自动规划及优化选择系统和方法
技术领域
本发明涉及计算机信息处理领域,具体地,涉及系统数据处理、条件量化和决策优化的综合计算方法和系统。
背景技术
在许多情况中,人们不知道在一个决定作出后会发生什么,或者由于重要因素会随着时间改变而导致人们不知道未来什么是最重要的,又或者人们不知道未来会做什么决定——人们只知道当前什么更重要。因此有必要开发电脑计算机决策优化系统(Decision SupportSystem DSS)。电脑计算机决策优化系统应用于各种商业、工业、医疗系统及各项科学应用中,开始发挥越来越重要的作用。常见的决策优化系统通过对投入产出的成本利润(回报)绝对值分析,或应用决策树列举潜在因素及其概率百分比分析,进而确定特定项目的投入值及决策模型。在实际的评估过程中,因为各未知因素干扰,以及评估人员对未知因素的不同反应,现有电脑决策优化系统只能对单项成本利润进行绝对值的分析,或根据可行性概率进行分析,而无法对非货币性或非数字性的因素进行量化及概率分析,更难以对多层级、多项因素进行综合分析评估。因而,评估人员需要首先将复杂的评估对象分隔成单项独立因素进行单独分析,然后进行综合考虑。由于评估内容的局限性以及评估人员的个体要求、偏好差异、对未知系数的综合分析的欠缺,评估结果往往难以令人信服。
同时,由于电脑决策优化系统与人脑决策的人性化差异,电脑决策系统始终无法代替人脑决策,尤其无法进行情景分析,只能在某一特定领域提供辅助,从而增加了决策与最优方案的差异。虽然目前在供应商管理、采购中对情景分析有所应用,然而无法广泛推广到生产、生活的各个领域,更没有允许用户完全自定义设置规则。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种自动规划及优化选择系统和方法。
根据本发明的一个方面,提供一种自动规划及优化选择系统,其特征在于,包括如下装置:
因素定义装置,其用于定义决策因素变量;
变量赋值装置,其用于对所述决策因素变量进行赋值;
预期选项定义装置,其用于定义预期选项,并根据所述预期选项选取全部或者部分所述决策因素变量构成因素集,其中,所述因素集的赋值为其所包括决策因素变量的变量值的加权和;
模型定义装置,其用于定义折算模型;
折算装置,其用于调取折算模型,通过向所述折算模型输入所述因素集获得所述因素集的赋值在时间集中任一个或任多个时间点时的目标折算值;
折算模型库,其用于建立、存储所述折算模型。
优选地,还包括如下装置:决策装置,其用于对多个预期选项在一个或多个时间点时所对应的目标折算值进行比较,确定最优选项集,其中,所述最优选项集包括在一个或多个时间点时最优的预期选项。
优选地,还包括如下装置:第一跟踪装置,其用于采集用户行为数据,并根据所述用户行为数据判断该用户行为是否有利于实现所述预期选项;第一显示装置,其用于显示所述用户行为数据,并按照对实现所述预期选项的有利等级以不同颜色显示。
优选地,所述第一跟踪装置包括如下装置:第二跟踪装置,其用于根据所述用户行为数据生成决策因素变量修正值,通过所述决策因素变量修正值更新所述因素集,并将更新的所述因素集输入所述折算装置生成更新折算值,若更新折算值与所述目标折算值的差值大于第一阈值,则判断该用户行为不利于实现所述预期选项,并发布提醒信息和/或改进信息。
优选地,所述决策因素变量包括非数字性因素变量,所述变量赋值装置包括用户赋值装置和/或系统赋值装置,其中:所述用户赋值装置用于根据用户输入的数值对所述非数字性因素变量进行赋值;所述系统赋值装置用于根据用户偏好训练模型对所述非数字性因素变量进行赋值,并将本次赋值保存到所述用户偏好训练模型库中。
优选地,还包括用户信息数据库,其中,所述用户信息数据库存储有用户背景信息,所述预期选项定义装置根据所述用户背景信息生成所述预期选项。
优选地,所述折算模型包括折现现金流模型,所述因素定义装置包括因素模版装置,所述因素模版装置用于提供因素模版,所述因素模版内包括机会成本因素、当前成本因素、未来可预计成本的因素可选项。
根据本发明的另一个方面,还提供一种自动规划及优化选择方法,其特征在于,包括如下步骤:
步骤A:定义决策因素变量,并对决策因素变量进行赋值;
步骤B:定义预期选项,并根据所述预期选项选取全部或者部分所述决策因素变量构成因素集,其中,所述因素集的赋值为其所包括决策因素变量的变量值的加权和;
步骤C:从折算模型库中调取折算模型,通过向所述折算模型输入所述因素集获得所述因素集的赋值在时间集中任一个或任多个时间点时的目标折算值。
优选地,还包括如下步骤:步骤D:对多个预期选项在一个或多个时间点时所对应的目标折算值进行比较,确定最优选项集,其中,所述最优选项集包括在一个或多个时间点时最优的预期选项。
优选地,还包括如下步骤:步骤E:采集用户行为数据,并根据所述用户行为数据判断该用户行为是否有利于实现所述预期选项;步骤F:显示所述用户行为数据,并按照对实现所述预期选项的有利等级以不同颜色显示。
优选地,所述步骤E包括如下步骤:步骤E1:根据所述用户行为数据生成决策因素变量修正值,通过所述决策因素变量修正值更新所述因素集,并将更新的所述因素集输入所述折算装置生成更新折算值,若更新折算值与所述目标折算值的差值大于第一阈值,则判断该用户行为不利于实现所述预期选项,并发布提醒信息和/或改进信息。
优选地,所述决策因素变量包括非数字性因素变量,所述变量赋值装置包括用户赋值装置和/或系统赋值装置,其中:所述用户赋值装置用于根据用户输入的数值对所述非数字性因素变量进行赋值;所述系统赋值装置用于根据用户偏好训练模型对所述非数字性因素变量进行赋值,并将本次赋值保存到所述用户偏好训练模型库中。
优选地,所述步骤B包括如下步骤:步骤B1:根据用户背景信息生成所述预期选项。
优选地,所述折算模型包括折现现金流模型,用户根据系统提供的因素模版定义所述决策因素变量,其中,所述因素模版内包括机会成本因素、当前成本因素、未来可预计成本的因素可选项。
优选地,所述步骤A包括步骤:对无法绝对化的决策因素变量指定赋值范围。
优选地,所述步骤D包括步骤:根据赋值将多个所述预期选项按照时间顺序进行排列组合,并将排列组合后的结果添加到最优选项集中。
本发明针对企业及个人用户,提供了一种可量化的自动规划及优化性选择,买家信息及价值计算的系统和方法,将未来计划及其风险进行预期,基于此进行相应规划并折算到当前、短期、或者长期内的任一时间,最终由系统针对不同路径,使用折算现金流、线性及非线性分析和情景分析,自动做出优化性选择。本发明的优选例基于折现现金流量模型,综合考虑了机会成本、当前成本、未来可预计成本、理性或非理性等不确定因素。其发明点是将各种因素转化为变量,以目标函数的形式体现在相应建立的数学模型中,并基于线性优化原理计算出模型最优解。
本发明的创新在于在传统量化分析的基础上,增强对评估结果的主观随意性及用户偏好的控制,增加对非货币性或非数字性的因素进行量化、范围性量化及概率分析,使决策及价值计算在合理化的基础上更加人性化,令决策及价值计算分析结果更为可信。同时提供用户未知的潜在可能及各可能性选择做出预期及建立在用户偏好基础上的决策推荐,在用户无法确知未来可能出现的问题、机会以及可能的用户偏好变化的情况下,由系统根据用户预先输入条件及决策历史条件,进行综合分析,进而预测用户将来的最优决策。同时,本发明在现有供应商管理、采购管理的情景分析应用基础上进行了创新,允许用户进行完全自定义设置,广泛推广到生产、生活的各个领域。进一步地,本发明在最优化决策的基础上,同时允许用户对选定目标的后续行为进行跟踪检测,以保证目标按时按计划实现。
本发明的优点包括:
一、对预期收益、成本及风险等各个决策因素变量赋值,从而通过线性分析及净现值分析,对各可能性进行量化现值分析。
二、用户可设置各级偏好,进而根据预期量化收益对其赋值,使评估结果更贴近用户要求。
三、用户可添加各非货币性或非数字性感情决策因素,在对非货币性或非数字性感情因素进行赋值的同时,对模糊性因素提供范围性量化因素,允许同时进行量化赋值和指定赋值范围,使评估结果更为人性化。
四、对未来可能面临选择进行预估计,对用户提供自身可预见未来选择之外的可选项,并允许用户个性化情景分析,使决策结果在满足用户要求的前提下更为灵活自动。
五、在用户无法确知未来偏好的情况下,系统根据用户预先输入的决策历史、偏好、背景及目标等等条件对用户未来选项自动做出最优化决策。
六、本发明同时允许用户对选定目标的后续行为进行跟踪检测,以保证目标按时按计划实现。
七、采用修正值来更新因素集,进而判断更新后的折算值与目标折算值的差距,从而可以通过数据客观定量地做出判断用户行为是否有利于实现预期选项。
八、决策过程将时间维度纳入考量范畴,使得能够从长期和短期分别优化决策。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1示出根据本发明的一个具体实施方式的流程示意图;
图2示出根据本发明的另一个具体实施方式的流程示意图;
图3示出根据本发明的一个优选的具体实施方式中对因素进行绝对性量化和范围性量化的原理示意图;
图4示出根据本发明的另一个优选的具体实施方式中对因素进行绝对性量化和范围性量化的原理示意图;
图5示出根据本发明的净现值计算方法的一个原理示意图;
图6示出根据本发明的净现值计算方法的另一个原理示意图;
图7示出根据本发明的跟踪选项的流程示意图;
图8示出根据本发明的系统结构图。
具体实施方式
本发明旨在量化分析比较未来可预期计划收益从而进行目前最优化决策,统计买家信息并计算买家价值。本发明建立在货币时间价值、创造价值、不同时间段机会成本和各决策收益的成本的预估计,通过贴现现金流的计算,进行各选择项的可行性分析从而得出最优化决策方案。
图8示出根据本发明的系统结构图。具体地,所述自动规划及优化选择系统,包括因素定义装置901、变量赋值装置902、预期选项定义装置903、折算装置904、决策装置905、用户信息数据库906、折算模型库907、模型定义装置908、第一跟踪装置909、以及第一显示装置910。
其中,所述因素定义装置901用于定义决策因素变量;所述变量赋值装置902用于对所述决策因素变量进行赋值,允许用户对无法绝对化的因素指定量化范围;所述预期选项定义装置903用于定义预期选项,并根据所述预期选项选取全部或者部分所述决策因素变量构成因素集,其中,所述因素集的赋值为其所包括决策因素变量的变量值的加权和,在优选例中当所述因素集中各个决策因素变量的权重均为1时,所述因素集的赋值即为其所包括决策因素变量的变量值之和;所述模型定义装置908用于定义折算模型;所述折算装置904用于调取折算模型,通过向所述折算模型输入所述因素集获得所述因素集的赋值在时间集中任一个或任多个时间点时的目标折算值;所述折算模型库907用于建立、存储所述折算模型,优选地,所述折算模型包括折现现金流模型,所述因素定义装置包括因素模版装置,所述因素模版装置用于提供因素模版,所述因素模版内包括机会成本因素、当前成本因素、未来可预计成本的因素可选项。
所述决策装置905用于对多个预期选项在一个或多个时间点时所对应的目标折算值进行比较,确定最优选项集,其中,所述最优选项集包括在一个或多个时间点时最优的预期选项;所述第一跟踪装置909用于采集用户行为数据,并根据所述用户行为数据判断该用户行为是否有利于实现所述预期选项;所述第一显示装置910用于显示所述用户行为数据,并按照对实现所述预期选项的有利等级以不同颜色显示;所述用户信息数据库906存储有用户背景信息,所述预期选项定义装置903根据所述用户背景信息生成所述预期选项。
更为具体地,所述第一跟踪装置909包括第二跟踪装置,其中,所述第二跟踪装置用于根据所述用户行为数据生成决策因素变量修正值,通过所述决策因素变量修正值更新所述因素集,并将更新的所述因素集输入所述折算装置生成更新折算值,若更新折算值与所述目标折算值的差值大于第一阈值,则判断该用户行为不利于实现所述预期选项,并发布提醒信息和/或改进信息。所述变量赋值装置902包括指定量化范围装置,其中,所述指定量化范围装置用于对无法绝对化的决策因素变量指定赋值范围。所述决策装置905包括情景分析装置,其中,所述情景分析装置用于根据赋值将多个所述预期选项按照时间顺序进行排列组合,并将排列组合后的结果添加到最优选项集中。
进一步地,所述决策因素变量包括非数字性因素变量,所述变量赋值装置包括用户赋值装置和/或系统赋值装置,其中:所述用户赋值装置用于根据用户输入的数值对所述非数字性因素变量进行赋值;所述系统赋值装置用于根据用户偏好训练模型对所述非数字性因素变量进行赋值,并将本次赋值保存到所述用户偏好训练模型库中。
本发明还提供自动规划及优化选择方法,包括步骤:步骤A:定义决策因素变量,并对决策因素变量进行赋值;步骤B:定义预期选项,并根据所述预期选项选取全部或者部分所述决策因素变量构成因素集,其中,所述因素集的赋值为其所包括决策因素变量的变量值的加权和;步骤C:从折算模型库中调取折算模型,通过向所述折算模型输入所述因素集获得所述因素集的赋值在时间集中任一个或任多个时间点时的目标折算值,所述折算模型包括折现现金流模型,用户根据“自动规划及优化选择“和“买家信息和价值计算”系统提供的因素模版定义所述决策因素变量,其中,所述因素模版内包括机会成本因素、当前成本因素、未来可预计成本的因素可选项;步骤D:对多个预期选项在一个或多个时间点时所对应的目标折算值进行比较,确定最优选项集,其中,所述最优选项集包括在一个或多个时间点时最优的预期选项;步骤E:采集用户行为数据,并根据所述用户行为数据判断该用户行为是否有利于实现所述预期选项;步骤F:显示所述用户行为数据,并按照对实现所述预期选项的有利等级以不同颜色显示。
其中,所述决策因素变量包括非数字性因素变量,所述变量赋值装置包括用户赋值装置和/或系统赋值装置,其中:所述用户赋值装置用于根据用户输入的数值对所述非数字性因素变量进行赋值;所述系统赋值装置用于根据用户偏好训练模型对所述非数字性因素变量进行赋值,并将本次赋值保存到所述用户偏好训练模型库中。例如,货币性因素为一种数字性因素变量,而用户偏好等感性因素为一种非数字性因素。
进一步地,所述步骤A包括步骤:对无法绝对化的决策因素变量指定赋值范围。所述步骤B包括步骤:步骤B1:根据用户背景信息生成所述预期选项。所述步骤D包括步骤:根据赋值将多个所述预期选项按照时间顺序进行排列组合,并将排列组合后的结果添加到最优选项集中。所述步骤E包括步骤:步骤E1:根据所述用户行为数据生成决策因素变量修正值,通过所述决策因素变量修正值更新所述因素集,并将更新的所述因素集输入所述折算装置生成更新折算值,若更新折算值与所述目标折算值的差值大于第一阈值,则判断该用户行为不利于实现所述预期选项,并发布提醒信息和/或改进信息。
在本发明的一个具体实施方式中,如图1所示,用户可通过系统考虑货币性因素的影响,定义数字性决策因素变量并赋值(见步骤210),同时考虑偏好及感性因素的影响,定义非数字性决策因素变量并赋值(见步骤220),将步骤210、220中的变量纳入步骤20中未来预期选项的因素集;同时还可以由电脑通过分析用户偏好设置进行自动预期分析,由所述系统赋值装置根据用户偏好训练模型对所述非数字性因素变量进行赋值,并将本次赋值保存到所述用户偏好训练模型库中(见步骤310、步骤320),进而得出电脑自动生成的预期选项(见步骤30);用户可选择进行其中一项,或二者同时进行。在对各未来预期项绝对量化和范围量化并预计现金流之后,系统通过净现金贴现现金流计算公式,计算各预期项未来现金流的现值(见步骤10),用过线性计算,比较得出用户最优决策(见步骤40)。
多数决策者的最终决策是在一定的分析之后,最终建立在感性基础而非真正的完全量化的原因,本发明为解决此问题,对用户的货币性因素(见步骤210)和用户预定义的偏好及感性因素(见步骤220)尽皆进行考虑。因此,本发明的最终决策由真正的货币性量化及情感因素绝对性量化和范围性量化共同组成(如图3、图4),相辅相成,从而避免冷冰冰的唯数字决策,同时避免感性因素代替理性因素成为决策的真正原因。本发明对用户偏好及感性因素的处理通过货币赋值进行;用户可根据自身要求,对各因素进行货币化赋值,最终转化为净现值。例如,用户对不确定因素比较敏感,宁愿牺牲¥5,000/年的潜在收益换取更稳定的工作;因此,在决策赋值输入过程中,用户可对相对稳定的工作赋值¥5,000,或对一个相对不稳定的工作赋值-¥5,000。
在这个层次,用户不但可以在赋值过程中设置正值或者负值,而且还可以选择用其它标准替代某一标准,或者可以替换然后在新标准中加上更多的赋值或者减少一个赋值。作为一个例子,对“生活和职业目标”的询问;如果迁移至澳大利亚是一个潜在的选项,本发明能够自动忽略一个针对不稳定因素的-5000的赋值,并且如果澳大利亚的迁移地是墨尔本则给予一个1000的赋值,或者用户可以设置一个极端的情况并且允许本发明自动直接向用户发送一个确定的选项作为一个最终的决定之一。例如,如果上大学是一个已被选择的用户目标,并且该大学在毕业后提供就业,则本发明自动将该选项发送给用户作为最终选项。当选项接近或者达到底线时,本发明还可以针对未来的情况直接排除掉某些选项。例如,作为对“生活和职业目标”询问的回答;如果出国不是一个选项,本发明针对未来的情况可以直接将该选项予以排除。虽然量化进程被完成了,本发明会自动将现在和未来的价值以及现金流转换为当前值,比较结果以及根据上述分析向用户提供最好的选项。个人或企业对于某一特定因素的重要性处于时刻变化中,目前的重要因素在若干时间段之后可能会被其他因素所代替,加之对于未来的未知性和不确定性,用户对未来可能做的决定无法确知。在这种情况下,系统可对未来可选项进行预期。本发明的另一个特征是可能性预期分析,包括多级优化算法,侧重于关键参数,使用线性及非线性分析进行更快速准确的计算。系统通过记录用户偏好,教育背景、文化背景、决策习惯、目标等等因素,进而预期未来可能因素(见步骤310),从而在用户无法确定感性因素在未来的重要性的情况下,系统根据用户输入参数自动进行综合分析可能项并对其进行指定数字量化或量化为指定范围(见步骤320)。例如,对某一个人用户,系统可能对该用户读较好大学的一步选项做出该用户可能在校园建立一个好的未来人际交往圈和一个好爱人的预期;用户目前可能精力集中在工作学习当中,而10年后可能更倾向于做社会工作,或者更喜欢一个轻松愉悦健康的家庭环境;如果用户的家庭更侧重于开公司而不是找一个好工作,系统可能预计该用户未来由可能冒着失业的风险去经商。系统通过对未来可能项的预期分析,进而得出用户最优可能做的决策,对可能决策进行通过贴现现金流计算净现值,从而影响客户目前的决策。与此同时,用户或系统对各阶段选项指定量化值,如,用户对就读国外前15名大学赋值100,国外15-30名大学赋值90,国外30-50名大学和国内前10名大学赋值80,依次类推;在系统预期的过程中,根据男女性格、年龄、情感、心理因素的不同,相应对各因素赋值不同,同时允许范围性赋值。如,对某男性用户和女性用户目前就读大学赋值可能相同,而10年后男性用户对事业的赋值普遍高于女性,因此,可能对男性用户赋值90,而女性用户赋值为70;对于个体因素导致的无法绝对确定的情况,系统允许进行范围赋值,男性用户可能赋值为70-100,女性用户可能赋值为50-90。在初步指定赋值范围后,或进一步由用户指定确定值,或对各范围进行综合评估分析,在结果中提供可选择的各范围。此方法可同时应用于自动规划及优化选择系统和买家信息和价值计算系统。
该发明“买家信息和价值计算”同时允许用户通过折算现金流的方式,计算、比较净现值从而计算采购公司相对于用户的价值。用户需输入各采购公司的预计采购量,采购价,销售成本等量化因素,同时需要输入量化的包括销售给各采购商而间接取得的品牌效益、声誉、竞争力等其他相关因素。输入量化的各因素后,用户可定义需预计的年数,此后系统自动计算各采购商所带来的年净现金流,从而计算出各采购商在未来若干年中所能带来的净现值进行互相比较。该价值计算在目前和未来的销售量计算的基础上,加入了用户偏好,采购商所能带来的其他间接效益,从而在选择最佳采购商(即最理想客户)的时候考虑非销售因素,使计算更切实可靠。在各采购商间接带来的品牌效益、声誉、竞争力等的收益无法进行单一数字量化的时候,系统允许用户设定范围值,通过对范围的计算比较得出最理想客户的排序。
本系统在计算采购商对用户的价值的同时,通过相同方法,同时可计算采购商对于用户的潜在风险,从而为用户提供风险管理方案。用户可以通过自定义“风险因素”,考虑风险概率及危害,为“风险因素”的不同程度赋值、评分,并评估未来若干年的“风险相关成本及价值”。在此基础上,系统利用相同方式自动计算总风险价值现值,从而为用户优选决策提供依据。本系统在计算各采购商风险价值的同时,允许用户计算最大风险值,即,在最坏情况下,该风险对企业造成的危害。例如,计算出如果客户取消订单或项目,如果客户破产清算,或如果产品未能达到客户要求等情况下,相应风险的最大危害值,从而在用户选择采购商的时候,能够全面考虑各因素,做出最优选择。该风险管理系统可与买家信息和价值计算同时或分别使用,以满足用户的不同需求。
在对可能项进行分析,并对所有货币性及非货币性因素进行分析后,“自动规划及优化选择“、“买家信息和价值计算”以及“风险管理”系统对所有量化因素进行净现值计算。计算基础建立在货币时间价值、创造价值、不同时间段机会成本和各决策收益的成本的预估计,通过贴现现金流的计算,进行各选择项的可行性分析从而得出最优化决策方案。如图2所示,系统使输入(见步骤130)始于用户设定的折算模型中的折现率(见步骤131);如果用户无法设定折现率,系统根据目前折现率设定默认值(见步骤132),该默认值优选地获取自所述折算模型库;然后由用户输入量化(货币化)的各未来预期收益及成本(见步骤133),和目前净收益(见步骤134)。非货币化因素(感性因素)可通过用户自定义给予量化(货币化)(见步骤135)。如果用户预期在第一批预期之后若干一个时间段内可能会有其他选项,(例如,目前选项选定3年后可能会发生几种变化)用户可在步骤136及步骤137处输入下一预期,(其运行过程与步骤133和步骤135相同),如此反复直至预期目标达到要求。此时系统自动计算折现净现值,排列显示给用户(见步骤138、步骤139),从而做出最优化决策(见步骤10)。
该具体实施方式要求用户输入目前及未来可预见的现金流入(见步骤135)并预期值未来某一点,同时预计各现金流入相关的成本(现金流出)。用户可在系统计算排列现值之后根据数值(贴现净值)选择最优方案。系统允许用户根据不同可能性排列组合预期成本和收益。例如,用户可根据个人经历或系统推荐预期未来可能项,同时,用户可预见到未来5年、10年或20年,在此起见,相对于每一个可预见选择,用户可对应变化相应的未来可能项及收益成本。用户赋值之后,系统根据内置贴现公式:
净现值NPV=CF1/+CF2/(1+r)2+…+CFn/(1+r)n 或
来计算贴现现值。式中:CF为净现金流,净现金流=现金流入-现金流出,Benefit包括利润在内的所有用户设置的数字化收入(包括情感因素等量化后的因素,Cost包括成本在内的所有用户设置的数字化支出(包括情感因素等量化后的因素),r为折现率,n为折现时间段,折现频率可为每月、每季、每半年或每年等。
图5和图6显示净现值NPV的计算方式。例如,如果用户目前有A和B两个预期选项(见步骤100),选项A为5年净收益(见步骤110),同时5年后出现潜在选项A1、A2、和A3三个选项,未来5年可预期净收益分别见步骤111、步骤112、步骤113;选项B为5年净收益(见步骤120),同时3年后出现B1和B2两个预期选项,分别可预期净收益见步骤121和步骤122。系统自动运行上述公式计算净现值NPV,如图6所示,从而给用户提供最优决策选项。
“自动规划及优化选择”和“买家信息和价值计算”系统同时允许用户根据自身要求对各选项进行情景分析,在界面中对各单项条件设定偏好标准,而后进行综合分析计算,从而通过不同的排列组合得出完全个性化的最优最终选择。接上述例,比如某女性用户目前在选择大学,可选高校和专业各有3个,毕业后可选择工作、创业及留学,根据毕业后的选项,各选项又有两个待选项:如工作后可改创业或海外发展,而创业后也可改为工作或海外发展,等等。该用户可对各高校和专业进行单独第一次赋值,而后对3个选项进行第二赋值,依次类推。如果该用户偏好比较变动的生活,不喜欢一成不变,此用户可设置对工作、创业、海外发展的选择各占30%,从而系统根据要求排列组合得出:海外留学→工作→创业,工作→海外留学→创业,海外留学→创业→工作等等不同人生规划步骤。如果用户有进一步要求,比如说对创业的偏好高于工作,海外留学可有可无,则可设置15%机会给海外留学,50%给创业,其余35%给工作依次类推,根据用户要求设置情景分析。
用户使用本系统做出决策之后,本发明同时提供跟踪选项,允许客户设定长期和短期目标,使用用户自定义或系统指定的检测标准,对用户行为进行跟踪检测,以确保用户行为对实现长短期目标有益。该跟踪检测系统不只单一允许用户跟踪后续行为,同时提供必要的改进建议,以确保用户目标按时按计划实现。系统对用户投入精力、时间和付出的必要成本同时进行检测,对错误行为或不达标的行为(危及目标的达成的行为)进行红旗标注,对可能危及目标达成的行为进行黄旗警告,同时对正常行为轨迹用绿旗标注。如图7所示,用户最优决策之后,跟踪检测系统启用(见步骤50),用户的每个行为都使用系统跟踪分析该行为对目标的达成是否有益(见步骤40),是否对短期目标(见步骤410)或长期目标(见步骤420)有益。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。