

S21、对需要服务的企业进行分类和分层，获取企业子项；

S22、结合企业业务特征，将所述企业子项与企业的各类决策需求关联，形成决策点分类模型；

S23、基于专有数据源和海量数据，对决策点分类模型进行动态调整；

S24、匹配调整后的决策点分类模型和企业经营的产品和服务，获取企业决策点。

对于S2步骤而言，具体是将行业专家的决策理论模型化，再利用决策点模型进行机器学习，获取决策点，保证决策点的可靠性和准确性。

对于S21步骤，具体是获取需要服务的已收录企业，按照经营对象或经营内容对所述企业的经营活动分类和分层，获取企业子项。

对于上述的S22步骤，具体是结合企业业务特征，预测所述企业子项与企业经营中面临的各类决策需求匹配的概率，结合企业经营中面临的各类决策需求之间的关联关系，整合所述企业子项以及所述概率，形成决策点分类模型；企业经营中面临的各类决策需求在实际中就是企业业务的各个企业子项所面临的不同场景的选择及其可能带来的后果的综合衡量，预测概率时，主要是对每种场景发生的概率的计算和预测，将每种场景发生的概率的计算和预测，结合各场景之间的关联关系，挑选发生概率高且后果良好的决策与子项对应，为企业提供最利于企业的决策建议。

对于上述的S23步骤，具体是获取专有数据源以及关于企业的各类海量数据，根据专有数据源以及关于企业的各类海量数据，动态记录企业经营状况的发展趋势，结合所述发展趋势动态调整决策点分类模型。通过数据爬取技术，在设定时间内从互联网上采集和爬取企业相关数据，作为海量数据；在获取到海量数据后，还需要对这些海量数据进行定期更新，以此来积累企业数据，海量可靠数据的支持，对企业经营决策实现主动、动态和及时的数据支持，并且在一定程度上可以预测企业发展需求和经营变化。根据设定时间内爬取的数据来记录企业经营状况的发展趋势，随着社会和科技的发展，企业可能会遇到新的决策需求，或者说决策点分类模型中无法完全覆盖企业所有的决策需求，通过对专有数据源和源自互联网的海量样本采用机器学习的方式，动态调整已有的决策点分类模型以适应企业不同阶段的决策需求，实现可以对企业经营决策实现主动、动态和及时的数据支持，并且在一定程度上可以预测企业发展需求和经营变化，通过大数据技术与企业实际经营分析的结合，克服了已有大数据分析静态、被动的缺陷，与业务特征的紧密结合，使得对企业需求的把握更加精准，更便于提供有效服务，获取的决策点分类模型具备可扩展性和移植性，通过对不同行业领域企业的大数据分析和机器学习，可以有效服务于各种类型的企业。

对于上述的S24步骤，主要是根据企业经营的产品和服务，分析并获取企业当前的经营活动所处的企业子项，根据企业子项在所述决策点分类模型内查询对应的决策需求，获取企业决策点。在实际运用中，需要先获取企业经营的产品和服务，再分析出企业当前所处的企业子项，依据企业子项获取企业决策点，根据调优后的决策点分类模型匹配与企业经营有关的产品和服务，实现企业服务的定制化和精准化，根据对决策场景的概率和后果的计算和预测，可以使得企业针对具体场景对企业的产品和服务做出最有利于企业的调整，以获得竞争优势。

更进一步的，上述的S3步骤，量化海量企业数据中的指标，获取量化指标的步骤，包括以下具体步骤：

S31、按照银行的风控模型或投资机构投资模型，筛选出海量企业数据中的指标；

S32、对所述指标的数量进行统计，将统计的值作为量化指标。

对于上述的S31步骤，筛选出来的指标包括基本情况、股东背景与治理结构、创始人与团队、行业、技术与市场、报表数据、销售与利润验证、股权价值、创业者资产实力以及企业的舆情和风险信息中至少一种。

对于S32步骤，具体的，按照风控模型的某一指标，如企业是否高新企业，企业专利数进行统计，将统计的值作为量化指标。

上述的S31步骤至S32步骤，基于银行风控模型、投行投资模型，从海量数据中量化模型的各类指标，保证决策支持更符合银行和投行的需要。

更进一步的，对于上述的S4步骤，从量化指标内获取舆情和风险信息的步骤，包括以下具体步骤：

S41、存储所述量化指标；

S42、从量化指标内筛选出舆情和风险信息；

S43、对所述舆情和风险信息进行分析处理。

对于上述的S41步骤，具体是使用HADOOP存储量化指标。

对于上述的S42步骤，具体可以通过关键字筛选的方式将量化指标内的舆情和风险信息。

更进一步的，上述的S43步骤，对所述舆情和风险信息进行分析处理的步骤，包括以下具体步骤：

S431、对所述舆情和风险信息进行信息情感分析以及词性分析；

S432、根据企业的投资偏好，筛选符合要求的舆情和风险信息。

对于上述的S431步骤，具体是采用自然语言处理技术，实时分析舆情数据和风险信息数据。

对于上述的S432步骤，根据企业的投资偏好推送符合的内容，实现了企业各类舆情和风险信息的定期推送，辅助投贷业务决策支持，对贷后、投后企业动态的及时关注。

上述的针对企业投融资的智能化决策方法，通过获取海量企业数据，并获取企业决策点，保证决策点的可靠性和准确性，按照银行的风控模型或投资机构投资模型将海量企业数据内需要量化的指标进行量化，获取量化指标，保证决策支持更符合银行和投行的需要，在从量化指标内筛选出符合企业投资偏好的舆情和风险信息，将决策点、风控\投资模型、舆情和风险信息进行推送，对贷后、投后企业动态的及时关注，实现从海量的企业数据进行分析，数据量大，数据维度多，决策效率高且决策结果可靠以及准确。

如图6所示，本实施例还提供了针对企业投融资的智能化决策***，包括数据获取单元1、决策点获取单元2、量化指标获取单元3、信息获取单元4以及推送单元5。

数据获取单元1，用于获取海量企业数据。

决策点获取单元2，用于根据海量企业数据获取企业决策点。

量化指标获取单元3，用于量化海量企业数据中的指标，获取量化指标。

信息获取单元4，用于从量化指标内获取舆情和风险信息。

推送单元5，用于推送所述舆情和风险信息、企业决策点以及银行风控\投资模型，获取投融资的决策。

对于上述的数据获取单元1具体是通过数据爬取技术，在设定时间内从互联网上采集和爬取企业相关数据，作为海量企业数据；在获取到海量企业数据后，还需要对这些海量企业数据进行定期更新，以此来积累企业数据，海量可靠数据的支持，提升决策的准确度。

对于上述的决策点获取单元2具体是将行业专家的决策理论模型化，再利用决策点模型进行机器学习，获取决策点，保证决策点的可靠性和准确性。

该决策点获取单元2包括企业子项获取模块21、模型形成模块22、调整模块23以及决策点获取模块24。

企业子项获取模块21，用于对需要服务的企业进行分类和分层，获取企业子项。

模型形成模块22，用于结合企业业务特征，将所述企业子项与企业的各类决策需求关联，形成决策点分类模型。

调整模块23，用于基于专有数据源和海量数据，对决策点分类模型进行动态调整。

决策点获取模块24，用于匹配调整后的决策点分类模型和企业经营的产品和服务，获取企业决策点。

上述的企业子项获取模块21具体是获取需要服务的已收录企业，按照经营对象或经营内容对所述企业的经营活动分类和分层，获取企业子项。

上述的模型形成模块22具体是结合企业业务特征，预测所述企业子项与企业经营中面临的各类决策需求匹配的概率，结合企业经营中面临的各类决策需求之间的关联关系，整合所述企业子项以及所述概率，形成决策点分类模型；企业经营中面临的各类决策需求在实际中就是企业业务的各个企业子项所面临的不同场景的选择及其可能带来的后果的综合衡量，预测概率时，主要是对每种场景发生的概率的计算和预测，将每种场景发生的概率的计算和预测，结合各场景之间的关联关系，挑选发生概率高且后果良好的决策与子项对应，为企业提供最利于企业的决策建议。

上述的调整模块23具体是获取专有数据源以及关于企业的各类海量数据，根据专有数据源以及关于企业的各类海量数据，动态记录企业经营状况的发展趋势，结合所述发展趋势动态调整决策点分类模型。通过数据爬取技术，在设定时间内从互联网上采集和爬取企业相关数据，作为海量数据；在获取到海量数据后，还需要对这些海量数据进行定期更新，以此来积累企业数据，海量可靠数据的支持，对企业经营决策实现主动、动态和及时的数据支持，并且在一定程度上可以预测企业发展需求和经营变化。根据设定时间内爬取的数据来记录企业经营状况的发展趋势，随着社会和科技的发展，企业可能会遇到新的决策需求，或者说决策点分类模型中无法完全覆盖企业所有的决策需求，通过对专有数据源和源自互联网的海量样本采用机器学习的方式，动态调整已有的决策点分类模型以适应企业不同阶段的决策需求，实现可以对企业经营决策实现主动、动态和及时的数据支持，并且在一定程度上可以预测企业发展需求和经营变化，通过大数据技术与企业实际经营分析的结合，克服了已有大数据分析静态、被动的缺陷，与业务特征的紧密结合，使得对企业需求的把握更加精准，更便于提供有效服务，获取的决策点分类模型具备可扩展性和移植性，通过对不同行业领域企业的大数据分析和机器学习，可以有效服务于各种类型的企业。

上述的决策点获取模块24主要是根据企业经营的产品和服务，分析并获取企业当前的经营活动所处的企业子项，根据企业子项在所述决策点分类模型内查询对应的决策需求，获取企业决策点。在实际运用中，需要先获取企业经营的产品和服务，再分析出企业当前所处的企业子项，依据企业子项获取企业决策点，根据调优后的决策点分类模型匹配与企业经营有关的产品和服务，实现企业服务的定制化和精准化，根据对决策场景的概率和后果的计算和预测，可以使得企业针对具体场景对企业的产品和服务做出最有利于企业的调整，以获得竞争优势。

另外，上述的量化指标获取单元3包括筛选模块31以及统计模块32。

指标筛选模块31，用于按照银行的风控模型或投资机构投资模型，筛选出海量企业数据中的指标。

统计模块32，用于对所述指标的数量进行统计，将统计的值作为量化指标。

上述的指标筛选模块31筛选出来的指标包括基本情况、股东背景与治理结构、创始人与团队、行业、技术与市场、报表数据、销售与利润验证、股权价值、创业者资产实力以及企业的舆情和风险信息中至少一种。

上述的统计模块32具体是按照风控模型的某一指标，如企业是否高新企业，企业专利数进行统计，将统计的值作为量化指标。

上述的指标筛选模块31以及统计模块32具体是基于银行风控模型、投行投资模型，从海量数据中量化模型的各类指标，保证决策支持更符合银行和投行的需要。

更进一步的，信息获取单元4包括存储模块41、信息筛选模块42以及分析处理模块43。

存储模块41，用于存储所述量化指标。

信息筛选模块42，用于从量化指标内筛选出舆情和风险信息。

分析处理模块43，用于对所述舆情和风险信息进行分析处理。

上述的存储模块41具体是使用HADOOP存储量化指标。

上述的信息筛选模块42具体可以通过关键字筛选的方式将量化指标内的舆情和风险信息。

更进一步的，分析处理模块43包括分析子模块431以及偏好筛选子模块432。

分析子模块431，用于对所述舆情和风险信息进行信息情感分析以及词性分析。

偏好筛选子模块432，用于根据企业的投资偏好，筛选符合要求的舆情和风险信息。

上述的分析子模块431具体是采用自然语言处理技术，实时分析舆情数据和风险信息数据。

上述的偏好筛选子模块432根据企业的投资偏好推送符合的内容，实现了企业各类舆情和风险信息的定期推送，辅助投贷业务决策支持，对贷后、投后企业动态的及时关注。

上述的针对企业投融资的智能化决策***，通过获取海量企业数据，并获取企业决策点，保证决策点的可靠性和准确性，按照银行的风控模型或投资机构投资模型将海量企业数据内需要量化的指标进行量化，获取量化指标，保证决策支持更符合银行和投行的需要，在从量化指标内筛选出符合企业投资偏好的舆情和风险信息，将决策点、风控\投资模型、舆情和风险信息进行推送，对贷后、投后企业动态的及时关注，实现从海量的企业数据进行分析，数据量大，数据维度多，决策效率高且决策结果可靠以及准确。

上述仅以实施例来进一步说明本发明的技术内容，以便于读者更容易理解，但不代表本发明的实施方式仅限于此，任何依本发明所做的技术延伸或再创造，均受本发明的保护。本发明的保护范围以权利要求书为准。

Claims (10)

1.针对企业投融资的智能化决策方法，其特征在于，所述方法包括：

获取海量企业数据；

根据海量企业数据获取企业决策点；

量化海量企业数据中的指标，获取量化指标；

从量化指标内获取舆情和风险信息；

推送所述舆情和风险信息、企业决策点以及银行风控\投资模型，获取投融资的决策。

2.根据权利要求1所述的针对企业投融资的智能化决策方法，其特征在于，根据海量企业数据获取企业决策点的步骤，包括以下具体步骤：

对需要服务的企业进行分类和分层，获取企业子项；

结合企业业务特征，将所述企业子项与企业的各类决策需求关联，形成决策点分类模型；

基于专有数据源和海量数据，对决策点分类模型进行动态调整；

匹配调整后的决策点分类模型和企业经营的产品和服务，获取企业决策点。

3.根据权利要求1所述的针对企业投融资的智能化决策方法，其特征在于，量化海量企业数据中的指标，获取量化指标的步骤，包括以下具体步骤：

按照银行的风控模型或投资机构投资模型，筛选出海量企业数据中的指标；

对所述指标的数量进行统计，将统计的值作为量化指标。

4.根据权利要求1至3任一项所述的针对企业投融资的智能化决策方法，其特征在于，从量化指标内获取舆情和风险信息的步骤，包括以下具体步骤：

存储所述量化指标；

从量化指标内筛选出舆情和风险信息；

对所述舆情和风险信息进行分析处理。

5.根据权利要求4所述的针对企业投融资的智能化决策方法，其特征在于，对所述舆情和风险信息进行分析处理的步骤，包括以下具体步骤：

对所述舆情和风险信息进行信息情感分析以及词性分析；

根据企业的投资偏好，筛选符合要求的舆情和风险信息。

6.针对企业投融资的智能化决策***，其特征在于，包括数据获取单元、决策点获取单元、量化指标获取单元、信息获取单元以及推送单元；

所述数据获取单元，用于获取海量企业数据；

所述决策点获取单元，用于根据海量企业数据获取企业决策点；

所述量化指标获取单元，用于量化海量企业数据中的指标，获取量化指标；

所述信息获取单元，用于从量化指标内获取舆情和风险信息；

所述推送单元，用于推送所述舆情和风险信息、企业决策点以及银行风控\投资模型，获取投融资的决策。

7.根据权利要求6所述的针对企业投融资的智能化决策方法，其特征在于，所述决策点获取单元包括企业子项获取模块、模型形成模块、调整模块以及决策点获取模块；

所述企业子项获取模块，用于对需要服务的企业进行分类和分层，获取企业子项；

所述模型形成模块，用于结合企业业务特征，将所述企业子项与企业的各类决策需求关联，形成决策点分类模型；

所述调整模块，用于基于专有数据源和海量数据，对决策点分类模型进行动态调整；

所述决策点获取模块，用于匹配调整后的决策点分类模型和企业经营的产品和服务，获取企业决策点。

8.根据权利要求7所述的针对企业投融资的智能化决策方法，其特征在于，所述量化指标获取单元包括筛选模块以及统计模块；

所述指标筛选模块，用于按照银行的风控模型或投资机构投资模型，筛选出海量企业数据中的指标；

所述统计模块，用于对所述指标的数量进行统计，将统计的值作为量化指标。

9.根据权利要求8所述的针对企业投融资的智能化决策方法，其特征在于，所述信息获取单元包括存储模块、信息筛选模块以及分析处理模块；

所述存储模块，用于存储所述量化指标；

所述信息筛选模块，用于从量化指标内筛选出舆情和风险信息；

所述分析处理模块，用于对所述舆情和风险信息进行分析处理。

10.根据权利要求9所述的针对企业投融资的智能化决策方法，其特征在于，所述分析处理模块包括分析子模块以及偏好筛选子模块；

所述分析子模块，用于对所述舆情和风险信息进行信息情感分析以及词性分析；

所述偏好筛选子模块，用于根据企业的投资偏好，筛选符合要求的舆情和风险信息。