CN111754110A - 基于人工智能的经营指标评价方法、装置、设备及介质 - Google Patents
基于人工智能的经营指标评价方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111754110A CN111754110A CN202010584997.5A CN202010584997A CN111754110A CN 111754110 A CN111754110 A CN 111754110A CN 202010584997 A CN202010584997 A CN 202010584997A CN 111754110 A CN111754110 A CN 111754110A
- Authority
- CN
- China
- Prior art keywords
- index
- value
- calculating
- indicator
- reverse
- 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
- 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
本发明涉及人工智能及数据处理技术领域,提供一种基于人工智能的经营指标评价方法、装置、设备及介质,其方法包括:获取并判断待评价体系中的正向指标及反向指标;采用熵值法计算正向指标及反向指标的权重;基于P‑IBI算法计算正向指标及反向指标的评分;计算正向指标及反向指标的评分的加权和;对加权和进行标准化处理,得到所述待评价体系的评分。本发明还涉及区块链技术,待评价体系的评分可存储于区块链中。本发明能够结合熵值法确定的权重及P‑IBI算法确定的评分进行整体评价,消除了P‑IBI算法中没有考虑指标权重的缺陷,使评价结果更加符合客观事实,准确度更高,同时有效克服了P‑IBI算法得到的评分可读性差的缺陷,实现对经营指标的自动化评价。
Description
技术领域
本发明涉及人工智能及数据处理技术领域,尤其涉及一种基于人工智能的经营指标评价方法、装置、设备及介质。
背景技术
目前,对于各个企业的经营情况,通常需要人工进行评价,没有较佳的自动评价方案。
另外,P-IBI是用于衡量浮游植物完整性的指数,一般应用于环境质量的评价上,还没有应用在企业的经营指数评价上。
当将P-IBI指数应用于衡量企业经营情况上时,存在以下两个缺陷:(1)P-IBI的计算过程中并没有考虑到各个指标的权重,评价不够准确;(2)P-IBI指数的结果取值不是0到100之间,可读性差。
发明内容
鉴于以上内容,有必要提供一种基于人工智能的经营指标评价方法、装置、设备及介质,能够基于人工智能,结合熵值法确定的权重及P-IBI算法确定的评分进行整体评价,消除了P-IBI算法中没有考虑指标权重的缺陷,使评价结果更加符合客观事实,准确度更高,同时有效克服了P-IBI算法得到的评分可读性差的缺陷,实现对经营指标的自动化评价。
一种基于人工智能的经营指标评价方法,所述基于人工智能的经营指标评价方法包括:
当接收到经营指标评价指令时,从所述经营指标评价指令中确定待评价体系;
获取所述待评价体系中的评价指标;
判断所述评价指标中的正向指标及反向指标;
采用熵值法计算所述正向指标及所述反向指标的权重;
基于P-IBI算法计算所述正向指标及所述反向指标的评分;
根据所述正向指标及所述反向指标的权重计算所述正向指标及所述反向指标的评分的加权和;
对所述加权和进行标准化处理,得到所述待评价体系的评分。
根据本发明优选实施例,所述判断所述评价指标中的正向指标及反向指标包括:
确定所述评价指标中各个指标的干扰数据;
获取随所述干扰数据的增大而减小的指标作为所述正向指标;及
获取随所述干扰数据的增大而增大的指标作为所述反向指标。
根据本发明优选实施例,所述采用熵值法计算所述正向指标及所述反向指标的权重包括:
获取所述正向指标及所述负向指标中每个指标的实测值;
对每个指标的实测值进行归一化处理,得到每个指标的检测值;
对于每个指标,计算所述指标下各个检测值的比重;
利用各个检测值的比重计算所述指标的信息熵;
计算所述信息熵的冗余度;
根据所述冗余度确定所述指标的权重。
根据本发明优选实施例,所述对每个指标的实测值进行归一化处理,得到每个指标的检测值包括:
对于每个正向指标,获取所述指标的实测值中的第一最大值及第一最小值;
对于所述指标下的每个实测值,计算所述实测值与所述第一最小值的第一差值,并计算所述第一最大值与所述第一最小值的第二差值;
以所述第一差值与所述第二差值的商作为对所述实测值进行归一化处理后得到的检测值;
整合每个正向指标下的每个实测值对应的检测值,得到每个正向指标的检测值。
根据本发明优选实施例,所述对每个指标的实测值进行归一化处理,得到每个指标的检测值还包括:
对于每个反向指标,获取所述指标的实测值中的第二最大值及第二最小值;
对于所述指标下的每个实测值,计算所述第二最大值与所述实测值的第三差值,并计算所述第二最大值与所述第二最小值的第四差值;
以所述第三差值与所述第四差值的商作为对所述实测值进行归一化处理后得到的检测值;
整合每个反向指标下的每个实测值对应的检测值,得到每个反向指标的检测值。
根据本发明优选实施例,所述基于P-IBI算法计算所述正向指标及所述反向指标的评分包括:
对于每个正向指标,计算所述指标在所有检测值对应的全部样点中的95%分位数的值作为第一最佳期望值;
对于所述指标下的每个实测值,将所述实测值与所述第一最佳期望值的商作为所述实测值对应的样点指标分值;
累加每个实测值对应的样点指标分值,得到所述正向指标的第一P-IBI总分值;
确定所述指标的第一理想期望值;
计算所述第一P-IBI总分值与所述第一理想期望值的第一商值;
对所述第一商值进行标准化处理,得到所述指标的评分。
根据本发明优选实施例,所述基于P-IBI算法计算所述正向指标及所述反向指标的评分还包括:
对于每个反向指标,计算所述指标在所有检测值对应的全部样点中的5%分位数的值作为第二最佳期望值;
对于所述指标下的每个实测值,计算所述第二最大值与所述实测值的第五差值,及计算所述第二最大值与所述第二最佳期望值的第六差值;
将所述第五差值与所述第六差值的商作为所述实测值对应的样点指标分值;
累加每个实测值对应的样点指标分值,得到所述反向指标的第二P-IBI总分值;
确定所述指标的第二理想期望值;
计算所述第二P-IBI总分值与所述第二理想期望值的第二商值;
对所述第二商值进行标准化处理,得到所述指标的评分。
一种基于人工智能的经营指标评价装置,所述基于人工智能的经营指标评价装置包括:
确定单元,用于当接收到经营指标评价指令时,从所述经营指标评价指令中确定待评价体系;
获取单元,用于获取所述待评价体系中的评价指标;
判断单元,用于判断所述评价指标中的正向指标及反向指标;
计算单元,用于采用熵值法计算所述正向指标及所述反向指标的权重;
所述计算单元,还用于基于P-IBI算法计算所述正向指标及所述反向指标的评分;
所述计算单元,还用于根据所述正向指标及所述反向指标的权重计算所述正向指标及所述反向指标的评分的加权和;
处理单元,用于对所述加权和进行标准化处理,得到所述待评价体系的评分。
一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现所述基于人工智能的经营指标评价方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现所述基于人工智能的经营指标评价方法。
由以上技术方案可以看出,本发明能够当接收到经营指标评价指令时,从所述经营指标评价指令中确定待评价体系,获取所述待评价体系中的评价指标,并判断所述评价指标中的正向指标及反向指标,采用熵值法计算所述正向指标及所述反向指标的权重,并基于P-IBI算法计算所述正向指标及所述反向指标的评分,结合熵值法确定的权重及P-IBI算法确定的评分进行整体评价,消除了P-IBI算法中没有考虑指标权重的缺陷,使评价结果更加符合客观事实,准确度更高,进一步对所述加权和进行标准化处理,得到所述待评价体系的评分,有效克服了P-IBI算法得到的评分可读性差的缺陷,实现对经营指标的自动化评价。
附图说明
图1是本发明基于人工智能的经营指标评价方法的较佳实施例的流程图。
图2是本发明基于人工智能的经营指标评价装置的较佳实施例的功能模块图。
图3是本发明实现基于人工智能的经营指标评价方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明基于人工智能的经营指标评价方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述基于人工智能的经营指标评价方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,当接收到经营指标评价指令时,从所述经营指标评价指令中确定待评价体系。
其中,所述经营指标中可以包括每个待评价体系的标识,所述标识用于从所述经营指标评价指令中确定与所述标识对应的待评价体系。
具体地,在从所述经营指标评价指令中确定所述待评价体系之前,配置所述标识与所述待评价体系之间的对应关系,并且,一个标识对应一个待评价体系。例如:标识A对应待评价体系X,标识B对应待评价体系Y。
进一步地,在配置了所述标识与所述待评价体系之间的对应关系后,即可直接从所述经营指标评价指令获取当前标识,并进一步确定与所述当前标识对应的待评价体系。
通过上述实施方式,即可从所述经营指标评价指令中准确地确定所述待评价体系。
S11,获取所述待评价体系中的评价指标。
例如,对于企业经营指标***,所述评价指标可以包括:线索月下发量(D)、代理人线索查看量(P)、客户金管家月活跃量(S)、金管家产品转化率(I)以及月保单销售量(R)等。
S12,判断所述评价指标中的正向指标及反向指标。
由于对正向指标及反向指标的评分方式是不同的,因此,需要先对所述评价指标中的正向指标及反向指标进行判断。
具体地,所述判断所述评价指标中的正向指标及反向指标包括:
确定所述评价指标中各个指标的干扰数据;
获取随所述干扰数据的增大而减小的指标作为所述正向指标;及
获取随所述干扰数据的增大而增大的指标作为所述反向指标。
S13,采用熵值法计算所述正向指标及所述反向指标的权重。
在本发明的至少一个实施例中,所述采用熵值法计算所述正向指标及所述反向指标的权重包括:
获取所述正向指标及所述负向指标中每个指标的实测值xij;
对每个指标的实测值进行归一化处理,得到每个指标的检测值;
计算所述信息熵的冗余度dj=1-ej;
通过上述实施方式,能够通过熵值法明确各个指标的权重,便于后续根据各个指标的实际影响进行评分,使评分更加客观公正,提高了评分的准确性。
另外,对于正向指标及负向指标,归一化处理的方式也不同。
具体地,所述对每个指标的实测值进行归一化处理,得到每个指标的检测值包括:
对于每个正向指标,获取所述指标的实测值中的第一最大值max1及第一最小值min1;
对于所述指标下的每个实测值xij,计算所述实测值与所述第一最小值的第一差值xij-min1,并计算所述第一最大值与所述第一最小值的第二差值max1-min1;
整合每个正向指标下的每个实测值对应的检测值,得到每个正向指标的检测值。
进一步地,所述对每个指标的实测值进行归一化处理,得到每个指标的检测值还包括:
对于每个反向指标,获取所述指标的实测值中的第二最大值max2及第二最小值min2;
对于所述指标下的每个实测值xij,计算所述第二最大值与所述实测值的第三差值max2-xij,并计算所述第二最大值与所述第二最小值的第四差值max2-min2;
整合每个反向指标下的每个实测值对应的检测值,得到每个反向指标的检测值。
通过对正向指标及负向指标的实测值进行归一化处理,使不同量纲下的数据得到了统一,便于计算。
S14,基于P-IBI算法计算所述正向指标及所述反向指标的评分。
可以理解的是,由于正向指标及负向指标的影响不同,因此进行P-IBI计算的方式也有所不同。
具体地,所述基于P-IBI算法计算所述正向指标及所述反向指标的评分包括:
对于每个正向指标,计算所述指标在所有检测值对应的全部样点中的95%分位数的值作为第一最佳期望值;
对于所述指标下的每个实测值,将所述实测值与所述第一最佳期望值的商作为所述实测值对应的样点指标分值;
累加每个实测值对应的样点指标分值,得到所述正向指标的第一P-IBI总分值IBI1;
确定所述指标的第一理想期望值IBIE1;
计算所述第一P-IBI总分值与所述第一理想期望值的第一商值IBI1/IBIE1;
对所述第一商值进行标准化处理,得到所述指标的评分IBIr=IBI1/IBIE1*100。
进一步地,所述基于P-IBI算法计算所述正向指标及所述反向指标的评分还包括:
对于每个反向指标,计算所述指标在所有检测值对应的全部样点中的5%分位数的值作为第二最佳期望值;
对于所述指标下的每个实测值,计算所述第二最大值与所述实测值的第五差值,及计算所述第二最大值与所述第二最佳期望值的第六差值;
将所述第五差值与所述第六差值的商作为所述实测值对应的样点指标分值;
累加每个实测值对应的样点指标分值,得到所述反向指标的第二P-IBI总分值IBI2;
确定所述指标的第二理想期望值IBIE2;
计算所述第二P-IBI总分值与所述第二理想期望值的第二商值IBI2/IBIE2;
对所述第二商值进行标准化处理,得到所述指标的评分IBIr=IBI2/IBIE2*100。
需要说明的是,不同于现有技术中以P-IBI算法衡量环境质量,本案采用P-IBI算法对经营指标进行评分,以便后续自动对整个待评价体系进行整体评估。
S15,根据所述正向指标及所述反向指标的权重计算所述正向指标及所述反向指标的评分的加权和。
通过上述实施方式,结合熵值法确定的权重及P-IBI算法确定的评分进行整体评价,消除了P-IBI算法中没有考虑指标权重的缺陷,使评价结果更加符合客观事实,准确度更高。
S16,对所述加权和进行标准化处理,得到所述待评价体系的评分。
具体地,将所述加权和乘以100%,得到所述待评价体系的评分。
通过对加权和进行标准化处理,有效克服了P-IBI算法得到的评分可读性差的缺陷。
需要强调的是,为进一步保证所述待评价体系的评分的私密和安全性,还可以将所述待评价体系的评分存储于区块链的节点中。
另外,每个待评价体系的评分还可以作为是宏观经济研究分析的重要指标。
由以上技术方案可以看出,本发明能够当接收到经营指标评价指令时,从所述经营指标评价指令中确定待评价体系,获取所述待评价体系中的评价指标,并判断所述评价指标中的正向指标及反向指标,采用熵值法计算所述正向指标及所述反向指标的权重,并基于P-IBI算法计算所述正向指标及所述反向指标的评分,结合熵值法确定的权重及P-IBI算法确定的评分进行整体评价,消除了P-IBI算法中没有考虑指标权重的缺陷,使评价结果更加符合客观事实,准确度更高,进一步对所述加权和进行标准化处理,得到所述待评价体系的评分,有效克服了P-IBI算法得到的评分可读性差的缺陷,实现对经营指标的自动化评价。
如图2所示,是本发明基于人工智能的经营指标评价装置的较佳实施例的功能模块图。所述基于人工智能的经营指标评价装置11包括确定单元110、获取单元111、判断单元112、计算单元113、处理单元114。本发明所称的模块/单元是指一种能够被处理器13所执行,并且能够完成固定功能的一系列计算机程序段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
当接收到经营指标评价指令时,确定单元110从所述经营指标评价指令中确定待评价体系。
其中,所述经营指标中可以包括每个待评价体系的标识,所述标识用于从所述经营指标评价指令中确定与所述标识对应的待评价体系。
具体地,在从所述经营指标评价指令中确定所述待评价体系之前,配置所述标识与所述待评价体系之间的对应关系,并且,一个标识对应一个待评价体系。例如:标识A对应待评价体系X,标识B对应待评价体系Y。
进一步地,在配置了所述标识与所述待评价体系之间的对应关系后,即可直接从所述经营指标评价指令获取当前标识,并进一步确定与所述当前标识对应的待评价体系。
通过上述实施方式,即可从所述经营指标评价指令中准确地确定所述待评价体系。
获取单元111获取所述待评价体系中的评价指标。
例如,对于企业经营指标***,所述评价指标可以包括:线索月下发量(D)、代理人线索查看量(P)、客户金管家月活跃量(S)、金管家产品转化率(I)以及月保单销售量(R)等。
判断单元112判断所述评价指标中的正向指标及反向指标。
由于对正向指标及反向指标的评分方式是不同的,因此,需要先对所述评价指标中的正向指标及反向指标进行判断。
具体地,所述判断单元112判断所述评价指标中的正向指标及反向指标包括:
确定所述评价指标中各个指标的干扰数据;
获取随所述干扰数据的增大而减小的指标作为所述正向指标;及
获取随所述干扰数据的增大而增大的指标作为所述反向指标。
计算单元113采用熵值法计算所述正向指标及所述反向指标的权重。
在本发明的至少一个实施例中,所述计算单元113采用熵值法计算所述正向指标及所述反向指标的权重包括:
获取所述正向指标及所述负向指标中每个指标的实测值xij;
对每个指标的实测值进行归一化处理,得到每个指标的检测值;
计算所述信息熵的冗余度dj=1-ej;
通过上述实施方式,能够通过熵值法明确各个指标的权重,便于后续根据各个指标的实际影响进行评分,使评分更加客观公正,提高了评分的准确性。
另外,对于正向指标及负向指标,归一化处理的方式也不同。
具体地,所述计算单元113对每个指标的实测值进行归一化处理,得到每个指标的检测值包括:
对于每个正向指标,获取所述指标的实测值中的第一最大值max1及第一最小值min1;
对于所述指标下的每个实测值xij,计算所述实测值与所述第一最小值的第一差值xij-min1,并计算所述第一最大值与所述第一最小值的第二差值max1-min1;
整合每个正向指标下的每个实测值对应的检测值,得到每个正向指标的检测值。
进一步地,所述计算单元113对每个指标的实测值进行归一化处理,得到每个指标的检测值还包括:
对于每个反向指标,获取所述指标的实测值中的第二最大值max2及第二最小值min2;
对于所述指标下的每个实测值xij,计算所述第二最大值与所述实测值的第三差值max2-xij,并计算所述第二最大值与所述第二最小值的第四差值max2-min2;
整合每个反向指标下的每个实测值对应的检测值,得到每个反向指标的检测值。
通过对正向指标及负向指标的实测值进行归一化处理,使不同量纲下的数据得到了统一,便于计算。
所述计算单元113基于P-IBI算法计算所述正向指标及所述反向指标的评分。
可以理解的是,由于正向指标及负向指标的影响不同,因此进行P-IBI计算的方式也有所不同。
具体地,所述计算单元113基于P-IBI算法计算所述正向指标及所述反向指标的评分包括:
对于每个正向指标,计算所述指标在所有检测值对应的全部样点中的95%分位数的值作为第一最佳期望值;
对于所述指标下的每个实测值,将所述实测值与所述第一最佳期望值的商作为所述实测值对应的样点指标分值;
累加每个实测值对应的样点指标分值,得到所述正向指标的第一P-IBI总分值IBI1;
确定所述指标的第一理想期望值IBIE1;
计算所述第一P-IBI总分值与所述第一理想期望值的第一商值IBI1/IBIE1;
对所述第一商值进行标准化处理,得到所述指标的评分IBIr=IBI1/IBIE1*100。
进一步地,所述计算单元113基于P-IBI算法计算所述正向指标及所述反向指标的评分还包括:
对于每个反向指标,计算所述指标在所有检测值对应的全部样点中的5%分位数的值作为第二最佳期望值;
对于所述指标下的每个实测值,计算所述第二最大值与所述实测值的第五差值,及计算所述第二最大值与所述第二最佳期望值的第六差值;
将所述第五差值与所述第六差值的商作为所述实测值对应的样点指标分值;
累加每个实测值对应的样点指标分值,得到所述反向指标的第二P-IBI总分值IBI2;
确定所述指标的第二理想期望值IBIE2;
计算所述第二P-IBI总分值与所述第二理想期望值的第二商值IBI2/IBIE2;
对所述第二商值进行标准化处理,得到所述指标的评分IBIr=IBI2/IBIE2*100。
需要说明的是,不同于现有技术中以P-IBI算法衡量环境质量,本案采用P-IBI算法对经营指标进行评分,以便后续自动对整个待评价体系进行整体评估。
所述计算单元113根据所述正向指标及所述反向指标的权重计算所述正向指标及所述反向指标的评分的加权和。
通过上述实施方式,结合熵值法确定的权重及P-IBI算法确定的评分进行整体评价,消除了P-IBI算法中没有考虑指标权重的缺陷,使评价结果更加符合客观事实,准确度更高。
处理单元114对所述加权和进行标准化处理,得到所述待评价体系的评分。
具体地,将所述加权和乘以100%,得到所述待评价体系的评分。
通过对加权和进行标准化处理,有效克服了P-IBI算法得到的评分可读性差的缺陷。
需要强调的是,为进一步保证所述待评价体系的评分的私密和安全性,还可以将所述待评价体系的评分存储于区块链的节点中。
另外,每个待评价体系的评分还可以作为是宏观经济研究分析的重要指标。
由以上技术方案可以看出,本发明能够当接收到经营指标评价指令时,从所述经营指标评价指令中确定待评价体系,获取所述待评价体系中的评价指标,并判断所述评价指标中的正向指标及反向指标,采用熵值法计算所述正向指标及所述反向指标的权重,并基于P-IBI算法计算所述正向指标及所述反向指标的评分,结合熵值法确定的权重及P-IBI算法确定的评分进行整体评价,消除了P-IBI算法中没有考虑指标权重的缺陷,使评价结果更加符合客观事实,准确度更高,进一步对所述加权和进行标准化处理,得到所述待评价体系的评分,有效克服了P-IBI算法得到的评分可读性差的缺陷,实现对经营指标的自动化评价。
如图3所示,是本发明实现基于人工智能的经营指标评价方法的较佳实施例的电子设备的结构示意图。
所述电子设备1可以包括存储器12、处理器13和总线,还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序,例如基于人工智能的经营指标评价程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,所述电子设备1既可以是总线型结构,也可以是星形结构,所述电子设备1还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置,例如所述电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是,所述电子设备1仅为举例,其他现有的或今后可能出现的电子产品如可适应于本发明,也应包含在本发明的保护范围以内,并以引用方式包含于此。
其中,存储器12至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于人工智能的经营指标评价程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述电子设备1的控制核心(Control Unit),利用各种接口和线路连接整个电子设备1的各个部件,通过运行或执行存储在所述存储器12内的程序或者模块(例如执行基于人工智能的经营指标评价程序等),以及调用存储在所述存储器12内的数据,以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作***以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于人工智能的经营指标评价方法实施例中的步骤,例如图1所示的步骤S10、S11、S12、S13、S14、S15、S16。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如,所述计算机程序可以被分割成确定单元110、获取单元111、判断单元112、计算单元113、处理单元114。
或者,所述处理器13执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能,例如:
当接收到经营指标评价指令时,从所述经营指标评价指令中确定待评价体系;
获取所述待评价体系中的评价指标;
判断所述评价指标中的正向指标及反向指标;
采用熵值法计算所述正向指标及所述反向指标的权重;
基于P-IBI算法计算所述正向指标及所述反向指标的评分;
根据所述正向指标及所述反向指标的权重计算所述正向指标及所述反向指标的评分的加权和;
对所述加权和进行标准化处理,得到所述待评价体系的评分。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备,或者网络设备等)或处理器(processor)执行本发明各个实施例所述基于人工智能的经营指标评价方法的部分。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指示相关的硬件设备来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
进一步地,计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,在图3中仅用一根箭头表示,但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器13逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的电子设备1,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
结合图1,所述电子设备1中的所述存储器12存储多个指令以实现一种基于人工智能的经营指标评价方法,所述处理器13可执行所述多个指令从而实现:
当接收到经营指标评价指令时,从所述经营指标评价指令中确定待评价体系;
获取所述待评价体系中的评价指标;
判断所述评价指标中的正向指标及反向指标;
采用熵值法计算所述正向指标及所述反向指标的权重;
基于P-IBI算法计算所述正向指标及所述反向指标的评分;
根据所述正向指标及所述反向指标的权重计算所述正向指标及所述反向指标的评分的加权和;
对所述加权和进行标准化处理,得到所述待评价体系的评分。
具体地,所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于人工智能的经营指标评价方法,其特征在于,所述基于人工智能的经营指标评价方法包括:
当接收到经营指标评价指令时,从所述经营指标评价指令中确定待评价体系;
获取所述待评价体系中的评价指标;
判断所述评价指标中的正向指标及反向指标;
采用熵值法计算所述正向指标及所述反向指标的权重;
基于P-IBI算法计算所述正向指标及所述反向指标的评分;
根据所述正向指标及所述反向指标的权重计算所述正向指标及所述反向指标的评分的加权和;
对所述加权和进行标准化处理,得到所述待评价体系的评分。
2.如权利要求1所述的基于人工智能的经营指标评价方法,其特征在于,所述判断所述评价指标中的正向指标及反向指标包括:
确定所述评价指标中各个指标的干扰数据;
获取随所述干扰数据的增大而减小的指标作为所述正向指标;及
获取随所述干扰数据的增大而增大的指标作为所述反向指标。
3.如权利要求1所述的基于人工智能的经营指标评价方法,其特征在于,所述采用熵值法计算所述正向指标及所述反向指标的权重包括:
获取所述正向指标及所述负向指标中每个指标的实测值;
对每个指标的实测值进行归一化处理,得到每个指标的检测值;
对于每个指标,计算所述指标下各个检测值的比重;
利用各个检测值的比重计算所述指标的信息熵;
计算所述信息熵的冗余度;
根据所述冗余度确定所述指标的权重。
4.如权利要求3所述的基于人工智能的经营指标评价方法,其特征在于,所述对每个指标的实测值进行归一化处理,得到每个指标的检测值包括:
对于每个正向指标,获取所述指标的实测值中的第一最大值及第一最小值;
对于所述指标下的每个实测值,计算所述实测值与所述第一最小值的第一差值,并计算所述第一最大值与所述第一最小值的第二差值;
以所述第一差值与所述第二差值的商作为对所述实测值进行归一化处理后得到的检测值;
整合每个正向指标下的每个实测值对应的检测值,得到每个正向指标的检测值。
5.如权利要求3所述的基于人工智能的经营指标评价方法,其特征在于,所述对每个指标的实测值进行归一化处理,得到每个指标的检测值还包括:
对于每个反向指标,获取所述指标的实测值中的第二最大值及第二最小值;
对于所述指标下的每个实测值,计算所述第二最大值与所述实测值的第三差值,并计算所述第二最大值与所述第二最小值的第四差值;
以所述第三差值与所述第四差值的商作为对所述实测值进行归一化处理后得到的检测值;
整合每个反向指标下的每个实测值对应的检测值,得到每个反向指标的检测值。
6.如权利要求1所述的基于人工智能的经营指标评价方法,其特征在于,所述基于P-IBI算法计算所述正向指标及所述反向指标的评分包括:
对于每个正向指标,计算所述指标在所有检测值对应的全部样点中的95%分位数的值作为第一最佳期望值;
对于所述指标下的每个实测值,将所述实测值与所述第一最佳期望值的商作为所述实测值对应的样点指标分值;
累加每个实测值对应的样点指标分值,得到所述正向指标的第一P-IBI总分值;
确定所述指标的第一理想期望值;
计算所述第一P-IBI总分值与所述第一理想期望值的第一商值;
对所述第一商值进行标准化处理,得到所述指标的评分。
7.如权利要求1所述的基于人工智能的经营指标评价方法,其特征在于,所述基于P-IBI算法计算所述正向指标及所述反向指标的评分还包括:
对于每个反向指标,计算所述指标在所有检测值对应的全部样点中的5%分位数的值作为第二最佳期望值;
对于所述指标下的每个实测值,计算所述第二最大值与所述实测值的第五差值,及计算所述第二最大值与所述第二最佳期望值的第六差值;
将所述第五差值与所述第六差值的商作为所述实测值对应的样点指标分值;
累加每个实测值对应的样点指标分值,得到所述反向指标的第二P-IBI总分值;
确定所述指标的第二理想期望值;
计算所述第二P-IBI总分值与所述第二理想期望值的第二商值;
对所述第二商值进行标准化处理,得到所述指标的评分。
8.一种基于人工智能的经营指标评价装置,其特征在于,所述基于人工智能的经营指标评价装置包括:
确定单元,用于当接收到经营指标评价指令时,从所述经营指标评价指令中确定待评价体系;
获取单元,用于获取所述待评价体系中的评价指标;
判断单元,用于判断所述评价指标中的正向指标及反向指标;
计算单元,用于采用熵值法计算所述正向指标及所述反向指标的权重;
所述计算单元,还用于基于P-IBI算法计算所述正向指标及所述反向指标的评分;
所述计算单元,还用于根据所述正向指标及所述反向指标的权重计算所述正向指标及所述反向指标的评分的加权和;
处理单元,用于对所述加权和进行标准化处理,得到所述待评价体系的评分。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的基于人工智能的经营指标评价方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的基于人工智能的经营指标评价方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010584997.5A CN111754110A (zh) | 2020-06-23 | 2020-06-23 | 基于人工智能的经营指标评价方法、装置、设备及介质 |
PCT/CN2021/090624 WO2021258850A1 (zh) | 2020-06-23 | 2021-04-28 | 基于人工智能的经营指标评价方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010584997.5A CN111754110A (zh) | 2020-06-23 | 2020-06-23 | 基于人工智能的经营指标评价方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111754110A true CN111754110A (zh) | 2020-10-09 |
Family
ID=72676828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010584997.5A Pending CN111754110A (zh) | 2020-06-23 | 2020-06-23 | 基于人工智能的经营指标评价方法、装置、设备及介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111754110A (zh) |
WO (1) | WO2021258850A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021258850A1 (zh) * | 2020-06-23 | 2021-12-30 | 平安科技(深圳)有限公司 | 基于人工智能的经营指标评价方法、装置、设备及介质 |
CN116922397A (zh) * | 2023-09-13 | 2023-10-24 | 成都明途科技有限公司 | 机器人智能水平的测量方法、装置、机器人及存储介质 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705939B (zh) * | 2020-05-21 | 2024-02-09 | 国网陕西省电力公司电力科学研究院 | 一种电气工程接地材料的综合评价方法及*** |
CN114493283A (zh) * | 2022-01-27 | 2022-05-13 | 北京碧云数创科技有限公司 | 用户信息评价方法 |
CN114520030A (zh) * | 2022-02-18 | 2022-05-20 | 广州机械科学研究院有限公司 | 油品性能评价方法、装置、电子设备及可读存储介质 |
CN115510292B (zh) * | 2022-11-18 | 2023-03-24 | 四川汉唐云分布式存储技术有限公司 | 一种分布式存储***树搜索管理方法、装置、设备及介质 |
CN117114491A (zh) * | 2023-09-06 | 2023-11-24 | 青岛民航凯亚***集成有限公司 | 一种基于熵值法的机场信息***运维能力评价方法及*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537446A (zh) * | 2018-04-10 | 2018-09-14 | 山西九章数据分析师事务所有限公司 | 企业信用评价的方法和装置 |
CN109063962B (zh) * | 2018-06-28 | 2021-09-28 | 河海大学 | 一种基于权重的城市内河生态***健康评价方法 |
CN110175759A (zh) * | 2019-05-08 | 2019-08-27 | 南方电网科学研究院有限责任公司 | 一种电力企业产学研***评价方法、装置及存储介质 |
CN111754110A (zh) * | 2020-06-23 | 2020-10-09 | 平安科技(深圳)有限公司 | 基于人工智能的经营指标评价方法、装置、设备及介质 |
-
2020
- 2020-06-23 CN CN202010584997.5A patent/CN111754110A/zh active Pending
-
2021
- 2021-04-28 WO PCT/CN2021/090624 patent/WO2021258850A1/zh active Application Filing
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021258850A1 (zh) * | 2020-06-23 | 2021-12-30 | 平安科技(深圳)有限公司 | 基于人工智能的经营指标评价方法、装置、设备及介质 |
CN116922397A (zh) * | 2023-09-13 | 2023-10-24 | 成都明途科技有限公司 | 机器人智能水平的测量方法、装置、机器人及存储介质 |
CN116922397B (zh) * | 2023-09-13 | 2023-11-28 | 成都明途科技有限公司 | 机器人智能水平的测量方法、装置、机器人及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2021258850A1 (zh) | 2021-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111754110A (zh) | 基于人工智能的经营指标评价方法、装置、设备及介质 | |
CN112231586A (zh) | 基于迁移学习的课程推荐方法、装置、设备及介质 | |
CN111882873B (zh) | 轨迹异常检测方法、装置、设备及介质 | |
CN112380454A (zh) | 培训课程推荐方法、装置、设备及介质 | |
CN113139743A (zh) | 污水排放指标分析方法、装置、电子设备及存储介质 | |
CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN111985545A (zh) | 基于人工智能的目标数据检测方法、装置、设备及介质 | |
CN112396547B (zh) | 基于无监督学习的课程推荐方法、装置、设备及介质 | |
CN114862140A (zh) | 基于行为分析的潜力评估方法、装置、设备及存储介质 | |
CN114201482A (zh) | 人口动态分布统计方法、装置、电子设备及可读存储介质 | |
CN116501610B (zh) | 做市交易***的测试方法、装置、设备及介质 | |
CN112052310A (zh) | 基于大数据的信息获取方法、装置、设备及存储介质 | |
CN112330080B (zh) | 基于连通图的因子筛选方法、装置、设备及介质 | |
CN113657546B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN115913763A (zh) | 流量异常检测方法、装置、设备及介质 | |
CN112258027B (zh) | Kpi优化方法、装置、设备及介质 | |
CN114742412A (zh) | 一种软件技术服务***及方法 | |
CN112560721B (zh) | 无感知模型切换方法、装置、电子设备及存储介质 | |
CN114662095A (zh) | 基于操作数据的安全监测方法、装置、设备及存储介质 | |
CN114781855A (zh) | 基于dea模型的物流传输效率分析方法、装置、设备及介质 | |
CN113298530A (zh) | 基于行情数据分类的交易配置方法、装置、设备及介质 | |
CN113419718A (zh) | 数据报送方法、装置、设备及介质 | |
CN111414398B (zh) | 数据分析模型确定方法、装置及存储介质 | |
CN112132140B (zh) | 基于人工智能的车品牌识别方法、装置、设备及介质 | |
CN112288338B (zh) | 用户活动监测方法、装置、设备及介质 |
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 |