CN111340246A - 用于企业智能决策分析的处理方法、装置和计算机设备 - Google Patents
用于企业智能决策分析的处理方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN111340246A CN111340246A CN202010120791.7A CN202010120791A CN111340246A CN 111340246 A CN111340246 A CN 111340246A CN 202010120791 A CN202010120791 A CN 202010120791A CN 111340246 A CN111340246 A CN 111340246A
- Authority
- CN
- China
- Prior art keywords
- data
- enterprise
- machine learning
- learning model
- decision
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及一种用于企业智能决策分析的处理方法、装置、计算机设备和存储介质。所述方法包括:获取企业标识对应的待处理数据;对所述待处理数据进行特征提取,得到所述待处理数据的特征向量;通过预先训练的机器学习模型的逻辑层确定所述特征向量之间的逻辑关系;通过所述机器学习模型的数据分析层,利用所述逻辑关系对所述特征向量进行分析,得到所述企业标识对应的评估值;通过所述机器学习模型的决策层对所述评估值进行处理,得到对应的决策数据。采用本方法能够提高对用于企业智能决策分析的处理的准确性。
Description
技术领域
本申请涉及数据处理技术领域,特别是涉及一种用于企业智能决策分析的处理方法、装置、计算机设备和存储介质。
背景技术
随着人工智能技术的发展,人工智能技术越来越受企业的重视,人工智能技术广泛应用数据处理中。通过人工智能技术对企业数据进行处理使得数据形成可观价值,即对用于企业智能决策分析的处理可计算企业风险等相关数值了解企业健康状态,但企业风险企业健康状态主要依托于企业自身相关数据及其关联数据。
然而,目前的用于企业智能决策分析的处理主要采用的现代数据仓库技术、线上分析处理技术、数据挖掘和数据展现技术只能对企业自身相关数据进行处理,导致用于企业智能决策分析的处理的准确性低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高对用于企业智能决策分析的处理的准确性的用于企业智能决策分析的处理方法、装置、计算机设备和存储介质。
一种用于企业智能决策分析的处理方法,所述方法包括:
获取企业标识对应的待处理数据;
对所述待处理数据进行特征提取,得到所述待处理数据的特征向量;
通过预先训练的机器学习模型的逻辑层确定所述特征向量之间的逻辑关系;
通过所述机器学习模型的数据分析层,利用所述逻辑关系对所述特征向量进行分析,得到所述企业标识对应的评估值;
通过所述机器学习模型的决策层对所述评估值进行处理,得到对应的决策数据。
在其中一个实施例中,所述评估值为企业财务风险值,所述通过所述机器学习模型的决策层对所述评估值进行处理,得到对应的决策数据,包括:
通过所述机器学习模型的决策层对所述企业财务风险值进行处理,当所述企业财务风险值大于财务风险阈值时,得到业务财务风险警示信息。
在其中一个实施例中,所述评估值为对标指标,所述通过所述机器学习模型的决策层对所述评估值进行处理,得到对应的决策数据,包括:
通过所述机器学习模型的决策层从不同维度所述对标指标进行处理,当所述对标指标小于对标指标阈值时,得到所述对标指标对应的决策数据;所述对标指标至少包括利润率、投资回报、产品周期、每个员工销售量和产品成本中的一种。
在其中一个实施例中,所述评估值为企业健康值,所述通过所述机器学习模型的决策层对所述评估值进行处理,得到对应的决策数据,包括:
通过所述机器学习模型的决策层所述企业健康值进行处理,当所述企业健康值小于企业健康阈值时,得到对应的企业健康数据报告。
在其中一个实施例中,所述方法还包括:
将所述评估值和所述决策数据作为新的企业样本数据,根据所述新的企业样本数据对所述机器学习模型进行训练。
在其中一个实施例中,所述机器学习模型的训练过程包括:
获取样本数据和所述样本数据对应的知识图谱;所述样本数据以格式化形式存储在生产数据库中;
对所述样本数据进行特征提取,得到训练特征向量;
通过所述机器学习模型的逻辑层,按照所述知识图谱学习所述训练特征向量之间的逻辑关系;
通过所述机器学习模型的数据分析层,利用所述逻辑关系对所述训练特征向量进行分析,得到训练评估值;
通过所述机器学习模型的决策层,生成所述训练评估值对应的训练决策数据;
计算所述训练解决策略数据与决策标签之间的损失值;
利用所述损失值对所述机器学习模型中各网络层的参数进行调整,直到满足预设条件,得到所述训练好的机器学习模型。
在其中一个实施例中,所述样本数据中至少包括全球宏观经济数据、企业产业数据和案例数据;所述企业内部数据至少包括、企业目标管理行为数据、企业历史财务数据、企业场景问答数据和网络舆情数据;所述知识图谱至少包括全球宏观经济知识图谱、产业结构分类知识图谱、财务会计审。
一种用于企业智能决策分析的处理装置,所述装置包括:
获取模块,用于获取企业标识对应的待处理数据;
特征提取模块,用于对所述待处理数据进行特征提取,得到所述待处理数据的特征向量;
确定模块,用于通过预先训练的机器学习模型的逻辑层确定所述特征向量之间的逻辑关系;
数据分析模块,用于通过所述机器学习模型的数据分析层,利用所述逻辑关系对所述特征向量进行分析,得到所述企业标识对应的评估值;
决策模块,用于通过所述机器学习模型的决策层对所述评估值进行处理,得到对应的决策数据。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取企业标识对应的待处理数据;
对所述待处理数据进行特征提取,得到所述待处理数据的特征向量;
通过预先训练的机器学习模型的逻辑层确定所述特征向量之间的逻辑关系;
通过所述机器学习模型的数据分析层,利用所述逻辑关系对所述特征向量进行分析,得到所述企业标识对应的评估值;
通过所述机器学习模型的决策层对所述评估值进行处理,得到对应的决策数据。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取企业标识对应的待处理数据;
对所述待处理数据进行特征提取,得到所述待处理数据的特征向量;
通过预先训练的机器学习模型的逻辑层确定所述特征向量之间的逻辑关系;
通过所述机器学习模型的数据分析层,利用所述逻辑关系对所述特征向量进行分析,得到所述企业标识对应的评估值;
通过所述机器学习模型的决策层对所述评估值进行处理,得到对应的决策数据。
上述用于企业智能决策分析的处理方法、装置、计算机设备和存储介质,获取企业标识对应的待处理数据;对待处理数据进行特征提取,得到待处理数据的特征向量;通过预先训练的机器学习模型的逻辑层确定特征向量之间的逻辑关系;通过机器学习模型的数据分析层,利用逻辑关系对特征向量进行分析,得到企业标识对应的评估值;通过机器学习模型的决策层对评估值进行处理,得到对应的决策数据。
附图说明
图1为一个实施例中用于企业智能决策分析的处理方法的应用环境图;
图2为一个实施例中用于企业智能决策分析的处理方法的流程示意图;
图3为一个实施例中机器学习模型训练方法的流程示意图;
图4为另一个实施例中用于企业智能决策分析的处理方法的流程示意图;
图5为一个实施例中用于企业智能决策分析的处理方法的应用场景;
图6为一个实施例中用于企业智能决策分析的处理装置的结构框图;
图7为另一个实施例中用于企业智能决策分析的处理装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的用于企业智能决策分析的处理方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。终端102从服务器104中获取企业标识对应的待处理数据;对待处理数据进行特征提取,得到待处理数据的特征向量;通过预先训练的机器学***板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种用于企业智能决策分析的处理方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤202,获取企业标识对应的待处理数据。
其中,企业标识用于区分不同的企业的标记;企业标识可以但不仅限于数字、字母组合等字符串组合。待处理数据可以是实体的待处理数据,实体可以是地区、产业、企业商品等。实体为企业的待处理数据可包括企业外部大数据和企业内部数据;其中,企业外部大数据是企业外部环境的数据,企业外部数据可以包括全球宏观经济数据、产业数据、上市公司财务数据以及案例数据等;全球宏观经济数据可用于表征全球宏观经济指标和各国/地区的经济指标的对比;产业数据可包括产业基本数据、产业行情数据和产业财务数据等;上市公司财务数据可包括公司财务报表数据和财务指标数据等;财务指标数据可包括偿债能力指标数据、营运能力指标数据、盈利能力指标数据、企业发展能力指标数据。
企业内部数据是决策企业内部的运营、场景、财务数据以及外界对企业的评论数据。企业内部数据可包括企业目标管理行为数据、企业历史财务数据、企业场景问答数据、网络舆情数据等。
具体的,终端获取企业标识,通过通讯接口从服务器的数据库中获取企业标识对应的待处理数据,待处理数据是格式化数据;数据库可以是数据表和文档组成,格式化的待处理数据可以保存在数据库的数据表或数据文档中;数据表可以表征数据之间的维度关系。数据库可以是生产数据库,生产数据库可以是oracle数据库、DB2数据库、MySQL数据库、Sybase数据库、MSSQL Server数据库等。
步骤204,对待处理数据进行特征提取,得到待处理数据的特征向量。
具体地,终端根据待处理数据的类型从机器学习算法库中选取待处理数据对应的数据处理算法,对待处理数据进行特征向量提取,得到待处理数据的特征向量。特征向量可包括全球宏观经济数据的特征向量、产业数据的特征向量、企业目标管理行为数据的特征向量、企业历史财务数据的特征向量、企业场景问答数据的特征向量和网络舆情数据抽取的信息的特征向量等。不同类型的待处理数据对应的不同的数据处理算法。机器学习算法库中的数据处理算法可以是统计分析算法、非统计分析算法和深度学习算法等;其中,统计分析算法可包括有相关性分析、自然回归、可变性分析、因子分析、中心趋势分析、方差分析、多变量分析等;非统计分析算法可包括支持向量机,遗传算法、决策树、随机森林算法、随机梯度算法、梯度集成、迭代算法等;深度学习算法可包括最大似然估计法和最大期望算法等。
步骤206,预先训练的机器学习模型的逻辑层确定特征向量之间的逻辑关系。
具体地,逻辑关系可以是企业与企业之间存在的上下游关系、股东关系、投资被投资关系等。预先训练的机器学习模型的逻辑层可以确定企业的全球宏观经济数据的特征向量、产业数据的特征向量、企业目标管理行为数据的特征向量、企业历史财务数据的特征向量、企业场景问答数据的特征向量和网络舆情数据抽取的信息的特征向量等每种特征向量之间的逻辑关系。当数据为特征向量,通过预先训练的机器学习模型的逻辑层确定特征向量之间的逻辑关系。
步骤208,通过机器学习模型的数据分析层,利用逻辑关系对特征向量进行分析,得到企业标识对应的评估值。
步骤210,通过机器学习模型的决策层对评估值进行处理,得到对应的决策数据。
具体地,通过机器学习模型的决策层对评估值进行处理,当检测到评估值不在机器学习模型的决策层中预设的评估阈值范围之内时,得到对应的决策数据;决策数据可以通过表格、图形、视频等形式在用户界面显示。
上述用于企业智能决策分析的处理方法中,获取企业标识对应的待处理数据;对待处理数据进行特征提取,得到待处理数据的特征向量;通过预先训练的机器学习模型的逻辑层确定特征向量之间的逻辑关系;通过机器学习模型的数据分析层,利用逻辑关系对特征向量进行分析,得到企业标识对应的评估值;通过机器学习模型的决策层对评估值进行处理,得到对应的决策数据。即通过训练好的机器学习模型通过对待处理数据的特征向量进行处理,获取待处理数据之间的逻辑关系;机器学习模型根据逻辑关系待处理数据进行多维度分析,提高对用于企业智能决策分析的处理的准确性。
在一个实施例中,如图3所示,提供了一种机器学习模型训练方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤302,获取样本数据和样本数据对应的知识图谱;样本数据以格式化形式存储在生产数据库中。
其中,样本数据是用于训练的机器学习模型的样本数据。样本数据中至少包括全球宏观经济数据、企业产业数据和案例数据;企业内部数据至少包括、企业目标管理行为数据、企业历史财务数据、企业场景问答数据和网络舆情数据。
知识图谱是用于表征真实世界中存在的各种实体之间的关系,实体可以是具有可区别性且独立存在的事物,例如企业、产业、人、商品等;企业与企业之间存在的上下游关系、股东关系、投资被投资关系等,企业与人之间存在股东关系、法人关系、主管关系等,人与人之间存在亲属关系等。根据实体与实体之间的关系将在进行企业之间最短路径发现、企业关联分析以及企业的成长状态。每个实体存在对应的属性以及属性值,即实体、属性、属性之间存在映射关系;实体、属性和属性值之间的映射关系可以通过RDF(ResourceDescription Framework)三元组存储格式进行存储;例如“实体1-关系-实体2”和“实体-属性-属性值”等。
具体地,把实时采集的数据存储在数据仓库中,在数据仓库中对采集的实时数据进行预处理,把预处理的数据作为样本数据;根据样本数据获取对应的知识图谱。其中,预处理包括对数据进行清洗,删除数据中的脏数据;数据仓库可用于存放不同类型的数据(如结构化数据、半结构化数据以及非结构化数据),数据可以是离线的图片、文档等数据;数据仓库支持对数据进行增删查,不支持更改数据。
步骤304,对样本数据进行特征提取,得到训练特征向量。
可选地,不同类型的样本数据对应的不同的数据处理算法。机器学习算法库中的数据处理算法可以是统计分析算法、非统计分析算法和深度学习算法等;其中,统计分析算法可包括有相关性分析、自然回归、可变性分析、因子分析、中心趋势分析、方差分析、多变量分析等;非统计分析算法可包括支持向量机,遗传算法、决策树、随机森林算法、随机梯度算法、梯度集成、迭代算法等;深度学习算法可包括最大似然估计法和最大期望算法等。训练特征向量包括全球宏观经济数据的特征向量、产业数据的特征向量、企业目标管理行为数据的特征向量、企业历史财务数据的特征向量、企业场景问答数据的特征向量和网络舆情数据抽取的信息的特征向量。
步骤306,通过机器学习模型的逻辑层,按照知识图谱学习训练特征向量之间的逻辑关系。
步骤308,通过机器学习模型的数据分析层,利用逻辑关系对训练特征向量进行分析,得到训练评估值。
步骤310,通过机器学习模型的决策层,生成训练评估值对应的训练决策数据。
步骤312,计算训练解决策略数据与决策标签之间的损失值。
步骤314,利用损失值对机器学习模型中各网络层的参数进行调整,直到满足预设条件,得到训练好的机器学习模型。
本实施例中,通过获取样本数据和样本数据对应的知识图谱;样本数据以格式化形式存储在生产数据库中;对样本数据进行特征提取,得到训练特征向量;通过机器学习模型的逻辑层,按照知识图谱学习训练特征向量之间的逻辑关系;通过机器学习模型的数据分析层,利用逻辑关系对训练特征向量进行分析,得到训练评估值;通过机器学习模型的决策层,生成训练评估值对应的训练决策数据;计算训练解决策略数据与决策标签之间的损失值;利用损失值对机器学习模型中各网络层的参数进行调整,直到满足预设条件,得到训练好的机器学习模型,通过扩展机器学习模型的训练的深度和广度,提高机器学习模型处理数据的准确性,根据数据处理结果对企业的健康状态和发展趋势进行预测,同时提高了数据的利用率。
在另一个实施例中,如图4所示,提供了一种用于企业智能决策分析的处理方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤402,获取企业标识对应的待处理数据。
步骤404,对待处理数据进行特征提取,得到待处理数据的特征向量。
步骤406,预先训练的机器学习模型的逻辑层确定特征向量之间的逻辑关系。
其中,逻辑关系是指不同数据之间的关联关系。预先训练的机器学习模型是指根据
步骤408,通过机器学习模型的数据分析层,利用逻辑关系对特征向量进行分析,得到企业标识对应的评估值。
步骤410,通过机器学习模型的决策层对评估值进行处理,得到对应的决策数据。
步骤412,将评估值和决策数据作为新的企业样本数据,根据新的企业样本数据对机器学习模型进行训练。
具体地,当达到预设时间点时,通过评估值和决策数据更新样本数据,根据更新后的样本数据来完成对机器学习模型的更新。
在一个实施例中,评估值为企业财务风险值,通过机器学习模型的决策层对评估值进行处理,得到对应的决策数据,包括:
通过机器学习模型的决策层对企业财务风险值进行处理,当企业财务风险值大于财务风险阈值时,得到业务财务风险警示信息。
可选地,业务财务风险警示信息可以包括企业在时间轴的历史风险警示信息、企业和同地区、同行业、相似规模的企业的总体风险警示信息、企业和同地区、同行业、相似规模的企业的风险因子风险警示信息等。通过机器学习模型的决策层对企业财务风险值进行处理,当企业财务风险值大于财务风险阈值时,得到业务财务风险警示信息;可以实时获取企业的发展状态。
在一个实施例中,评估值为对标指标,通过机器学习模型的决策层对评估值进行处理,得到对应的决策数据,包括:
通过机器学习模型的决策层从不同维度对标指标进行处理,当对标指标小于对标指标阈值时,得到对标指标对应的决策数据;对标指标至少包括利润率、投资回报、产品周期、每个员工销售量和产品成本中的一种。
具体地,通过机器学习模型的决策层从不同维度对标指标进行处理,当对标指标小于对标指标阈值时,得到对标指标对应的决策数据;其中,决策数据可包括企业的行业对标企业、企业内部对标部门的决策数据。
在一个实施例中,评估值为企业健康值,通过机器学习模型的决策层对评估值进行处理,得到对应的决策数据,包括:
通过机器学习模型的决策层企业健康值进行处理,当企业健康值小于企业健康阈值时,得到对应的企业健康数据报告。
可选地,企业健康数据报告可以包括企业各职能部门的健康状况评分、企业各职能部门的健康指标和企业各职能部门的健康指标和行业企业对比数据;其中,职能部门包括人力资源、市场营销、客户支持、销售和分销、财务会计、研发、行政管理、生产、公司运营、采购、技术支持和法务等部门。企业各职能部门的健康指标可以是企业的考核指标,例如,一家电子商务市场营销部门,考核指标可以是销售额、每笔销售的开销、客户终生价值、网站点击转化率、线索到客户的转化率、官网网站自然流量、社交媒体流量和转化率和手机访问流量和转化率等。通过机器学习模型的决策层企业健康值进行处理,当企业健康值小于企业健康阈值时,得到对应的企业健康数据报告,可以对企业健康进行诊断,获取企业健康状态。
在一个实施例中,评估值为企业目前资产净值和企业商誉价值,通过机器学习模型的决策层对评估值进行处理,得到对应的决策数据,包括:
通过机器学习模型的决策层对企业目前资产净值和企业商誉价值进行处理当企业目前资产净值和企业商誉价值分别小于企业目前资产净阈值和企业商誉价值阈值时,得到企业估值的修正系数指标。
上述用于企业智能决策分析的处理方法中,通过获取企业标识对应的待处理数据;对待处理数据进行特征提取,得到待处理数据的特征向量;预先训练的机器学习模型的逻辑层确定特征向量之间的逻辑关系;通过机器学习模型的数据分析层,利用逻辑关系对特征向量进行分析,得到企业标识对应的评估值;通过机器学习模型的决策层对评估值进行处理,得到对应的决策数据;将评估值和决策数据作为新的企业样本数据,根据新的企业样本数据对机器学习模型进行训练。即对企业数据进行处理后,通过处理后的数据继续训练机器学习模型,实现机器学习模型的更新,提高数据处理的准确性和高效性。
以下为用于企业智能决策分析的处理的一个应用场景,如图5所示,其中,机器学习模型为人工智能决策超脑,人工智能决策超脑通过深度学习、多智能体联合学习、联邦学习等技术和各领域的知识图谱,训练了全球宏观经济数据、产业数据、上市公司的财务数据和真实案例最佳实践数据得到的。在生产数据库中对企业标识对应的待处理数据进行处理,得到格式化形式的待处理数据;对待处理数据进行特征提取,得到待处理数据的特征向量;通过预先训练的人工智能决策超脑的逻辑层确定特征向量之间的逻辑关系;通过人工智能决策超脑的数据分析层,利用逻辑关系对特征向量进行分析,得到企业标识对应的评估值;通过人工智能决策超脑的决策层对评估值进行处理,得到对应的决策数据。其中,待处理数据包括企业外部数据和企业内部数据,企业外部数据包括全球宏观经济数据、产业数据、上市公司财务数据以及案例数据;企业内部数据包括企业目标管理行为数据、企业历史财务数据、企业场景问答数据、网络舆情数据等。决策数据包括财务风控预警数据、对标案例分析数据、企业问题诊断数据、资源评估数据、战略目标管理数据、业绩考核评估数据。
应该理解的是,虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-4中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种用于企业智能决策分析的处理装置,包括:获取模块602、特征提取模块604、确定模块606、数据分析模块608和决策模块610,其中:
获取模块602,用于获取企业标识对应的待处理数据。
特征提取模块604,用于对待处理数据进行特征提取,得到待处理数据的特征向量。
确定模块606,用于通过预先训练的机器学习模型的逻辑层确定特征向量之间的逻辑关系。
数据分析模块608,用于通过机器学习模型的数据分析层,利用逻辑关系对特征向量进行分析,得到企业标识对应的评估值。
决策模块610,用于通过机器学习模型的决策层对评估值进行处理,得到对应的决策数据。
上述用于企业智能决策分析的处理装置,通过获取模块602获取企业标识对应的待处理数据;特征提取模块604对待处理数据进行特征提取,得到待处理数据的特征向量;,通过预先训练的机器学习模型的逻辑层中的确定模块606确定特征向量之间的逻辑关系;通过机器学习模型的数据分析层,利用数据分析模块608逻辑关系对特征向量进行分析,得到企业标识对应的评估值;通过机器学习模型的决策层中的决策模块610对评估值进行处理,得到对应的决策数据。即通过训练好的机器学习模型通过对待处理数据的特征向量进行处理,获取待处理数据之间的逻辑关系;机器学习模型根据逻辑关系待处理数据进行多维度分析,提高对用于企业智能决策分析的处理的准确性。
在另一个实施例中,如图7所示,提供了一种用于企业智能决策分析的处理装置,除包括获取模块602、特征提取模块604、确定模块606、数据分析模块608和决策模块610之外,还包括:更新模块612训练模块614、计算模块616和参数调整模块618,其中:
在一个实施例中,决策模块610还用于通过机器学习模型的决策层对企业财务风险值进行处理,当企业财务风险值大于财务风险阈值时,得到业务财务风险警示信息。
在一个实施例中,决策模块610还用于通过机器学习模型的决策层从不同维度对标指标进行处理,当对标指标小于对标指标阈值时,得到对标指标对应的决策数据;对标指标至少包括利润率、投资回报、产品周期、每个员工销售量和产品成本中的一种。
在一个实施例中,决策模块610还用于通过机器学习模型的决策层企业健康值进行处理,当企业健康值小于企业健康阈值时,得到对应的企业健康数据报告。
更新模块612,用于将评估值和决策数据作为新的企业样本数据,根据新的企业样本数据对机器学习模型进行训练。
在一个实施例中,获取模块602还用于获取样本数据和样本数据对应的知识图谱;样本数据以格式化形式存储在生产数据库中。
在一个实施例中,特征提取模块604还用于对样本数据进行特征提取,得到训练特征向量。
训练模块614,用于通过机器学习模型的逻辑层,按照知识图谱学习训练特征向量之间的逻辑关系;通过机器学习模型的数据分析层,利用逻辑关系对训练特征向量进行分析,得到训练评估值;通过机器学习模型的决策层,生成训练评估值对应的训练决策数据。
计算模块616,用于计算训练解决策略数据与决策标签之间的损失值。
参数调整模块618,用于利用损失值对机器学习模型中各网络层的参数进行调整,直到满足预设条件,得到训练好的机器学习模型。
在一个实施例中,通过获取样本数据和样本数据对应的知识图谱;样本数据以格式化形式存储在生产数据库中;对样本数据进行特征提取,得到训练特征向量;通过机器学习模型的逻辑层,按照知识图谱学习训练特征向量之间的逻辑关系;通过机器学习模型的数据分析层,利用逻辑关系对训练特征向量进行分析,得到训练评估值;通过机器学习模型的决策层,生成训练评估值对应的训练决策数据;计算训练解决策略数据与决策标签之间的损失值;利用损失值对机器学习模型中各网络层的参数进行调整,直到满足预设条件,得到训练好的机器学习模型。
获取企业标识对应的待处理数据;对待处理数据进行特征提取,得到待处理数据的特征向量;通过预先训练的机器学习模型的逻辑层确定特征向量之间的逻辑关系;通过机器学习模型的数据分析层,利用逻辑关系对特征向量进行分析,得到企业标识对应的评估值;通过机器学习模型的决策层对评估值进行处理,得到对应的决策数据。即通过训练好的机器学习模型通过对待处理数据的特征向量进行处理,获取待处理数据之间的逻辑关系;机器学习模型根据逻辑关系待处理数据进行多维度分析,提高对用于企业智能决策分析的处理的准确性。
关于用于企业智能决策分析的处理装置的具体限定可以参见上文中对于用于企业智能决策分析的处理方法的限定,在此不再赘述。上述用于企业智能决策分析的处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图8所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种用于企业智能决策分析的处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取企业标识对应的待处理数据;
对待处理数据进行特征提取,得到待处理数据的特征向量;
通过预先训练的机器学习模型的逻辑层确定特征向量之间的逻辑关系;
通过机器学习模型的数据分析层,利用逻辑关系对特征向量进行分析,得到企业标识对应的评估值;
通过机器学习模型的决策层对评估值进行处理,得到对应的决策数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
通过机器学习模型的决策层对企业财务风险值进行处理,当企业财务风险值大于财务风险阈值时,得到业务财务风险警示信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
通过机器学习模型的决策层从不同维度对标指标进行处理,当对标指标小于对标指标阈值时,得到对标指标对应的决策数据;对标指标至少包括利润率、投资回报、产品周期、每个员工销售量和产品成本中的一种。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
通过机器学习模型的决策层企业健康值进行处理,当企业健康值小于企业健康阈值时,得到对应的企业健康数据报告。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将评估值和决策数据作为新的企业样本数据,根据新的企业样本数据对机器学习模型进行训练。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取样本数据和样本数据对应的知识图谱;样本数据以格式化形式存储在生产数据库中;
对样本数据进行特征提取,得到训练特征向量;
通过机器学习模型的逻辑层,按照知识图谱学习训练特征向量之间的逻辑关系;
通过机器学习模型的数据分析层,利用逻辑关系对训练特征向量进行分析,得到训练评估值;
通过机器学习模型的决策层,生成训练评估值对应的训练决策数据;
计算训练解决策略数据与决策标签之间的损失值;
利用损失值对机器学习模型中各网络层的参数进行调整,直到满足预设条件,得到训练好的机器学习模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
样本数据中至少包括全球宏观经济数据、企业产业数据和案例数据;企业内部数据至少包括、企业目标管理行为数据、企业历史财务数据、企业场景问答数据和网络舆情数据;知识图谱至少包括全球宏观经济知识图谱、产业结构分类知识图谱、财务会计审。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取企业标识对应的待处理数据;
对待处理数据进行特征提取,得到待处理数据的特征向量;
通过预先训练的机器学习模型的逻辑层确定特征向量之间的逻辑关系;
通过机器学习模型的数据分析层,利用逻辑关系对特征向量进行分析,得到企业标识对应的评估值;
通过机器学习模型的决策层对评估值进行处理,得到对应的决策数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过机器学习模型的决策层对企业财务风险值进行处理,当企业财务风险值大于财务风险阈值时,得到业务财务风险警示信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过机器学习模型的决策层从不同维度对标指标进行处理,当对标指标小于对标指标阈值时,得到对标指标对应的决策数据;对标指标至少包括利润率、投资回报、产品周期、每个员工销售量和产品成本中的一种。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过机器学习模型的决策层企业健康值进行处理,当企业健康值小于企业健康阈值时,得到对应的企业健康数据报告。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将评估值和决策数据作为新的企业样本数据,根据新的企业样本数据对机器学习模型进行训练。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取样本数据和样本数据对应的知识图谱;样本数据以格式化形式存储在生产数据库中;
对样本数据进行特征提取,得到训练特征向量;
通过机器学习模型的逻辑层,按照知识图谱学习训练特征向量之间的逻辑关系;
通过机器学习模型的数据分析层,利用逻辑关系对训练特征向量进行分析,得到训练评估值;
通过机器学习模型的决策层,生成训练评估值对应的训练决策数据;
计算训练解决策略数据与决策标签之间的损失值;
利用损失值对机器学习模型中各网络层的参数进行调整,直到满足预设条件,得到训练好的机器学习模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
样本数据中至少包括全球宏观经济数据、企业产业数据和案例数据;企业内部数据至少包括、企业目标管理行为数据、企业历史财务数据、企业场景问答数据和网络舆情数据;知识图谱至少包括全球宏观经济知识图谱、产业结构分类知识图谱、财务会计审。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种用于企业智能决策分析的处理方法,所述方法包括:
获取企业标识对应的待处理数据;
对所述待处理数据进行特征提取,得到所述待处理数据的特征向量;
通过预先训练的机器学习模型的逻辑层确定所述特征向量之间的逻辑关系;
通过所述机器学习模型的数据分析层,利用所述逻辑关系对所述特征向量进行分析,得到所述企业标识对应的评估值;
通过所述机器学习模型的决策层对所述评估值进行处理,得到对应的决策数据。
2.根据权利要去1所述的方法,其特征在于,所述评估值为企业财务风险值,所述通过所述机器学习模型的决策层对所述评估值进行处理,得到对应的决策数据,包括:
通过所述机器学习模型的决策层对所述企业财务风险值进行处理,当所述企业财务风险值大于财务风险阈值时,得到业务财务风险警示信息。
3.根据权利要求1所述的方法,其特征在于,所述评估值为对标指标,所述通过所述机器学习模型的决策层对所述评估值进行处理,得到对应的决策数据,包括:
通过所述机器学习模型的决策层从不同维度所述对标指标进行处理,当所述对标指标小于对标指标阈值时,得到所述对标指标对应的决策数据;所述对标指标至少包括利润率、投资回报、产品周期、每个员工销售量和产品成本中的一种。
4.根据权利要求1所述的方法,其特征在于,所述评估值为企业健康值,所述通过所述机器学习模型的决策层对所述评估值进行处理,得到对应的决策数据,包括:
通过所述机器学习模型的决策层所述企业健康值进行处理,当所述企业健康值小于企业健康阈值时,得到对应的企业健康数据报告。
5.根据权利要求1至4任意一项所述的方法,其特征在于,所述方法还包括:
将所述评估值和所述决策数据作为新的企业样本数据,根据所述新的企业样本数据对所述机器学习模型进行训练。
6.根据权利要去1所述的方法,其特征在于,所述机器学习模型的训练过程包括:
获取样本数据和所述样本数据对应的知识图谱;所述样本数据以格式化形式存储在生产数据库中;
对所述样本数据进行特征提取,得到训练特征向量;
通过所述机器学习模型的逻辑层,按照所述知识图谱学习所述训练特征向量之间的逻辑关系;
通过所述机器学习模型的数据分析层,利用所述逻辑关系对所述训练特征向量进行分析,得到训练评估值;
通过所述机器学习模型的决策层,生成所述训练评估值对应的训练决策数据;
计算所述训练解决策略数据与决策标签之间的损失值;
利用所述损失值对所述机器学习模型中各网络层的参数进行调整,直到满足预设条件,得到所述训练好的机器学习模型。
7.根据权利要求6所述的方法,其特征在于,所述样本数据中至少包括全球宏观经济数据、企业产业数据和案例数据;所述企业内部数据至少包括、企业目标管理行为数据、企业历史财务数据、企业场景问答数据和网络舆情数据;所述知识图谱至少包括全球宏观经济知识图谱、产业结构分类知识图谱、财务会计审计知识图谱、企业产业分类、组织结构和战略目标知识图谱。
8.一种用于企业智能决策分析的处理装置,其特征在于,所述装置包括:
获取模块,用于获取企业标识对应的待处理数据;
特征提取模块,用于对所述待处理数据进行特征提取,得到所述待处理数据的特征向量;
确定模块,用于通过预先训练的机器学习模型的逻辑层确定所述特征向量之间的逻辑关系;
数据分析模块,用于通过所述机器学习模型的数据分析层,利用所述逻辑关系对所述特征向量进行分析,得到所述企业标识对应的评估值;
决策模块,用于通过所述机器学习模型的决策层对所述评估值进行处理,得到对应的决策数据。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010120791.7A CN111340246A (zh) | 2020-02-26 | 2020-02-26 | 用于企业智能决策分析的处理方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010120791.7A CN111340246A (zh) | 2020-02-26 | 2020-02-26 | 用于企业智能决策分析的处理方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111340246A true CN111340246A (zh) | 2020-06-26 |
Family
ID=71181886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010120791.7A Pending CN111340246A (zh) | 2020-02-26 | 2020-02-26 | 用于企业智能决策分析的处理方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340246A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112199513A (zh) * | 2020-10-19 | 2021-01-08 | 支付宝(杭州)信息技术有限公司 | 企业供求关系的确定方法、装置和电子设备 |
CN112508671A (zh) * | 2020-12-29 | 2021-03-16 | 广州广电运通信息科技有限公司 | 一种企业财务数据处理方法、***、装置及介质 |
CN112633615A (zh) * | 2021-03-15 | 2021-04-09 | 北京孵家科技股份有限公司 | 基于人工神经网络的经营决策方法、装置及*** |
CN112634069A (zh) * | 2020-12-30 | 2021-04-09 | 太平金融科技服务(上海)有限公司 | 核保请求处理方法、装置、计算机设备和存储介质 |
CN113052269A (zh) * | 2021-04-29 | 2021-06-29 | 上海德衡数据科技有限公司 | 智能协同识别方法、***、设备及介质 |
CN113240262A (zh) * | 2021-05-08 | 2021-08-10 | 南京樯图数据研究院有限公司 | 一种企业竞争策略研究用的人工智能*** |
CN113361949A (zh) * | 2021-06-24 | 2021-09-07 | 上海基甸信息科技有限公司 | 一种基于大数据分析的绩效管理*** |
CN113724068A (zh) * | 2021-08-31 | 2021-11-30 | 平安银行股份有限公司 | 基于知识图谱构建债务人决策策略的方法及相关设备 |
CN113780731A (zh) * | 2021-08-04 | 2021-12-10 | 周浩 | 一种数字孪生管理与评估*** |
CN115375190A (zh) * | 2022-10-18 | 2022-11-22 | 北京北方科诚信息技术股份有限公司 | 一种企业经营管理***及方法 |
US20230045900A1 (en) * | 2021-08-16 | 2023-02-16 | Hcl Technologies Limited | Method and system for evaluating performance of operation resources using artificial intelligence (ai) |
CN116663938A (zh) * | 2023-07-28 | 2023-08-29 | 珠海大横琴泛旅游发展有限公司 | 基于企业数据中台***的信息化管理方法及其相关装置 |
CN117151345A (zh) * | 2023-10-30 | 2023-12-01 | 智唐科技(北京)股份有限公司 | 一种基于ai技术的企业管理智能决策平台 |
CN117391313A (zh) * | 2023-12-12 | 2024-01-12 | 广东正迪科技股份有限公司 | 基于ai的智能决策方法、***、设备以及介质 |
CN117495584A (zh) * | 2023-09-28 | 2024-02-02 | 南京助天中科科技发展有限公司 | 一种企业自适应经营策略制定方法、装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976109A (zh) * | 2016-05-05 | 2016-09-28 | 云神科技投资股份有限公司 | 一种基于大数据智能审计的方法及*** |
US20170024640A1 (en) * | 2015-07-24 | 2017-01-26 | Microsoft Technology Licensing, Llc | Leveraging global data for enterprise data analytics |
CN107909274A (zh) * | 2017-11-17 | 2018-04-13 | 平安科技(深圳)有限公司 | 企业投资风险评估方法、装置及存储介质 |
CN109543925A (zh) * | 2019-01-07 | 2019-03-29 | 平安科技(深圳)有限公司 | 基于机器学习的风险预测方法、装置、计算机设备和存储介质 |
CN109858740A (zh) * | 2018-12-21 | 2019-06-07 | 中化资本有限公司 | 企业风险的评估方法、装置、计算机设备及存储介质 |
CN110084493A (zh) * | 2019-04-11 | 2019-08-02 | 企家有道网络技术(北京)有限公司 | 基于人工智能的企业诊断、预测方法及装置、服务器 |
-
2020
- 2020-02-26 CN CN202010120791.7A patent/CN111340246A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170024640A1 (en) * | 2015-07-24 | 2017-01-26 | Microsoft Technology Licensing, Llc | Leveraging global data for enterprise data analytics |
CN105976109A (zh) * | 2016-05-05 | 2016-09-28 | 云神科技投资股份有限公司 | 一种基于大数据智能审计的方法及*** |
CN107909274A (zh) * | 2017-11-17 | 2018-04-13 | 平安科技(深圳)有限公司 | 企业投资风险评估方法、装置及存储介质 |
CN109858740A (zh) * | 2018-12-21 | 2019-06-07 | 中化资本有限公司 | 企业风险的评估方法、装置、计算机设备及存储介质 |
CN109543925A (zh) * | 2019-01-07 | 2019-03-29 | 平安科技(深圳)有限公司 | 基于机器学习的风险预测方法、装置、计算机设备和存储介质 |
CN110084493A (zh) * | 2019-04-11 | 2019-08-02 | 企家有道网络技术(北京)有限公司 | 基于人工智能的企业诊断、预测方法及装置、服务器 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112199513A (zh) * | 2020-10-19 | 2021-01-08 | 支付宝(杭州)信息技术有限公司 | 企业供求关系的确定方法、装置和电子设备 |
CN112508671A (zh) * | 2020-12-29 | 2021-03-16 | 广州广电运通信息科技有限公司 | 一种企业财务数据处理方法、***、装置及介质 |
CN112634069A (zh) * | 2020-12-30 | 2021-04-09 | 太平金融科技服务(上海)有限公司 | 核保请求处理方法、装置、计算机设备和存储介质 |
CN112633615A (zh) * | 2021-03-15 | 2021-04-09 | 北京孵家科技股份有限公司 | 基于人工神经网络的经营决策方法、装置及*** |
CN113052269A (zh) * | 2021-04-29 | 2021-06-29 | 上海德衡数据科技有限公司 | 智能协同识别方法、***、设备及介质 |
CN113052269B (zh) * | 2021-04-29 | 2022-09-20 | 上海德衡数据科技有限公司 | 智能协同识别方法、***、设备及介质 |
CN113240262A (zh) * | 2021-05-08 | 2021-08-10 | 南京樯图数据研究院有限公司 | 一种企业竞争策略研究用的人工智能*** |
CN113361949A (zh) * | 2021-06-24 | 2021-09-07 | 上海基甸信息科技有限公司 | 一种基于大数据分析的绩效管理*** |
CN113780731A (zh) * | 2021-08-04 | 2021-12-10 | 周浩 | 一种数字孪生管理与评估*** |
US20230045900A1 (en) * | 2021-08-16 | 2023-02-16 | Hcl Technologies Limited | Method and system for evaluating performance of operation resources using artificial intelligence (ai) |
CN113724068A (zh) * | 2021-08-31 | 2021-11-30 | 平安银行股份有限公司 | 基于知识图谱构建债务人决策策略的方法及相关设备 |
CN115375190A (zh) * | 2022-10-18 | 2022-11-22 | 北京北方科诚信息技术股份有限公司 | 一种企业经营管理***及方法 |
CN116663938A (zh) * | 2023-07-28 | 2023-08-29 | 珠海大横琴泛旅游发展有限公司 | 基于企业数据中台***的信息化管理方法及其相关装置 |
CN116663938B (zh) * | 2023-07-28 | 2023-12-12 | 珠海大横琴泛旅游发展有限公司 | 基于企业数据中台***的信息化管理方法及其相关装置 |
CN117495584A (zh) * | 2023-09-28 | 2024-02-02 | 南京助天中科科技发展有限公司 | 一种企业自适应经营策略制定方法、装置及存储介质 |
CN117151345A (zh) * | 2023-10-30 | 2023-12-01 | 智唐科技(北京)股份有限公司 | 一种基于ai技术的企业管理智能决策平台 |
CN117391313A (zh) * | 2023-12-12 | 2024-01-12 | 广东正迪科技股份有限公司 | 基于ai的智能决策方法、***、设备以及介质 |
CN117391313B (zh) * | 2023-12-12 | 2024-04-30 | 广东正迪科技股份有限公司 | 基于ai的智能决策方法、***、设备以及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340246A (zh) | 用于企业智能决策分析的处理方法、装置和计算机设备 | |
Bharadiya | A comparative study of business intelligence and artificial intelligence with big data analytics | |
WO2020253358A1 (zh) | 业务数据的风控分析处理方法、装置和计算机设备 | |
US20200192894A1 (en) | System and method for using data incident based modeling and prediction | |
CN109657917B (zh) | 评估对象的风险预警方法、装置、计算机设备和存储介质 | |
Moges et al. | A multidimensional analysis of data quality for credit risk management: New insights and challenges | |
CN107729519B (zh) | 基于多源多维数据的评估方法及装置、终端 | |
CN111222982A (zh) | 一种互联网信贷逾期预测方法、装置、服务器和存储介质 | |
CN112561598A (zh) | 基于客户画像的客户流失预测及挽回方法和*** | |
CN110738527A (zh) | 一种特征重要性排序方法、装置、设备和存储介质 | |
CN113971527A (zh) | 基于机器学习的数据风险评估方法及装置 | |
Even et al. | Value-Driven Data Quality Assessment. | |
JP2016206878A (ja) | 営業員育成支援システムおよび営業員育成支援方法 | |
CN115983900A (zh) | 用户营销策略的构建方法、装置、设备、介质和程序产品 | |
CN115619245A (zh) | 一种基于数据降维方法的画像构建和分类方法及*** | |
AU2021204470A1 (en) | Benefit surrender prediction | |
Zhu et al. | A DEALG methodology for prediction of effective customers of internet financial loan products | |
CN116467525A (zh) | 业务产品的推荐方法、装置、设备和存储介质 | |
CN111291795A (zh) | 人群特征分析方法、装置、存储介质和计算机设备 | |
CN116451074A (zh) | 目标对象的画像生成方法、装置、计算机设备、存储介质 | |
US11593740B1 (en) | Computing system for automated evaluation of process workflows | |
CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
CN113627997A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN110472680B (zh) | 目标分类方法、装置和计算机可读存储介质 | |
Shi et al. | An Integrated machine learning and DEA-predefined performance outcome prediction framework with high-dimensional imbalanced data |
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 |