CN112330156A - Kpi管理方法、装置、设备以及存储介质 - Google Patents
Kpi管理方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN112330156A CN112330156A CN202011229841.1A CN202011229841A CN112330156A CN 112330156 A CN112330156 A CN 112330156A CN 202011229841 A CN202011229841 A CN 202011229841A CN 112330156 A CN112330156 A CN 112330156A
- Authority
- CN
- China
- Prior art keywords
- index
- kpi
- data
- optimization scheme
- preset
- 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.)
- Granted
Links
- 238000007726 management method Methods 0.000 title claims abstract description 84
- 238000003860 storage Methods 0.000 title claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 262
- 230000002159 abnormal effect Effects 0.000 claims abstract description 84
- 238000000034 method Methods 0.000 claims abstract description 62
- 230000003111 delayed effect Effects 0.000 claims abstract description 11
- 238000004519 manufacturing process Methods 0.000 claims description 115
- 230000000694 effects Effects 0.000 claims description 36
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 230000005856 abnormality Effects 0.000 claims description 24
- 238000011156 evaluation Methods 0.000 claims description 21
- 239000000463 material Substances 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 230000006872 improvement Effects 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 68
- 238000004458 analytical method Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000013523 data management Methods 0.000 description 5
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000012797 qualification Methods 0.000 description 5
- 238000012384 transportation and delivery Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000011229 interlayer Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06Q10/06395—Quality analysis or management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种KPI管理方法、装置、设备以及存储介质。该方法包括:服务器获取第一时刻的第一数据,第一数据包括在第一时刻时各层的KPI指标。当第一数据中存在第一指标,且第一指标的值不在第一指标的预设指标范围内时,服务器确定该第一指标出现异常。服务器根据该第一指标的指标名称和关键字,确定目标优化方案和预设完成时间。服务器根据目标优化方案的实际完成时间、预设完成时间和第一指标的指标相关数据,确定目标优化方案对上层指标以及顶层指标的影响和/或因为延期完成造成的损失。本申请的方法,为优化提供切实有效的参考,提高了KPI的智能化管理水平,同时也为企业KPI的持续改进提供了强有力的管理和追踪工具。
Description
技术领域
本申请涉及KPI管理领域,尤其涉及一种KPI管理方法、装置、设备以及存储介质。
背景技术
关键绩效指标(Key Performance Indicator,KPI)是用于衡量流程绩效的一种目标式量化管理指标。
目前,在KPI管理中,通常使用KPI指标对工位上员工的工作绩效进行评估。或者,在KPI管理中,该KPI指标还被用于对产线、车间、工厂进行总体绩效评估。
然而,在该KPI管理中,缺乏对KPI指标的宏观把控,无法通过该KPI指标为生产线的优化提供切实有效的参考。
发明内容
本申请提供一种KPI管理方法、装置、设备以及存储介质,用以解决KPI管理中,缺乏对KPI指标的宏观把控,无法通过该KPI指标为生产线的优化提供切实有效的参考的问题。
第一方面,本申请提供一种KPI管理方法,包括:
获取第一时刻的第一数据,所述第一数据包括在第一时刻时各层的KPI指标;
当所述第一数据中存在第一指标,且所述第一指标的值不在所述第一指标的预设指标范围内时,根据所述第一指标的指标名称和所述关键字,推荐所述第一指标的优化数据库,所述优化数据库中包括所述第一指标对应的专家案例和历史案例;
根据所述优化数据库和所述第一指标的指标相关数据,推荐目标优化方案、目标优化方案的预设完成时间和责任人;
根据所述目标优化方案的实际完成时间、所述预设完成时间和KPI树形结构,确定所述目标优化方案对上层指标的影响和/或因为延期完成造成的损失,所述KPI树形结构中包括各层的KPI指标,以及各个KPI指标之间的相关性和权重。
可选地,根据所述优化数据库和所述第一指标的指标相关数据,推荐目标优化方案、目标优化方案的预设完成时间和责任人之前,所述方法,还包括:
根据所述第一指标和预设推荐算法,确定导致指标异常的影响因素集合,所述影响因素集合中包括至少一个影响因素;
根据影响因素选择指令,确定所述第一指标的显著影响因素,所述影响因素选择指令用于指示对所述第一指标的显著影响因素。
可选地,所述根据所述优化数据库和所述第一指标的指标相关数据,推荐目标优化方案、目标优化方案的预设完成时间和责任人,包括:
根据所述第一指标的所述指标相关数据和所述显著影响因素,在所述优化数据库中匹配相似案例,并生成相似案例集合,所述相似案例集合中包括至少一个相似案例;
根据所述相似案例集合中各个相似案例的优化效果和/或案例选择指令,确定目标相似案例,所述案例选择指令用于指示选择所述相似案例集合中一相似案例为目标相似案例;
根据所述目标相似案例,确定目标优化方案和预设完成时间。
可选地,所述获取第一时刻的第一数据,包括:
获取KPI树形结构,所述KPI树形结构中包括各层的KPI指标,以及各个KPI指标之间的相关性和权重;
根据所述KPI树形结构和原始数据,确定第一数据,所述第一数据为第一时刻时,各层的KPI指标,所述KPI指标包括直接采集得到的KPI指标和计算得到的KPI指标。
可选地,获取第一时刻时,各层的KPI指标,包括:
获取原始数据,所述原始数据为计算所述各层的KPI指标时所需要的参数;
根据第一预设规则,对所述原始数据进行预处理,得到处理后数据;
根据所述处理后数据和预设评估算法,确定所述各层的KPI指标。
可选地,所述根据第一预设规则,对所述原始数据进行预处理,得到处理后数据,包括:
根据所述第一预设规则,判断所述原始数据中是否存在异常数据,所述异常数据为存在异常的数据,所述异常包括数据异常大、数据异常小或者数据缺失;
当所述原始数据中不存在所述异常数据时,对所述原始数据进行归一化处理;
当所述原始数据中存在所述异常数据时,根据所述原始数据的属性,对所述原始数据进行处理。
可选地,所述当所述原始数据中存在所述异常数据时,根据所述原始数据的属性,对所述原始数据进行处理,包括:
获取所述原始数据的属性;
当所述原始数据的所述属性为计算可得时,根据所述原始数据的预设算法和所述原始数据的相关数据,补充所述原始数据中的异常数据;
否则,舍弃并重新获取所述原始数据或者报警。
可选地,当所述目标优化方案按时完成时,所述根据所述目标优化方案的实际完成时间、所述预设完成时间和KPI树形结构,确定所述目标优化方案对上层指标的影响和/或因为延期完成造成的损失,包括:
根据所述目标优化方案的实际完成时间和所述预设完成时间,确定所述目标优化方案的提前完成时长;
根据所述提前完成时长和KPI树形结构,确定所述目标优化方案对上层指标的影响。
可选地,当所述目标优化方案超时完成时,所述根据所述目标优化方案的实际完成时间、所述预设完成时间和KPI树形结构,确定所述目标优化方案对上层指标的影响和/或因为延期完成造成的损失,包括:
根据所述目标优化方案的实际完成时间和所述预设完成时间,确定所述目标优化方案的超时完成时长;
根据所述超时完成时长和所述第一指标的所述指标相关数据,确定所述目标优化因为延期完成造成的损失。
可选地,所述方法,还包括:
对所述目标优化方案进行归档,所述目标优化方案得到归档数据包括所述第一数据、所述第一指标、所述目标优化方案以及所述目标优化方案的优化效果或者损失;
将所述归档后的所述目标优化方案存储到历史案例中。
可选地,当所述第一数据中存在第一指标偏差超过预设指标范围时,所述方法,还包括:
发送第一异常信息到目标设备,所述第一异常信息中包括所述第一指标、所述指标名称、所述第一指标的预设指标范围、关键字、时间区间中的至少一项,所述目标设备为所述第一指标的负责人所使用的设备。
可选地,当所述目标优化方案超时完成时,所述方法,还包括:
发送第二异常信息到目标设备,所述第二异常信息中包括所述预设完成时间和所述目标优化方案,所述目标设备为所述第一指标的负责人所使用的设备。
可选地,所述第一数据包括生产人员KPI、生产设备KPI、生产质量KPI、生产物料KPI、生产物流KPI、生产成本KPI、生产安全KPI等KPI指标中的至少一个。
可选地,所述各层的KPI指标包括工位层KPI指标、产线层KPI指标、车间层KPI指标、工厂层KPI指标。
第二方面,本申请提供一种KPI管理装置,包括:
第一获取模块,用于获取第一时刻的第一数据,所述第一数据包括在第一时刻时各层的KPI指标;
第一确定模块,用于当所述第一数据中存在第一指标,且所述第一指标的值不在所述第一指标的预设指标范围内时,根据所述第一指标的指标名称和所述关键字,推荐所述第一指标的优化数据库,所述优化数据库中包括所述第一指标对应的专家案例和历史案例;
第二确定模块,用于根据所述优化数据库和所述第一指标的指标相关数据,推荐目标优化方案、目标优化方案的预设完成时间和责任人;
第三确定模块,用于根据所述目标优化方案的实际完成时间、所述预设完成时间和KPI树形结构,确定所述目标优化方案对上层指标的影响和/或因为延期完成造成的损失,所述KPI树形结构中包括各层的KPI指标,以及各个KPI指标之间的相关性和权重。
可选地,第二确定模块之前,所述装置,还包括:
第四确定模块,用于根据所述第一指标和预设推荐算法,确定导致指标异常的影响因素集合,所述影响因素集合中包括至少一个影响因素;
第五确定模块,用于根据影响因素选择指令,确定所述第一指标的显著影响因素,所述影响因素选择指令用于指示对所述第一指标的显著影响因素。
可选地,所述第二确定模块,包括:
生成子模块,用于根据所述第一指标的所述指标相关数据和所述显著影响因素,在所述优化数据库中匹配相似案例,并生成相似案例集合,所述相似案例集合中包括至少一个相似案例;
第一确定子模块,用于根据所述相似案例集合中各个相似案例的优化效果和/或案例选择指令,确定目标相似案例,所述案例选择指令用于指示选择所述相似案例集合中一相似案例为目标相似案例;
第二确定子模块,用于根据所述目标相似案例,确定目标优化方案和预设完成时间。
可选地,所述第一获取模块,包括:
第二获取子模块,用于获取KPI树形结构,所述KPI树形结构中包括各层的KPI指标,以及各个KPI指标之间的相关性和权重;
第三获取子模块,用于根据所述KPI树形结构和原始数据,确定第一数据,所述第一数据为第一时刻时,各层的KPI指标,所述KPI指标包括直接采集得到的KPI指标和计算得到的KPI指标。
可选地,第三获取子模块,具体用于获取原始数据,所述原始数据为计算所述各层的KPI指标时所需要的参数;根据第一预设规则,对所述原始数据进行预处理,得到处理后数据;根据所述处理后数据和预设评估算法,确定所述各层的KPI指标。
可选地,所述根据第一预设规则,对所述原始数据进行预处理,具体包括根据所述第一预设规则,判断所述原始数据中是否存在异常数据,所述异常数据为存在异常的数据,所述异常包括数据异常大、数据异常小或者数据缺失;当所述原始数据中不存在所述异常数据时,对所述原始数据进行归一化处理;当所述原始数据中存在所述异常数据时,根据所述原始数据的属性,对所述原始数据进行处理。
可选地,所述当所述原始数据中存在所述异常数据时,所述评估子模块,具体用于获取所述原始数据的属性;当所述原始数据的所述属性为计算可得时,根据所述原始数据的预设算法和所述原始数据的相关数据,补充所述原始数据中的异常数据;否则,舍弃并重新获取所述原始数据或者报警。
可选地,当所述目标优化方案按时完成时,所述第三确定模块,包括:
优化效果计算子模块,用于根据所述目标优化方案的实际完成时间和所述预设完成时间,确定所述目标优化方案的提前完成时长;根据所述提前完成时长和KPI树形结构,确定所述目标优化方案对上层指标的影响。
可选地,当所述目标优化方案超时完成时,所述第三确定模块,包括:
损失计算子模块,用于根据所述目标优化方案的实际完成时间和所述预设完成时间,确定所述目标优化方案的超时完成时长;根据所述超时完成时长和所述第一指标的所述指标相关数据,确定所述目标优化因为延期完成造成的损失。
可选地,所述装置,还包括:
归档模块,用于对所述目标优化方案进行归档,所述目标优化方案得到归档数据包括所述第一数据、所述第一指标、所述目标优化方案以及所述目标优化方案的优化效果或者损失;将所述归档后的所述目标优化方案存储到历史案例中。
可选地,当所述第一数据中存在第一指标偏差超过预设指标范围时,所述装置,还包括:
发送模块,用于发送第一异常信息到目标设备,所述第一异常信息中包括所述第一指标、所述指标名称、所述第一指标的预设指标范围、关键字、时间区间中的至少一项,所述目标设备为所述第一指标的负责人所使用的设备。
可选地,当所述目标优化方案超时完成时,
发送模块,还用于发送第二异常信息到目标设备,所述第二异常信息中包括所述预设完成时间和所述目标优化方案,所述目标设备为所述第一指标的负责人所使用的设备。
可选地,所述第一数据包括生产人员KPI、生产设备KPI、生产质量KPI、生产物料KPI、生产物流KPI、生产成本KPI、生产安全KPI等KPI指标中的至少一个。
可选地,所述各层的KPI指标包括工位层KPI指标、产线层KPI指标、车间层KPI指标、工厂层KPI指标。
第三方面,本申请提供一种服务器,包括:存储器和处理器;
存储器用于存储程序指令;
处理器用于调用存储器中的程序指令执行第一方面及第一方面任一种可能的设计中的KPI管理方法。
第四方面,本申请提供一种可读存储介质,可读存储介质中存储有执行指令,当服务器的至少一个处理器执行该执行指令时,服务器执行第一方面及第一方面任一种可能的设计中的KPI管理方法。
本申请提供的KPI管理方法、装置、设备以及存储介质,通过根据预设的时间间隔,从边缘设备中获取原始数据;根据各个KPI绩效指标及其评估算法,使用该原始数据,计算各个KPI指标;当第一数据中存在第一指标,且第一指标的值不在第一指标的预设指标范围内时,确定该KPI指标出现异常;根据该第一指标的指标名称,从专家数据库和历史数据库中检索相关案例,并将该相关案例推荐到优化数据库中;根据第一指标的指标相关数据,进一步从优化数据库中筛选相近的方案,并确定目标优化方案;根据该目标优化方案,确定该目标优化方案完成优化需要的时间;根据完成优化需要的时间,确定预设完成时间和负责人;获取该目标优化方案的实际完成时间;根据目标优化方案的实际完成时间、预设完成时间和KPI树形结构,确定目标优化方案的优化效果或者因为延期完成造成的损失的手段,实现对KPI指标的分析和处理,通过该KPI指标为生产线的优化提供切实有效的参考的效果,提高了KPI的智能化管理水平,同时也为企业KPI的持续改进提供了强有力的管理和追踪工具。
附图说明
为了更清楚地说明本申请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一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的一种KPI管理的场景示意图;
图2为本申请一实施例提供的一种KPI管理方法的流程图;
图3为本申请一实施例提供的一种KPI树形结构示意图;
图4为本申请一实施例提供的另一种KPI管理方法的流程图;
图5为本申请一实施例提供的一种KPI管理装置的结构示意图;
图6为本申请一实施例提供的另一种KPI管理装置的结构示意图;
图7为本申请一实施例提供的再一种KPI管理装置的结构示意图;
图8为本申请一实施例提供的一种KPI管理设备的硬件结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请中的附图,对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
关键绩效指标(Key Performance Indicator,KPI)是用于衡量流程绩效的一种目标式量化管理指标。目前,在KPI管理中,通常使用KPI指标对工位上员工的工作绩效进行评估。或者,在KPI管理中,该KPI指标还被用于对产线、车间、工厂进行总体绩效评估。目前,在企业中,通常使用MES***或者ERP***,对产线、车间、工厂的关键KPI指标进行追踪和管理。
在实际使用中,当产线、车间、工厂出现问题时,产线、车间、工厂的KPI指标通常也会受到影响。或者,当管理人员针对产线、车间、工厂出现的问题实施优化后,产线、车间、工厂的KPI指标通常可以明显的展示出其优化效果。
然而,现有技术中,主要存在如下问题:
1、现有KPI管理体系中,各层的KPI指标之间的相关性不明确,存在层次关系模糊,下层KPI指标对于上层KPI指标的影响不清晰等问题。
2、现有KPI管理中,现场问题反馈机制和问题解决机制存在问题,无法及时针对反馈问题提供优化方案,且无法及时对优化方案的实现效果进行追踪,容易导致问题解决超期,从而造成资源浪费。
3、现有KPI管理中,缺少***性的工具将KPI指标和优化方案进行关联,无法实现根据KPI指标实现智能的方案推荐。
4、现有KPI管理中,缺少***性的工具对企业多层级的KPI指标进行关联和相关性分析,从而无法实现对整个KPI体系进行全局的分析和改善。
5、现有KPI管理中,相同产线/不同产线/不同车间历史优化方案和改善经验难以积累,缺乏与KPI指标的关联。
针对上述不足,本申请提出了一种KPI管理方法、装置、设备以及存储介质。首先,本申请具备常规的KPI指标的追踪和管理功能,KPI管理装置可以根据企业的业务流程和应用场景,建立包括工位、产线、车间和工厂在内的四级KPI体系。运行有本申请的KPI管理方法的服务器在设定的时间间隔内,监控各层的KPI指标变化情况。当该KPI指标中存在不在预设指标范围内的第一指标,服务器可以根据第一指标的指标名称确定第一指标的优化数据库。该优化数据库中包括该第一指标对应的专家案例和历史案例。服务器可以通过人工智能的算法,根据优化数据库、指标名称和第一指标的指标相关数据,确定目标优化方案和预设完成时间。该目标优化方案可以针对该指标异常,为管理员提供能可能优化方案参考。该预设完成时间可以针对该优化方案,更好的监控优化方案的实施效果,从而确定优化方案的优化效果和/或因为延期完成造成的损失。
下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1示出了本申请一实施例提供的一种KPI管理的场景示意图。如图1所示,本申请的KPI管理***可以包括数据处理数据管理子***、分层智能KPI绩效评估子***和分层KPI可视化即优化支持子***。
其中,数据处理数据管理子***用于从数据来源获取数据,并对该数据进行预处理。具体地,该数据可以包括生产人员数据、生产设备数据、生产过程数据、生产质量数据和生产物料数据。
其中,分层智能KPI绩效评估子***对数据处理数据管理子***中获取的数据进行处理,计算得到KPI指标。具体地,该处理过程包括:根据人员KPI绩效指标及评估算法对生产人员数据进行计算,确定生产人员KPI;根据设备KPI绩效指标及评估算法对生产设备数据进行计算,确定生产设备KPI;根据过程KPI绩效指标及评估算法对生产过程数据进行计算,确定生产过程KPI;根据质量KPI绩效指标及评估算法对生产质量数据进行计算,确定产品质量KPI;根据物流KPI绩效指标及评估算法对生产物料数据进行计算,确定生产物料KPI。进而,根据各个KPI指标,分层智能KPI绩效评估子***可以实现指标异常分析,以及目标优化方案分析。
其中,分层KPI可视化即优化支持子***用于显示分层智能KPI绩效评估子***中计算得到的信息。根据显示的信息,可以将该分层KPI可视化即优化支持子***分为三个模块,分别为KPI指标显示模块、指标分析模块以及目标优化方案分析模块。其中,KPI指标显示模块用于显示各层的KPI指标。其中,指标分析模块用于显示每一异常指标的分析结果,其中显示该分析结果时使用的分析工具可以包括PDCA、A3报告、鱼骨图、5W2H等。其中,目标优化方案分析模块用于显示目标优化方案分析过程及结果,该分析过程使用的分析方法可以包括历史指标对比方法、基于历史记录的关键字自动推荐匹配方法、智能算法等。
本申请中,以服务器为执行主体,执行如下实施例的KPI管理方法。具体地,该执行主体可以为服务器的硬件装置,或者为服务器中实现下述实施例的软件应用,或者为安装有实现下述实施例的软件应用的计算机可读存储介质。
图2示出了本申请一实施例提供的一种KPI管理方法的流程图。在图1所示实施例的基础上,如图2所示,以服务器为执行主体,本实施例的方法可以包括如下步骤:
S101、获取第一时刻的第一数据,第一数据包括在第一时刻时各层的KPI指标。
本实施例中,第一时刻可以为管理员开启该KPI管理***,开始查看KPI指标的时刻。或者,第一时刻还可以为各KPI指标计算周期的结束时刻。
服务器获取该第一时刻时各层的KPI指标,并确定该各层的KPI指标为第一指标。其中,各层的KPI指标为该服务器从边缘设备获取原始数据后,根据预设评估算法计算得到。
其中,用于计算各个KPI指标的原始数据可以分为生产人员数据、生产设备数据、生产过程数据、生产质量数据、生产物质数据等几大类。其中,生产人员数据可以包括完成率、工作时间等。生产质量数据可以完成率、合格率、优等率等。其中,生产过程数据可以包括产量、设备综合效率等。生产物质数据可以包括物流时间、物料质量等。
其中,第一时刻的各个KPI指标用于指示到第一时刻为止,服务器根据采集得到的原始数据计算得到的KPI指标。第一数据中包括至少一个KPI指标。
一种示例中,第一数据还可以包括生产人员KPI、生产设备KPI、生产过程KPI、生产质量KPI、生产物料KPI、生产物流KPI、生产成本KPI、生产安全KPI等KPI指标中的至少一个。
一种示例中,各层KPI指标可以包括工位层KPI指标、产线层KPI指标、车间层KPI指标、工厂层KPI指标。
S102、当第一数据中存在第一指标,且第一指标的值不在第一指标的预设指标范围内时,根据第一指标的指标名称、关键字,推荐第一指标的优化数据库,优化数据库中包括第一指标对应的专家案例和历史案例。
本实施例中,服务器在根据S101获取第一数据后,服务器将该第一数据中的各个KPI指标与预设指标范围进行比较。其中,每一KPI指标唯一对应于一个预设指标范围。
当第一指标的值不在第一指标的预设范围内时,服务器确定该KPI指标出现异常。服务器确定该出现异常的KPI指标为第一指标。当出现异常的KPI指标数量大于1时,服务器逐一对该异常的KPI指标进行处理,并确定处理中的KPI指标为第一指标。
服务器确定第一指标的指标名称。该指标名称用于唯一标识一个KPI指标。
服务器根据该指标名称和关键字,从专家数据库和历史数据库中检索相关案例,并将该相关案例推荐到优化数据库中。其中,专家数据库和历史数据库可以为存储有该产线、车间、工厂的专家案例和历史案例的数据库。其中,关键字可以包括产线名、物料名、批量、时间段中发生的故障名称等。
需要注意的是,不同KPI管理***中,同一KPI指标可能具有不同的名称。由于本申请所使用的KPI管理***需要使用到专家案例和历史案例,因此需要针对同一KPI指标的不同名称做出规范。
其中,专利案例和历史案例由于其存档的时间不同、存档的地点不同,因此可能存在,在不同案例中,同一KPI指标的名称不同。
一种实现方式中,该规范方式可以为,服务器在更换新***或者导入新案例时,根据KPI指标的指标名称映射关系,批量替换旧***的案例或者新导入的案例中的指标名称。
另一种实现方式中,该规范方式可以为,服务器根据该KPI指标的指标名称映射关系,将该指标名称对应的所有名称全部加入检索范围,进而根据该扩大后的检索范围检索第一指标的优化数据库。
一种示例中,当第一数据中存在第一指标偏差超过预设指标范围时,服务器可以发送第一异常信息到目标设备。
其中,第一异常信息用于提醒管理员,该第一数据中存在指标出现异常。该第一异常信息中包括第一指标、指标名称、第一指标的预设指标范围、关键字、时间区间中的至少一项。
其中,目标设备可以为第一指标负责人使用的终端,例如工作终端、管理员指定的终端等,或者第一指标负责人使用的账号,例如邮箱、手机号、工作号等。
S103、根据优化数据库和第一指标的指标相关数据,推荐目标优化方案、目标优化方案的预设完成时间和责任人。
本实施例中,服务器在根据S102检索得到优化数据库后,还需要根据第一指标的指标相关数据,进一步从优化数据库中筛选相近的方案,并确定目标优化方案。
其中,指标相关数据可以生产人员数据、生产设备数据、生产过程数据、生产质量数据、生产物质数据等。
服务器还可以根据该目标优化方案,确定该目标优化方案完成优化需要的时间。进而,服务器根据完成优化需要的时间,确定预设完成时间。
服务器还可以根据该第一指标相关数据和目标优化方案,确定负责人。
S104、根据目标优化方案的实际完成时间、预设完成时间和KPI树形结构,确定目标优化方案对上层指标以及顶层指标的影响和/或因为延期完成造成的损失,KPI树形结构中包括各层的KPI指标,以及各个KPI指标之间的相关性和权重。
本实施例中,服务器获取该目标优化方案的实际完成时间。该目标优化方案的实际完成时间可以在预设完成时间之前,或者在预设完成时间之后,或者在预设完成时间之时。其中,该实际完成时间和预设完成时间的记录可以为某月、某天、某时、某分等。
当目标优化方案的实际完成时间在预设完成时间之前时,由于该目标优化方案提前完成,在实际完成时间到预设完成时间这段时间中,该工位、产线、车间、工厂应当得到优化,例如,其成本得到优化。
当目标优化方案的实际完成时间在预设完成时间之后时,由于该目标优化方案推迟完成的。因此,在实际完成时间到预设完成时间这段时间中,该工位、产线、车间、工厂的KPI指标仍旧存在无法达到预设效果的问题。在该时间段中,该工位、产线、车间、工厂应当产生损失,例如,其成本产生损失。
服务器还可以根据KPI树形结构,确定下层的KPI指标优化后,对上层的KPI指标产生的影响。
其中,KPI树形结构可以如图3所示。其中包括工位级、产线级、车间级和工厂级四级KPI指标。
其中,工位级KPI指标包括一次合格率、废品率、人均效率、设备OEE、工装夹具、物料消耗和生产计划完成率。
其中,产线级KPI指标包括一次合格率、废品率、产线效率、工装夹具、物料成本和生产计划完成率。其中,产线级的一次合格率与工位级的一次合格率相关。产线级的废品率与工位级的废品率相关。产线级的产线效率与工位级的人均效率和设备OEE相关。产线级的工装夹具与工位级的工装夹具相关。产线级的物料成本与工位级的物料成本相关。产线级的生产计划完成率与工位级的生产计划完成率相关。
其中,车间级KPI指标包括产品合格率、废品率、制造成本、物料成本和生产计划完成率。其中,车间级的产品合格率与产线级的一次合格率相关。车间级的废品率与产线级的废品率相关。车间级的制造成本与产线级的废品率、产线效率和工装夹具相关。车间级的物料成本与产线级的物料成本相关。车间级的生产计划完成率与产线级的生产计划完成率相关。
其中,工厂级KPI指标包括质量、成本和交付。其中,工厂级的质量与车间级的产品合格率和废品率相关。工厂级的成本与车间级的制造成本和物料成本相关。工厂级的交付与车间级的生产计划完成率相关。
在该KPI树形结构中,还可以包括指标的权重。例如,产线效率的计算中,人均效率与设备OEE的占比为1:3。
本申请提供的KPI管理方法,服务器根据预设的时间间隔,从边缘设备中获取原始数据。服务器根据各个KPI绩效指标及其评估算法,使用该原始数据,计算各个KPI指标。服务器将该第一数据中的各个KPI指标与预设指标范围进行比较。当第一数据中存在第一指标,且第一指标的值不在第一指标的预设指标范围内时,服务器确定该KPI指标出现异常。服务器确定该出现异常的KPI指标为第一指标。服务器根据该第一指标的指标名称和关键字,从专家数据库和历史数据库中检索相关案例,并将该相关案例推荐到优化数据库中。服务器还需要根据第一指标的指标相关数据,进一步从优化数据库中筛选相近的方案,并确定目标优化方案。服务器还可以根据该目标优化方案,确定该目标优化方案完成优化需要的时间和负责人。进而,服务器根据完成优化需要的时间,确定预设完成时间。服务器获取该目标优化方案的实际完成时间。服务器根据目标优化方案的实际完成时间、预设完成时间和KPI树形结构,确定目标优化方案的优化效果或者因为延期完成造成的损失。本申请中,通过获取第一数据,实现对KPI指标的分析和处理,实现通过该KPI指标为生产线的优化提供切实有效的参考的效果,提高了KPI管理的智能性,为管理员的分析优化工作提供便利,提高其工作效率。
图4示出了本申请一实施例提供的另一种KPI管理方法的流程图。在图1至图3所示实施例的基础上,如图4所示,以服务器为执行主体,本实施例的方法可以包括如下步骤:
S201、获取KPI树形结构,KPI树形结构中包括各层的KPI指标,以及各个KPI指标之间的。
本实施例中,服务器获取KPI树形结构,该KPI树形结构中包括各个KPI指标之间的相关性和权重。服务器可以根据该KPI树形结构,通过下层KPI指标计算上层KPI指标。
该KPI树形结构可以存储于服务器的存储设备中,或者存储于与该服务器通信连接的其他设备中,或者存储于与该服务器通信连接的云端设备中。
S202、根据KPI树形结构和原始数据,确定第一数据,第一数据为第一时刻时,各层的KPI指标,KPI指标包括直接采集得到的KPI指标和计算得到的KPI指标。
本实施例中,服务器可以在确定需要获取KPI指标的时刻,获取各层的KPI指标对应的原始数据。服务器根据该原始数据计算得到各层的KPI指标。其中,服务器计算得到各层的KPI指标的过程可以包括:
步骤1、获取原始数据,原始数据为计算各层的KPI指标时所需要的参数。
本步骤中,该原始数据中可以包括由边缘设备直接获取的设备参数、由管理员输入的指标参数等。
步骤2、根据第一预设规则,对原始数据进行预处理,得到处理后数据。
本步骤中,第一预设规则用于判断该原始数据中是否存在数据缺失或者数据异常。
若该原始数据中存在数据缺失或者数据异常,则判断该缺失数据或者异常数据是否可以补充或者优化。若可以进行补充或者优化,则补充或者优化该缺失数据或者异常数据。否则,删除该原始数据,并重新获取数据作为原始数据。
其中,服务器判断并处理该原始数据的步骤可以包括:
步骤2.1、根据第一预设规则,判断原始数据中是否存在异常数据,异常数据为存在异常的数据,异常数据包括数据异常大、数据异常小或者数据缺失。
本步骤中,服务器的第一预设规则中,存储有每一原始数据的正常数据范围,当该原始数据不在该正常数据范围或者缺失时,服务器确定该原始数据为异常数据。
具体地,当该异常数据大于该原始数据的正常数据范围时,服务器确定该异常数据为数据异常大。当该异常数据小于该原始数据的正常数据范围时,服务器确定该异常数据为数据异常小。
步骤2.2、当原始数据中不存在异常数据时,对原始数据进行归一化处理。
步骤2.3、当原始数据中存在异常数据时,根据该原始数据的属性,对该原始数据进行处理。
本步骤中,不同的原始数据具有不同的属性。该属性可以包括不可缺失、不可异常、计算可得等。
其中,不可缺失用于指示该原始数据不可出现缺失异常,一旦该原始数据出现缺失,该原始数据将无法使用。
其中,不可异常用于指示该原始数据不可出现异常,一旦该原始数据出现异常,该原始数据将无法使用。
其中,计算可得用于指示,当该原始数据出现异常时,该原始数据可以通过预设算法计算补全。
针对上述不同属性,步骤2.3具体可以包括:
步骤2.3.1、获取该原始数据的属性。
步骤2.3.2、当该原始数据的属性为计算可得时,根据该原始数据的预设算法和该原始数据的相关数据,补充该原始数据中的异常数据。
步骤2.3.3、否则,舍弃并重新获取该原始数据。
步骤3、根据处理后数据和预设评估算法,确定各层的KPI指标。
本步骤中,服务器在根据步骤2对原始数据进行预处理后,得到预处理后数据。服务器根据预设评估算法,对该处理后数据进行计算,得到各层的KPI指标。其中,部分KPI指标可以根据一原始数据直接得到。其中,部分KPI指标需要使用多个原始数据通过计算得到。
S203、获取第一时刻的第一数据,第一数据包括在第一时刻时各层KPI指标。
其中,步骤S203与图2实施例中的步骤S101实现方式类似,本实施例此处不再赘述。
S204、当第一数据中存在第一指标,且第一指标的值不在第一指标的预设指标范围内时,根据第一指标的指标名称和关键字,推荐第一指标的优化数据库,优化数据库中包括第一指标对应的专家案例和历史案例。
其中,步骤S204与图2实施例中的步骤S102实现方式类似,本实施例此处不再赘述。
S205、根据第一指标和预设推荐算法,确定导致指标异常的影响因素集合,影响因素集合中包括至少一个影响因素。
本实施例中,服务器根据第一指标的指标名称,从预设的映射表中确定可能导致指标异常的影响因素集合。其中,每一KPI指标可能包括一个或者多个影响因素。服务器根据预设推荐算法,筛选该影响因素集合中的有效影响因素。
其中,该预设的映射表可以保存在预设的数据库中,或者该预设的映射表可以存储在服务器的存储设备中。
服务器可以通过PDCA、A3报告、鱼骨图、5W2H等分析工具实现对影响因素的分析。服务器还可以将通过分析工具分析得到的分析结果,向管理员展示。
一种实现方式中,当管理员查看该第一指标及其影响因素后,管理员还可以通过该分析工具的交互界面,修改该第一指标的影响因素。该修改可以包括调整各个影响因素的顺序、比重、删除其中不必要的影响因素、增加新的影响因素等。
S206、根据影响因素选择指令,确定第一指标的显著影响因素,影响因素选择指令用于指示对第一指标的显著影响因素。
本实施例中,服务器还可以获取管理员发送的选择指令。该选择指令为管理员查看该第一指标及其影响因素后,管理员根据实际情况从影响因素集合中选择的一个影响因素为显著影响因素。该显著影响因素为对该第一指标的异常产生影响最大的因素。
S207、根据第一指标的指标相关数据和显著影响因素,在优化数据库中匹配相似案例,并生成相似案例集合,相似案例集合中包括至少一个相似案例。
本实施例中,服务器根据第一指标的指标相关数据和显著影响因素,对优化数据库中的案例进行进一步的筛选,得到相似案例集合。该相似案例集合中包括至少一个相似案例。
每一相似案例的显著影响因素与第一指标的显著影响因素相同或者相似。该相似案例中的指标相关数据与第一指标的指标相关数据相同或者相似。
S208、根据相似案例集合中各个相似案例的优化效果和/或案例选择指令,确定目标相似案例,案例选择指令用于指示选择相似案例集合中一相似案例为目标相似案例。
本实施例中,服务器各个相似案例的优化效果,选择其中优化效果最好的案例为目标相似案例
或者,服务器可以根据优化效果对相似案例进行排序。服务器通过显示界面将该排序后的相似案例展示给管理员。管理员根据展示的各个相似案例,从中选择一个相似案例为目标相似案例。服务器获取管理员的选择指令,并生成案例选择指令。
S209、根据目标相似案例,确定目标优化方案和预设完成时间。
本实施例中,服务器根据S210确定的目标相似案例。服务器根据该目标相似案例中的优化方案,确定目标优化方案。服务器根据该目标相似案例中优化方案的完成时间,确定预设完成时间。
当目标优化方案提前完成时,本实施例的方法可以包括:
S210、根据目标优化方案的实际完成时间和预设完成时间,确定目标优化方案的提前完成时长。
本实施例中,服务器获取目标优化方案的实际完成时间。当该实际完成时间早于预设完成时,服务器可以根据实际完成时间和预设完成时间的时间差,确定提前完成时长。
S211、根据提前完成时长和KPI树形结构,确定目标优化方案对上层指标的影响。
本实施例中,目标优化方案完成后,服务器继续获取第一指标的相关数据。服务器根据该第一指标的相关数据,确定完成目标优化方案后,该第一指标是否得到优化。若该第一指标的取值回归正常范围,则该第一指标得到优化。否则,该第一指标仍旧存在指标异常。
服务器还可以获取提前完成时长中,各个KPI指标需要使用的原始数据。服务器根据该原始数据和预设指标评估算法,计算提前完成时间段内各个KPI指标。
一种实现方式中,服务器可以根据提前完成时间段内各个KPI指标需要使用的原始数据,计算得到第二数据。服务器对比第一数据和第二数据,确定该目标优化方案的优化效果。
另一种实现方式中,服务器可以比较优化方案执行前,与优化方案完成后,生产线、车间、工厂的质量、成本、交付等指标,从而确定各层的优化效果。
当目标优化方案超时完成时,本实施例的方法可以包括:
S212、根据目标优化方案的实际完成时间和预设完成时间,确定目标优化方案的超时完成时长。
本实施例中,服务器获取目标优化方案的实际完成时间。当该实际完成时间晚于预设完成时,服务器可以根据实际完成时间和预设完成时间的时间差,确定超时完成时长。
S213、根据超时完成时长和第一指标的指标相关数据,确定目标优化因为延期完成造成的损失。
本实施例中,目标优化方案完成后,服务器继续获取第一指标的相关数据。服务器根据该第一指标的相关数据,确定完成目标优化方案后,该第一指标是否得到优化。若该第一指标的取值回归正常范围,则该第一指标得到优化。否则,该第一指标仍旧存在指标异常。
服务器还可以获取超时完成时长中,各个KPI指标需要使用的原始数据,以及完成目标优化方案后,各个KPI指标需要使用的原始数据。服务器根据该原始数据和预设指标评估算法,计算超时完成时长内各个KPI指标,以及完成目标优化方案后各个KPI指标。
一种实现方式中,服务器可以根据超时完成时间段内,各个KPI指标需要使用的原始数据,计算得到第三数据。服务器可以根据目标优化方案完成后,各个KPI指标需要使用的原始数据,计算得到第四数据。服务器比较第三数据和第四数据,确定该目标优化方案的损失情况。
另一种实现方式中,服务器还可以统计在该超时完成时长内,生产线、车间、工厂的质量、成本、交付等指标的数值。服务器将该数值与优化方案完成后生产线、车间、工厂的质量、成本、交付等指标的数值进行比较。进而,服务器可以确定在超时完成时长内的损失情况。
S214、当目标优化方案超时完成时,发送第二异常信息到目标设备,第二异常信息中包括预设完成时间和目标优化方案,目标设备为第一指标的负责人所使用的设备。
本实施例中,服务器在到达预设完成时间时,判断该目标优化方案是否完成。若该目标优化方案没有完成,则服务器确定该目标优化方案超时完成。此时,服务器发送第二异常信息到目标设备。
其中,目标设备可以为第一指标负责人使用的终端,例如工作终端、管理员指定的终端等,或者第一指标负责人使用的账号中,例如邮箱、手机号、工作号等。
其中,第二异常信息用于提醒管理员该目标优化方案没有按时完成。该第二异常信息中可以包括预设完成时间、目标优化方案等。
本实施例中步骤S214的执行与步骤S212和S213的执行,并不受所描述的动作顺序的限制,步骤S214可以与步骤S212和S213同时进行、在步骤S212和S213在之前执行,或者在在步骤S212和S213在之后执行。
S215、对目标优化方案进行归档,目标优化方案得到归档数据包括第一数据、第一指标、目标优化方案以及目标优化方案的优化效果或者损失。
本实施例中,服务器在根据上述步骤完成目标优化方案的执行后,将该目标优化方案及其相关信息进行归档。其中,归档信息主要包括上述分析过程、影响因素、每一影响因素的占比、KPI指标、KPI指标的变化情况等信息。
S216、将归档后的目标优化方案存储到历史案例中。
本实施例中,服务器将归档后的目标优化方案存储到历史案例中。当服务器再次获取目标优化方案时,该目标优化方案将作为数据库中被匹配的案例之一。
本申请提供的KPI管理方法,服务器获取KPI树形结构,该KPI树形结构中包括各个KPI指标之间的相关性和权重。服务器获取工位层的KPI指标对应的原始数据,并计算得到工位层的KPI指标。服务器根据工位层的KPI指标和KPI树形结构,确定第一时刻的第一数据。当该第一数据中存在至少一个KPI指标在预设指标范围外时,服务器确定该KPI指标出现异常。服务器确定该出现异常的KPI指标为第一指标。服务器根据该第一指标的指标名称,从专家数据库和历史数据库中检索相关案例,并将该相关案例存储到优化数据库中。服务器还需要根据第一指标的指标相关数据,进一步从优化数据库中筛选相近的方案,并确定目标优化方案。服务器根据该目标优化方案,确定预设完成时间。当目标优化方案按提前成时,服务器根据目标优化方案的实际完成时间、预设完成时间和第一指标的指标相关数据,确定目标优化方案的优化效果。当目标优化方案超时完成时,服务器根据目标优化方案的实际完成时间、预设完成时间和第一指标的指标相关数据,确定目标优化方案的损失。服务器在根据上述步骤完成目标优化方案的执行后,将该目标优化方案及其相关信息进行归档,并存储到历史案例中。本申请中,通过判断目标优化方案是否按时完成,实现对目标优化方案完成后效果,以及超时完成造成的损失进行统计,以便对该目标优化方案对生产线的优化效果进行评估,进而,提高了KPI管理的智能性,为管理员的分析优化工作提供便利,提高其工作效率。
图5示出了本申请一实施例提供的一种KPI管理装置的结构示意图,如图5所示,本实施例的KPI管理装置10用于实现上述任一方法实施例中对应于服务器的操作,本实施例的KPI管理装置10包括:
第一获取模块11,用于获取第一时刻的第一数据,第一数据包括在第一时刻时各层的KPI指标。
第一确定模块12,用于在第一数据中存在第一指标,且第一指标的值不在第一指标的预设指标范围内时,根据第一指标的指标名称和关键字,推荐第一指标的优化数据库,优化数据库中包括第一指标对应的专家案例和历史案例。
第二确定模块13,用于根据优化数据库和第一指标的指标相关数据,推荐目标优化方案、目标优化方案的预设完成时间和责任人。
第三确定模块14,用于根据目标优化方案的实际完成时间、预设完成时间和KPI树形结构,确定目标优化方案对上层指标的影响和/或因为延期完成造成的损失,KPI树形结构中包括各层的KPI指标,以及各个KPI指标之间的相关性和权重。
一种示例中,第一数据包括生产人员KPI、生产设备KPI、生产过程KPI、生产质量KPI、生产物料KPI、生产物流KPI、生产成本KPI、生产安全KPI等KPI指标中的至少一个。
一种示例中,各层的KPI指标括工位层KPI指标、产线层KPI指标、车间层KPI指标、工厂层KPI指标。
本申请实施例提供的KPI管理装置10,可执行上述方法实施例,其具体实现原理和技术效果,可参见上述方法实施例,本实施例此处不再赘述。
图6示出了本申请一实施例提供的另一种KPI管理装置的结构示意图,在图5所示实施例的基础上,如图6所示,本实施例的KPI管理装置10用于实现上述任一方法实施例中对应于服务器的操作,本实施例的KPI管理装置10还包括:
第二确定模块13之前,KPI管理装置10还包括:
第四确定模块15,用于根据第一指标和预设推荐算法,确定导致指标异常的影响因素集合,影响因素集合中包括至少一个影响因素。
第五确定模块16,用于根据影响因素选择指令,确定第一指标的显著影响因素,影响因素选择指令用于指示对第一指标的显著影响因素。
KPI管理装置10还包括:
归档模块17,用于对目标优化方案进行归档。将归档后的目标优化方案存储到历史案例中。
发送模块18,用于在第一数据中存在第一指标偏差超过预设指标范围时,发送第一异常信息到目标设备,第一异常信息中包括第一指标、指标名称、第一指标的预设指标范围、关键字、时间区间中的至少一项,目标设备为第一指标的负责人所使用的设备。
发送模块18,还用于在目标优化方案超时完成时,发送第二异常信息到目标设备,第二异常信息中包括预设完成时间、目标优化方案、目标优化方案的实际完成时间中的至少一项,目标设备为第一指标的负责人所使用的设备。
本申请实施例提供的KPI管理装置10,可执行上述方法实施例,其具体实现原理和技术效果,可参见上述方法实施例,本实施例此处不再赘述。
图7示出了本申请一实施例提供的再一种KPI管理装置的结构示意图,在图5和图6所示实施例的基础上,如图7所示,本实施例的KPI管理装置10用于实现上述任一方法实施例中对应于服务器的操作,本实施例的KPI管理装置10包括:
第二确定模块13具体包括:
生成子模块131,用于根据第一指标的指标相关数据和显著影响因素,在优化数据库中匹配相似案例,并生成相似案例集合,相似案例集合中包括至少一个相似案例。
第一确定子模块132,用于根据相似案例集合中各个相似案例的优化效果和/或案例选择指令,确定目标相似案例,案例选择指令用于指示选择相似案例集合中一相似案例为目标相似案例。
第二确定子模块133,用于根据目标相似案例,确定目标优化方案和预设完成时间。
第一获取模块11具体包括:
第二获取子模块111,用于获取KPI树形结构,KPI树形结构中包括各层的KPI指标,以及各个KPI指标之间的相关性和权重;
第三获取子模块112,用于根据KPI树形结构和原始数据,确定第一数据,第一数据为第一时刻时,各层的KPI指标,KPI指标包括直接采集得到的KPI指标和计算得到的KPI指标。
一种示例中,第三获取子模块112,具体用于获取原始数据,原始数据为计算各层的KPI指标时所需要的参数;根据第一预设规则,对原始数据进行预处理,得到处理后数据;根据处理后数据和预设评估算法,确定各层的KPI指标。
一种示例中,根据第一预设规则,对原始数据进行预处理,得到处理后数据,第三获取子模块112,具体用于根据第一预设规则,判断原始数据中是否存在异常数据,异常数据为存在异常的数据,异常包括数据异常大、数据异常小或者数据缺失;当原始数据中不存在异常数据时,对原始数据进行归一化处理;当原始数据中存在异常数据时,根据原始数据的属性,对原始数据进行处理。
一种示例中,当原始数据中存在异常数据时,根据原始数据的属性,对原始数据进行处理时,第三获取子模块112,具体用于获取原始数据的属性;当原始数据的属性为计算可得时,根据原始数据的预设算法和原始数据的相关数据,补充原始数据中的异常数据;否则,舍弃并重新获取原始数据。
第三确定模块14具体包括:
判断子模块141,用于判断目标优化方案是否按时完成。
优化效果计算子模块142,用于根据目标优化方案的实际完成时间和预设完成时间,确定目标优化方案的提前完成时长;根据提前完成时长和第一指标的指标相关数据,确定目标优化方案的优化效果,优化效果包括对第一指标的优化效果和对上层指标的优化效果。
损失计算子模块143,用于根据目标优化方案的实际完成时间和预设完成时间,确定目标优化方案的超时完成时长;根据超时完成时长和第一指标的指标相关数据,确定目标优化方案的损失,损失包括对第一指标的影响和对上层指标的影响。
本申请实施例提供的KPI管理装置10,可执行上述方法实施例,其具体实现原理和技术效果,可参见上述方法实施例,本实施例此处不再赘述。
图8示出了本申请实施例提供的一种KPI管理设备的硬件结构示意图。如图8所示,该KPI管理设备20,用于实现上述任一方法实施例中对应于服务器的操作,本实施例的KPI管理设备20可以包括:存储器21,处理器22和通信接口24。
存储器21,用于存储计算机程序。
存储器可能包含高速随机存取存储器(Random Access Memory,RAM),也可能还包括非易失性存储(Non-Volatile Memory,NVM),例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
处理器22,用于执行存储器存储的计算机程序,以实现上述实施例中的KPI管理方法。具体可以参见前述方法实施例中的相关描述。
可选地,存储器21既可以是独立的,也可以跟处理器22集成在一起。
当存储器21是独立于处理器22之外的器件时,KPI管理设备20还可以包括:
总线23,用于连接存储器21和处理器22。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component Interconnect,PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
通信接口24,该通信接口24可以通过总线23与处理器21连接。Gauge通信接口24可以用于从KPI考核***中获取第一数据,或者发送第一异常信息或者第一异常信息。
本实施例提供的服务器可用于执行上述的KPI管理方法,其实现方式和技术效果类似,本实施例此处不再赘述。
本申请还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序被处理器执行时用于实现上述的各种实施方式提供的方法。
其中,计算机可读存储介质可以是计算机存储介质,也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如,计算机可读存储介质耦合至处理器,从而使处理器能够从该计算机可读存储介质读取信息,且可向该计算机可读存储介质写入信息。当然,计算机可读存储介质也可以是处理器的组成部分。处理器和计算机可读存储介质可以位于专用集成电路(Application Specific Integrated Circuits,ASIC)中。另外,该ASIC可以位于用户设备中。当然,处理器和计算机可读存储介质也可以作为分立组件存在于通信设备中。
上述计算机可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random-Access Memory,SRAM),电可擦除可编程只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM),可编程只读存储器(Programmable read-only memory,PROM),只读存储器(Read-OnlyMemory,ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
本申请还提供一种程序产品,该程序产品包括执行指令,该执行指令存储在计算机可读存储介质中。设备的至少一个处理器可以从计算机可读存储介质读取该执行指令,至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
本申请实施例还提供一种芯片,包括存储器和处理器,存储器用于存储计算机程序,处理器用于从存储器中调用并运行计算机程序,使得安装有芯片的设备执行如上各种可能的实施方式中的方法。
应理解,上述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅是示意性的,例如,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,例如多个模块可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
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,在本申请各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。上述模块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单元的形式实现。
上述以软件功能模块的形式实现的集成的模块,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,服务器,或者网络设备等)或处理器执行本申请各个实施例方法的部分步骤。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤。而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制。尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (17)
1.一种KPI管理方法,其特征在于,所述方法包括:
获取第一时刻的第一数据,所述第一数据包括在第一时刻时各层的KPI指标;
当所述第一数据中存在第一指标,且所述第一指标的值不在所述第一指标的预设指标范围内时,根据所述第一指标的指标名称和关键字,推荐所述第一指标的优化数据库,所述优化数据库中包括所述第一指标对应的专家案例和历史案例;
根据所述优化数据库和所述第一指标的指标相关数据,推荐目标优化方案、目标优化方案的预设完成时间和责任人;
根据所述目标优化方案的实际完成时间、所述预设完成时间和KPI树形结构,确定所述目标优化方案对上层指标以及顶层指标的影响和/或因为延期完成造成的损失,所述KPI树形结构中包括各层的KPI指标,以及各个KPI指标之间的相关性和权重。
2.根据权利要求1所述的方法,其特征在于,根据所述优化数据库和所述第一指标的指标相关数据,推荐目标优化方案、目标优化方案的预设完成时间和责任人之前,所述方法,还包括:
根据所述第一指标和预设推荐算法,确定导致指标异常的影响因素集合,所述影响因素集合中包括至少一个影响因素;
根据影响因素选择指令,确定所述第一指标的显著影响因素,所述影响因素选择指令用于指示对所述第一指标的显著影响因素。
3.根据权利要求2所述的方法,其特征在于,所述根据所述优化数据库和所述第一指标的指标相关数据,推荐目标优化方案、目标优化方案的预设完成时间和责任人,包括:
根据所述第一指标的所述指标相关数据和所述显著影响因素,在所述优化数据库中匹配相似案例,并生成相似案例集合,所述相似案例集合中包括至少一个相似案例;
根据所述相似案例集合中各个相似案例的优化效果和/或案例选择指令,确定目标相似案例,所述案例选择指令用于指示选择所述相似案例集合中一相似案例为目标相似案例;
根据所述目标相似案例,确定目标优化方案和预设完成时间。
4.根据权利要求1所述的方法,其特征在于,所述获取第一时刻的第一数据,包括:
获取KPI树形结构,所述KPI树形结构中包括各层的KPI指标,以及各个KPI指标之间的相关性和权重;
根据所述KPI树形结构和原始数据,确定第一数据,所述第一数据为第一时刻时,各层的KPI指标,所述KPI指标包括直接采集得到的KPI指标和计算得到的KPI指标。
5.根据权利要求4所述的方法,其特征在于,所述根据所述KPI树形结构和原始数据,确定第一数据,包括:
获取原始数据,所述原始数据为计算所述各层的KPI指标时所需要的参数;
根据第一预设规则,对所述原始数据进行预处理,得到处理后数据;
根据所述处理后数据和预设评估算法,确定所述各层的KPI指标。
6.根据权利要求5所述的方法,其特征在于,所述根据第一预设规则,对所述原始数据进行预处理,得到处理后数据,包括:
根据所述第一预设规则,判断所述原始数据中是否存在异常数据,所述异常数据为存在异常的数据,所述异常包括数据异常大、数据异常小或者数据缺失;
当所述原始数据中不存在所述异常数据时,对所述原始数据进行归一化处理;
当所述原始数据中存在所述异常数据时,根据所述原始数据的属性,对所述原始数据进行处理。
7.根据权利要求6所述的方法,其特征在于,所述当所述原始数据中存在所述异常数据时,根据所述原始数据的属性,对所述原始数据进行处理,包括:
获取所述原始数据的属性;
当所述原始数据的所述属性为计算可得时,根据所述原始数据的预设算法和所述原始数据的相关数据,补充所述原始数据中的异常数据;
否则,舍弃并重新获取所述原始数据或者报警。
8.根据权利要求1所述的方法,其特征在于,当所述目标优化方案按时完成时,所述根据所述目标优化方案的实际完成时间、所述预设完成时间和KPI树形结构,确定所述目标优化方案对上层指标的影响和/或因为延期完成造成的损失,包括:
根据所述目标优化方案的实际完成时间和所述预设完成时间,确定所述目标优化方案的提前完成时长;
根据所述提前完成时长和KPI树形结构,确定所述目标优化方案对上层指标的影响。
9.根据权利要求8所述的方法,其特征在于,当所述目标优化方案超时完成时,所述根据所述目标优化方案的实际完成时间、所述预设完成时间和KPI树形结构,确定所述目标优化方案对上层指标的影响和/或因为延期完成造成的损失,包括:
根据所述目标优化方案的实际完成时间和所述预设完成时间,确定所述目标优化方案的超时完成时长;
根据所述超时完成时长和所述第一指标的所述指标相关数据,确定所述目标优化因为延期完成造成的损失。
10.根据权利要求1-9中任意一项所述的方法,其特征在于,所述方法,还包括:
对所述目标优化方案进行归档;
将所述归档后的所述目标优化方案存储到历史案例中。
11.根据权利要求1-9中任意一项所述的方法,其特征在于,当所述第一数据中存在第一指标偏差超过预设指标范围时,所述方法,还包括:
发送第一异常信息到目标设备,所述第一异常信息中包括所述第一指标、所述指标名称、所述第一指标的预设指标范围、关键字、时间区间中的至少一项,所述目标设备为所述第一指标的负责人所使用的设备。
12.根据权利要求11所述的方法,其特征在于,当所述目标优化方案超时完成时,所述方法,还包括:
发送第二异常信息到目标设备,所述第二异常信息中包括所述预设完成时间和所述目标优化方案,所述目标设备为所述第一指标的负责人所使用的设备。
13.根据权利要求1-9中任意一项所述的方法,其特征在于,所述第一数据包括生产人员KPI、生产设备KPI、生产质量KPI、生产物料KPI、生产物流KPI、生产成本KPI、生产安全KPI等KPI指标中的至少一个。
14.根据权利要求1-9中任意一项所述的方法,其特征在于,所述各层的KPI指标包括工位层KPI指标、产线层KPI指标、车间层KPI指标、工厂层KPI指标。
15.一种KPI管理装置,其特征在于,所述装置,包括:
获取模块,用于获取第一时刻的第一数据,所述第一数据包括在第一时刻时各层KPI指标;
第一确定模块,用于当所述第一数据中存在第一指标偏差超过预设指标范围时,根据所述第一指标的指标名称,确定所述第一指标的优化数据库,所述优化数据库中包括所述指标的专家案例和历史案例;
第二确定模块,用于根据所述优化数据库、所述指标名称和所述第一指标的指标相关数据,确定目标优化方案和预设完成时间;
第三确定模块,用于根据所述目标优化方案的实际完成时间、所述预设完成时间和所述第一指标的所述指标相关数据,确定所述目标优化方案的优化效果或者因为延期完成造成的损失。
16.一种KPI管理设备,其特征在于,所述设备,包括:存储器,处理器和通信接口;
存储器;用于存储所述处理器的可执行指令,以及存储各个指标的优化数据库中数据;
处理器,用于根据所述存储器存储的可执行指令,实现如权利要求1-14中任意一项所述的KPI管理方法;
通信接口,用于获取第一数据和第二数据,以及发送信息。
17.一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计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-14中任意一项所述的KPI管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011229841.1A CN112330156B (zh) | 2020-11-06 | 2020-11-06 | Kpi管理方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011229841.1A CN112330156B (zh) | 2020-11-06 | 2020-11-06 | Kpi管理方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112330156A true CN112330156A (zh) | 2021-02-05 |
CN112330156B CN112330156B (zh) | 2024-04-09 |
Family
ID=74317012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011229841.1A Active CN112330156B (zh) | 2020-11-06 | 2020-11-06 | Kpi管理方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112330156B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110035253A1 (en) * | 2009-08-07 | 2011-02-10 | onFucus Healthcare | Systems and Methods for Optimizing Enterprise Performance Relationships to Other Applications |
CN106408153A (zh) * | 2016-08-12 | 2017-02-15 | 武汉科技大学 | 一种基于案例推理的钢铁企业生产动态调度调整方法及其专家*** |
US20170206592A1 (en) * | 2016-01-16 | 2017-07-20 | International Business Machines Corporation | Tracking business performance impact of optimized sourcing algorithms |
CN108038583A (zh) * | 2016-10-28 | 2018-05-15 | 开利公司 | 用于管理绩效指标以解决企业设施运营管理目标的方法和*** |
KR20180115144A (ko) * | 2017-04-12 | 2018-10-22 | (주) 아크라인소프트 | 인공지능 기반의 핵심성과지표 시뮬레이션 시스템 및 방법 |
CN109460943A (zh) * | 2018-12-14 | 2019-03-12 | 平安城市建设科技(深圳)有限公司 | 关键绩效指标管理方法、设备、存储介质及装置 |
CN109711692A (zh) * | 2018-12-17 | 2019-05-03 | 深圳壹账通智能科技有限公司 | Kpi指标管理方法、装置、计算机设备和存储介质 |
CN110942225A (zh) * | 2019-10-23 | 2020-03-31 | 成都建筑材料工业设计研究院有限公司 | 一种水泥工厂操作员kpi指标评测方法 |
CN111126824A (zh) * | 2019-12-19 | 2020-05-08 | ***通信集团江苏有限公司 | 多指标关联模型训练方法及多指标异常分析方法 |
CN111859047A (zh) * | 2019-04-23 | 2020-10-30 | 华为技术有限公司 | 一种故障解决方法及装置 |
-
2020
- 2020-11-06 CN CN202011229841.1A patent/CN112330156B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110035253A1 (en) * | 2009-08-07 | 2011-02-10 | onFucus Healthcare | Systems and Methods for Optimizing Enterprise Performance Relationships to Other Applications |
US20170206592A1 (en) * | 2016-01-16 | 2017-07-20 | International Business Machines Corporation | Tracking business performance impact of optimized sourcing algorithms |
CN106408153A (zh) * | 2016-08-12 | 2017-02-15 | 武汉科技大学 | 一种基于案例推理的钢铁企业生产动态调度调整方法及其专家*** |
CN108038583A (zh) * | 2016-10-28 | 2018-05-15 | 开利公司 | 用于管理绩效指标以解决企业设施运营管理目标的方法和*** |
KR20180115144A (ko) * | 2017-04-12 | 2018-10-22 | (주) 아크라인소프트 | 인공지능 기반의 핵심성과지표 시뮬레이션 시스템 및 방법 |
CN109460943A (zh) * | 2018-12-14 | 2019-03-12 | 平安城市建设科技(深圳)有限公司 | 关键绩效指标管理方法、设备、存储介质及装置 |
CN109711692A (zh) * | 2018-12-17 | 2019-05-03 | 深圳壹账通智能科技有限公司 | Kpi指标管理方法、装置、计算机设备和存储介质 |
CN111859047A (zh) * | 2019-04-23 | 2020-10-30 | 华为技术有限公司 | 一种故障解决方法及装置 |
CN110942225A (zh) * | 2019-10-23 | 2020-03-31 | 成都建筑材料工业设计研究院有限公司 | 一种水泥工厂操作员kpi指标评测方法 |
CN111126824A (zh) * | 2019-12-19 | 2020-05-08 | ***通信集团江苏有限公司 | 多指标关联模型训练方法及多指标异常分析方法 |
Non-Patent Citations (3)
Title |
---|
梁金成等: "国有建筑施工企业关键绩效指标设计探讨", 《建筑管理现代化》, vol. 23, no. 06, pages 477 - 480 * |
熊鹏程等: "基于***动力学的业务性能预测和优化模型", 《机械工程学报》, no. 04, pages 107 - 112 * |
金涛: "BSC-KPI绩效管理方案及其在设计型企业中的应用", 《安徽建筑工业学院学报(自然科学版)》, vol. 16, no. 05, pages 94 - 98 * |
Also Published As
Publication number | Publication date |
---|---|
CN112330156B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9448787B2 (en) | Methods and systems for analyzing software development risks | |
CN110929965A (zh) | 一种项目风险评估方法及装置 | |
AU2016201794B1 (en) | Analyzing equipment degradation for maintaining equipment | |
CN111833018A (zh) | 一种科技项目的专利分析方法及*** | |
CN112860769A (zh) | 一种能源规划数据管理*** | |
CN113742315A (zh) | 一种制造大数据处理平台及方法 | |
KR100929844B1 (ko) | 전사적 자원 관리 시스템 기반의 감사정보 시스템 및 이를 이용한 감사정보 운영 방법, 그 프로그램이 기록된 기록매체 | |
CN112330156A (zh) | Kpi管理方法、装置、设备以及存储介质 | |
CN113052417A (zh) | 一种资源配置方法以及装置 | |
US20130041712A1 (en) | Emerging risk identification process and tool | |
CN111724009A (zh) | 风险评估方法、风控***及风险评估设备 | |
KR20060086619A (ko) | Erp시스템 기반의 감사정보 시스템 및 이를 이용한감사정보 운영 방법, 그 프로그램이 기록된 기록매체 | |
CN115147236A (zh) | 一种处理方法、处理装置和电子设备 | |
Novak | Comparison of managerial implications for utilization of variable costing and throughput accounting methods | |
EP2089840A1 (en) | Organisation assessment and representation system and method | |
CN116302774A (zh) | 调度任务监控方法、装置、电子设备及可读存储介质 | |
CN116805219A (zh) | 基于四个维度实现分类分级的供应商管理方法及装置 | |
CN110956552A (zh) | 保险问题处理方法、装置、设备及存储介质 | |
CN110688424A (zh) | 一种生产监控方法及装置 | |
CN114968744B (zh) | 一种基于金融行业容量管理预测分析ai算法的实现方法及*** | |
CN117150032B (zh) | 一种水电站发电机组的智能维护***及方法 | |
CN112734340B (zh) | 快递件量的预测指标筛选方法、装置、设备及存储介质 | |
CN116011698B (zh) | 机组组合确定方法、装置、计算机设备和存储介质 | |
CN118071486A (zh) | 违约概率的确定方法及装置、存储介质及电子装置 | |
Lien Yai et al. | Calculating Financial Business Risk to Identify Supply Chain Vulnerabilities |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |