CN113506023A - 工作行为数据分析方法、装置、设备及存储介质 - Google Patents

工作行为数据分析方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113506023A
CN113506023A CN202110848004.5A CN202110848004A CN113506023A CN 113506023 A CN113506023 A CN 113506023A CN 202110848004 A CN202110848004 A CN 202110848004A CN 113506023 A CN113506023 A CN 113506023A
Authority
CN
China
Prior art keywords
working
employee
behavior
work
behavior data
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
Application number
CN202110848004.5A
Other languages
English (en)
Inventor
丁梦洋
朱森林
李凯东
建晓慧
杨召银
孙朝辉
侯文京
苏鼎立
王伟衡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Pingan Zhihui Enterprise Information Management Co ltd
Original Assignee
Shenzhen Pingan Zhihui Enterprise Information Management Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Pingan Zhihui Enterprise Information Management Co ltd filed Critical Shenzhen Pingan Zhihui Enterprise Information Management Co ltd
Priority to CN202110848004.5A priority Critical patent/CN113506023A/zh
Publication of CN113506023A publication Critical patent/CN113506023A/zh
Pending legal-status Critical Current

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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/546—Message passing systems or structures, e.g. queues
    • 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
    • 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
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/105—Human resources

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例属于人工智能领域，涉及一种工作行为数据分析方法，包括获取待考核员工的工作行为数据；将所述工作行为数据输入到预设的员工行为特征匹配模型进行工作行为特征匹配，获得所述员工的工作行为特征；将所述工作行为特征与预设的绩效衡量标准比较，获得所述员工的绩效衡量结果。相对于考核人员的人工考核，工作行为数据是客观的，基于客观数据进行工作行为分析，得到的绩效衡量结果相对与人工考核更客观，且工作行为数据覆盖范围广，使绩效衡量考量的因素更全面，结果更公平公正。本申请还提供一种工作行为数据分析装置、计算机设备及存储介质。

Description

工作行为数据分析方法、装置、设备及存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及工作行为数据分析方法、装置、设备及存储介质。
背景技术
员工绩效衡量是人力资源管理的重要任务，对于员工来讲，是员工转正、升职、加薪的基本考量，对于企业来讲，是优秀员工识别、激励的基本手段。公平公正的员工绩效衡量可以有效的激励员工，有效的绩效管理又可推动企业良性发展。
现在员工绩效衡量大多由考核人员对员工进行绩效考核，主观性强，为了公平公正，引入多个考核人员对员工进行绩效考核，同样也不能避免主观性强的问题，且协调多个考核人员的工作量大。
发明内容
本申请实施例的目的在于提出一种工作行为数据分析方法、装置、计算机设备及存储介质，以解决由人工进行绩效考核主观性强、工作量大的问题。
为了解决上述技术问题，本申请实施例提供一种工作行为数据分析方法，采用了如下所述的技术方案：
获取待考核员工的工作行为数据；
将所述工作行为数据输入到预设的员工行为特征匹配模型进行工作行为特征匹配，获得所述员工的工作行为特征；
将所述工作行为特征与预设的绩效衡量标准比较，获得所述员工的绩效衡量结果。
进一步的，在所述获取待考核员工的工作行为数据的步骤中，还包括：
获取所述员工在预设的考核周期内的工作行为记录；
将所述工作行为记录保存在预设的基于Kafka的消息发布***的消息队列中；
调用Spark分析引擎对所述消息队列进行统计分析，获得所述员工的工作行为数据。
进一步的，所述预设的员工行为特征匹配模型包含N个子模型，每个子模型与预设的员工类别对应，在所述获取待考核员工的工作行为数据的步骤之前，还包括：
获取待考核员工的静态属性数据；
根据所述静态属性数据确定所述员工的员工类别；
将所述工作行为数据输入到与所述员工类别对应的子模型进行工作行为特征匹配，获得所述员工的工作行为特征。
进一步的，所述工作行为记录，包括所述员工的上下班时间记录，和/或所述员工的邮件收发时间记录，和/或所述员工的工作任务的预计工时和实际工时，所述调用Spark分析引擎对所述消息队列进行统计分析，获得所述员工的工作行为数据的步骤具体包括：
调用Spark分析引擎对所述消息队列中的上下班时间记录，和/或所述员工的邮件收发时间记录，和/或所述员工的工作任务的预计工时和实际工时，进行统计分析，获得所述员工在每个单位时间周期内的工作时长，和/或所述员工的邮件响应时间,和/或所述员工的每项工作任务的效率。
进一步的，所述预设的员工行为特征匹配模型基于深度学习神经网络模型，在所述将所述工作行为数据输入到预设的员工行为特征匹配模型进行工作行为特征匹配，获得所述员工的工作行为特征的步骤之前，还包括：
获取训练样本，所述训练样本包含工作行为数据样本以及标注的工作行为特征；
将所述训练样本输入到所述员工行为特征匹配模型进行工作行为特征预测，获得所述工作行为数据样本对应的工作行为预测特征；
通过损失函数比较所述标注的工作行为特征和工作行为预测特征是否一致；
调整所述所述员工行为特征匹配模型各节点的参数，至所述损失函数达到最小值时结束，得到训练好的员工行为特征匹配模型。
进一步的，所述将所述工作行为特征与预设的绩效衡量标准比较，获得所述员工的绩效衡量结果的步骤具体包括：
将所述工作行为数据输入到预设的员工行为特征匹配模型进行工作行为特征匹配，获得所述员工的考勤规范度和/或团队合作度和/或工作效率的特征；
根据所述员工的考勤规范度和/或团队合作度和/或工作效率的特征，计算所述员工的工作行为得分；
将所述工作行为得分与预设的绩效衡量标准比较，获得所述员工的绩效衡量结果。
进一步的，在所述获取待考核员工的工作行为数据的步骤之后，还包括：
将所述工作行为数据存储至区块链中。
为了解决上述技术问题，本申请实施例还提供一种工作行为数据分析装置，采用了如下所述的技术方案：
获取模块，用于获取待考核员工的工作行为数据；
匹配模块，用于将所述工作行为数据输入到预设的员工行为特征匹配模型进行工作行为特征匹配，获得所述员工的工作行为特征；
衡量模块，用于将所述工作行为特征与预设的绩效衡量标准比较，获得所述员工的绩效衡量结果。
进一步的，在所述获取模块中，还包括：
第一获取子模块，用于获取所述员工在预设的考核周期内的工作行为记录；
第一存储子模块，用于将所述工作行为记录保存在预设的基于Kafka的消息发布***的消息队列中；
第一计算子模块，用于调用Spark分析引擎对所述消息队列进行统计分析，获得所述员工的工作行为数据。
进一步的，所述工作行为数据分析装置，还包括：
第二获取子模块，用于获取待考核员工的静态属性数据；
第一确定子模块，用于根据所述静态属性数据确定所述员工的员工类别；
第一匹配子模块，用于将所述工作行为数据输入到与所述员工类别对应的子模型进行工作行为特征匹配，获得所述员工的工作行为特征。
进一步的，所述第一计算子模块中包括：
第一计算子单元，用于调用Spark分析引擎对所述消息队列中的上下班时间记录，和/或所述员工的邮件收发时间记录，和/或所述员工的工作任务的预计工时和实际工时，进行统计分析，获得所述员工在每个单位时间周期内的工作时长，和/或所述员工的邮件响应时间,和/或所述员工的每项工作任务的效率。
进一步的，所述工作行为数据分析装置，还包括：
第三获取子模块，用于获取训练样本，所述训练样本包含工作行为数据样本以及标注的工作行为特征；
第一预测子模块，用于将所述训练样本输入到所述员工行为特征匹配模型进行工作行为特征预测，获得所述工作行为数据样本对应的工作行为预测特征；
第一比较子模块，用于通过损失函数比较所述标注的工作行为特征和工作行为预测特征是否一致；
第一调整子模块，用于调整所述所述员工行为特征匹配模型各节点的参数，至所述损失函数达到最小值时结束，得到训练好的员工行为特征匹配模型。
进一步的，所述衡量模块还包括：
第二匹配子模块，用于将所述工作行为数据输入到预设的员工行为特征匹配模型进行工作行为特征匹配，获得所述员工的考勤规范度和/或团队合作度和/或工作效率的特征；
第二计算子模块，用于根据所述员工的考勤规范度和/或团队合作度和/或工作效率的特征，计算所述员工的工作行为得分；
第一衡量子模块，用于将所述工作行为得分与预设的绩效衡量标准比较，获得所述员工的绩效衡量结果。
进一步的，所述工作行为数据分析装置，还包括：
第二存储子模块，用于将所述工作行为数据存储至区块链中。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
一种计算机设备，包括存储器和处理器，存储器中存储有计算机可读指令，处理器执行计算机可读指令时实现如上述工作行为数据分析方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
一种计算机可读存储介质，计算机可读存储介质上存储有计算机可读指令，计算机可读指令被处理器执行时实现如上述工作行为数据分析方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
通过获取待考核员工的工作行为数据；将所述工作行为数据输入到预设的员工行为特征匹配模型进行工作行为特征匹配，获得所述员工的工作行为特征；将所述工作行为特征与预设的绩效衡量标准比较，获得所述员工的绩效衡量结果。相对于考核人员的人工考核，工作行为数据是客观的，基于客观数据进行工作行为分析，得到的绩效衡量结果相对与人工考核更客观，且工作行为数据覆盖范围广，使绩效衡量考量的因素更全面，结果更公平公正。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，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的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性***架构图；
图2根据本申请的工作行为数据分析方法的一个实施例的流程图；
图3是图2中步骤S201的一种具体实施方式的流程图；
图4是图2中步骤S202之前的一种具体实施方式的流程图；
图5是根据本申请的工作行为数据分析装置的一个实施例的结构示意图；
图6是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，***架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的工作行为数据分析方法一般由服务器/终端设备执行，相应地，工作行为数据分析装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的工作行为数据分析方法的一个实施例的流程图。所述的工作行为数据分析方法，包括以下步骤：
步骤S201，获取待考核员工的工作行为数据，。
在本实施例中，工作行为数据分析方法运行于其上的电子设备(例如图1所示的服务器/终端设备)可以通过有线连接方式或者无线连接方式获取待考核员工的工作行为数据。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
工作行为数据至少包含预设的考核周期内所述员工的工作动态数据，这里工作动态数据是相对与员工属性静态数据来定义的数据。属性静态数据包括员工的人口属性、商业属性、生活形态，比如年龄、性别、用工性质、岗位、娱乐爱好、社交习惯等在较长的时间周期内不会发生变化的数据；属性静态数据可以预存在预设的人力资源管理数据库中，通过员工ID查询员工属性静态数据。工作动态数据则是通过消息队列Kafka，异步记录员工的日常操作、工时、考勤等记录，再通过大数据统一分析引擎Spark对消息队列进行离线/实时分析得到得到数据。
步骤S202，将所述工作行为数据输入到预设的员工行为特征匹配模型进行工作行为特征匹配，获得所述员工的工作行为特征。
在本实施例中，将工作行为数据输入到预设的员工行为特征匹配模型进行工作行为特征匹配。预设的员工行为特征匹配模型可以基于基准比较算法，即设定工作行为特征的基准，将工作行为数据与基准比对，判断该员工的工作行为特征。例如，设定工作效率作为工作行为特征的一个维度，将工作效率这一特征分为三个等级：高、中、低，并设定每个等级的基准，工作效率高的基准为：实际工时比预计工时小的工作任务占比大于90％；工作效率中的基准为：实际工时比预计工时小的工作任务占比大于80％；工作效率低的基准为：实际工时比预计工时小的工作任务占比小于80％。
将工作行为数据中的工作效率数据与基准比对，确定员工的工作效率为高、中、低的其中之一，作为该员工的工作行为特征。
工作行为数据包含多维数据，例如，还可以包含单位时间周期内员工的工作时长，设定单位时间周期内工作时长作为工作行为特征的另一个维度，同样的，将工作时长这一特征分为三个等级：高、中、低，并设定每个等级的基准，将工作行为数据中的工作时长数据与基准比对，确定员工的工作时长为高、中、低的其中之一，作为该员工的工作行为特征。
预设的员工行为特征匹配模型还可以基于预先训练的深度学习神经网络模型。具体请参阅图4。
步骤S203，将所述工作行为特征与预设的绩效衡量标准比较，获得所述员工的绩效衡量结果。
在本实施例中，将工作行为特征与预设的绩效衡量标准比较，例如设定绩效衡量标准为：当工作行为特征为工作效率高、团队合作度高、考勤规范度高时，绩效衡量结果为优秀；当工作行为特征为工作效率低、团队合作度低、考勤规范度低时，绩效衡量结果为待改进；当工作行为特征为其他时，绩效衡量结果为合格。通过将工作行为特征与绩效衡量标准比较，获得该员工的绩效衡量结果。
本申请通过获取待考核员工的工作行为数据；将所述工作行为数据输入到预设的员工行为特征匹配模型进行工作行为特征匹配，获得所述员工的工作行为特征；将所述工作行为特征与预设的绩效衡量标准比较，获得所述员工的绩效衡量结果。相对于考核人员的人工考核，工作行为数据是客观的，基于客观数据进行工作行为分析，得到的绩效衡量结果相对与人工考核更客观，且工作行为数据覆盖范围广，使绩效衡量考量的因素更全面，结果更公平公正。
参阅图3，在本实施例的一些可选的实现方式中，在步骤S201中，上述电子设备还可以执行以下步骤：
步骤S301，获取所述员工在预设的考核周期内的工作行为记录；
步骤S302，将所述工作行为记录保存在预设的基于Kafka的消息发布***的消息队列中；
步骤S303，调用Spark分析引擎对所述消息队列进行统计分析，获得所述员工的工作行为数据。
在本实现方式中，员工的工作行为记录包括员工上下班时间、邮件记录、工时等。动态数据则是通过消息队列Kafka，异步记录员工的日常操作、工时、考勤等记录，再通过大数据统一分析引擎Spark对消息数据进行离线或实时分析得到的数据。Kafka是一种高吞吐量的分布式发布订阅消息***，它可以处理消费者在网站中的所有动作流数据。Kafka的目的是通过Hadoop的并行加载机制来统一线上和离线的消息处理。每条发布到Kafka集群的消息都有一个类别，这个类别被称为Topic。物理上不同Topic的消息分开存储，逻辑上一个Topic的消息虽然保存于一个或多个服务器上，但用户只需指定消息的Topic即可生产或消费数据而不必关心数据存于何处。
Spark是一种与Hadoop相似的开源集群计算环境，但是两者之间还存在一些不同之处，这些有用的不同之处使Spark在某些工作负载方面表现得更加优越，换句话说，Spark启用了内存分布数据集，除了能够提供交互式查询外，它还可以优化迭代工作负载。
Spark是在Scala语言中实现的，它将Scala用作其应用程序框架。与Hadoop不同，Spark和Scala能够紧密集成，其中的Scala可以像操作本地集合对象一样轻松地操作分布式数据集。
在一些可选的实现方式中，如果预设的员工行为特征匹配模型包含N个子模型，每个子模型与预设的员工类别对应，在上述步骤S201之前，上述电子设备还可以执行以下步骤：
获取待考核员工的静态属性数据；
根据所述静态属性数据确定所述员工的员工类别；
将所述工作行为数据输入到与所述员工类别对应的子模型进行工作行为特征匹配，获得所述员工的工作行为特征。
在本实现方式中，属性静态数据包括员工的人口属性、商业属性、生活形态，比如年龄、性别、用工性质、岗位、娱乐爱好、社交习惯等在较长的时间周期内不会发生变化的数据；属性静态数据可以预存在预设的人力资源管理数据库中，通过员工ID查询员工属性静态数据。
静态属性数据用来区分不同的员工的类别，不同的员工类别的工作行为特征是不同的，所以对应每个员工类别设定工作行为特征匹配子模型。这样避免了所有员工考核采用同一标准，与现实不符的问题。
在一些可选的实现方式中，如果工作行为记录包括所述员工的上下班时间记录，和/或所述员工的邮件收发时间记录，和/或所述员工的工作任务的预计工时和实际工时，在上述步骤S303中，上述电子设备还可以执行以下步骤：
调用Spark分析引擎对所述消息队列中的上下班时间记录，和/或所述员工的邮件收发时间记录，和/或所述员工的工作任务的预计工时和实际工时，进行统计分析，获得所述员工在每个单位时间周期内的工作时长，和/或所述员工的邮件响应时间,和/或所述员工的每项工作任务的效率。
在本实现方式中，员工工作行为记录包括上下班时间，员工通过考勤***记录上下班时间，获取员工上下班时间记录，保存到预设的基于Kafka的消息发布***的消息队列中，调用Spark分析引擎读取消息队列中的上下班时间，计算该员工每个单位时间周期的工作时长。这里的单位时间周期可以为每天、每周、每月。单位时间周期的工作时长应用在绩效衡量中可以衡量员工考勤的规范度，例如要求每天8小时工作时长，该员工是否满足要求。
员工工作行为记录还可以包括邮件收发时间，邮件收发时间记录在邮件收发***中，将邮件收发时间保存到预设的基于Kafka的消息发布***的消息队列中，可以利用Kafka高吞吐量分布式处理机制，然后调用Spark分析引擎读取消息队列中的邮件收发时间进行统计分析，获得员工的邮件响应时间。邮件响应时间应用在绩效衡量中可以衡量员工的团队合作度，邮件响应时间短可以认为该员工的团队合作度高。
员工工作行为记录还包括安排给该员工的每项工作任务的预计工时和实际工时。每项工作任务的预计工时和实际工时记录保存到预设的基于Kafka的消息发布***的消息队列中，然后调用Spark分析引擎读取消息队列中的工作任务的预计工时和实际工时进行统计分析，获得员工的每项工作任务的效率。工作效率可以通过实际工时和预计工时的比值衡量，实际工时和预计工时的比值越大，可以认为效率越低。
参阅图4，在一些可选的实现方式中，所述预设的员工行为特征匹配模型基于深度学习神经网络模型，在上述步骤S202之前，上述电子设备还可以执行以下步骤：
获取训练样本，所述训练样本包含工作行为数据样本以及标注的工作行为特征；
将所述训练样本输入到所述员工行为特征匹配模型进行工作行为特征预测，获得所述工作行为数据样本对应的工作行为预测特征；
通过损失函数比较所述标注的工作行为特征和工作行为预测特征是否一致；
调整所述所述员工行为特征匹配模型各节点的参数，至所述损失函数达到最小值时结束，得到训练好的员工行为特征匹配模型。
在本实施方式中，预设的员工行为特征匹配模型基于预先训练的深度学习神经网络模型DNN。预先对员工行为特征匹配模型模型进行训练，训练样本为多份工作行为数据以及每份工作行为数据标注对应员工的工作行为特征，调节员工行为特征匹配模型各节点的参数，使员工行为特征匹配模型输出的工作行为预测特征与标注的工作行为特征一致。具体的，通过损失函数比较标注的工作行为特征和工作行为预测特征是否一致，损失函数可以采用交叉熵损失函数。当损失函数达到最小值时，认为工作行为预测特征与标注的工作行为特征一致，员工行为特征匹配模型训练结束。这里，通过深度学习神经网络对工作行为数据进行工作行为特征匹配，相对与基准比对，深度学习神经网络模型通过预先训练，不但可以学习工作行为数据与工作行为特征之间显性关系，还可以学习到工作行为数据与工作行为特征之间隐性关系，使工作行为特征分析更准确、更科学。
在一些可选的实现方式中，所述工作行为数据包含所述员工在每个单位时间周期内的工作时长，和/或所述员工的邮件响应时间,和/或所述员工的每项工作任务的效率，所在上述步骤S203之中，上述电子设备还可以执行以下步骤：
将所述工作行为数据输入到预设的员工行为特征匹配模型进行工作行为特征匹配，获得所述员工的考勤规范度和/或团队合作度和/或工作效率的特征；
根据所述员工的考勤规范度和/或团队合作度和/或工作效率的特征，计算所述员工的工作行为得分；
将所述工作行为得分与预设的绩效衡量标准比较，获得所述员工的绩效衡量结果。
在本实施方式中，在一些业务场景中，为有导向的激励员工，通过对不同维度的行为特征设定不同的权重，计算员工的工作行为得分，通过工作行为得分判断员工的绩效衡量结果。例如工作行为特征包含工作效率、团队合作度、考勤规范度，通过加权求和的算法计算员工的工作行为得分：
S＝a*工作效率+b*团队合作度+c*考勤规范度。
a、b、c为可调的权重系数。
将工作行为得分与预设的绩效衡量标准比较，这里预设的绩效衡量标准为工作行为得分对应结果，例如大于90分，绩效衡量结果为优秀；大于70分，绩效衡量结果为合格；其他分数，绩效衡量结果为待改进。
通过加权求和的算法计算工作行为得分，再用工作行为得分与预设的绩效衡量标准比较，得到绩效衡量结果，可以对不同维度的行为特征设定不同的权重，对员工起到有导向的激励作用。
在一些可选的实现方式中，上述步骤S201之后，上述电子设备还可以执行以下步骤：
将所述工作行为数据存储至区块链中。
需要强调的是，为进一步保证上述工作行为数据的私密和安全性，上述工作行为数据还可以存储于一区块链的节点中。
本申请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。
本申请可用于众多通用或专用的计算机***环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一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，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图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，其可以以其他的顺序执行。而且，附图的流程图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，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他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。
进一步参考图5，作为对上述图2所示方法的实现，本申请提供了一种*工作行为数据分析装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例所述的工作行为数据分析装置500包括：获取模块501、匹配模块502、衡量模块503。其中：
获取模块501，用于获取待考核员工的工作行为数据；
匹配模块502，用于将所述工作行为数据输入到预设的员工行为特征匹配模型进行工作行为特征匹配，获得所述员工的工作行为特征；
衡量模块503，用于将所述工作行为特征与预设的绩效衡量标准比较，获得所述员工的绩效衡量结果。
通过获取待考核员工的工作行为数据；将所述工作行为数据输入到预设的员工行为特征匹配模型进行工作行为特征匹配，获得所述员工的工作行为特征；将所述工作行为特征与预设的绩效衡量标准比较，获得所述员工的绩效衡量结果。相对于考核人员的人工考核，工作行为数据是客观的，基于客观数据进行工作行为分析，得到的绩效衡量结果相对与人工考核更客观，且工作行为数据覆盖范围广，使绩效衡量考量的因素更全面，结果更公平公正。
在本实施例的一些可选的实现方式中，获取模块501中，还包括：
第一获取子模块，用于获取所述员工在预设的考核周期内的工作行为记录；
第一存储子模块，用于将所述工作行为记录保存在预设的基于Kafka的消息发布***的消息队列中；
第一计算子模块，用于调用Spark分析引擎对所述消息队列进行统计分析，获得所述员工的工作行为数据。
在本实施例的一些可选的实现方式中，工作行为数据分析装置500，还包括：
第二获取子模块，用于获取待考核员工的静态属性数据；
第一确定子模块，用于根据所述静态属性数据确定所述员工的员工类别；
第一匹配子模块，用于将所述工作行为数据输入到与所述员工类别对应的子模型进行工作行为特征匹配，获得所述员工的工作行为特征。
在本实施例的一些可选的实现方式中，所述第一计算子模块中包括：
第一计算子单元，用于调用Spark分析引擎对所述消息队列中的上下班时间记录，和/或所述员工的邮件收发时间记录，和/或所述员工的工作任务的预计工时和实际工时，进行统计分析，获得所述员工在每个单位时间周期内的工作时长，和/或所述员工的邮件响应时间,和/或所述员工的每项工作任务的效率。
在本实施例的一些可选的实现方式中，工作行为数据分析装置500，还包括：
第三获取子模块，用于获取训练样本，所述训练样本包含工作行为数据样本以及标注的工作行为特征；
第一预测子模块，用于将所述训练样本输入到所述员工行为特征匹配模型进行工作行为特征预测，获得所述工作行为数据样本对应的工作行为预测特征；
第一比较子模块，用于通过损失函数比较所述标注的工作行为特征和工作行为预测特征是否一致；
第一调整子模块，用于调整所述所述员工行为特征匹配模型各节点的参数，至所述损失函数达到最小值时结束，得到训练好的员工行为特征匹配模型。
在本实施例的一些可选的实现方式中，衡量模块503还包括：
第二匹配子模块，用于将所述工作行为数据输入到预设的员工行为特征匹配模型进行工作行为特征匹配，获得所述员工的考勤规范度和/或团队合作度和/或工作效率的特征；
第二计算子模块，用于根据所述员工的考勤规范度和/或团队合作度和/或工作效率的特征，计算所述员工的工作行为得分；
第一衡量子模块，用于将所述工作行为得分与预设的绩效衡量标准比较，获得所述员工的绩效衡量结果。
在本实施例的一些可选的实现方式中，工作行为数据分析装置500，还包括：
第二存储子模块，用于将所述工作行为数据存储至区块链中。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图6，图6为本实施例计算机设备基本结构框图。
所述计算机设备6包括通过***总线相互通信连接存储器61、处理器62、网络接口63。需要指出的是，图中仅示出了具有组件61-63的计算机设备6，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机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(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器61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、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器61可以是所述计算机设备6的内部存储单元，例如该计算机设备6的硬盘或内存。在另一些实施例中，所述存储器61也可以是所述计算机设备6的外部存储设备，例如该计算机设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器61还可以既包括所述计算机设备6的内部存储单元也包括其外部存储设备。本实施例中，所述存储器61通常用于存储安装于所述计算机设备6的操作***和各类应用软件，例如工作行为数据分析方法的计算机可读指令等。此外，所述存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器62在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制所述计算机设备6的总体操作。本实施例中，所述处理器62用于运行所述存储器61中存储的计算机可读指令或者处理数据，例如运行所述工作行为数据分析方法的计算机可读指令。
所述网络接口63可包括无线网络接口或有线网络接口，该网络接口63通常用于在所述计算机设备6与其他电子设备之间建立通信连接。
通过获取待考核员工的工作行为数据；将所述工作行为数据输入到预设的员工行为特征匹配模型进行工作行为特征匹配，获得所述员工的工作行为特征；将所述工作行为特征与预设的绩效衡量标准比较，获得所述员工的绩效衡量结果。相对于考核人员的人工考核，工作行为数据是客观的，基于客观数据进行工作行为分析，得到的绩效衡量结果相对与人工考核更客观，且工作行为数据覆盖范围广，使绩效衡量考量的因素更全面，结果更公平公正。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的工作行为数据分析方法的步骤。
通过获取待考核员工的工作行为数据；将所述工作行为数据输入到预设的员工行为特征匹配模型进行工作行为特征匹配，获得所述员工的工作行为特征；将所述工作行为特征与预设的绩效衡量标准比较，获得所述员工的绩效衡量结果。相对于考核人员的人工考核，工作行为数据是客观的，基于客观数据进行工作行为分析，得到的绩效衡量结果相对与人工考核更客观，且工作行为数据覆盖范围广，使绩效衡量考量的因素更全面，结果更公平公正。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种工作行为数据分析方法，其特征在于，包括下述步骤：
获取待考核员工的工作行为数据；
将所述工作行为数据输入到预设的员工行为特征匹配模型进行工作行为特征匹配，获得所述员工的工作行为特征；
将所述工作行为特征与预设的绩效衡量标准比较，获得所述员工的绩效衡量结果。
2.根据权利要求1所述的工作行为数据分析方法，其特征在于，在所述获取待考核员工的工作行为数据的步骤中，还包括：
获取所述员工在预设的考核周期内的工作行为记录；
将所述工作行为记录保存在预设的基于Kafka的消息发布***的消息队列中；
调用Spark分析引擎对所述消息队列进行统计分析，获得所述员工的工作行为数据。
3.根据权利要求1所述的工作行为数据分析方法，其特征在于，所述预设的员工行为特征匹配模型包含N个子模型，每个子模型与预设的员工类别对应，在所述获取待考核员工的工作行为数据的步骤之前，还包括：
获取待考核员工的静态属性数据；
根据所述静态属性数据确定所述员工的员工类别；
将所述工作行为数据输入到与所述员工类别对应的子模型进行工作行为特征匹配，获得所述员工的工作行为特征。
4.根据权利要求2所述的工作行为数据分析方法，其特征在于，所述工作行为记录，包括所述员工的上下班时间记录，和/或所述员工的邮件收发时间记录，和/或所述员工的工作任务的预计工时和实际工时，所述调用Spark分析引擎对所述消息队列进行统计分析，获得所述员工的工作行为数据的步骤具体包括：
调用Spark分析引擎对所述消息队列中的上下班时间记录，和/或所述员工的邮件收发时间记录，和/或所述员工的工作任务的预计工时和实际工时，进行统计分析，获得所述员工在每个单位时间周期内的工作时长，和/或所述员工的邮件响应时间,和/或所述员工的每项工作任务的效率。
5.根据权利要求1所述的工作行为数据分析方法，其特征在于，所述预设的员工行为特征匹配模型基于深度学习神经网络模型，在所述将所述工作行为数据输入到预设的员工行为特征匹配模型进行工作行为特征匹配，获得所述员工的工作行为特征的步骤之前，还包括：
获取训练样本，所述训练样本包含工作行为数据样本以及标注的工作行为特征；
将所述训练样本输入到所述员工行为特征匹配模型进行工作行为特征预测，获得所述工作行为数据样本对应的工作行为预测特征；
通过损失函数比较所述标注的工作行为特征和工作行为预测特征是否一致；
调整所述所述员工行为特征匹配模型各节点的参数，至所述损失函数达到最小值时结束，得到训练好的员工行为特征匹配模型。
6.根据权利要求4所述的工作行为数据分析方法，其特征在于，所述将所述工作行为特征与预设的绩效衡量标准比较，获得所述员工的绩效衡量结果的步骤具体包括：
将所述工作行为数据输入到预设的员工行为特征匹配模型进行工作行为特征匹配，获得所述员工的考勤规范度和/或团队合作度和/或工作效率的特征；
根据所述员工的考勤规范度和/或团队合作度和/或工作效率的特征，计算所述员工的工作行为得分；
将所述工作行为得分与预设的绩效衡量标准比较，获得所述员工的绩效衡量结果。
7.根据权利要求1所述的工作行为数据分析方法，其特征在于，在所述获取待考核员工的工作行为数据的步骤之后，还包括：
将所述工作行为数据存储至区块链中。
8.一种工作行为数据分析装置，其特征在于，包括：
获取模块，用于获取待考核员工的工作行为数据；
匹配模块，用于将所述工作行为数据输入到预设的员工行为特征匹配模型进行工作行为特征匹配，获得所述员工的工作行为特征；
衡量模块，用于将所述工作行为特征与预设的绩效衡量标准比较，获得所述员工的绩效衡量结果。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的工作行为数据分析方法的步骤。
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上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的工作行为数据分析方法的步骤。
CN202110848004.5A 2021-07-27 2021-07-27 工作行为数据分析方法、装置、设备及存储介质 Pending CN113506023A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110848004.5A CN113506023A (zh) 2021-07-27 2021-07-27 工作行为数据分析方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110848004.5A CN113506023A (zh) 2021-07-27 2021-07-27 工作行为数据分析方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113506023A true CN113506023A (zh) 2021-10-15

Family

ID=78014018

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110848004.5A Pending CN113506023A (zh) 2021-07-27 2021-07-27 工作行为数据分析方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113506023A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115689345A (zh) * 2022-10-25 2023-02-03 北京磁浮有限公司 基于自然语言的员工绩效评估方法及相关装置
CN115953063A (zh) * 2022-12-29 2023-04-11 广州市亿博信息技术有限公司 追踪绩效管理的方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062573A (zh) * 2019-11-19 2020-04-24 平安金融管理学院(中国·深圳) 员工绩效数据确定方法、装置、介质和计算机设备
CN113065788A (zh) * 2021-04-14 2021-07-02 佳讯飞鸿（北京）智能科技研究院有限公司 绩效考核的方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062573A (zh) * 2019-11-19 2020-04-24 平安金融管理学院(中国·深圳) 员工绩效数据确定方法、装置、介质和计算机设备
CN113065788A (zh) * 2021-04-14 2021-07-02 佳讯飞鸿（北京）智能科技研究院有限公司 绩效考核的方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115689345A (zh) * 2022-10-25 2023-02-03 北京磁浮有限公司 基于自然语言的员工绩效评估方法及相关装置
CN115953063A (zh) * 2022-12-29 2023-04-11 广州市亿博信息技术有限公司 追踪绩效管理的方法及装置
CN115953063B (zh) * 2022-12-29 2023-09-08 广州市亿博信息技术有限公司 追踪绩效管理的方法及装置

Similar Documents

Publication Publication Date Title
CN112863683A (zh) 基于人工智能的病历质控方法、装置、计算机设备及存储介质
CN112925911B (zh) 基于多模态数据的投诉分类方法及其相关设备
CN113506023A (zh) 工作行为数据分析方法、装置、设备及存储介质
CN115936895A (zh) 基于人工智能的风险评估方法、装置、设备及存储介质
CN114398466A (zh) 基于语义识别的投诉分析方法、装置、计算机设备及介质
CN117391866A (zh) 一种数据处理方法、装置、设备及其存储介质
CN116843483A (zh) 一种车险理赔方法、装置、计算机设备及存储介质
CN116777646A (zh) 基于人工智能的风险识别方法、装置、设备及存储介质
CN116843395A (zh) 一种业务***的告警分级方法、装置、设备及存储介质
CN115587830A (zh) 工作任务激励方法、装置、计算机设备及存储介质
CN113361248B (zh) 一种文本的相似度计算的方法、装置、设备及存储介质
CN115757075A (zh) 任务异常检测方法、装置、计算机设备及存储介质
CN114090407A (zh) 基于线性回归模型的接口性能预警方法及其相关设备
CN114925275A (zh) 产品推荐方法、装置、计算机设备及存储介质
CN112069807A (zh) 文本数据的主题提取方法、装置、计算机设备及存储介质
CN112669136A (zh) 基于大数据的金融产品推荐方法、***、设备及存储介质
CN115757373A (zh) 数据仓库清理方法、装置、计算机设备及存储介质
CN115238813A (zh) 一种共享账号的风险评估方法、装置、设备及存储介质
CN116401061A (zh) 资源数据的处理方法、装置、计算机设备及存储介质
CN116993218A (zh) 基于人工智能的指标分析方法、装置、设备及存储介质
CN117709801A (zh) 客户数据处理方法、装置、计算机设备及存储介质
CN115545823A (zh) 产品推荐方法、装置、计算机设备及存储介质
CN115859998A (zh) 问题数据的处理方法、装置、计算机设备及存储介质
CN118261720A (zh) 基于人工智能的产品分析方法、装置、设备及存储介质
CN116775187A (zh) 数据展示方法、装置、计算机设备及存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20211015

RJ01 Rejection of invention patent application after publication