CN111047122A - 企业数据成熟度评估方法、装置及计算机设备 - Google Patents
企业数据成熟度评估方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN111047122A CN111047122A CN201811182573.5A CN201811182573A CN111047122A CN 111047122 A CN111047122 A CN 111047122A CN 201811182573 A CN201811182573 A CN 201811182573A CN 111047122 A CN111047122 A CN 111047122A
- Authority
- CN
- China
- Prior art keywords
- attribute
- evaluation
- maturity
- target
- enterprise
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 425
- 238000007405 data analysis Methods 0.000 claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims description 74
- 238000004364 calculation method Methods 0.000 claims description 59
- 238000013145 classification model Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 30
- 238000007635 classification algorithm Methods 0.000 claims description 17
- 238000010801 machine learning Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 19
- 238000003860 storage Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000011157 data evaluation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012911 target assessment Methods 0.000 description 1
Images
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种企业数据成熟度评估方法、装置及计算机设备，本实施例从影响目标企业的数据分析应用成熟度的多个维度即多个第一属性评估指标，对目标企业进行的成熟度的综合评估，由多个用户根据这多个第一属性评估指标为目标企业打分，以使得每一个第一属性评估指标都有的多个第一属性分数，之后，可以结合各第一属性评估指标的分配权重即第一属性权重，按照预设数据成熟度分析算法，获取目标企业的数据成熟度评估结果，相对于现有技术由某一个专家直接对目标企业进行成熟度评估，本实施例利用数据成熟度分析算法，从目标企业的多维度参数进行综合评估的方案，提高了企业数据分析成熟度评估准确性。
Description
技术领域
本发明涉及数据处理技术领域，更具体地说是涉及一种企业数据成熟度评估方法、装置及计算机设备。
背景技术
企业在正常运营中会产生数据，对这些数据的深层次挖掘与分析，不仅能够对整个市场环境和宏观经济走向做出判断，还能够深入到生产经营的每个环节、服务消费的每个客户去了解真实情况，为企业战略目标达成和经营管理决策提供数据支持。
尤其在如今大数据时代，各行各业的企业都非常重视大数据分析的应用，目前对企业的数据分析评估通常是人工定性分析，即由企业数据分析成熟度评估者对企业打分，并依据分数主观确定企业的数据分析成熟度等级，准确性差。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的企业数据成熟度评估方法、装置及计算设备。
本发明实施例提供了一种企业数据成熟度评估方法，所述方法包括：
确定目标企业的多个第一属性评估指标，所述第一属性评估指标用于表征所述目标企业在该属性下的数据分析能力；
获取每一个第一属性评估指标对应的多个第一属性分数和所述第一属性分数对应的第一属性权重，所述多个第一属性分数分别对应不同的用户，用不同的用户标识加以区分；
依据获取的所述第一属性分数及所述第一属性权重，利用预设数据成熟度分析算法，获取所述目标企业的数据成熟度评估结果。
可选的，所述根据获取的所述第一属性分数及所述第一属性权重，利用预设数据成熟度分析算法，获取所述目标企业的数据成熟度评估结果，包括：
利用与同一个用户标识对应的所述多个第一属性评估指标各自的第一属性分数和第一属性权重，计算所述目标企业相应的待定评估分数；
对计算得到的多个待定评估分数进行加权平均计算，得到所述目标企业的目标评估分数，所述多个待定评估分数对应不同的用户标识。
可选的，所述根据获取的所述第一属性分数及所述第一属性权重，利用预设数据成熟度分析算法，获取所述目标企业的数据成熟度评估结果，还包括：
利用所述目标企业的目标评估分数，按照数据成熟度分类算法，对所述目的对象进行成熟度评估，确定所述目标企业的当前成熟度等级。
可选的，所述方法还包括：
获取成熟度评估标准包含的多个成熟度等级分别对应的等级标签，所述成熟度评估标准基于所述多个用户标识分别对应的多个样本企业的评估分数确定；
获取所述多个样本企业各自的多个评估分数；
基于机器学习算法，对所述多个评估分数及多个等级标签进行训练，得到成熟度分类模型；
所述利用所述目标企业的目标评估分数，按照预设数据成熟度分类算法，对所述目的对象进行成熟度评估，确定所述目标企业的当前成熟度等级，包括：
将所述目标企业的目标评估分数输入所述成熟度分类模型进行分类处理，得到所述目标企业的当前成熟度等级。
可选的，所述利用所述目标企业的目标评估分数，按照预设数据成熟度分类算法，对所述目的对象进行成熟度评估，确定所述目标企业的当前成熟度等级，包括：
确定成熟度评估标准包含的多个成熟度等级分别对应评估分数范围；
将所述目标企业的目标评估分数与各评估分数范围进行比对；
将所述目标评估分数所属评估分数范围对应的成熟度等级，作为所述目标企业的当前成熟度等级。
可选的，所述方法还包括：
获取第三方确定的多个用户的用户权重，并将所述用户权重与相应用户的用户标识关联；
判断获取的多个用户权重是否相同；
如果是，执行所述对计算得到的多个待定评估分数进行加权平均计算，得到所述目标企业的目标评估分数步骤；
如果否，利用所述多个用户标识分别对应的用户权重及所述待定评估分数进行加权平均计算，得到所述目标企业的目标评估分数。
可选的，所述方法还包括：
确定目标企业的多个第二属性评估指标，及每一个第二属性评估指标包含的至少一个第一属性评估指标；
所述利用与同一个用户标识对应的所述多个第一属性评估指标各自的第一属性分数和第一属性权重，计算所述目标企业相应的待定评估分数，包括：
针对同一用户标识，计算每一个第二属性评估指标包含的各第一属性评估指标对应的第一属性评分与第一属性权重的乘积；
对得到的多个乘积结果总和与所述第二属性评估指标包含的各第一属性评估指标的第一属性权重总和进行求商运算，得到相应第二属性评估指标的第二属性评分；
对所述第二属性评估指标包含的各第一属性评估指标的第一属性权重总和，与各第二属性评估指标包含的各第一属性评估指标的第一属性权重总和进行求商运算，得到相应第二属性评估指标的第二属性权重；
计算各第二属性评估指标对应的第二属性评分与第二属性权重的乘积总和；
对所述乘积总和与所述各第二属性评估指标的第二属性权重的总和进行求商运算，得到当前用户标识关联的所述目标企业的待定评估分数。
本发明实施例还提供了一种企业数据成熟度评估装置，所述装置包括：
第一评估指标确定模块，用于确定目标企业的多个第一属性评估指标，所述第一属性评估指标用于表征所述目标企业在该属性下的数据分析能力；
第一获取模块，用于获取每一个第一属性评估指标对应的多个第一属性分数和所述第一属性分数对应的第一属性权重，所述多个第一属性分数分别对应不同的用户，用不同的用户标识加以区分；
成熟度评估结果获取模块，用于依据获取的所述第一属性分数及所述第一属性权重，利用预设数据成熟度分析算法，获取所述目标企业的数据成熟度评估结果。
可选的，所述成熟度评估结果获取模块包括：
第一计算单元，用于利用与同一个用户标识对应的所述多个第一属性评估指标各自的第一属性分数和第一属性权重，计算所述目标企业相应的待定评估分数；
第二计算单元，用于对计算得到的多个待定评估分数进行加权平均计算，得到所述目标企业的目标评估分数，所述多个待定评估分数对应不同的用户标识；
成熟度等级确定单元，用于利用所述目标企业的目标评估分数，按照数据成熟度分类算法，对所述目的对象进行成熟度评估，确定所述目标企业的当前成熟度等级。
本发明实施例还提供了一种计算机设备，所述计算机设备包括：
通信接口；
存储器，用于存储实现如上所述的企业数据成熟度评估方法的程序；
处理器，用于加载并执行所述存储器存储的程序，以实现如上所述的企业数据成熟度评估方法的各步骤。
借由上述技术方案，本发明提供的企业数据成熟度评估方法、装置及计算机设备，本实施例从影响目标企业的数据分析应用成熟度的多个维度，确定出目标企业的多个第一属性评估指标后，由多个用户(如本领域专家等)根据这多个第一属性评估指标为目标企业打分，得到多个用户分别关联的各第一属性评估指标对应的第一属性分数，并结合各第一属性评估指标的分配权重即第一属性权重，利用预设数据成熟度分析算法，获取目标企业的数据成熟度评估结果，相对传统由某专家对企业整体进行打分，主观给出该企业的成熟度评估结果的方案相比，本实施例这种评估方式，提高了企业数据分析成熟度评估准确性。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种企业数据成熟度评估方法的流程示意图；
图2示出了本发明实施例提供的另一种企业数据成熟度评估方法的流程示意图；
图3示出了本发明实施例提供的另一种企业数据成熟度评估方法的流程示意图；
图4示出了本发明实施例提供的又一种企业数据成熟度评估方法的流程示意图；
图5示出了本发明实施例提供的一种企业数据成熟度评估方法的应用流程示意图；
图6示出了本发明实施例提供的另一种企业数据成熟度评估方法的应用流程示意图；
图7示出了本发明实施例提供的一种企业数据成熟度评估装置的结构示意图；
图8示出了本发明实施例提供的另一种企业数据成熟度评估装置的结构示意图；
图9示出了本发明实施例提供的又一种企业数据成熟度评估装置的结构示意图；
图10示出了本发明实施例提供的一种计算机设备的硬件结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
参照图1，为本发明实施例提供的一种企业数据成熟度评估方法的流程示意图，该方法可以应用于计算机设备，如终端设备或服务器等，本实施例对该计算机设备的产品类型不作限定，该方法具体可以包括但并不局限于下文描述的步骤：
步骤S11，确定目标企业的多个第一属性评估指标；
本实施例中的目标企业可以是任意一家企业，并将体现企业数据分析应用能力的多方面属性作为评估指标，即从多维度评估企业在数据分析应用上的成熟度，影响企业数据分析应用的属性可以包括数据组织、人力资源、技术工具、应用范围和价值等，还可以对每一个属性进一步细化，本实施例可以将从大类划分的企业属性记为一级维度，将对一级维度属性细化的属性记为二级维度。
具体的，上述数据组织可以划分为数据分析的管理组织，数据分析的战略规划，数据分析的政策和制度等二级维度的属性评估指标；人力资源可以划分为高层领导支持，数据分析的专业人员和数据分析文化氛围等二级维度的属性评估指标；数据分析技术可以划分为企业信息化建设成熟度，获取数据的能力，数据分析的工具、平台模式及优化能力等二级维度的属性评估指标；应用范围可以划分为集团公司全局应用，部门级别应用及部门内部有限的人员应用等二级维度的属性评估指标；价值体现可以划分为使用数据分析结果支持企业战略决策、数据分析应用的效率、数据分析结果决策应用的范围等二级维度的属性评估指标。
需要说明，本发明对分析企业成熟度的属性信息并不局限于上文列举的一级维度和二级维度的数据评估指标，本实施例仅以此为例进行说明，对于其他属性评估指标的分析计算过程类似，本实施例不做一一详述。
且，本实施例上述步骤S11确定的多个第一属性评估指标可以指上文列举的二级维度的属性评估指标，但并不局限于此，结合上文分析，第一属性评估指标可以是表征目标企业在该属性下的数据分析能力，也可以说，从该属性角度看，该目标对象的成熟度。
步骤S12，获取每一个第一属性评估指标的第一属性权重及多个第一属性分数；
可选的，本实施例的属性分数可以由企业所在领域的专家确定，具体可以由该领域的专家评委会中的多个专家，根据上述确定的多个第一属性评估指标，对该企业进行打分，所得分数即为相应第一属性评估指标的第一属性分数。当然，除了由本领域专家打分外，本实施例还可以有企业员工打分，操作过程类似，本实施例在此不再详述。
由此可见，对于目标企业的每一个第一属性评估指标，每一个专家、企业员工等都可以从该角度考虑，为目标企业打分，即该目标企业在该属性下的成熟度评估，本实施例可以确定为目标企业打分用户的用户标识，并将该用户标识与打分得到的第一属性分数关联，所以，步骤S12获取的每一个第一属性评估指标的多个第一属性分数可以分别对应不同的用户，用不同的用户标识加以区分。
而对于第一属性权重，其是针对对应一级维度的贡献得到，可以根据大数据统计得到，本实施例对各二级维度属性评估指标在目标企业的数据分析成熟度评估所占比重(即第一属性权重)的具体获取方法不作限定。
可选的，对于上述打分的多个专家，由于不同专家的能力不同，为了提高企业数据分析成熟度评估准确性，本实施例可以设定每一个专家的权重即用户权重，其可以由专家评委会评定，并与该专家的唯一用户标识关联，以便通过专家的用户标识，获取相应的用户权重。
此时，由于各专家的用户权重可以相同，也可以不同，各专家的用户权重决定了相应专家对目标企业的评估分数所占比例不同，进而决定了目标企业的最终数据分析成熟度评估分数，因此，为了提高企业数据分析应用成熟度评估准确性，本实施例可以在获取多个用户标识对应的用户权重后，判断各用户权重是否一致，若是，执行后续步骤，若否，那么在后续计算目标企业的数据成熟度评估结果时，还需要考虑用户的权重。
步骤S13，依据获取的第一属性分数及第一属性权重，利用预设数据成熟度分析算法，获取目标企业的数据成熟度评估结果。
其中，预设数据成熟度分析算法可以包括：对每一个用户标识对应的多个第一属性评估指标各自的第一属性分数和第一属性权重进行处理的算法，来得到具有该用户标识的用户对目标企业的最终评估分数，即从多个属性评估指标考虑得到的成熟度评估结果。还可以包括基于目标企业的评估分数，确定该目标企业的成熟度等级的成熟度分类算法等等，本实施例对该预设数据成熟度度分析算法的内容不做限定，
基于此，结合上述分析，本实施例获取了该目标企业的多个二级维度的第一属性评估指标分别对应的第一属性分数和第一属性权重，若对第一属性评估指标打分的多个用户各自的用户权重一致，本实施例可以直接基于多个第一属性分数和第一属性权重，按照预设计算公式，计算各专家对目标企业的数据成熟度评估分数。若这些用户权重不一致，将依据获取的第一属性分数、第一属性权重及用户权重，计算得到目标企业的数据成熟度评估结果，具体实现过程可以参照下文相应部分的描述。
可选的，本实施例计算得到各专家对目标企业的数据成熟度评估分数，即待定评估分数后，可以利用预先构建的对象数据分析应用的成熟度分类模型，将得到的多个评估分数作为模型输入，输入该成熟度分类模型，得到目标企业的数据分析应用的成熟度等级。
其中，成熟度分类模型具体可以是星型模型、树型模型等各种结构的模型，利用机器学习算法对大量样本数据训练得到，本实施例对该成熟度分类模型的训练方法不作限定，可以采用但并不局限于下文描述的训练方法。
可选的，训练成熟度分类模型使用的机器学习算法可以包括K近邻、逻辑回归、梯度提升树、支持向量机、朴素贝叶斯、决策树、随机森林等算法，可以根据实际需要选择需要的算法，并依据该算法的数据处理原理，完成成熟度分类模型的训练，本实施例对该模型训练过程不做详述。
在本实施例中，用于模型训练的样本数据可以包括多个专家对企业进行的多次打分，以及对同一行业的多个企业打分得到的大量评估分数，以及依据不同类型企业的成熟度数值，将企业数据分析所处的历程划分为的多个成熟度等级(或称为发展阶段)，如数据分析方法起步阶段(可以记为A阶段)、数据分析方法有限利用阶段(可以记为B阶段)、推动数据分析企业应用阶段(可以记为C阶段)、数据分析型企业阶段(可以记为D阶段)、智慧数据分析型企业阶段(可以记为E阶段)等，本实施例可以确定这些阶段分别对应的等级标签，从而将得到的多个等级标签也作为训练的样本数据，这样，利用训练得到的成熟度分类模型，对目标企业的多个评估分数进行计算，确定出目标企业的目标评估分数所处的成熟度等级。
当然，本实施例也可以利用预设的计算公式，直接对目标企业的多个第一属性分数进行计算，得到该目标企业的成熟度评估分数后，将该成熟度评估分数与预先设定的成熟度评估标准进行比较，确定目标企业所处的成熟度等级，并不局限于上文基于成熟度分类模型得到目标企业的成熟度评估结果。
在本实施例实际应用中，按照上文描述的方式，获得用来进行模型训练的样本数据的源数据后，由于该源数据通常会包括正常数据和套损数据，因此，可以先对源数据进行预处理，如剔除空/单值、无效特征、对缺失值特征进行处理、对从源数据中提取的类别特征进行one-hot编码处理等等，之后，对于预处理得到的数据进行特征分析，如关联性分析和重要性分析，将得到的数据作为样本数据，利用机器学习算法进行模型训练，即进行不断的特征分析和模型迭代，得到稳定的成熟度分类模型。
其中，对于训练得到的成熟度分类模型，本实施还可以通过扩充数据源的方式，继续对其进行优化和提升，如对各类样本数据进行网格参数调用、交叉验证等方式进行模型优化，提高成熟度分类模型的对企业成熟度评估准确性，还可以由此得知模型的各类输入数据特征的重要性，由此来调整各属性评估指标的权重，进一步提高成熟度评估准确性，具体实现过程本实施例不做详述。
综上所述，本实施例从影响目标企业的数据分析应用成熟度的多个维度，确定出目标企业的多个第一属性评估指标，之后，从这维度对目标企业进行成熟度综合评估，具体由多个用户(如本领域专家等)根据这多个第一属性评估指标为目标企业打分，以使得每一个第一属性评估指标都有的多个第一属性分数，之后，可以结合各第一属性评估指标的分配权重即第一属性权重，按照预设数据成熟度分析算法，获取目标企业的数据成熟度评估结果，相对于现有技术由某一个专家直接对目标企业进行成熟度评估，本实施例利用数据成熟度分析算法，从目标企业的多维度参数进行综合评估的方案，提高了企业数据分析成熟度评估准确性。
作为本发明另一可选实施例，如图2所示的另一可选实施例提供的企业数据成熟度评估方法的流程示意图，该方法可以应用于计算机设备，参照图2，该方法可以包括以下步骤：
步骤S21，确定目标企业的多个第一属性评估指标；
关于步骤S21确定第一属性评估指标的过程，可以参照上述实施例步骤S11相应部分的描述。
步骤S22，获取每一个第一属性评估指标的第一属性权重和多个第一属性分数；
对于本实施例第一属性分数和第一属性权重的获取方式，可以参照上述实施例步骤S12相应部分的描述。
步骤S23，利用与同一个用户标识对应的多个第一属性评估指标各自的第一属性分数和第一属性权重，计算目标企业相应的待定评估分数；
结合上述评估企业数据成熟度，确定的一级维度和二级维度的属性评估指标的描述，本实施例可以得到如下表1所示的企业数据分析成熟度维度、权重示意图；
表1
假设有N名专家参与对企业二级维度属性评估指标的打分，每名专家都可以对上表1中各二级维度属性评估指标进行打分，以得到这名专家对该企业的成熟度评分Pi，i＝1、2、…、N，N为整数，以上表1所示的5个一级维度属性评估指标(记为第二属性评估指标)，每个一级维度属性评估指标细分3个二级维度属性评估指标(即为上述第一属性评估指标)为例进行说明。本实施例可以采用以下公式计算得到每名专家对目标企业的成熟度评分，即待定评估分数。
由上述公式(1)可知，每名专家对目标企业的成熟度评分可以由一级维度对应的各第二属性评估指标的第二属性分数与相应第二属性权重的乘积总和，除以该维度下各第二属性评估指标的第二属性权重的总和，即可得到该专家对目标企业的成熟度评分。
结合上述分析，由于每一个一级维度可以细分为多个二级维度的属性评估指标，因此，对于各一级维度的第二属性评估指标的第二属性分数，可以由对应的二级维度的各第一属性评估指标的第一属性分数和第一属性权重计算得到，具体如上述公式(2)和公式(3)的计算过程。本实施例可以确定目标企业的多个第二属性评估指标，及每一个第二属性评估指标包含的至少一个第一属性评估指标，之后，按照上述公式(1)、(2)和(3)计算得到每一名专家对目标企业的数据成熟度评估分数记为待定评估分数。
步骤S24，获取多个用户标识分别对应的用户权重；
其中，若用户是目标企业所在领域的专家，其用户权重可以由专家评委会确定，并发送至计算机设备。
步骤S25，判断各用户权重是否一致，若是，进入步骤S26；若否，执行步骤S27；
步骤S26，对计算得到的多个待定评估分数进行加权平均计算，得到目标企业的目标评估分数；本实施例按照上述方式计算得到N个待定评估分数Pi之后，若打分的各用户的用户权重相同，本实施例可以利用公式(4)，直接对N个待定评估分数进行加权平均计算，得到目标企业的目标评估分数P，其中，加权平均计算公式(4)为：
需要说明，在进行打分的多个用户的用户权重相同的情况下，关于计算目标企业的目标评估分数的计算方式，并不局限于上文描述的加权平均计算方式。
步骤S27，利用各用户标识对应的用户权重，及相应的待定评估分数进行加权平均计算，得到目标企业的目标评估分数；
在本实施例中，若进行打分的各用户的用户权重不同，本实施例将不能直接对得到的多个待评估分数进行加权平均计算，还需要结合各用户的用户权重进行计算，具体可以计算各待评估分数与相应用户的用户权重的乘积，作为新的待评估分数后，再按照上述方式进行加权平均计算，以得到目标评估分数。
步骤S28，利用目标企业的目标评估分数，按照数据成熟度分类算法，对目标企业进行成熟度评估，确定目标企业的当前成熟度等级。
其中，数据成熟度分类算法可以包括上述实施例描述的预先训练得到的数据成熟度分类模型，也可以是基于该成熟度分类模型得到的各成熟度等级对应的评估分数范围，确定企业成熟度的比较算法，本实施例对该数据成熟度分类算法的内容不作限定。
可选的，在本实施例中，可以直接将得到的目标企业的目标评估分数输出，由用户已知的成熟度等级评估标准，确定目标企业的当前成熟度等级，也就是说，计算机设备可以直接将步骤S26和步骤S27得到的目标评估分数输出，可以不用再执行步骤S28。
为了提高企业数据成熟度评估准确性，本发明可以采用本实施例描述的这种处理方式，即在执行步骤S26或步骤S27得到的目标评估分数后，可以执行步骤S28，由计算机设备自动确定出目标企业的当前成熟度等级，而不是由人工根据目标企业的目标评估分数，评估目标企业的当前成熟度等级，避免了不同用户对成熟度等级认知不同，导致成熟度等级评估结果不统一的问题。
其中，数据成熟度评估标准可以由本领域企业数据分析得到，或由本领域专家委员会设定，或者是基于成熟度分类模型得到的各成熟度等级对应的评估分数范围确定，本实施例对其确定方式不作限定。在实际应用中，该数据成熟度评估标准可以包括如上文描述的对企业发展阶段的划分标准，具体可以是上述列举的多个成熟度等级，即A阶段～E阶段，本实施例对如何表示这多个成熟度等级的数据成熟度评估标准内容不作限定，比如，可以将对企业数据成熟度的评估分数划分成相应的多个范围，分别对应不同的成熟度等级等等。
基于此，本实施例在得到目标企业的目标评估分数之后，可以参照如图3所示的方式，确定目标企业的当前成熟度等级，也就是说，步骤S28的具体实现过程可以包括但并不局限于：
步骤A1，确定成熟度评估标准包含的多个成熟度等级分别对应评估分数范围；
需要说明，本实施例对上述多个成熟度等级划分划分评估分数范围的方法不做限定，通常情况下，连续的成熟度等级对应的评估分数范围是连接的，且成熟度等级越高，其对应的评估分数的范围越大，表明该目标企业的发展越好。
以上述列举的A阶段～E阶段的五个成熟度等级为例，由于这几个阶段是按照企业数据分析所处的历程划分的，显然，A阶段对应的企业数据比E阶段的企业数据的成熟度要高，也就是说，按照A、B、C、D及E阶段的顺序，对从低到高的评估分数进行各阶段的范围划分，得到多个成熟度等级分别对应的评估分数范围。在实际应用中，该划分过程可以由本领域专家完成，并发送至计算机设备，但并不局限于这种人工划分方式。
步骤A2，将目标企业的目标评估分数与各评估分数范围进行比对；
本实施例可以将得到的目标评估分数与每一个评估分数范围进行一一比对，来确定目标评估分数落在哪个评估分数范围，但并不局限于这一种比对方式。
步骤A3，将目标评估分数所属评估分数范围对应的成熟度等级，作为目标企业的当前成熟度等级。
作为本发明另一可选实施例，本发明也可以预先构建成熟度分类模型，将得到的目标企业的目标评估分数输入该成熟度分类模型，输出得到目标企业的当前成熟度等级，此时，各成熟度等级对应的评估分数范围可以由数据分类成熟度模型确定，具体实现过程不作限定。
参照图4所示的成熟度分类模型的训练方法流程示意图，本发明实施例可以采用这种方式训练得到成熟度分类模型，如图4所示，该方法可以包括：
步骤B1，获取成熟度评估标准包含的多个成熟度等级分别对应的等级标签；
关于成熟度评估标准及其包含的多个成熟度等级的内容，可以参照上述实施例相应部分的描述，本实施例不再赘述。为了区分不同成熟度等级，本实施例可以为每一个成熟度等级设定唯一的等级标签，本实施例对该等级标签内容不作限定，可以是数字或字母编码等等。
且，结合上文分析，该成熟度评估标准可以基于多个用户标识分别对应的多个样本企业的评估分数确定，具体确定方法不做限定。
步骤B2，获取多个样本企业各自的多个评估分数；
其中，样本企业可以是与目标企业同领域的其他企业，关于样本企业的评估分数的获取方式，与上述目标企业的评估分数的获取方式类似，都可以由多个专家打分得到，且对于每一个样本企业，专家可以对其进行多次打分，以提高模型训练准确性。
可选的，因随着时间的推进，专家的认知程度也在不断变化，进而为同一企业的同一属性评估指标的打分数值可能会有所不同，为了进一步提高训练所得模型的准确性，本实施例可以由多个专家在一定时间内做出多次打分评估。
其中，对于本发明上述各实施例涉及到的专家的评估打分，可以采用问卷调查的方式确定，具体实现过程本实施例不作详述。
步骤B3，基于机器学习算法，对多个评估分数及多个等级标签进行训练，得到成熟度分类模型；
机器学习(Machine Learning，ML)算法可以包括决策树、聚类、贝叶斯分类、支持向量机等多种算法模型，本实施例可以根据实际需要选择所需算法模型，如采用决策树模型进行机器学习，训练得到所需的成熟度分类模型。
由于该成熟度分类模型可以用来直接确定目标企业的数据成熟度所处的当前成熟度等级，因此，在进行模型训练时确定的样本数据，除了上述由专家打分得到的多个评估分数外，还可以包括表征多个成熟度等级的多个等级标签，参照图5所示的模型训练过程示意图，在获得多名专家的打分问卷调查结果后，可以按照上述实施例描述的计算方式，计算出每名专家对同一对象的数据成熟度的待定评估分数，之后，可以将每一个待定评估分数作为一个特征值，按照机器学习算法对各特征值及多个等级标签进行训练学习，得到数据成熟度分类模型的各个成熟度等级的数据区间。
其中，本实施例利用专家打分得到的属性分数，计算得到样本企业的待定评估分数后，可以由专家根据该待定评估分数，确定该样本企业的等级标签，即由专家确定待定评估分数对应的等级标签，这样，利用上述采集到的样本数据进行机器学习训练过程中，利用每次训练得到的成熟度分类模型，确定各样本企业的成熟度等级的准确率达到预设数值(如90％以上)，可以认为本次训练得到的成熟度分类模型已经足够准确，即达到模型训练收敛条件，将最后得到的成熟度分类模型作为后续实际应用的模型，以获取目标企业的成熟度等级。
需要说明，本实施例对如何利用机器学习算法，对样本企业的多个评估分数及多个等级标签的具体训练过程不作限定，基于不同的模型架构，训练过程会有所差异。通常情况下，为了提高训练所得模型的准确性，通常需要保证样本数据即输入数据足够多，具体可以通过对每个对象进行多次打分，并对同一行业的多个对象进行打分等方式，来获取样本数据，但并不局限于此。
步骤B4，将目标企业的目标评估分数输入成熟度分类模型进行分类处理，得到目标企业的当前成熟度等级。
综上所述，结合图5和图6所示的流程示意图，本实施例综合考虑企业多方面的属性，来评估企业在数据分析应用的成熟度，且该评估将通过专家打分及各属性的权重，计算专家对企业的待定评估分数，之后，将多名专家对企业的多个待定评估分数及不同成熟度等级作为样本数据，利用机器学习算法对样本数据进行模型训练，得到成熟度分类模型，输入目标企业的待定评估分数，即可准确且快速得到目标企业的当前成熟度等级，即目标企业在数据分析应用上的能力情况。
可见，本实施例采用统一的量化评估模型，能够快速且准确实现不同行业企业之间的数据分析成熟情况，并准确得知当前企业的数据分析应用所处的阶段，以便据此确定出该企业在数据分析应用的范围、价值和技术路线，为企业战略目标达成和经营管理决策提供数据支持。
如图7所示，为本发明实施例提供的一种企业数据成熟度评估装置的结构示意图，该装置可以应用于计算机设备，具体可以包括但并不局限于以下功能结构：
第一评估指标确定模块71，用于确定目标企业的多个第一属性评估指标；
其中，第一属性评估指标可以是影响目标企业的数据分析应用的成熟度的二级维度的评估指标，即表征目标企业在该属性下的数据分析能力，具体获取方式及内容可以参照上述方法实施例相应部分的描述。
第一获取模块72，用于获取每一个第一属性评估指标的第一属性权重和多个第一属性分数；
其中，多个第一属性分数分别对应不同的用户，用不同的用户标识加以区分。
本实施例中，关于各属性评估指标对应的属性分数，可以通过对目标企业所在领域的专家进行问卷调查得到，但并不局限于这一种获取方式。通常情况，不同专家对同一目标企业的同一属性评估指标的打分并不会一致，且由于不同属性评估指标对目标企业的数据分析成熟度的影响能力不同，因此，各属性评估指标对应的属性权重往往不同，具体获取方式可以参照上述方法实施例相应部分的描述。
可选的，本实施例还可以获取各专家对应的用户权重，以便在各专家的用户权重不同的情况下，结合各专家的用户权重，确定目标企业的数据成熟度评估结果。
成熟度评估结果获取模块73，用于依据获取的所述第一属性分数及所述第一属性权重，利用预设数据成熟度分析算法，获取目标企业的数据成熟度评估结果。
结合上述对各打分专家的用户权重的分析，本实施例提供的装置还可以包括：
第二评估指标确定模块，用于确定目标企业的多个第二属性评估指标，及每一个第二属性评估指标包含的至少一个第一属性评估指标；
相应地，为了实现对每名专家对目标企业的成熟度评估分数，结合上述公式(1)～(3)，上述计算模块73可以包括：
第一乘积单元，用于计算每一个第二属性评估指标包含的各第一属性评估指标对应的第一属性评分与第一属性权重的乘积；
第一求商单元，用于对得到的多个乘积结果总和与所述第二属性评估指标包含的各第一属性评估指标的第一属性权重总和进行求商运算，得到相应第二属性评估指标的第二属性评分；
第二求商单元，用于对所述第二属性评估指标包含的各第一属性评估指标的第一属性权重总和，与各第二属性评估指标包含的各第一属性评估指标的第一属性权重总和进行求商运算，得到相应第二属性评估指标的第二属性权重；
第二乘积单元，用于计算各第二属性评估指标对应的第二属性评分与第二属性权重的乘积总和；
第三求商单元，用于对所述乘积总和与所述各第二属性评估指标的第二属性权重的总和进行求商运算，得到当前用户标识关联的所述目标企业的待定评估分数。
可选的，如图8所示，该成熟度评估结果获取模块73可以包括：
第一计算单元731，用于利用与同一个用户标识对应的多个第一属性评估指标各自的第一属性分数和第一属性权重，计算所述目标企业相应的待定评估分数；
在本实施例中，关于各专家对目标企业的待定评估分数的计算过程，可以结合上述公式(1)～(3)及对应部分的描述得到，本实施例在此不再赘述。
第二计算单元732，用于对计算得到的多个待定评估分数进行加权平均计算，得到所述目标企业的目标评估分数。
可选的，本实施例提供的装置还可以包括：
用户权重获取模块，用于获取第三方确定的多个用户的用户权重，并将所述用户权重与相应用户的用户标识关联；
用户权重判断模块，用于判断获取的多个用户权重是否相同，如果是，触发第二计算单元对计算得到的多个待定评估分数进行加权平均计算，得到所述目标企业的目标评估分数；
其中，关于加权平均计算的具体实现过程可以参照上述方法实施例中公式(4)相应部分的描述。
评估分数计算模块，用于当用户权重判断模块的判断结果为否，利用多个用户标识分别对应的用户权重及所述待定评估分数进行加权平均计算，得到目标企业的目标评估分数。
作为另一可选实施例，参照图8，上述计算模块还可以包括：
成熟度等级确定单元733，用于利用所述目标企业的目标评估分数，按照数据成熟度分类算法，对目标企业进行成熟度评估，确定所述目标企业的当前成熟度等级。
可选的，在实际应用中，可以利用预先构建的成熟度分类模型，确定目标企业的当前成熟度等级，基于此，参照图9，本实施例提供的装置还可以包括：
等级标签获取模块74，用于获取成熟度评估标准包含的多个成熟度等级分别对应的等级标签；
评估分数获取模块75，用于获取多个样本企业各自的多个评估分数；
模型训练模块76，用于基于机器学习算法，对所述多个评估分数及多个等级标签进行训练，得到成熟度分类模型；
相应地，上述成熟度等级确定单元733具体可以用于将所述目标企业的目标评估分数输入所述成熟度分类模型进行分类处理，得到所述目标企业的当前成熟度等级。
作为本发明又一可选实施例，上述成熟度等级确定单元733可以包括：
第一确定子单元，用于确定成熟度评估标准包含的多个成熟度等级分别对应评估分数范围；
比对子单元，用于将所述目标企业的目标评估分数与各评估分数范围进行比对；
第二确定子单元，用于将所述目标评估分数所属评估分数范围对应的成熟度等级，作为所述目标企业的当前成熟度等级。在本实施例中，上述各实施例描述的企业数据成熟度评估装置可以包括处理器和存储器，且上述第一评估指标确定模块、第一获取模块、成熟度评估结果获取模块、第一计算单元、第二计算单元、成熟度等级确定单元、等级标签获取模块、评估分数获取模块及模型训练模块等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
其中，处理器中可以包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来对多个专家分别对目标企业的多个第一属性评估指标的打分和权重进行计算，得到目标企业的数据成熟度评估结果。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述方法实施例描述的企业数据成熟度评估方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述企业数据成熟度评估方法。
如图10所示的硬件结构示意图，本发明实施例提供了一种计算机设备，该计算机设备可以包括：通信接口101、存储器102及处理器103，其中：
通信接口101、存储器102及处理器103的数量可以是至少一个，且通信接口101、存储器102及处理器103可以通过通信总线进行相互通信。
通信接口101可以用来接收外部设备发送的消息，比如各专家的打分、各专家的用户权重等。
可选的，该通信接口可以包括有线或无线网络接口，如WIFI网络接口、GPRS网络接口等等，本实施例对该通信接口包含的接口类型不做限定。
存储器102，用于存储实现上所述的企业数据成熟度评估方法的程序；
处理器103，用于加载并执行所述存储器存储的程序，所述程序用于：
确定目标企业的多个第一属性评估指标，第一属性评估指标用于表征所述目标企业在该属性下的数据分析能力；
获取每一个第一属性评估指标对应的第一属性权重和多个第一属性分数，该多个第一属性分数分别对应不同的用户，用不同的用户标识加以区分；
依据获取的所述第一属性分数及所述第一属性权重，利用预设数据成熟度分析算法，获取所述目标企业的数据成熟度评估结果。
可选的，处理器执行程序时还可以实现以下步骤：
利用与同一个用户标识对应的多个第一属性评估指标各自的第一属性分数和第一属性权重，计算所述目标企业相应的待定评估分数；
对计算得到的多个待定评估分数进行加权平均计算，得到所述目标企业的目标评估分数，多个待定评估分数对应不同的用户标识。
可选的，处理器执行程序时还可以实现以下步骤：
利用所述目标企业的目标评估分数，按照数据成熟度分类算法，对所述目标企业进行成熟度评估，确定所述目标企业的当前成熟度等级。
可选的，处理器执行程序时还可以实现以下步骤：
获取成熟度评估标准包含的多个成熟度等级分别对应的等级标签，成熟度评估标准基于所述多个用户标识分别对应的多个样本企业的评估分数确定；
获取多个样本企业各自的多个评估分数；
基于机器学习算法，对所述多个评估分数及多个等级标签进行训练，得到成熟度分类模型；
所述利用所述目标企业的目标评估分数，按照预设数据成熟度分类算法，对所述目标企业进行成熟度评估，确定所述目标企业的当前成熟度等级，包括：
将所述目标企业的目标评估分数输入所述成熟度分类模型进行分类处理，得到所述目标企业的当前成熟度等级。
可选的，处理器执行程序时还可以实现以下步骤：
确定成熟度评估标准包含的多个成熟度等级分别对应评估分数范围；
将所述目标企业的目标评估分数与各评估分数范围进行比对；
将所述目标评估分数所属评估分数范围对应的成熟度等级，作为所述目标企业的当前成熟度等级。
可选的，处理器执行程序时还可以实现以下步骤：
获取第三方确定的多个用户的用户权重，并将所述用户权重与相应用户的用户标识关联；
判断获取的多个用户权重是否相同；
如果是，执行所述对计算得到的多个待定评估分数进行加权平均计算，得到所述目标企业的目标评估分数步骤；
如果否，利用所述多个用户标识分别对应的用户权重及所述待定评估分数进行加权平均计算，得到所述目标企业的目标评估分数。
可选的，处理器执行程序时还可以实现以下步骤：
确定目标企业的多个第二属性评估指标，及每一个第二属性评估指标包含的至少一个第一属性评估指标；
所述利用与同一个用户标识对应的多个第一属性评估指标各自的第一属性分数和第一属性权重，计算所述目标企业相应的待定评估分数，包括：
针对同一用户标识，计算每一个第二属性评估指标包含的各第一属性评估指标对应的第一属性评分与第一属性权重的乘积；
对得到的多个乘积结果总和与所述第二属性评估指标包含的各第一属性评估指标的第一属性权重总和进行求商运算，得到相应第二属性评估指标的第二属性评分；
对所述第二属性评估指标包含的各第一属性评估指标的第一属性权重总和，与各第二属性评估指标包含的各第一属性评估指标的第一属性权重总和进行求商运算，得到相应第二属性评估指标的第二属性权重；
计算各第二属性评估指标对应的第二属性评分与第二属性权重的乘积总和；
对所述乘积总和与所述各第二属性评估指标的第二属性权重的总和进行求商运算，得到当前用户标识关联的所述目标企业的待定评估分数。
在实际应用中，本实施例提供的计算机设备可以是终端设备、服务器等。
本发明实施例还提供了一种计算机程序产品，当在计算机设备上执行时，适于执行初始化有如下方法步骤的程序：
确定目标企业的多个第一属性评估指标，第一属性评估指标用于表征所述目标企业在该属性下的数据分析能力；
获取每一个第一属性评估指标对应的第一属性权重和多个第一属性分数，多个第一属性分数分别对应不同的用户，用不同的用户标识加以区分；
依据获取的所述第一属性分数及所述第一属性权重，利用预设数据成熟度分析算法，获取所述目标企业的数据成熟度评估结果。
可选的，计算机产品执行程序时还可以实现以下步骤：
利用与同一个用户标识对应的多个第一属性评估指标各自的第一属性分数和第一属性权重，计算所述目标企业相应的待定评估分数；
对计算得到的多个待定评估分数进行加权平均计算，得到所述目标企业的目标评估分数。
可选的，计算机产品执行程序时还可以实现以下步骤：
利用所述目标企业的目标评估分数，按照数据成熟度分类算法，对目标企业进行成熟度评估，确定所述目标企业的当前成熟度等级。
可选的，计算机产品执行程序时还可以实现以下步骤：
获取成熟度评估标准包含的多个成熟度等级分别对应的等级标签；
获取样本企业的多个评估分数；
基于机器学习算法，对所述多个评估分数及多个等级标签进行训练，得到成熟度分类模型；
所述利用所述目标企业的目标评估分数，按照预设数据成熟度分类算法，对所述目的对象进行成熟度评估，确定所述目标企业的当前成熟度等级，包括：
将所述目标企业的目标评估分数输入所述成熟度分类模型进行分类处理，得到所述目标企业的当前成熟度等级。
可选的，计算机产品执行程序时还可以实现以下步骤：
确定成熟度评估标准包含的多个成熟度等级分别对应评估分数范围；
将所述目标企业的目标评估分数与各评估分数范围进行比对；
将所述目标评估分数所属评估分数范围对应的成熟度等级，作为所述目标企业的当前成熟度等级。
可选的，计算机产品执行程序时还可以实现以下步骤：
获取第三方确定的多个用户的用户权重，并将所述用户权重与相应用户的用户标识关联；
判断获取的多个用户权重是否相同；
如果是，执行所述对计算得到的多个待定评估分数进行加权平均计算，得到所述目标企业的目标评估分数步骤；
如果否，利用所述多个用户标识分别对应的用户权重及所述待定评估分数进行加权平均计算，得到所述目标企业的目标评估分数。
可选的，计算机产品执行程序时还可以实现以下步骤：
确定目标企业的多个第二属性评估指标，及每一个第二属性评估指标包含的至少一个第一属性评估指标；
所述利用与同一个用户标识对应的多个第一属性评估指标各自的第一属性分数和第一属性权重，计算所述目标企业相应的待定评估分数，包括：
针对同一用户标识，计算每一个第二属性评估指标包含的各第一属性评估指标对应的第一属性评分与第一属性权重的乘积；
对得到的多个乘积结果总和与所述第二属性评估指标包含的各第一属性评估指标的第一属性权重总和进行求商运算，得到相应第二属性评估指标的第二属性评分；
对所述第二属性评估指标包含的各第一属性评估指标的第一属性权重总和，与各第二属性评估指标包含的各第一属性评估指标的第一属性权重总和进行求商运算，得到相应第二属性评估指标的第二属性权重；
计算各第二属性评估指标对应的第二属性评分与第二属性权重的乘积总和；
对所述乘积总和与所述各第二属性评估指标的第二属性权重的总和进行求商运算，得到当前用户标识关联的所述目标企业的待定评估分数。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、计算机设备或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置、计算机设备和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程消息处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算机设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本发明的实施例可提供为方法、装置、计算机设备或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理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权利要求范围之内。
Claims (10)
1.一种企业数据成熟度评估方法，其特征在于，所述方法包括：
确定目标企业的多个第一属性评估指标，所述第一属性评估指标用于表征所述目标企业在该属性下的数据分析能力；
获取每一个第一属性评估指标的第一属性权重和多个第一属性分数，所述多个第一属性分数分别对应不同的用户，用不同的用户标识加以区分；
依据获取的所述第一属性分数及所述第一属性权重，利用预设数据成熟度分析算法，获取所述目标企业的数据成熟度评估结果。
2.根据权利要求1所述的方法，其特征在于，所述根据获取的所述第一属性分数及所述第一属性权重，利用预设数据成熟度分析算法，获取所述目标企业的数据成熟度评估结果，包括：
利用与同一个用户标识对应的所述多个第一属性评估指标各自的第一属性分数和第一属性权重，计算所述目标企业相应的待定评估分数；
对计算得到的多个待定评估分数进行加权平均计算，得到所述目标企业的目标评估分数，所述多个待定评估分数对应不同的用户标识。
3.根据权利要求2所述的方法，其特征在于，所述根据获取的所述第一属性分数及所述第一属性权重，利用预设数据成熟度分析算法，获取所述目标企业的数据成熟度评估结果，还包括：
利用所述目标企业的目标评估分数，按照预设的数据成熟度分类算法，对所述目标企业进行成熟度评估，确定所述目标企业的当前成熟度等级。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
获取成熟度评估标准包含的多个成熟度等级分别对应的等级标签，所述成熟度评估标准基于所述多个用户标识分别对应的多个样本企业的评估分数确定；
获取所述多个样本企业各自的多个评估分数；
基于机器学习算法，对所述多个评估分数及多个等级标签进行训练，得到成熟度分类模型；
所述利用所述目标企业的目标评估分数，按照预设数据成熟度分类算法，对所述目标企业进行成熟度评估，确定所述目标企业的当前成熟度等级，包括：
将所述目标企业的目标评估分数输入所述成熟度分类模型进行分类处理，得到所述目标企业的当前成熟度等级。
5.根据权利要求3所述的方法，其特征在于，所述利用所述目标企业的目标评估分数，按照预设数据成熟度分类算法，对所述目标企业进行成熟度评估，确定所述目标企业的当前成熟度等级，包括：
确定成熟度评估标准包含的多个成熟度等级分别对应评估分数范围；
将所述目标企业的目标评估分数与各评估分数范围进行比对；
将所述目标评估分数所属评估分数范围对应的成熟度等级，作为所述目标企业的当前成熟度等级。
6.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取第三方确定的多个用户的用户权重，并将所述用户权重与相应用户的用户标识关联；
判断获取的多个用户权重是否相同；
如果是，执行所述对计算得到的多个待定评估分数进行加权平均计算，得到所述目标企业的目标评估分数步骤；
如果否，利用所述多个用户标识分别对应的用户权重及所述待定评估分数进行加权平均计算，得到所述目标企业的目标评估分数。
7.根据权利要求2所述的方法，其特征在于，所述方法还包括：
确定目标企业的多个第二属性评估指标，及每一个第二属性评估指标包含的至少一个第一属性评估指标；
所述利用与同一个用户标识对应的所述多个第一属性评估指标各自的第一属性分数和第一属性权重，计算所述目标企业相应的待定评估分数，包括：
针对同一用户标识，计算每一个第二属性评估指标包含的各第一属性评估指标对应的第一属性评分与第一属性权重的乘积；
对得到的多个乘积结果总和与所述第二属性评估指标包含的各第一属性评估指标的第一属性权重总和进行求商运算，得到相应第二属性评估指标的第二属性评分；
对所述第二属性评估指标包含的各第一属性评估指标的第一属性权重总和，与各第二属性评估指标包含的各第一属性评估指标的第一属性权重总和进行求商运算，得到相应第二属性评估指标的第二属性权重；
计算各第二属性评估指标对应的第二属性评分与第二属性权重的乘积总和；
对所述乘积总和与所述各第二属性评估指标的第二属性权重的总和进行求商运算，得到当前用户标识关联的所述目标企业的待定评估分数。
8.一种企业数据成熟度评估装置，其特征在于，所述装置包括：
第一评估指标确定模块，用于确定目标企业的多个第一属性评估指标，所述第一属性评估指标用于表征所述目标企业在该属性下的数据分析能力；
第一获取模块，用于获取每一个第一属性评估指标的第一属性权重和多个第一属性分数，所述多个第一属性分数分别对应不同的用户，用不同的用户标识加以区分；
成熟度评估结果获取模块，用于依据获取的所述第一属性分数及所述第一属性权重，利用预设数据成熟度分析算法，获取所述目标企业的数据成熟度评估结果。
9.根据权利要求8所述的装置，其特征在于，所述成熟度评估结果获取模块包括：
第一计算单元，用于利用与同一个用户标识对应的所述多个第一属性评估指标各自的第一属性分数和第一属性权重，计算所述目标企业相应的待定评估分数；
第二计算单元，用于对计算得到的多个待定评估分数进行加权平均计算，得到所述目标企业的目标评估分数，所述多个待定评估分数对应不同的用户标识；
成熟度等级确定单元，用于利用所述目标企业的目标评估分数，按照数据成熟度分类算法，对所述目的对象进行成熟度评估，确定所述目标企业的当前成熟度等级。
10.一种计算机设备，其特征在于，所述计算机设备包括：
通信接口；
存储器，用于存储实现如权利要求1～7任意一项所述的企业数据成熟度评估方法的程序；
处理器，用于加载并执行所述存储器存储的程序，以实现如权利要求1～7任意一项所述的企业数据成熟度评估方法的各步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811182573.5A CN111047122A (zh) | 2018-10-11 | 2018-10-11 | 企业数据成熟度评估方法、装置及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811182573.5A CN111047122A (zh) | 2018-10-11 | 2018-10-11 | 企业数据成熟度评估方法、装置及计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111047122A true CN111047122A (zh) | 2020-04-21 |
Family
ID=70229030
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811182573.5A Pending CN111047122A (zh) | 2018-10-11 | 2018-10-11 | 企业数据成熟度评估方法、装置及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111047122A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111565121A (zh) * | 2020-04-28 | 2020-08-21 | 中国联合网络通信集团有限公司 | 人员及技术对it支撑度评估方法及装置 |
| CN111935062A (zh) * | 2020-04-29 | 2020-11-13 | 南京速迈智能科技有限公司 | 一种网络安全成熟度的计算方法和模型 |
| CN111949847A (zh) * | 2020-08-14 | 2020-11-17 | 中国工商银行股份有限公司 | 信息评价方法、信息评价装置、计算机***和介质 |
| CN112257330A (zh) * | 2020-09-18 | 2021-01-22 | 北京航空航天大学 | 一种组合模型成熟度评估方法和装置 |
| CN112529413A (zh) * | 2020-12-11 | 2021-03-19 | 深圳传世智慧科技有限公司 | 一种企业管理熵的评测***及方法 |
| CN113298434A (zh) * | 2021-06-21 | 2021-08-24 | 海尔数字科技(青岛)有限公司 | 一种工业互联网成熟度评测方法、装置、设备及存储介质 |
| CN113361959A (zh) * | 2021-06-30 | 2021-09-07 | 建信金融科技有限责任公司 | 一种银行业务集中运营成熟度的计算方法和装置 |
| CN113837859A (zh) * | 2021-08-25 | 2021-12-24 | 天元大数据信用管理有限公司 | 一种小微企业画像构建方法 |
| CN113869801A (zh) * | 2021-11-30 | 2021-12-31 | 阿里云计算有限公司 | 一种企业数字中台的成熟状态评估方法和装置 |
| CN113868110A (zh) * | 2021-11-30 | 2021-12-31 | 阿里云计算有限公司 | 一种企业数字中台服务健康度的评估方法和装置 |
| CN114003475A (zh) * | 2021-10-20 | 2022-02-01 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 软件产品成熟度评估方法、装置、计算机设备和存储介质 |
| CN117474385A (zh) * | 2023-10-25 | 2024-01-30 | 中国科学技术大学 | 一种基于大数据的智能制造能力成熟度评估方法及*** |
-
2018
- 2018-10-11 CN CN201811182573.5A patent/CN111047122A/zh active Pending
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111565121A (zh) * | 2020-04-28 | 2020-08-21 | 中国联合网络通信集团有限公司 | 人员及技术对it支撑度评估方法及装置 |
| CN111935062A (zh) * | 2020-04-29 | 2020-11-13 | 南京速迈智能科技有限公司 | 一种网络安全成熟度的计算方法和模型 |
| CN111949847A (zh) * | 2020-08-14 | 2020-11-17 | 中国工商银行股份有限公司 | 信息评价方法、信息评价装置、计算机***和介质 |
| CN112257330B (zh) * | 2020-09-18 | 2023-11-28 | 北京航空航天大学 | 一种组合模型成熟度评估方法和装置 |
| CN112257330A (zh) * | 2020-09-18 | 2021-01-22 | 北京航空航天大学 | 一种组合模型成熟度评估方法和装置 |
| CN112529413A (zh) * | 2020-12-11 | 2021-03-19 | 深圳传世智慧科技有限公司 | 一种企业管理熵的评测***及方法 |
| CN113298434A (zh) * | 2021-06-21 | 2021-08-24 | 海尔数字科技(青岛)有限公司 | 一种工业互联网成熟度评测方法、装置、设备及存储介质 |
| CN113361959A (zh) * | 2021-06-30 | 2021-09-07 | 建信金融科技有限责任公司 | 一种银行业务集中运营成熟度的计算方法和装置 |
| CN113837859A (zh) * | 2021-08-25 | 2021-12-24 | 天元大数据信用管理有限公司 | 一种小微企业画像构建方法 |
| CN113837859B (zh) * | 2021-08-25 | 2024-05-14 | 天元大数据信用管理有限公司 | 一种小微企业画像构建方法 |
| CN114003475A (zh) * | 2021-10-20 | 2022-02-01 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 软件产品成熟度评估方法、装置、计算机设备和存储介质 |
| CN113869801A (zh) * | 2021-11-30 | 2021-12-31 | 阿里云计算有限公司 | 一种企业数字中台的成熟状态评估方法和装置 |
| CN113868110A (zh) * | 2021-11-30 | 2021-12-31 | 阿里云计算有限公司 | 一种企业数字中台服务健康度的评估方法和装置 |
| WO2023098571A1 (zh) * | 2021-11-30 | 2023-06-08 | 阿里云计算有限公司 | 一种企业数字中台的成熟状态评估方法和装置 |
| CN117474385A (zh) * | 2023-10-25 | 2024-01-30 | 中国科学技术大学 | 一种基于大数据的智能制造能力成熟度评估方法及*** |
| CN117474385B (zh) * | 2023-10-25 | 2024-06-07 | 中国科学技术大学 | 一种基于大数据的智能制造能力成熟度评估方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111047122A (zh) | 企业数据成熟度评估方法、装置及计算机设备 | |
| Chen et al. | Predicting customer churn from valuable B2B customers in the logistics industry: a case study | |
| US11526695B2 (en) | Evaluating impact of process automation on KPIs | |
| CN105069470A (zh) | 分类模型训练方法及装置 | |
| US11481707B2 (en) | Risk prediction system and operation method thereof | |
| US20170124459A1 (en) | Method and system for generating predictive models for scoring and prioritizing leads | |
| CN116485020B (zh) | 一种基于大数据的供应链风险识别预警方法、***及介质 | |
| Gu et al. | [Retracted] Application of Fuzzy Decision Tree Algorithm Based on Mobile Computing in Sports Fitness Member Management | |
| CN114638498A (zh) | Esg评价方法、***、电子设备及存储设备 | |
| CN110310012B (zh) | 数据分析方法、装置、设备及计算机可读存储介质 | |
| Aye et al. | Energy efficiency drivers in South Africa: 1965–2014 | |
| KR20130012845A (ko) | 의사결정문제 해결 대응 시스템 | |
| Kolińska et al. | Comparison of logistics indicators as a way of improving efficiency of supply chains | |
| CN111882113A (zh) | 一种企业手机银行用户的预测方法和装置 | |
| CN111160717A (zh) | 一种企业创新潜力评估方法和装置 | |
| Xu et al. | Technology innovation-oriented complex product systems R&D investment and financing risk management: an integrated review | |
| CN113256304B (zh) | 一种校园卡异常使用行为在线预警方法及*** | |
| Kipkogei et al. | Business success prediction in Rwanda: a comparison of tree-based models and logistic regression classifiers | |
| CN111967671B (zh) | 基于支持向量数据域描述的跨境活跃用户识别方法及装置 | |
| CN114741592A (zh) | 一种基于多模型融合的产品推荐方法、设备及介质 | |
| Dewi et al. | Modification of random forest method to predict student graduation data | |
| Vlčková et al. | Carbon dioxide emissions embodied in international trade in Central Europe between 1995 and 2008 | |
| González-Vidal et al. | BIGcoldTRUCKS: a BIG data dashboard for the management of COLD chain logistics in refrigerated TRUCKS | |
| CN112116139A (zh) | 一种电力需求预测方法及*** | |
| Pribil et al. | A churn analysis using data mining techniques: Case of electricity distribution company |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200421 |
|
| RJ01 | Rejection of invention patent application after publication |