CN112633527B - 企业维修网点管理方法、***、计算机设备和存储介质 - Google Patents
企业维修网点管理方法、***、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112633527B CN112633527B CN202011505594.3A CN202011505594A CN112633527B CN 112633527 B CN112633527 B CN 112633527B CN 202011505594 A CN202011505594 A CN 202011505594A CN 112633527 B CN112633527 B CN 112633527B
- Authority
- CN
- China
- Prior art keywords
- maintenance
- data
- historical
- fraud
- network
- 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.)
- Active
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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于计算机技术领域,提供了一种企业维修网点管理方法,包括以下步骤:实时获取各维修网点的历史维修数据,并为各维修网点的历史维修数据关联对应产品的销售数据、生产数据和历史舞弊信息;根据各维修网点的历史维修数据及其关联的数据和信息,以可视化方式展示产品在全生命周期内的运动轨迹、维修属性分布特点和维修的相关性热图,或导入至舞弊判定模型中输出预测结果;为可视化内容设置自动提醒,根据自动提醒内容或舞弊预测结果对维修网点执行对应操作,通过对历史和即时维修数据、生产数据、销售数据以及舞弊调查情况的录入、分析、总结,企业能尽早注意到可疑现象。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种企业维修网点管理方法、***、计算机设备和存储介质。
背景技术
家电产业的维修网点一般不是由家电企业自行设立、招聘、管理,而是由当地个人或者公司承包,并和家电企业签署合作协议,提供维修、联络等服务。虽然这样的结构可以为家电企业减少成本,但是管理难度较大。这种经营结构存在舞弊的风险,例如虚假报修等。
现有的管理方法包括市场分析、定期审计、大规模盘点和调查等,但对于家电企业来说,工作量较大、成本较高。所以,家电企业需要一种科学方法为员工直观呈现可能的高风险事件,在早期识别高风险事件,缩小调查范围。
发明内容
本发明实施例的目的在于提供一种企业维修网点管理方法、***、计算机设备和存储介质,旨在解决背景技术中确定的现有技术存在的技术问题。
本发明实施例是这样实现的,一种企业维修网点管理方法,包括以下步骤:
实时获取各维修网点的历史维修数据,并为各维修网点的历史维修数据关联对应产品的销售数据、生产数据和历史舞弊信息;
根据各维修网点的历史维修数据及其关联的数据和信息,以可视化方式展示产品在全生命周期内的运动轨迹、维修属性分布特点和维修的相关性热图,或导入至舞弊判定模型中输出预测结果;
为可视化内容设置自动提醒,根据自动提醒内容或舞弊预测结果对维修网点执行对应操作。
作为本发明进一步的方案:所述实时获取各维修网点的历史维修数据,并为各维修网点的历史维修数据关联对应产品的销售数据、生产数据和历史舞弊信息的步骤之后,还对各维修网点的历史维修数据及其关联的数据和信息进行整理,所述整理至少包括数据的删减、合并和标记。
作为本发明再进一步的方案:所述根据各维修网点的历史维修数据及其关联的数据和信息,以可视化方式展示产品在全生命周期内的运动轨迹、维修属性分布特点和维修的相关性热图的步骤,包括:
根据产品编码关联历史维修数据、销售数据和生产数据,根据预先导入的地图信息,生成对应产品从生产到目前的运动轨迹,并以动图的形式展示方向;
根据产品的历史维修数据,获取产品的维修属性,所述维修属性至少包括故障原因、故障位置、产品型号和责任类别,在地图上展示分布状况;
根据维修网点的地理信息和历史维修数据,生成维修的相关性热图,所述维修的相关性热图至少包括地理维度和时间维度。
作为本发明再进一步的方案:所述为可视化内容设置自动提醒,根据自动提醒内容或舞弊预测结果对维修网点执行对应操作的步骤,具体包括:
对于自动提醒内容或舞弊预测结果表示风险较低的维修网点,企业减少对该维修网点的监管力度;反之,则加大对该维修网点的监管力度。
本发明实施例的另一目的在于在于提供一种企业维修网点管理***,包括:
数据采集模块,用于实时获取各维修网点的历史维修数据,并为各维修网点的历史维修数据关联对应产品的销售数据、生产数据和历史舞弊信息;
数据分析模块,用于根据各维修网点的历史维修数据及其关联的数据和信息,以可视化方式展示产品在全生命周期内的运动轨迹、维修属性分布特点和维修的相关性热图;
舞弊判定模块,用于根据舞弊判定模型输出预测结果;以及
执行模块,用于根据自动提醒内容或舞弊预测结果对维修网点执行对应操作。
本发明实施例的另一目的在于提供一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述企业维修网点管理方法的步骤。
本发明实施例的另一目的在于提供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上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行所述企业维修网点管理方法的步骤。
与现有技术相比,本发明的有益效果是:通过对历史和即时维修数据、生产数据、销售数据以及舞弊调查情况的录入、分析、总结,企业能尽早注意到可疑现象。对于没有风险提醒的维修网点,企业可以减少监管的力度,例如降低合作协议内容重订频率,年底可以不审计等,能方便企业对各维修网点的管理效率,并降低企业的管理成本。
附图说明
图1为一种企业维修网点管理方法的流程图。
图2为可视化内容设置自动提醒的流程图。
图3为舞弊判定模型的创建流程图。
图4为一种企业维修网点管理***的结构示意图。
图5为一种计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述。
如图1所示,为本发明一个实施例提供的一种企业维修网点管理方法的结构图,包括:
S200,实时获取各维修网点的历史维修数据,并为各维修网点的历史维修数据关联对应产品的销售数据、生产数据和历史舞弊信息。
本发明实施例中,上述的数据或者信息均可以保存在数据库中,历史维修数据、销售数据和生产数据包括行业或者领域的特征,而历史舞弊信息是指各年度对应维修网点的舞弊情况的调查结果。
S400,根据各维修网点的历史维修数据及其关联的数据和信息,以可视化方式展示产品在全生命周期内的运动轨迹、维修属性分布特点和维修的相关性热图。也可以将各维修网点的历史维修数据及其关联的数据和信息导入至舞弊判定模型,以输出预测结果。
本发明实施例中,以可视化的方式展示信息,能够帮助企业筛选可疑现象,降低对人员的技能水平要求。本实施例实际上是提供了两种方式。
S600,为可视化内容设置自动提醒,根据自动提醒内容或舞弊预测结果对维修网点执行对应操作。
本发明实施例中,当企业受到自动提醒的内容后,若自动提醒的内容是风险较低,则企业可以减少对维修网点的监管力度,例如降低合作协议内容重订频率,年底可以不审计等,而当自动提醒的内容是风险较高时,对监管力度应该对应增加。根据舞弊预测结果对维修网点执行对应操作与上述类似,本实施例在此不多做说明。
如图2~3所示,作为本发明一个优选的实施例,所述实时获取各维修网点的历史维修数据,并为各维修网点的历史维修数据关联对应产品的销售数据、生产数据和历史舞弊信息的步骤之后,还对各维修网点的历史维修数据及其关联的数据和信息进行整理,所述整理至少包括数据的删减、合并和标记。
本发明实施例中,实际上对各维修网点的历史维修数据及其关联的数据和信息进行整理是根据企业自身需求来进行的,具体的,整理可以包括:
(1)拿出不想关注的类型。
(2)合并类似的分类,拆分统一分类下性质不同的维修单。
(3)关注特定规模、位置的维修网点。
(4)增加新的特征或信息,例如维修网点的经维度、地图数据等。
(5)确认不同数据的连接点,即可将历史维修数据、销售数据、生产数据等联系起来。
如图2所示,作为本发明另一个优选的实施例,所述根据各维修网点的历史维修数据及其关联的数据和信息,以可视化方式展示产品在全生命周期内的运动轨迹、维修属性分布特点和维修的相关性热图的步骤,包括:
(1)根据产品编码关联历史维修数据、销售数据和生产数据,根据预先导入的地图信息,生成对应产品从生产到目前的运动轨迹,并以动图的形式展示方向。本实施例需要通过产品本身自带的编码关联历史维修数据、销售数据和生产数据,并且需要每个维修网点的经维度,为每一台产品生成从生产到现在的运动轨迹,可以采用动图的形式展示方向。
(2)根据产品的历史维修数据,获取产品的维修属性,所述维修属性至少包括故障原因、故障位置、产品型号和责任类别,在地图上展示分布状况。
实际应用时,每份产品的历史维修数据均对应有维修单,根据维修单的一些细节,例如故障原因、故障位置、机器型号、机器品牌、责任类别等,可以用颜色和不同大小的标志在地图上展示这些细节的全国分布状况,通过这类图像,企业可以直接的分辨出是否存在某一个区域的某种故障非常集中,某个维修网点是否更换了太多的制冷剂,全国的品牌如何分布等问题。
(3)根据维修网点的地理信息和历史维修数据,生成维修的相关性热图,所述维修的相关性热图至少包括地理维度和时间维度。
本实施例需要事先获取对应维修网点的地理信息和对应的维修单细节,生成的相关性热度图取决于地理上的距离和时间上的距离,具体关注哪些地理或时间的对象需要企业根据自身需求判断。同理亦可以统计可疑销售行为。此外,地理距离也可以变成其他类型的距离。例如维修网点负责人关系是否相近,维修网点负责人资料中也许能看出亲属关系和朋友关系;例如维修网点或者维修单的成立时间是否相近,即使是维修网点负责人看起来没有联系,但是成立日期很相近的维修网点均可做相关性分析。
作为本发明另一个优选的实施例,所述为可视化内容设置自动提醒,根据自动提醒内容或舞弊预测结果对维修网点执行对应操作的步骤,具体包括:对于自动提醒内容或舞弊预测结果表示风险较低的维修网点,企业减少对该维修网点的监管力度;反之,则加大对该维修网点的监管力度。
为可视化内容设置自动提醒的方式可以为:
(1)设置地理区域与地理区域间的边境,当某一产品的维修跨过边境时,设置提醒。
(2)设置地理距离临界值,当某一产品的维修地点和销售地点超过临界值时,设置提醒。
(3)当地图上某个地理区域的维修故障类型百分比超过某个临界值时,设置提醒,具体可以通过设置地理区域面积、关注的维修内容(故障位置、原因、型号等等)、临界值大小等实现。
(4)定义相近维修网点之间的距离,即距离在多少距离以内的两个维修网点,或者定义关注的时间间隔,对于相关性超过某临界值的现象给出自动提醒。
如图3所示,此外,对于舞弊判定模型,本实施例中提供了两种可行的方式,具体为:
(1)根据各维修网点的历史维修数据及其关联的数据和信息,用GLM模型对数据建模。因变量为历史舞弊情况,例如1表示舞弊,0表示无异常,当然因变量也可以是涉及金额,或者是同一台产品涉及的舞弊次数。建模过程需要不断根据模型生成的结果调整输入模型的变量以及分布假设,直至模型系数的统计显著性可以接受,并且结果对于企业有应用意义,模型形成后对其进行保存。
以因变量Yi,i=1Kn为同一产品的维修次数,GLM模型分布假设是准泊松分布,即调整方差的泊松分布,连接方程式是对数方程式,具体公式是:
E(Yi)=ui=exp(β0+β1xi1+β2xi2+L+βpxip)。
筛选后留下的重要特征(xij)有商品大类为热泵热水器、品牌,故障原因为物流运输不当,损坏位置为外壳总成。生成的模型各系数βi,i=1Kp可达到5%的统计显著性。
(2)如果不需要精确的风险概率,或者舞弊涉及金额,也可以采用KNN模型。可以将数据中的历史舞弊情况分为几个等级,例如高中低风险,然后用KNN模型学习历史数据,形成模型,进行保存。
使用预测准确度决定KNN方法中的K值,从K=2~20中选取准确率最高时KNN模型所用的K值,实验使用的K值是3,预测准确度达到91%。
当出现新的维修单时,可以自动将数据整理进入模型,给出预测的概率/金额/风险等级,根据预测结果采取措施。
根据预测结果的不同,家电企业及时采取不同方式对待维修单,如果预测概率/金额/等级超出预设的边界值,会自动生成同志,人员及时联络或采集证据、展开调查。如果在边界值内,模型可以在***中标记维修单,提醒员工在定期监管时减少对这类维修单的监管力度,节省人力物力。
如图4所示,本发明实施例还提供了一种企业维修网点管理***,包括数据采集模块100、数据分析模块200、舞弊判定模块300和执行模块400,所述数据采集模块100用于实时获取各维修网点的历史维修数据,并为各维修网点的历史维修数据关联对应产品的销售数据、生产数据和历史舞弊信息;所述数据分析模块200用于根据各维修网点的历史维修数据及其关联的数据和信息,以可视化方式展示产品在全生命周期内的运动轨迹、维修属性分布特点和维修的相关性热图;所述舞弊判定模块300用于根据舞弊判定模型输出预测结果;以及所述执行模块400用于根据自动提醒内容或舞弊预测结果对维修网点执行对应操作。
如图5所示,本发明实施例的另一目的在于提供一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行:
S200,实时获取各维修网点的历史维修数据,并为各维修网点的历史维修数据关联对应产品的销售数据、生产数据和历史舞弊信息。
S400,根据各维修网点的历史维修数据及其关联的数据和信息,以可视化方式展示产品在全生命周期内的运动轨迹、维修属性分布特点和维修的相关性热图。也可以将各维修网点的历史维修数据及其关联的数据和信息导入至舞弊判定模型,以输出预测结果。
S600,为可视化内容设置自动提醒,根据自动提醒内容或舞弊预测结果对维修网点执行对应操作。
本发明实施例的另一目的在于在于提供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上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行:
S200,实时获取各维修网点的历史维修数据,并为各维修网点的历史维修数据关联对应产品的销售数据、生产数据和历史舞弊信息。
S400,根据各维修网点的历史维修数据及其关联的数据和信息,以可视化方式展示产品在全生命周期内的运动轨迹、维修属性分布特点和维修的相关性热图。也可以将各维修网点的历史维修数据及其关联的数据和信息导入至舞弊判定模型,以输出预测结果。
S600,为可视化内容设置自动提醒,根据自动提醒内容或舞弊预测结果对维修网点执行对应操作。
应该理解的是,虽然本发明各实施例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,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子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,这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
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,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,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/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域技术人员在考虑说明书及实施例处的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (5)
1.企业维修网点管理方法,其特征在于,包括以下步骤:
一、实时获取各维修网点的历史维修数据,并为各维修网点的历史维修数据关联对应产品的销售数据、生产数据和各年度对应维修网点舞弊情况的调查结果的历史舞弊信息;
二、根据各维修网点的历史维修数据及其关联的数据和信息,以可视化方式展示产品在全生命周期内的运动轨迹、维修属性分布特点和维修的相关性热图,具体为:根据产品编码关联历史维修数据、销售数据和生产数据,根据预先导入的地图信息,生成对应产品从生产到目前的运动轨迹,并以动图的形式展示方向;
根据产品的历史维修数据,获取产品的维修属性,所述维修属性至少包括故障原因、故障位置、产品型号和责任类别,在地图上展示分布状况;
根据维修网点的地理信息和历史维修数据,生成维修的相关性热图,所述维修的相关性热图至少包括地理维度和时间维度;
导入至舞弊判定模型中输出预测结果;
三、为可视化内容设置自动提醒,根据自动提醒内容或舞弊预测结果对维修网点执行对应操作,所述为可视化内容设置自动提醒,根据自动提醒内容或舞弊预测结果对维修网点执行对应操作的步骤,具体包括:
对于自动提醒内容或舞弊预测结果表示风险较低的维修网点,企业减少对该维修网点的监管力度;反之,则加大对该维修网点的监管力度。
2.根据权利要求1所述的企业维修网点管理方法,其特征在于,所述实时获取各维修网点的历史维修数据,并为各维修网点的历史维修数据关联对应产品的销售数据、生产数据和历史舞弊信息的步骤之后,还对各维修网点的历史维修数据及其关联的数据和信息进行整理,所述整理至少包括数据的删减、合并和标记。
3.企业维修网点管理***,其特征在于,包括:
数据采集模块,用于实时获取各维修网点的历史维修数据,并为各维修网点的历史维修数据关联对应产品的销售数据、生产数据和各年度对应维修网点舞弊情况的调查结果的历史舞弊信息;
数据分析模块,用于根据各维修网点的历史维修数据及其关联的数据和信息,以可视化方式展示产品在全生命周期内的运动轨迹、维修属性分布特点和维修的相关性热图,具体为:根据产品编码关联历史维修数据、销售数据和生产数据,根据预先导入的地图信息,生成对应产品从生产到目前的运动轨迹,并以动图的形式展示方向;
根据产品的历史维修数据,获取产品的维修属性,所述维修属性至少包括故障原因、故障位置、产品型号和责任类别,在地图上展示分布状况;
根据维修网点的地理信息和历史维修数据,生成维修的相关性热图,所述维修的相关性热图至少包括地理维度和时间维度;
舞弊判定模块,用于根据舞弊判定模型输出预测结果;以及
执行模块,用于根据自动提醒内容或舞弊预测结果对维修网点执行对应操作。
4.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1至2中任一项权利要求所述企业维修网点管理方法的步骤。
5.一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上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1至2中任一项权利要求所述企业维修网点管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011505594.3A CN112633527B (zh) | 2020-12-18 | 2020-12-18 | 企业维修网点管理方法、***、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011505594.3A CN112633527B (zh) | 2020-12-18 | 2020-12-18 | 企业维修网点管理方法、***、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112633527A CN112633527A (zh) | 2021-04-09 |
CN112633527B true CN112633527B (zh) | 2022-09-09 |
Family
ID=75317378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011505594.3A Active CN112633527B (zh) | 2020-12-18 | 2020-12-18 | 企业维修网点管理方法、***、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633527B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146093A (zh) * | 2018-08-08 | 2019-01-04 | 成都保源酷码科技有限公司 | 一种基于学习的电力设备现场勘查方法 |
CN109711566A (zh) * | 2018-12-14 | 2019-05-03 | 中国平安财产保险股份有限公司 | 基于网点地图的报案维修方法、装置和计算机设备 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956774A (zh) * | 2016-05-04 | 2016-09-21 | 无锡益教服网络技术有限公司 | 资产(设备)维保管理及追溯实现方法 |
CN107844839A (zh) * | 2017-09-28 | 2018-03-27 | 韩悦 | 一种云维修服务*** |
CN108717577A (zh) * | 2018-05-29 | 2018-10-30 | 景祝强 | 基于历史维修记录大数据的维修预测装置以及方法 |
CN110363307A (zh) * | 2019-06-03 | 2019-10-22 | 阿里巴巴集团控股有限公司 | 汽车维修保养机构评级方法及装置 |
CN111160685A (zh) * | 2019-09-23 | 2020-05-15 | 上海安恪企业管理咨询有限公司 | 一种基于设备综合健康状况分析和管理的维修决策方法 |
CN110675079B (zh) * | 2019-09-30 | 2024-06-07 | 腾讯科技(深圳)有限公司 | 故障数据处理方法、装置和计算机设备 |
CN110738523B (zh) * | 2019-10-15 | 2023-03-24 | 北京经纬恒润科技股份有限公司 | 一种维修订单量预测方法及装置 |
-
2020
- 2020-12-18 CN CN202011505594.3A patent/CN112633527B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146093A (zh) * | 2018-08-08 | 2019-01-04 | 成都保源酷码科技有限公司 | 一种基于学习的电力设备现场勘查方法 |
CN109711566A (zh) * | 2018-12-14 | 2019-05-03 | 中国平安财产保险股份有限公司 | 基于网点地图的报案维修方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112633527A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lee et al. | A big data analytics platform for smart factories in small and medium-sized manufacturing enterprises: An empirical case study of a die casting factory | |
US20210287177A1 (en) | Automatic monitoring and reporting system | |
Murray et al. | Market segmentation through data mining: A method to extract behaviors from a noisy data set | |
Hazen et al. | Data quality for data science, predictive analytics, and big data in supply chain management: An introduction to the problem and suggestions for research and applications | |
CA3155689A1 (en) | Early-warning method for commodity inventory risk based on a statistical interquartile range, and system and computer-readable storage medium thereof | |
JP6811018B2 (ja) | 品質評価システム、品質評価方法及びプログラム | |
Soltanali et al. | Operational reliability evaluation-based maintenance planning for automotive production line | |
Genta et al. | Inspection procedures in manufacturing processes: recent studies and research perspectives | |
Van et al. | Research trends on machine learning in construction management: a scientometric analysis | |
Tan et al. | Quality analytics in a big data supply chain: commodity data analytics for quality engineering | |
CN112633527B (zh) | 企业维修网点管理方法、***、计算机设备和存储介质 | |
CN117172549A (zh) | 一种施工预算生成方法、***、终端设备及存储介质 | |
Simard et al. | A general framework for data uncertainty and quality classification | |
Lukens et al. | A data quality scorecard for assessing the suitability of asset condition data for prognostics modeling | |
Razali et al. | Big data analytics for preventive maintenance management | |
Jeereddy et al. | Machine learning use cases for smart manufacturing kpis | |
CN113689020A (zh) | 业务信息预测方法、装置、计算机设备和存储介质 | |
Likhitruangsilp et al. | Integrating building information modeling and visual programming for building life-cycle cost analysis | |
CN111242698A (zh) | 一种商品需求预测的神经网络模的方法和*** | |
JP7490585B2 (ja) | 健全性評価装置、方法及びプログラム | |
Razzaghzadeh et al. | Analysis of reliability and maintainability for multiple repairable units (Case study: Sungun copper mine) | |
CN118011990B (zh) | 基于人工智能的工业数据品质监控与提升*** | |
da Rocha Souza et al. | A statistical analysis of the relationship of civil construction GDP to cement production in Brazil | |
TWI550531B (zh) | 企業資源規劃績效評估系統及方法 | |
Prinzbach et al. | Predictive Analytics in Utility Vehicle Maintenance |
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 |