CN113435746A - 用户工作量的评分方法、装置、电子设备及存储介质 - Google Patents
用户工作量的评分方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113435746A CN113435746A CN202110719436.6A CN202110719436A CN113435746A CN 113435746 A CN113435746 A CN 113435746A CN 202110719436 A CN202110719436 A CN 202110719436A CN 113435746 A CN113435746 A CN 113435746A
- Authority
- CN
- China
- Prior art keywords
- user
- workload
- data
- regression model
- scores
- 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
- 238000013077 scoring method Methods 0.000 title abstract description 16
- 238000012417 linear regression Methods 0.000 claims abstract description 82
- 238000012549 training Methods 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims description 43
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及大数据技术，揭露一种用户工作量的评分方法，包括：基于业绩指标对用户的工作量数据分段得到分段数据集；利用分段数据集和业绩指标训练线性回归模型，并将线性回归模型的权重系数进行归一化得到维度评分；将维度评分进行合并得到每个用户的工作量评分；根据所述工作量评分和所述业绩指标将用户分类为类别用户集；利用线性回归模型计算所述类别用户集中各类别的类评分，并根据所述类评分对各类别的用户的工作量评分进行优化。此外，本发明还涉及区块链技术，所述工作量数据可存储于区块链的节点。本发明还提出一种用户工作量的评分装置、设备以及存储介质。本发明可以解决用户工作量评分标准不合理、准确性低的问题。
Description
技术领域
本发明涉及大数据技术领域，尤其涉及一种用户工作量的评分方法、装置、电子设备及计算机可读存储介质。
背景技术
很多职工的工作内容多种多样，如综拓经理负责和寿险业务员对接，他们的工作主要包括给寿险业务员打电话、面谈寿险业务员、举办沙龙、线上分享、跟进商机等。对职工的工作量进行评分可以更好地对职工工作进行指导和管理。但现有的评分方法往往是根据人为指定的规则进行评分，且只根据一些结果型的指标数据进行评价，而对于数值合不合理却没有评判标准，工作中的各种过程指标数据也没有纳入评分标准，导致对职工的评分不够精确，并不能对职工的工作行为提供准确的指导。例如，某个综拓经理的工作效果不如人意，并不一定是因为其工作量不够导致的，若只要求其加大工作量，多打电话多面访等，可能无法达到预期。同时，现有评分标准对于所有职工使用同一评分标准，但是各职工之间工作能力等存在差异，直接使用同一评分标准进行管理并不合理。因此，需要一种更合理、更准确的对职工用户进行评分的方法。
发明内容
本发明提供一种用户工作量的评分方法、装置及计算机可读存储介质，其主要目的在于解决用户工作量评分标准不合理、准确性低的问题。
为实现上述目的，本发明提供的一种用户工作量的评分方法，包括：
获取用户的工作量数据，并基于预设的业绩指标利用线性算法对所述工作量数据中每个维度的数据进行分段处理，得到分段数据集；
利用所述分段数据集和所述业绩指标对预构建的线性回归模型进行训练，根据所述训练的训练结果调整所述线性回归模型的权重系数，直到所述训练达到预设迭代次数，得到训练好的线性回归模型；
将所述训练好的线性回归模型的权重系数进行归一化处理，得到维度评分；
将每个维度的所述维度评分进行合并得到每个用户的工作量评分；
根据所述工作量评分和所述业绩指标对用户进行分类，得到类别用户集；
利用所述训练好的线性回归模型计算所述类别用户集中各类别的类评分，并根据所述类评分对各类别的用户的工作量评分进行优化。
可选地，所述获取用户的工作量数据，并基于预设的业绩指标利用线性算法对所述工作量数据中每个维度的数据进行分段处理，得到分段数据集，包括：
从预设的数据库中获取预设时间段内用户的工作量数据；
根据预设的业绩指标的数值将所述工作量数据进行划分，得到多个子工作量数据集；
计算每个所述子工作量数据集中每个维度包含的数据的平均值和众数；
利用线性算法将所述平均值和众数与所述业绩指标进行线性拟合，得到所述工作量数据各个维度下的线性图；
计算所述线性图中每段直线的斜率，并将所述斜率差距小于预设阈值的相邻直线进行合并，得到折线图；
根据所述折线图中的线段对所述工作量数据进行分段，得到分段数据集。
可选地，所述利用所述分段数据集和所述业绩指标对预构建的线性回归模型进行训练，根据所述训练的训练结果调整所述线性回归模型的权重系数，直到达到预设迭代次数，得到训练好的线性回归模型，包括：
依次选择所述分段数据集中每个用户其中一个维度下的分段数据，得到输入数据集，并将所述输入数据集中用户对应的业绩指标数据作为所述输入数据的对应标签；
基于所述标签和所述输入数据集对所述线性回归模型进行训练，得到训练结果；
当所述训练结果与所述标签不相同时，调整所述线性回归模型的权重系数，并返回基于所述标签和所述输入数据集对所述线性回归模型进行训练步骤，直到达到预设的迭代次数，得到训练好的线性回归模型。
可选地，所述将每个维度的所述维度评分进行合并得到每个用户的工作量评分，包括：
计算所述工作量数据中每个维度的数据与对应所述业绩指标的皮尔森相关系数的平均值；
将所述平均值作为对应维度的所述维度评分的权重系数，并按照所述权重系数将所有维度的所述维度评分进行加权平均处理，得到每个用户的工作量评分。
可选地，所述根据所述工作量评分和所述业绩指标对用户进行分类，得到类别用户集，包括：
将所述工作量评分按照排名进行分级，得到评分等级；
将所述业绩指标按照排名进行分级，得到业绩指标等级；
按照所述评分等级和所述业绩指标等级将所述工作量数据中的用户划为预设类别中的对应类别，得到类别用户集。
可选地，所述按照所述评分等级和所述业绩指标等级将所述工作量数据中的用户划为预设类别中的对应类别，得到类别用户集，包括：
依次选择所述工作量数据中的一个用户，得到待分类用户；
当所述待分类用户的所述评分等级和所述业绩指标等级都为第一等级时，将所述待分类用户划分为第一类型；
当所述待分类用户的所述评分等级为第一等级、所述业绩指标等级为第二等级时，将所述待分类用户划分为第二类型；
当所述待分类用户的所述评分等级和所述业绩指标等级都为第二等级时，将所述待分类用户划分为第三类型；
当所述待分类用户的所述评分等级为第二等级、所述业绩指标等级为第三等级时，将所述待分类用户划分为第四类型；
当所述待分类用户的所述评分等级和所述业绩指标等级都为第三等级时，将所述待分类用户划分为第五类型；
将所述第一类型、第二类型、第三类型、第四类型及第五类型的用户汇集，得到类别用户集。
可选地，所述利用所述训练好的线性回归模型计算所述类别用户集中各类别的类评分，并根据所述类评分对各类别的用户的工作量评分进行优化，包括：
利用所述类别用户集中每个类别的用户数据集对所述训练好的线性回归模型执行再次训练，得到类别回归模型；
获取所述类别回归模型的权重系数，并对所述权重系数进行归一化处理，得到同类维度评分；
将所述同类维度评分进行加权平均处理，得到各类别用户的类评分；
根据所述类评分对各类别的用户的工作量评分进行优化。
为了解决上述问题，本发明还提供一种用户工作量的评分装置，所述装置包括：
数据获取模块，用于获取用户的工作量数据，并基于预设的业绩指标利用线性算法对所述工作量数据中每个维度的数据进行分段处理，得到分段数据集；
模型训练模块，用于利用所述分段数据集和所述业绩指标对预构建的线性回归模型进行训练，根据所述训练的训练结果调整所述线性回归模型的权重系数，直到所述训练达到预设迭代次数，得到训练好的线性回归模型；
维度评分计算模块，用于将所述训练好的线性回归模型的权重系数进行归一化处理，得到维度评分；
工作量评分计算模块，用于将每个维度的所述维度评分进行合并得到每个用户的工作量评分；
用户分类模块，用于根据所述工作量评分和所述业绩指标对用户进行分类，得到类别用户集；
评分优化模块，用于利用所述训练好的线性回归模型计算所述类别用户集中各类别的类评分，并根据所述类评分对各类别的用户的工作量评分进行优化。
为了解决上述问题，本发明还提供一种电子设备，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上述所述的用户工作量的评分方法。
为了解决上述问题，本发明还提供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上述所述的用户工作量的评分方法。
本发明实施例获取用户的工作量数据时获取了包含多个维度的工作量数据，对评分使用的数据扩大了范围，可以有效提高评分的精确性，利用线性算法对所述工作量数据进行分段处理，可以减少计算机的处理数据量从而提高工作效率；利用所述分段数据集和所述业绩指标对预构建的线性回归模型进行数据训练，可以有效对多维度的工作量数据进行统一处理，并挖掘出各变量数据之间的关系，为评分的有效性提供了保证；同时根据评分对用户进行分类，并对各类别用户的评分进行优化，针对不同类别的用户提出更精细的评分方法，使得评分更具有合理性，并有利于后续的迭代更新。因此本发明提出的用户工作量的评分方法、装置、电子设备及计算机可读存储介质，可以解决用户工作量评分标准不合理、准确性低的问题。
附图说明
图1为本发明一实施例提供的用户工作量的评分方法的流程示意图；
图2为本发明第一实施例中图1提供的用户工作量的评分方法其中一个步骤的详细流程示意图；
图3为本发明一实施例提供的用户工作量的评分装置的功能模块图；
图4为本发明一实施例提供的实现所述用户工作量的评分方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
本申请实施例提供一种用户工作量的评分方法。所述用户工作量的评分方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述用户工作量的评分方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的用户工作量的评分方法的流程示意图。在本实施例中，所述用户工作量的评分方法包括：
S1、获取用户的工作量数据，并基于预设的业绩指标利用线性算法对所述工作量数据中每个维度的数据进行分段处理，得到分段数据集。
本发明实施例中所述用户的工作量数据是每个用户在工作时所处理的业务数据，包括多个维度的数据，如在寿险中，综拓经理的工作量数据可以包括电访、面访、重客沙龙、客户沙龙、SAT转发、重客视图查看、商机跟进等多个维度的数据。
所述预设的业绩指标是根据实际业务设置的需要达到的某一具体业务结果数据的阈值，如获客量。
详细地，参阅图2所示，所述获取用户的工作量数据，并基于预设的业绩指标利用线性算法对所述工作量数据进行分段处理，得到分段数据集，包括：
S21、从预设的数据库中获取预设时间段内用户的工作量数据；
S22、根据预设的业绩指标的数值将所述工作量数据进行划分，得到多个子工作量数据集；
S23、计算每个所述子工作量数据集中每个维度包含的数据的平均值和众数；
S24、利用线性算法将所述平均值和众数与所述业绩指标进行线性拟合，得到所述工作量数据各个维度下的线性图；
S25、计算所述线性图中每段直线的斜率，并将所述斜率差距小于预设阈值的相邻直线进行合并，得到折线图；
S26、根据所述折线图中的线段对所述工作量数据进行分段，得到分段数据集。
其中，所述分段数据集是包括每个用户各个维度下的多个分段数据的集合，如在电访维度下，每日电访次数经过分段处理后可以分为0-10，10-20，20-25，25-35，35-40。
可选地，为进一步确保所述工作量数据的安全性和隐秘性，所述工作量数据还可以从一区块链的节点中获取。
S2、利用所述分段数据集和所述业绩指标对预构建的线性回归模型进行训练，根据所述训练的训练结果调整所述线性回归模型的权重系数，直到所述训练达到预设迭代次数，得到训练好的线性回归模型。
本发明实施例中，所述线性回归模型是统计关系进行定量描述的一种数学模型。如所述线性回归模型可以表示为y＝w1*x1+w2*x2+…+wn*xn，其中，y是因变量，为随机变量；x是自变量，可以为随机变量，也可以为非随机变量，w1、w2…wn称为回归系数，即权重系数，表示自变量对因变量影响的程度。
详细地，所述利用所述分段数据集和所述业绩指标对预构建的线性回归模型进行数据训练，根据训练结果优化调整所述线性回归模型的权重系数，并对所述权重系数进行归一化处理，得到维度评分，包括：
依次选择所述分段数据集中每个用户其中一个维度下的分段数据，得到输入数据集，并将所述输入数据集中用户对应的业绩指标数据作为所述输入数据的对应标签；
基于所述标签和所述输入数据集对所述线性回归模型进行训练，得到训练结果；
当所述训练结果与所述标签不相同时，调整所述线性回归模型的权重系数，并返回基于所述标签和所述输入数据集对所述线性回归模型进行训练步骤，直到达到预设的迭代次数，得到训练好的线性回归模型。
S3、将所述训练好的线性回归模型的权重系数进行归一化处理，得到维度评分。
本发明实施例将将所述训练好的线性回归模型的权重系数作为所述输入数据中每个分段数据对应的初始评分，并对所述权重系数进行归一化处理并转化为百分制形式，得到每个维度对应的维度评分。
如，使用回归模型(y＝w1*x1+w2*x2+…+wn*xn)，将每个综拓经理分段后各个维度工作量作为输入(即x1，x2，…，xn，值为0或者1)，综拓经理的业绩结果指标(y是百折财客获客量)作为输出，训练所述回归模型，训练完成后获取权重系数(w1，w2，…，wn)，并将所述权重系数作为分段工作量的得分，例如，每日电访次数0-10前面的系数是0.01，而每日电访次数10-20前面的系数是0.05等。对各个维度下所有分段工作量进行归一化，并乘以100，使用百分制形式，作为对应维度下实际的工作量得分输出。
S4、将每个维度的所述维度评分进行合并得到每个用户的工作量评分。
详细地，所述将每个维度的所述维度评分进行合并得到每个用户的工作量评分，包括：
计算所述工作量数据中每个维度的数据与对应所述业绩指标的皮尔森相关系数的平均值；
将所述平均值作为对应维度的所述维度评分的权重系数，并按照所述权重系数将所有维度的所述维度评分进行加权平均处理，得到每个用户的工作量评分。
本发明实施例将每个用户的按照维度对工作量进行评分，并将多个维度的维度评分按照加权平均进行综合，得到每个用户的工作量数据的评价得分输出。
S5、根据所述工作量评分和所述业绩指标对用户进行分类，得到类别用户集。
详细地，所述根据所述工作量评分和所述业绩指标对用户进行分类，得到类别用户集，包括：
将所述工作量评分按照排名进行分级，得到评分等级；
将所述业绩指标按照排名进行分级，得到业绩指标等级；
按照所述评分等级和所述业绩指标等级将所述工作量数据中的用户划为预设类别中的对应类别，得到类别用户集。
其中，本发明实施例将所述评分等级划分为第一等级、第二等级和第三等级，如优、中等和差；将所述预设类别划分为第一类型、第二类型、第三类型、第四类型和第五类型，如绩优型，提质型，中庸型，提质提量型和淘汰型。
进一步地，所述将所述工作量评分按照排名进行分级，得到评分等级，包括：将排名前30％的所述工作量评分对应的评分等级评定为第一等级；将排名在30％-70％的所述工作量评分对应的评分等级评定为第二等级；将排名70％以后的所述工作量评分对应的评分等级评定为第三等级。
可选地，所述将所述业绩指标按照排名进行分级，得到业绩指标等级，包括：将排名前30％的所述业绩指标对应的业绩指标等级评定为第一等级；将排名在30％-70％的所述业绩指标对应的业绩指标等级评定为第二等级；将排名70％以后的所述业绩指标对应的业绩指标等级评定为第三等级。
进一步地，所述按照所述评分等级和所述业绩指标等级将所述工作量数据中的用户划为预设类别中的对应类别，得到类别用户集，包括：
依次选择所述工作量数据中的一个用户，得到待分类用户；
当所述待分类用户的所述评分等级和所述业绩指标等级都为第一等级时，将所述待分类用户划分为第一类型；
当所述待分类用户的所述评分等级为第一等级、所述业绩指标等级为第二等级时，将所述待分类用户划分为第二类型；
当所述待分类用户的所述评分等级和所述业绩指标等级都为第二等级时，将所述待分类用户划分为第三类型；
当所述待分类用户的所述评分等级为第二等级、所述业绩指标等级为第三等级时，将所述待分类用户划分为第四类型；
当所述待分类用户的所述评分等级和所述业绩指标等级都为第三等级时，将所述待分类用户划分为第五类型；
将所述第一类型、第二类型、第三类型、第四类型及第五类型的用户汇集，得到类别用户集。
S6、利用所述训练好的线性回归模型计算所述类别用户集中各类别的类评分，并根据所述类评分对各类别的用户的工作量评分进行优化。
详细地，所述利用所述训练好的线性回归模型计算所述类别用户集中各类别的类评分，并根据所述类评分对各类别的用户的工作量评分进行优化，包括：
利用所述类别用户集中每个类别的用户数据集对所述训练好的线性回归模型执行再次训练，得到类别回归模型；
获取所述类别回归模型的权重系数，并对所述权重系数进行归一化处理，得到同类维度评分；
将所述同类维度评分进行加权平均处理，得到各类别用户的类评分；
根据所述类评分对各类别的用户的工作量评分进行优化。
本发明实施例不是仅根据用户的业绩指标来计算每个用户工作量的得分，对每个类别的用户可以进一步地制定出更加精细的评分方法，从而使得用户的评分更合理，便于对于不同类别的用户进行分群管理和激励，并提高对各类别用户的工作积极性。
本发明实施例获取用户的工作量数据时获取了包含多个维度的工作量数据，对评分使用的数据扩大了范围，可以有效提高评分的精确性，利用线性算法对所述工作量数据进行分段处理，可以减少计算机的处理数据量从而提高工作效率；利用所述分段数据集和所述业绩指标对预构建的线性回归模型进行数据训练，可以有效对多维度的工作量数据进行统一处理，并挖掘出各变量数据之间的关系，为评分的有效性提供了保证；同时根据评分对用户进行分类，并对各类别用户的评分进行优化，针对不同类别的用户提出更精细的评分方法，使得评分更具有合理性，并有利于后续的迭代更新。因此本发明提出的用户工作量的评分方法、装置、电子设备及计算机可读存储介质，可以解决用户工作量评分标准不合理、准确性低的问题。
如图3所示，是本发明一实施例提供的用户工作量的评分装置的功能模块图。
本发明所述用户工作量的评分装置100可以安装于电子设备中。根据实现的功能，所述用户工作量的评分装置100可以包括数据获取模块101、模型训练模块102、维度评分计算模块103、工作量评分计算模块104、用户分类模块105及评分优化模块106。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述数据获取模块101，用于获取用户的工作量数据，并基于预设的业绩指标利用线性算法对所述工作量数据中每个维度的数据进行分段处理，得到分段数据集。
本发明实施例中所述用户的工作量数据是每个用户在工作时所处理的业务数据，包括多个维度的数据，如在寿险中，综拓经理的工作量数据可以包括电访、面访、重客沙龙、客户沙龙、SAT转发、重客视图查看、商机跟进等多个维度的数据。
所述预设的业绩指标是根据实际业务设置的需要达到的某一具体业务结果数据的阈值，如获客量。
详细地，所述数据获取模块101具体用于：
从预设的数据库中获取预设时间段内用户的工作量数据；
根据预设的业绩指标的数值将所述工作量数据进行划分，得到多个子工作量数据集；
计算每个所述子工作量数据集中每个维度包含的数据的平均值和众数；
利用线性算法将所述平均值和众数与所述业绩指标进行线性拟合，得到所述工作量数据各个维度下的线性图；
计算所述线性图中每段直线的斜率，并将所述斜率差距小于预设阈值的相邻直线进行合并，得到折线图；
根据所述折线图中的线段对所述工作量数据进行分段，得到分段数据集。
其中，所述分段数据集是包括每个用户各个维度下的多个分段数据的集合，如在电访维度下，每日电访次数经过分段处理后可以分为0-10，10-20，20-25，25-35，35-40。
所述模型训练模块102，用于利用所述分段数据集和所述业绩指标对预构建的线性回归模型进行训练，根据所述训练的训练结果调整所述线性回归模型的权重系数，直到所述训练达到预设迭代次数，得到训练好的线性回归模型。
本发明实施例中，所述线性回归模型是统计关系进行定量描述的一种数学模型。
详细地，所述模型训练模块102具体用于：
依次选择所述分段数据集中每个用户其中一个维度下的分段数据，得到输入数据集，并将所述输入数据集中用户对应的业绩指标数据作为所述输入数据的对应标签；
基于所述标签和所述输入数据集对所述线性回归模型进行训练，得到训练结果；
当所述训练结果与所述标签不相同时，调整所述线性回归模型的权重系数，并返回基于所述标签和所述输入数据集对所述线性回归模型进行训练步骤，直到达到预设的迭代次数，得到训练好的线性回归模型。
所述维度评分计算模块103，用于将所述训练好的线性回归模型的权重系数进行归一化处理，得到维度评分。
本发明实施例将将所述训练好的线性回归模型的权重系数作为所述输入数据中每个分段数据对应的初始评分，并对所述权重系数进行归一化处理并转化为百分制形式，得到每个维度对应的维度评分。
所述工作量评分计算模块104，将每个维度的所述维度评分进行合并得到每个用户的工作量评分。
详细地，所述工作量评分计算模块104具体用于：
计算所述工作量数据中每个维度的数据与对应所述业绩指标的皮尔森相关系数的平均值；
将所述平均值作为对应维度的所述维度评分的权重系数，并按照所述权重系数将所有维度的所述维度评分进行加权平均处理，得到每个用户的工作量评分。
所述用户分类模块105，用于根据所述工作量评分和所述业绩指标对用户进行分类，得到类别用户集。
详细地，所述用户分类模块105具体用于：
将所述工作量评分按照排名进行分级，得到评分等级；
将所述业绩指标按照排名进行分级，得到业绩指标等级；
按照所述评分等级和所述业绩指标等级将所述工作量数据中的用户划为预设类别中的对应类别，得到类别用户集。
其中，本发明实施例将所述评分等级划分为第一等级、第二等级和第三等级，如优、中等和差；将所述预设类别划分为第一类型、第二类型、第三类型、第四类型和第五类型，如绩优型，提质型，中庸型，提质提量型和淘汰型。
进一步地，所述将所述工作量评分按照排名进行分级，得到评分等级，包括：将排名前30％的所述工作量评分对应的评分等级评定为第一等级；将排名在30％-70％的所述工作量评分对应的评分等级评定为第二等级；将排名70％以后的所述工作量评分对应的评分等级评定为第三等级。
可选地，所述将所述业绩指标按照排名进行分级，得到业绩指标等级，包括：将排名前30％的所述业绩指标对应的业绩指标等级评定为第一等级；将排名在30％-70％的所述业绩指标对应的业绩指标等级评定为第二等级；将排名70％以后的所述业绩指标对应的业绩指标等级评定为第三等级。
进一步地，所述按照所述评分等级和所述业绩指标等级将所述工作量数据中的用户划为预设类别中的对应类别，得到类别用户集，包括：
依次选择所述工作量数据中的一个用户，得到待分类用户；
当所述待分类用户的所述评分等级和所述业绩指标等级都为第一等级时，将所述待分类用户划分为第一类型；
当所述待分类用户的所述评分等级为第一等级、所述业绩指标等级为第二等级时，将所述待分类用户划分为第二类型；
当所述待分类用户的所述评分等级和所述业绩指标等级都为第二等级时，将所述待分类用户划分为第三类型；
当所述待分类用户的所述评分等级为第二等级、所述业绩指标等级为第三等级时，将所述待分类用户划分为第四类型；
当所述待分类用户的所述评分等级和所述业绩指标等级都为第三等级时，将所述待分类用户划分为第五类型；
将所述第一类型、第二类型、第三类型、第四类型及第五类型的用户汇集，得到类别用户集。
所述评分优化模块106，用于利用所述训练好的线性回归模型计算所述类别用户集中各类别的类评分，并根据所述类评分对各类别的用户的工作量评分进行优化。
详细地，所述利用所述训练好的线性回归模型计算所述类别用户集中各类别的类评分，并根据所述类评分对各类别的用户的工作量评分进行优化，包括：
利用所述类别用户集中每个类别的用户数据集对所述训练好的线性回归模型执行再次训练，得到类别回归模型；
获取所述类别回归模型的权重系数，并对所述权重系数进行归一化处理，得到同类维度评分；
将所述同类维度评分进行加权平均处理，得到各类别用户的类评分；
根据所述类评分对各类别的用户的工作量评分进行优化。
如图4所示，是本发明实现用户工作量的评分方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如用户工作量的评分程序。
其中，所述处理器10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。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行用户工作量的评分程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11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。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备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，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如用户工作量的评分程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，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。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。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与其他电子设备之间建立通信连接。所述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中处理的信息以及用于显示可视化的用户界面。
图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图4示出的结构并不构成对所述电子设备的限定，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。
例如，尽管未示出，所述电子设备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10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。
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。
所述电子设备中的所述存储器11存储的用户工作量的评分程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
获取用户的工作量数据，并基于预设的业绩指标利用线性算法对所述工作量数据中每个维度的数据进行分段处理，得到分段数据集；
利用所述分段数据集和所述业绩指标对预构建的线性回归模型进行训练，根据所述训练的训练结果调整所述线性回归模型的权重系数，直到所述训练达到预设迭代次数，得到训练好的线性回归模型；
将所述训练好的线性回归模型的权重系数进行归一化处理，得到维度评分；
将每个维度的所述维度评分进行合并得到每个用户的工作量评分；
根据所述工作量评分和所述业绩指标对用户进行分类，得到类别用户集；
利用所述训练好的线性回归模型计算所述类别用户集中各类别的类评分，并根据所述类评分对各类别的用户的工作量评分进行优化。
具体地，所述处理器10对上述计算机程序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。
进一步地，所述电子设备集成的模块/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，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，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)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取用户的工作量数据，并基于预设的业绩指标利用线性算法对所述工作量数据中每个维度的数据进行分段处理，得到分段数据集；
利用所述分段数据集和所述业绩指标对预构建的线性回归模型进行训练，根据所述训练的训练结果调整所述线性回归模型的权重系数，直到所述训练达到预设迭代次数，得到训练好的线性回归模型；
将所述训练好的线性回归模型的权重系数进行归一化处理，得到维度评分；
将每个维度的所述维度评分进行合并得到每个用户的工作量评分；
根据所述工作量评分和所述业绩指标对用户进行分类，得到类别用户集；
利用所述训练好的线性回归模型计算所述类别用户集中各类别的类评分，并根据所述类评分对各类别的用户的工作量评分进行优化。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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。
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。
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)
1.一种用户工作量的评分方法，其特征在于，所述方法包括：
获取用户的工作量数据，并基于预设的业绩指标利用线性算法对所述工作量数据中每个维度的数据进行分段处理，得到分段数据集；
利用所述分段数据集和所述业绩指标对预构建的线性回归模型进行训练，根据所述训练的训练结果调整所述线性回归模型的权重系数，直到所述训练达到预设迭代次数，得到训练好的线性回归模型；
将所述训练好的线性回归模型的权重系数进行归一化处理，得到维度评分；
将每个维度的所述维度评分进行合并得到每个用户的工作量评分；
根据所述工作量评分和所述业绩指标对用户进行分类，得到类别用户集；
利用所述训练好的线性回归模型计算所述类别用户集中各类别的类评分，并根据所述类评分对各类别的用户的工作量评分进行优化。
2.如权利要求1所述的用户工作量的评分方法，其特征在于，所述获取用户的工作量数据，并基于预设的业绩指标利用线性算法对所述工作量数据中每个维度的数据进行分段处理，得到分段数据集，包括：
从预设的数据库中获取预设时间段内用户的工作量数据；
根据预设的业绩指标的数值将所述工作量数据进行划分，得到多个子工作量数据集；
计算每个所述子工作量数据集中每个维度包含的数据的平均值和众数；
利用线性算法将所述平均值和众数与所述业绩指标进行线性拟合，得到所述工作量数据各个维度下的线性图；
计算所述线性图中每段直线的斜率，并将所述斜率差距小于预设阈值的相邻直线进行合并，得到折线图；
根据所述折线图中的线段对所述工作量数据进行分段，得到分段数据集。
3.如权利要求1所述的用户工作量的评分方法，其特征在于，所述利用所述分段数据集和所述业绩指标对预构建的线性回归模型进行训练，根据所述训练的训练结果调整所述线性回归模型的权重系数，直到达到预设迭代次数，得到训练好的线性回归模型，包括：
依次选择所述分段数据集中每个用户其中一个维度下的分段数据，得到输入数据集，并将所述输入数据集中用户对应的业绩指标数据作为所述输入数据的对应标签；
基于所述标签和所述输入数据集对所述线性回归模型进行训练，得到训练结果；
当所述训练结果与所述标签不相同时，调整所述线性回归模型的权重系数，并返回基于所述标签和所述输入数据集对所述线性回归模型进行训练步骤，直到达到预设的迭代次数，得到训练好的线性回归模型。
4.如权利要求1所述的用户工作量的评分方法，其特征在于，所述将每个维度的所述维度评分进行合并得到每个用户的工作量评分，包括：
计算所述工作量数据中每个维度的数据与对应所述业绩指标的皮尔森相关系数的平均值；
将所述平均值作为对应维度的所述维度评分的权重系数，并按照所述权重系数将所有维度的所述维度评分进行加权平均处理，得到每个用户的工作量评分。
5.如权利要求1所述的用户工作量的评分方法，其特征在于，所述根据所述工作量评分和所述业绩指标对用户进行分类，得到类别用户集，包括：
将所述工作量评分按照排名进行分级，得到评分等级；
将所述业绩指标按照排名进行分级，得到业绩指标等级；
按照所述评分等级和所述业绩指标等级将所述工作量数据中的用户划为预设类别中的对应类别，得到类别用户集。
6.如权利要求5所述的用户工作量的评分方法，其特征在于，所述按照所述评分等级和所述业绩指标等级将所述工作量数据中的用户划为预设类别中的对应类别，得到类别用户集，包括：
依次选择所述工作量数据中的一个用户，得到待分类用户；
当所述待分类用户的所述评分等级和所述业绩指标等级都为第一等级时，将所述待分类用户划分为第一类型；
当所述待分类用户的所述评分等级为第一等级、所述业绩指标等级为第二等级时，将所述待分类用户划分为第二类型；
当所述待分类用户的所述评分等级和所述业绩指标等级都为第二等级时，将所述待分类用户划分为第三类型；
当所述待分类用户的所述评分等级为第二等级、所述业绩指标等级为第三等级时，将所述待分类用户划分为第四类型；
当所述待分类用户的所述评分等级和所述业绩指标等级都为第三等级时，将所述待分类用户划分为第五类型；
将所述第一类型、第二类型、第三类型、第四类型及第五类型的用户汇集，得到类别用户集。
7.如权利要求6所述的用户工作量的评分方法，其特征在于，所述利用所述训练好的线性回归模型计算所述类别用户集中各类别的类评分，并根据所述类评分对各类别的用户的工作量评分进行优化，包括：
利用所述类别用户集中每个类别的用户数据集对所述训练好的线性回归模型执行再次训练，得到类别回归模型；
获取所述类别回归模型的权重系数，并对所述权重系数进行归一化处理，得到同类维度评分；
将所述同类维度评分进行加权平均处理，得到各类别用户的类评分；
根据所述类评分对各类别的用户的工作量评分进行优化。
8.一种用户工作量的评分装置，其特征在于，所述装置包括：
数据获取模块，用于获取用户的工作量数据，并基于预设的业绩指标利用线性算法对所述工作量数据中每个维度的数据进行分段处理，得到分段数据集；
模型训练模块，用于利用所述分段数据集和所述业绩指标对预构建的线性回归模型进行训练，根据所述训练的训练结果调整所述线性回归模型的权重系数，直到所述训练达到预设迭代次数，得到训练好的线性回归模型；
维度评分计算模块，用于将所述训练好的线性回归模型的权重系数进行归一化处理，得到维度评分；
工作量评分计算模块，用于将每个维度的所述维度评分进行合并得到每个用户的工作量评分；
用户分类模块，用于根据所述工作量评分和所述业绩指标对用户进行分类，得到类别用户集；
评分优化模块，用于利用所述训练好的线性回归模型计算所述类别用户集中各类别的类评分，并根据所述类评分对各类别的用户的工作量评分进行优化。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的用户工作量的评分方法。
10.一种计算机可读存储介质，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如权利要求1至7中任意一项所述的用户工作量的评分方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110719436.6A CN113435746B (zh) | 2021-06-28 | 2021-06-28 | 用户工作量的评分方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110719436.6A CN113435746B (zh) | 2021-06-28 | 2021-06-28 | 用户工作量的评分方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113435746A true CN113435746A (zh) | 2021-09-24 |
| CN113435746B CN113435746B (zh) | 2022-09-27 |
Family
ID=77755109
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110719436.6A Active CN113435746B (zh) | 2021-06-28 | 2021-06-28 | 用户工作量的评分方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113435746B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115578080A (zh) * | 2022-12-08 | 2023-01-06 | 长沙软工信息科技有限公司 | 基于信息化***造价基准库工作量核定方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170109205A1 (en) * | 2015-10-20 | 2017-04-20 | Nishi Ahuja | Computing Resources Workload Scheduling |
| US20180150604A1 (en) * | 2016-11-28 | 2018-05-31 | Istituto Mediterraneo per i Trapianti e Terapie ad Alta Specializzazione S.r.l. | Method and System for Determining The Nursing Workload of Care Workers |
| US20180276291A1 (en) * | 2017-03-27 | 2018-09-27 | Alibaba Group Holding Limited | Method and device for constructing scoring model and evaluating user credit |
| CN108596495A (zh) * | 2018-04-26 | 2018-09-28 | 浙江工业大学 | 一种零售信贷业务评分***及方法 |
| CN109345109A (zh) * | 2018-09-26 | 2019-02-15 | 中国平安人寿保险股份有限公司 | 一种基于分类预测模型的员工评估方法及终端设备 |
| CN109492858A (zh) * | 2018-09-25 | 2019-03-19 | 平安科技（深圳）有限公司 | 基于机器学习的员工绩效预测方法及装置、设备、介质 |
| CN109559042A (zh) * | 2018-11-30 | 2019-04-02 | 厦门多快好省网络科技有限公司 | 一种基于多维指标回归分析的基金经理评分算法 |
| CN109636244A (zh) * | 2019-01-07 | 2019-04-16 | 山东浪潮云信息技术有限公司 | 企业评分模型构建方法、企业评分方法和装置 |
| US20200193386A1 (en) * | 2018-12-18 | 2020-06-18 | Journeyfront, Inc. | Data structure for organizing screening data and generating weighted scores |
| CN111639299A (zh) * | 2020-05-20 | 2020-09-08 | 重庆锐云科技有限公司 | 置业顾问客户跟进绩效评估方法、***及存储介质 |
| CN112990646A (zh) * | 2020-12-28 | 2021-06-18 | 贵州东冠科技有限公司 | 用于工作人员的绩效考核评价方法 |
-
2021
- 2021-06-28 CN CN202110719436.6A patent/CN113435746B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170109205A1 (en) * | 2015-10-20 | 2017-04-20 | Nishi Ahuja | Computing Resources Workload Scheduling |
| US20180150604A1 (en) * | 2016-11-28 | 2018-05-31 | Istituto Mediterraneo per i Trapianti e Terapie ad Alta Specializzazione S.r.l. | Method and System for Determining The Nursing Workload of Care Workers |
| US20180276291A1 (en) * | 2017-03-27 | 2018-09-27 | Alibaba Group Holding Limited | Method and device for constructing scoring model and evaluating user credit |
| CN108596495A (zh) * | 2018-04-26 | 2018-09-28 | 浙江工业大学 | 一种零售信贷业务评分***及方法 |
| CN109492858A (zh) * | 2018-09-25 | 2019-03-19 | 平安科技（深圳）有限公司 | 基于机器学习的员工绩效预测方法及装置、设备、介质 |
| CN109345109A (zh) * | 2018-09-26 | 2019-02-15 | 中国平安人寿保险股份有限公司 | 一种基于分类预测模型的员工评估方法及终端设备 |
| CN109559042A (zh) * | 2018-11-30 | 2019-04-02 | 厦门多快好省网络科技有限公司 | 一种基于多维指标回归分析的基金经理评分算法 |
| US20200193386A1 (en) * | 2018-12-18 | 2020-06-18 | Journeyfront, Inc. | Data structure for organizing screening data and generating weighted scores |
| CN109636244A (zh) * | 2019-01-07 | 2019-04-16 | 山东浪潮云信息技术有限公司 | 企业评分模型构建方法、企业评分方法和装置 |
| CN111639299A (zh) * | 2020-05-20 | 2020-09-08 | 重庆锐云科技有限公司 | 置业顾问客户跟进绩效评估方法、***及存储介质 |
| CN112990646A (zh) * | 2020-12-28 | 2021-06-18 | 贵州东冠科技有限公司 | 用于工作人员的绩效考核评价方法 |
Non-Patent Citations (3)
| Title |
|---|
| 游庆军等: "基于人均工作量新算法的外科绩效立体评价模型研究", 《卫生经济研究》 * |
| 王雪莲等: "基于护理工作量的护理质量综合评价体系的研究", 《实用临床护理学电子杂志》 * |
| 舒炜等: "基于聚类分析的小微客户经理绩效评价及分类", 《中国金融电脑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115578080A (zh) * | 2022-12-08 | 2023-01-06 | 长沙软工信息科技有限公司 | 基于信息化***造价基准库工作量核定方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113435746B (zh) | 2022-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112541745A (zh) | 用户行为数据分析方法、装置、电子设备及可读存储介质 | |
| CN111652278B (zh) | 用户行为检测方法、装置、电子设备及介质 | |
| CN113919738A (zh) | 业务办理窗口分配方法、装置、电子设备及可读存储介质 | |
| CN111639706A (zh) | 基于图像集的个人风险画像生成方法及相关设备 | |
| CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
| CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
| CN114781832A (zh) | 课程推荐方法、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 | |
| CN111694844A (zh) | 基于配置算法的企业运行数据分析方法、装置及电子设备 | |
| CN114840531A (zh) | 基于血缘关系的数据模型重构方法、装置、设备及介质 | |
| CN113837631B (zh) | 员工评价方法、装置、电子设备及可读存储介质 | |
| CN114862140A (zh) | 基于行为分析的潜力评估方法、装置、设备及存储介质 | |
| CN113435746B (zh) | 用户工作量的评分方法、装置、电子设备及存储介质 | |
| CN113742069A (zh) | 基于人工智能的容量预测方法、装置及存储介质 | |
| CN112948705A (zh) | 一种基于政策大数据的智能匹配方法、装置及介质 | |
| CN112561500B (zh) | 基于用户数据的薪酬数据生成方法、装置、设备及介质 | |
| CN114742412A (zh) | 一种软件技术服务***及方法 | |
| CN114461630A (zh) | 智能归因分析方法、装置、设备及存储介质 | |
| CN113657546A (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
| CN113191805A (zh) | 车主置换评估方法、***、电子设备及存储介质 | |
| CN114969651B (zh) | 基于大数据ai技术的智能风控体系构建方法及装置 | |
| CN114202367A (zh) | 基于用户画像的权益分配方法、装置、设备及介质 | |
| CN113112346A (zh) | 用户分类方法、装置、电子设备及存储介质 | |
| CN113592606A (zh) | 基于多重决策的产品推荐方法、装置、设备及存储介质 | |
| CN115862791A (zh) | 基于健康测评的问卷标签生成方法、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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |