CN104915735B - 企业运营分析预警系统的预警分析方法 - Google Patents
企业运营分析预警系统的预警分析方法 Download PDFInfo
- Publication number
- CN104915735B CN104915735B CN201510363534.5A CN201510363534A CN104915735B CN 104915735 B CN104915735 B CN 104915735B CN 201510363534 A CN201510363534 A CN 201510363534A CN 104915735 B CN104915735 B CN 104915735B
- Authority
- CN
- China
- Prior art keywords
- index
- operating performance
- value
- performance index
- early warning
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000013461 design Methods 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 230000007935 neutral effect Effects 0.000 claims abstract description 13
- 238000007477 logistic regression Methods 0.000 claims abstract description 12
- 230000003068 static effect Effects 0.000 claims abstract description 12
- 238000013459 approach Methods 0.000 claims abstract description 9
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000003062 neural network model Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000005315 distribution function Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 210000005036 nerve Anatomy 0.000 claims 1
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 4
- 230000007812 deficiency Effects 0.000 abstract description 3
- 238000004445 quantitative analysis Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000007619 statistical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Abstract
本申请公开了企业运营分析预警系统的监测指标优化方法，所述预警分析方法包括了三个阶段，分别是阈值设计阶段、静态预警阶段和动态预警阶段，其中阈值设计基于大样本历史数据，采用蒙特卡洛模拟方法，可根据运营绩效指标的发展变化趋势设定阈值；静态预警静态利用多层次雷达图分析法，便于识别产生异动的关键指标；动态预警分析采用的是逻辑回归和神经网络相结合的预测方法，可对指标变化趋势进行预测；因此通过本申请可以有效地对运营绩效指标的变化趋势进行相应的反应，并且对运营绩效指标的变化趋势可以进行定量分析。此外，通过本申请，还可以解决以往运营综合预警中对关键指标异动识别、预测功能不足、对大样本数据支持能力较弱等问题。
Description
技术领域
本发明涉及数据分析领域，特别是涉及企业运营分析预警系统的预警分析方法。
背景技术
企业运营分析预警系统需要通过对获取到的监测指标进行分析来实现对企业的业务活动和核心业务资源的监测，以及，实现对综合绩效、发展能力、竞争能力、风险管控等方面的运营分析；此外，还可以实现对企业经营管理中存在的异动和问题进行预警并协调解决，以及，对企业管理成效进行实时、全景的展示。
针对不同的分析预警需求，企业运营分析预警系统在获取了所需的检测指标后，需要通过具体的数据处理方法来实现分析预警。
现有技术中，由于没有完备的分析预警方法，使得企业运营分析预警系统进行分析预警的效果不佳。
发明内容
本发明所要解决的技术问题是如何提高企业运营分析预警系统进行分析预警的效果，具体的：
本发明实施例提供了一种企业运营分析预警系统的预警分析方法，包括：
S11、阈值设计阶段，包括：
对预警分析所需的运营绩效指标进行预处理，并选择合适的权重分布函数与概率函数，包括：
采用对数型功效系数模型对所述运营绩效指标进行无纲量处理；
设定各年权重范围及权重的分布函数，通过蒙特卡洛模拟对未来的指标阈值进行确定；
根据概率函数与运营绩效指标发展的匹配度，选择与运营绩效指标对应的概率函数；
所述运营绩效指标包括成果指标和驱动指标；所述成果指标为用于体现企业运营活动的结果的运营绩效指标，所述驱动指标为对整体监测指标绩效的影响较大，适合做为体现对企业运营绩效具有支持作用的运营绩效指标；
采用蒙特卡洛模拟法对所述运营绩效指标进行权重设计，包括：采用蒙特卡洛模拟法进行统计模拟并计算无区间要求的运营绩效指标的阈值区间分布；
S12、静态预警阶段，包括：
运用雷达图分析法将运营绩效指标的异动情况进行识别与分析，包括：
将所述雷达图分析法所用雷达图进行基础设定，设定为三个同心圆、由圆心引出的五条等分线和设定的连接检测指标值的线段；三个同心圆由内到外分别代表阈值范围最低水平、阈值平均水平和阈值范围先进水平，五条等分线分别表示监测指标中的驱动指标和运营绩效指标的评价指标的坐标轴；
根据运营绩效值指标对企业的运营绩效进行评价计算；以圆心为零点，将最后得到的综合评价值以点的形式分别描在对应的坐标轴上；将这些点依次连接得到的一个多边形；所述多边形为用于对企业的运营绩效进行综合分析的分析图形。
S13、动态预警阶段，包括：
利用神经网络的预测功能，根据运营绩效指标中驱动指标的历史值预测所述驱动指标的未来值；
设计神经网络模型，结合所述驱动性指标数据和运营绩效指标数据，拟合出所述驱动性指标与运营绩效指标间的权系数关系。
优选的，在本发明实施例中，所述动态预警阶段还包括采用逻辑回归的方法验证神经网络模型得到的驱动性指标与运营绩效指标间的关系为正确合理，包括步骤：
S21、收集驱动性指标历史数据和运营绩效指标历史数据，并对指标进行标准化处理，转化为0、1数据；
S22、构建驱动性指标与运营绩效指标间的逻辑回归模型，并输入驱动性指标和运营绩效指标标准化数据，进行拟合，得到驱动性指标与运营绩效指标间的逻辑回归关系；
S23、结合神经网络预测得到的驱动性指标预测值，并进行标准化处理，利用驱动性指标与运营绩效指标间的逻辑回归关系，推算出运营绩效指标预测值的标准值，对比神经网络得到的运营绩效指标预测值(转化为标准值)，验证神经网络模型的正确性，当检验正确率超过设定值时，认为神经网络方法计算得到的结果是合理的。
优选的，在本发明实施例中，所述采用对数型功效系数模型对预警分析所需的运营绩效指标进行无纲量处理，包括：
采用对数型功效系数模型对运营绩效数据进行无量纲处理，收集预设数量组的数据，并对数据进行无量纲化处理，进行无量纲化处理所用公式包括：
其中X1为指标的满意值，X0为指标的不容许值上限，xi为指标的实际值，di表示指标xi无量纲化后的值；在选取不容许值和满意值时考虑到时间因素，决定以最低值作为不容许值，以次大值为满意值。
优选的，在本发明实施例中，所述利用神经网络的预测功能，根据监测指标中驱动指标的历史值预测所述驱动指标的未来值，包括：
S31、收集各驱动性指标历史值，并进行无量纲化处理，所述无量纲化处理方法采用对数型功效系数模型；
S32、设计神经网络预测模型，包括输入层、隐含层以及输出层，并设定不同精度和不同训练次数，进行训练；
S33、通过训练得到若干预测模型，对比各预测模型的精度大小选择驱动性指标的预测模型。
优选的，在本发明实施例中，设计神经网络模型，结合所述驱动性指标数据和运营绩效指标数据，拟合出所述驱动性指标与运营绩效指标间的权系数关系，包括：
S41、收集驱动性指标历史值和运营绩效指标历史值，并进行无量纲化处理，得到各指标无量纲化值；
S42、设计适用于拟合驱动性指标与运营绩效指标权系数的神经网络模型；
S43、以驱动性指标作为输入层指标，运营绩效指标作为输出层指标，并设定隐含层参数，进行神经网络拟合，可以得到驱动性指标与运营绩效指标间的权系数关系；
S44、利用驱动性指标与运营绩效指标间的权系数关系，结合预测模型得到的驱动性指标预测值，采用所述神经网络模型，导出运营绩效指标预测值。
优选的，在本发明实施例中，所述设计适用于拟合驱动性指标与运营绩效指标权系数的神经网络模型，包括：
采用遗传算法优化的神经网络模型。
优选的，在本发明实施例中，所述动态预警阶段还包括可视化分析步骤，包括：
绘制雷达图，将主要运营绩效指标行分类，绘制成一个直观的运营分析预警雷达图，所述雷达图包括：两个同心圆，所述同心圆中的小圆的半径为1，所述小圆作为标准线，用于表示运营阈值的大小；所述同心圆中的大圆的半径根据运营绩效指标的无量纲化数值来确定。从所述同心圆的圆心引出预设条射线，每条射线用于表示一个运营绩效指标；一条封闭的折线用于表示所分析企业的各个指标值相对优劣势；所述封闭折线和每一条射线都有一个交点，若交点落在单位圆外，表示企业该项运营绩效指标好于参照标准；反之表示该项运营绩效指标差于标准。
优选的，在本发明实施例中，所述概率函数包括：
正态分布函数。
优选的，在本发明实施例中，所述神经网络模型包括：
采用遗传算法优化的神经网络模型
由上可知，本发明实施例通过将预警分析的过程划分为阈值设计阶段、静态预警阶段和动态预警阶段这三部分，从而可以有效地对运营绩效指标的变化趋势进行相应的反应，并且对运营绩效指标的变化趋势可以进行定量分析。此外，通过本发明实施例，还可以解决以往运营综合预警中对关键指标异动识别、预测功能不足、对大样本数据支持能力较弱等问题。
附图说明
为了更清楚地说明本申请实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，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为本申请中所述企业运营分析预警系统的预警分析方法的步骤示意图；
图2为本申请中所述企业运营分析预警系统的预警分析方法的又一步骤示意图；
图3为本申请中所述企业运营分析预警系统的预警分析方法的又一步骤示意图；
图4为本申请中所述企业运营分析预警系统的预警分析方法的又一步骤示意图；
图5为本申请中所述企业运营分析预警系统的预警分析方法的又一步骤示意图。
图6为本申请中所述企业运营分析预警系统的预警分析方法的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
为了提高企业运营分析预警系统进行分析预警的效果，本发明实施例提供了一种企业运营分析预警系统的预警分析方法，如图1所示，包括：
S11、阈值设计阶段，包括：
对预警分析所需的运营绩效指标进行预处理，并选择合适的权重分布函数与概率函数，包括：
采用对数型功效系数模型对所述运营绩效指标进行无纲量处理；
设定各年权重范围及权重的分布函数，通过蒙特卡洛模拟对未来的指标阈值进行确定；
根据概率函数与运营绩效指标发展的匹配度，选择与运营绩效指标对应的概率函数；
运营绩效指标包括成果指标和驱动指标；成果指标为用于体现企业运营活动的结果的运营绩效指标，驱动指标为对整体监测指标绩效的影响较大，适合做为体现对企业运营绩效具有支持作用的运营绩效指标；
采用蒙特卡洛模拟法对所述运营绩效指标进行权重设计，包括：采用蒙特卡洛模拟法进行统计模拟并计算无区间要求的运营绩效指标的阈值区间分布；
本申请中的阈值设计阶段其目的为为运营综合预警提供基础支撑；可选的，在本阶段，通过利用运营绩效指标的历史数据值，以及，利用统计学分析方法，结合运营绩效指标的权重分布表，计算出运营绩效指标的阈值范围。具体方式可以为，采用蒙特卡洛模拟法与历史值赋权相结合的模拟分析方法。其中在运营绩效指标的历史数据赋权过程中，考虑到近年来企业运营的发展速度，不同阶段历史数据的影响不同，设定距离当前较近的历史数据值权重相对较大；距离当前较远的历史数据值权重相对较小。在运营绩效指标的指标权重设计上，选取蒙特卡洛方法进行统计模拟。蒙特卡洛方法又称统计模拟法、随机抽样技术，是一种随机模拟方法，以概率和统计理论方法为基础的一种计算方法，可用于计算对大多数运运营绩效标的阈值区间分布。
对于某些存在区间要求的运营绩效指标，例如负债比率指标，对其的要求是期望其处于设定的区间，需要先进行一定数据变换。这里采取中间集中法，即选定一个数据范围作为标准值，将数据分布分为两类，趋势向上和趋势向下两类，然后分别通过对数型功效系数模型进行数据处理。
在阈值设定的输入设定过程中，即，对预警分析所需的运营绩效指标进行预处理，并选择合适的权重分布函数与概率函数的过程中，首先采用对数型功效系数模型对所述运营绩效指标进行无纲量处理，具体可以包括：
采用对数型功效系数模型对运营绩效数据进行无量纲处理，收集预设数量组的数据，并对数据进行无量纲化处理，进行无量纲化处理所用公式包括：
其中X1为指标的满意值，X0为指标的不容许值上限，xi为指标的实际值，di表示指标xi无量纲化后的值；在选取不容许值和满意值时考虑到时间因素，决定以最低值作为不容许值，以次大值为满意值。
在设定各年权重范围及权重的分布函数时，具体可以是通过蒙特卡洛模拟对未来的指标阈值进行确定。根据专家意见，各年的权重范围规定可以如表1所示：
表1
接着，对于概率函数的选择，考虑到运营绩效指标发展的不确定性，结合各种概率函数自身的特性，参考各种概率函数分布与运营绩效指标发展的匹配度，正态分布函数对于本发明实施例更为合适，即，本发明实施例中可以优选正态分布函数为概率函数。
接着，通过设定权值范围以及权值的分布函数，进行预设次数的模拟，假定某次模拟的结果如表2所示：
表2
通过对各年的权值进行归一化处理可以得到各年的权重，即：
结合历史数据的无量纲化值，可得到该次模拟的指标阈值，即：
根据上述模拟过程，模拟运行预设次数，并绘制预设次数的模拟的指标阈值分布图，这样，通过对阈值分布图的分析，就可以以模拟结果最小值为阈值下限，以模拟结果最大值为阈值上限，以模拟结果均值作为阈值最可能值，即，计算出运营绩效指标的阈值范围。
S12、静态预警阶段；
在静态预警阶段，通过对指运营绩效标在微观层面对企业当前运营状况进行分析与预警，在运营绩效指标筛选优化、评价及阈值设计基础上，运用多重雷达图工具进行识别与分析，从而有助于准确识别预警风险指标，进而可以根据预警风险采取有效措施。在本阶段，将筛选出关键指标为作为输入参数，这里所说的关键指标是指成果指标和驱动指标；所述成果指标为用于体现企业运营活动的结果的运营绩效指标，所述驱动指标为对整体监测指标绩效的影响较大，适合做为体现对企业运营绩效具有支持作用的运营绩效指标。
具体的：静态预警阶段包括如下步骤：
运用雷达图分析法将运营绩效指标的异动情况进行识别与分析，包括：
将所述雷达图分析法所用雷达图进行基础设定，设定为三个同心圆、由圆心引出的五条等分线和设定的连接检测指标值的线段；三个同心圆由内到外分别代表阈值范围最低水平、阈值平均水平和阈值范围先进水平，五条等分线分别表示监测指标中的驱动指标和运营绩效指标的评价指标的坐标轴；
根据运营绩效值指标对企业的运营绩效进行评价计算；以圆心为零点，将最后得到的综合评价值以点的形式分别描在对应的坐标轴上；将这些点依次连接得到的一个多边形；所述多边形为用于对企业的运营绩效进行综合分析的分析图形；
进一步的，在本阶段，还可以通过绘制成直观的运营分析预警雷达图的方式来实现可视化分析的目的，可视化分析步骤可以包括：
绘制雷达图，将主要运营绩效指标行分类，绘制成一个直观的运营分析预警雷达图，所述雷达图包括：两个同心圆，所述同心圆中的小圆的半径为1，所述小圆作为标准线，用于表示运营阈值的大小；所述同心圆中的大圆的半径根据运营绩效指标的无量纲化数值来确定。从所述同心圆的圆心引出预设条射线，每条射线用于表示一个运营绩效指标；一条封闭的折线用于表示所分析企业的各个指标值相对优劣势；所述封闭折线和每一条射线都有一个交点，若交点落在单位圆外，表示企业该项运营绩效指标好于参照标准；反之表示该项运营绩效指标差于标准。
S13、动态预警阶段，包括：
利用神经网络的预测功能，根据运营绩效指标中驱动指标的历史值预测所述驱动指标的未来值；
设计神经网络模型，结合所述驱动性指标数据和运营绩效指标数据，拟合出所述驱动性指标与运营绩效指标间的权系数关系。
动态预警阶段，基于运营绩效指标间的影响关系，利用启发式算法与统计学方法相结合，实现对运营绩效指标的动态预测，并结合阈值设定标准进行动态预警；
在动态预警阶段，除了包括通过神经网络进行预测，还可以通过逻辑回归验证方法进行验证。其中，神经网络预测方法具有分布式并行信息处理的特征，适合运营监测大数据环境下使用，可通过分析调整运营绩效指标体系中的驱动性指标，预测与其具有影响关系的运营绩效指标；逻辑回归验证方法主要对运营绩效指标预测结果进行验证，具有求解速度快、应用方便的特点。成果指标为本阶段提供指标基础，驱动指标作为输入项，通过神经网络计算，可预测成果性指标。
具体的，动态预警阶段所包括的采用逻辑回归的方法验证神经网络模型得到的驱动性指标与运营绩效指标间的关系为正确合理，如图2所示包括步骤：
S21、收集驱动性指标历史数据和运营绩效指标历史数据，并对指标进行标准化处理，转化为0、1数据；
S22、构建驱动性指标与运营绩效指标间的逻辑回归模型，并输入驱动性指标和运营绩效指标标准化数据，进行拟合，得到驱动性指标与运营绩效指标间的逻辑回归关系；
S23、结合神经网络预测得到的驱动性指标预测值，并进行标准化处理，利用驱动性指标与运营绩效指标间的逻辑回归关系，推算出运营绩效指标预测值的标准值，对比神经网络得到的运营绩效指标预测值(转化为标准值)，验证神经网络模型的正确性，当检验正确率超过设定值时，认为神经网络方法计算得到的结果是合理的。
在本发明实施例中，利用神经网络的预测功能，根据监测指标中驱动指标的历史值预测所述驱动指标的未来值，如图3所示，具体可以包括：
S31、收集各驱动性指标历史值，并进行无量纲化处理，所述无量纲化处理方法采用对数型功效系数模型；
S32、设计神经网络预测模型，包括输入层、隐含层以及输出层，并设定不同精度和不同训练次数，进行训练；
S33、通过训练得到若干预测模型，对比各预测模型的精度大小选择驱动性指标的预测模型。
进一步的，在本发明实施例中，设计神经网络模型，结合所述驱动性指标数据和运营绩效指标数据，拟合出所述驱动性指标与运营绩效指标间的权系数关系，具体可以如图4所示，包括：
S41、收集驱动性指标历史值和运营绩效指标历史值，并进行无量纲化处理，得到各指标无量纲化值；
S42、设计适用于拟合驱动性指标与运营绩效指标权系数的神经网络模型；
在实际应用中，以采用遗传算法优化的神经网络模型为例基于神经网络进行运营绩效指标预测的具体过程可以如图5所示，其具体过程已经在图5中记载，在此就不再赘述。
S43、以驱动性指标作为输入层指标，运营绩效指标作为输出层指标，并设定隐含层参数，进行神经网络拟合，可以得到驱动性指标与运营绩效指标间的权系数关系；
S44、利用驱动性指标与运营绩效指标间的权系数关系，结合预测模型得到的驱动性指标预测值，采用所述神经网络模型，导出运营绩效指标预测值。
综上所述，并参考图6，可以得知，在本发明实施例中，预警分析方法包括了三个阶段，分别是阈值设计阶段、静态预警阶段和动态预警阶段，其中阈值设计基于大样本历史数据，采用蒙特卡洛模拟方法，可根据运营绩效指标的发展变化趋势设定阈值；静态预警静态利用多层次雷达图分析法，便于识别产生异动的关键指标；动态预警分析采用的是逻辑回归和神经网络相结合的预测方法，可对指标变化趋势进行预测，从而实现对指标动态预警的功能。从而可以有效地对运营绩效指标的变化趋势进行相应的反应，并且对运营绩效指标的变化趋势可以进行定量分析。此外，通过本发明实施例，还可以解决以往运营综合预警中对关键指标异动识别、预测功能不足、对大样本数据支持能力较弱等问题。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例提供的装置而言，由于其与实施例提供的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所提供的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所提供的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种企业运营分析预警系统的预警分析方法，其特征在于，包括：
S11、阈值设计阶段，包括：
对预警分析所需的运营绩效指标进行预处理，并选择合适的权重分布函数与概率函数，包括：
采用对数型功效系数模型对所述运营绩效指标进行无纲量处理；
设定各年权重范围及权重的分布函数，通过蒙特卡洛模拟对未来的指标阈值进行确定；
根据概率函数与运营绩效指标发展的匹配度，选择与运营绩效指标对应的概率函数；
所述运营绩效指标包括成果指标和驱动指标；所述成果指标为用于体现企业运营活动的结果的运营绩效指标，所述驱动指标为对整体监测指标绩效的影响较大，适合做为体现对企业运营绩效具有支持作用的运营绩效指标；
采用蒙特卡洛模拟法对所述运营绩效指标进行权重设计，包括：采用蒙特卡洛模拟法进行统计模拟并计算无区间要求的运营绩效指标的阈值区间分布；
S12、静态预警阶段，包括：
运用雷达图分析法将运营绩效指标的异动情况进行识别与分析，包括：
将所述雷达图分析法所用雷达图进行基础设定，设定为三个同心圆、由圆心引出的五条等分线和设定的连接检测指标值的线段；三个同心圆由内到外分别代表阈值范围最低水平、阈值平均水平和阈值范围先进水平，五条等分线分别表示监测指标中的驱动指标和运营绩效指标的评价指标的坐标轴；
根据运营绩效值指标对企业的运营绩效进行评价计算；以圆心为零点，将最后得到的综合评价值以点的形式分别描在对应的坐标轴上；将这些点依次连接得到的一个多边形；所述多边形为用于对企业的运营绩效进行综合分析的分析图形；
S13、动态预警阶段，包括：
利用神经网络的预测功能，根据运营绩效指标中驱动指标的历史值预测所述驱动指标的未来值；
设计神经网络模型，结合所述驱动性指标数据和运营绩效指标数据，拟合出所述驱动性指标与运营绩效指标间的权系数关系；
其中，所述采用对数型功效系数模型对预警分析所需的运营绩效指标进行无纲量处理，包括：
采用对数型功效系数模型对运营绩效数据进行无量纲处理，收集预设数量组的数据，并对数据进行无量纲化处理，进行无量纲化处理所用公式包括：
<mrow>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>ln</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&times;</mo>
<mn>40</mn>
<mo>+</mo>
<mn>60</mn>
</mrow>
其中X1为指标的满意值，X0为指标的不容许值上限，xi为指标的实际值，di表示指标xi无量纲化后的值；在选取不容许值和满意值时考虑到时间因素，决定以最低值作为不容许值，以次大值为满意值；
所述神经网络模型包括：
采用遗传算法优化的神经网络模型。
2.根据权利要求1所述企业运营分析预警系统的预警分析方法，其特征在于，所述动态预警阶段还包括采用逻辑回归的方法验证神经网络模型得到的驱动性指标与运营绩效指标间的关系为正确合理，包括步骤：
S21、收集驱动性指标历史数据和运营绩效指标历史数据，并对指标进行标准化处理，转化为0、1数据；
S22、构建驱动性指标与运营绩效指标间的逻辑回归模型，并输入驱动性指标和运营绩效指标标准化数据，进行拟合，得到驱动性指标与运营绩效指标间的逻辑回归关系；
S23、结合神经网络预测得到的驱动性指标预测值，并进行标准化处理，利用驱动性指标与运营绩效指标间的逻辑回归关系，推算出运营绩效指标预测值的标准值，对比神经网络得到的运营绩效指标预测值，验证神经网络模型的正确性，当检验正确率超过设定值时，认为神经网络方法计算得到的结果是合理的。
3.根据权利要求1所述企业运营分析预警系统的预警分析方法，其特征在于，所述利用神经网络的预测功能，根据监测指标中驱动指标的历史值预测所述驱动指标的未来值，包括：
S31、收集各驱动性指标历史值，并进行无量纲化处理，所述无量纲化处理方法采用对数型功效系数模型；
S32、设计神经网络预测模型，包括输入层、隐含层以及输出层，并设定不同精度和不同训练次数，进行训练；
S33、通过训练得到若干预测模型，对比各预测模型的精度大小选择驱动性指标的预测模型。
4.根据权利要求3所述企业运营分析预警系统的预警分析方法，其特征在于，设计神经网络模型，结合所述驱动性指标数据和运营绩效指标数据，拟合出所述驱动性指标与运营绩效指标间的权系数关系，包括：
S41、收集驱动性指标历史值和运营绩效指标历史值，并进行无量纲化处理，得到各指标无量纲化值；
S42、设计适用于拟合驱动性指标与运营绩效指标权系数的神经网络模型；
S43、以驱动性指标作为输入层指标，运营绩效指标作为输出层指标，并设定隐含层参数，进行神经网络拟合，可以得到驱动性指标与运营绩效指标间的权系数关系；
S44、利用驱动性指标与运营绩效指标间的权系数关系，结合预测模型得到的驱动性指标预测值，采用所述神经网络模型，导出运营绩效指标预测值。
5.根据权利要求4所述企业运营分析预警系统的预警分析方法，其特征在于，所述设计适用于拟合驱动性指标与运营绩效指标权系数的神经网络模型，包括：
采用遗传算法优化的神经网络模型。
6.根据权利要求1所述企业运营分析预警系统的预警分析方法，其特征在于，所述动态预警阶段还包括可视化分析步骤，包括：
绘制雷达图，将主要运营绩效指标行分类，绘制成一个直观的运营分析预警雷达图，所述雷达图包括：两个同心圆，所述同心圆中的小圆的半径为1，所述小圆作为标准线，用于表示运营阈值的大小；所述同心圆中的大圆的半径根据运营绩效指标的无量纲化数值来确定；从所述同心圆的圆心引出预设条射线，每条射线用于表示一个运营绩效指标；一条封闭的折线用于表示所分析企业的各个指标值相对优劣势；所述封闭折线和每一条射线都有一个交点，若交点落在单位圆外，表示企业该项运营绩效指标好于参照标准；反之表示该项运营绩效指标差于标准。
7.根据权利要求1所述企业运营分析预警系统的预警分析方法，其特征在于，所述概率函数包括：
正态分布函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510363534.5A CN104915735B (zh) | 2015-06-26 | 2015-06-26 | 企业运营分析预警系统的预警分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510363534.5A CN104915735B (zh) | 2015-06-26 | 2015-06-26 | 企业运营分析预警系统的预警分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104915735A CN104915735A (zh) | 2015-09-16 |
| CN104915735B true CN104915735B (zh) | 2018-04-27 |
Family
ID=54084782
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510363534.5A Active CN104915735B (zh) | 2015-06-26 | 2015-06-26 | 企业运营分析预警系统的预警分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104915735B (zh) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106557409A (zh) * | 2015-09-24 | 2017-04-05 | 北京国双科技有限公司 | 网站指标值的修正方法和装置 |
| CN105956747A (zh) * | 2016-04-22 | 2016-09-21 | 中南大学 | 一种企业信誉评估可视化方法 |
| US10530666B2 (en) * | 2016-10-28 | 2020-01-07 | Carrier Corporation | Method and system for managing performance indicators for addressing goals of enterprise facility operations management |
| CN107844912A (zh) * | 2017-11-22 | 2018-03-27 | 前海梧桐（深圳）数据有限公司 | 企业特性对企业发展影响的计算方法及其系统 |
| CN108053131A (zh) * | 2017-12-26 | 2018-05-18 | 爱保理网（北京）科技有限公司 | 一种应用于营运联合体的运营状态监测系统及方法 |
| CN109165868A (zh) * | 2018-09-14 | 2019-01-08 | 山东浪潮通软信息科技有限公司 | 一种基于历史数据建立的风险监控模型 |
| CN109410543B (zh) * | 2018-10-17 | 2022-09-09 | 深圳壹账通智能科技有限公司 | 预警测试控制方法、装置、计算机设备及存储介质 |
| CN111818561B (zh) * | 2019-04-11 | 2022-07-01 | 中国移动通信集团福建有限公司 | 数据动态监测方法、装置及电子设备 |
| CN110110898A (zh) * | 2019-04-11 | 2019-08-09 | 企家有道网络技术(北京)有限公司 | 基于企业健康指标的行业分析方法及装置、服务器 |
| CN110321523A (zh) * | 2019-05-21 | 2019-10-11 | 自然资源部第二海洋研究所 | 海洋功能区划评估方法 |
| CN110795440B (zh) * | 2019-09-05 | 2021-02-19 | 连连银通电子支付有限公司 | 一种更新指标的方法及装置 |
| US11385782B2 (en) | 2019-09-06 | 2022-07-12 | Ebay Inc. | Machine learning-based interactive visual monitoring tool for high dimensional data sets across multiple KPIs |
| US20210073658A1 (en) | 2019-09-06 | 2021-03-11 | Ebay Inc. | Anomaly detection by correlated metrics |
| CN110751374A (zh) * | 2019-09-26 | 2020-02-04 | 中电万维信息技术有限责任公司 | 基于神经网络的电子政务考核方法及相关设备 |
| CN111582619B (zh) * | 2020-01-22 | 2023-09-26 | 汕头大学 | 一种基于相关性与依赖性分析的适应性设计方法 |
| CN111339072B (zh) * | 2020-02-23 | 2023-09-15 | 中国平安财产保险股份有限公司 | 基于用户行为的变化值分析方法、装置、电子设备及介质 |
| CN116150221B (zh) * | 2022-10-09 | 2023-07-14 | 浙江博观瑞思科技有限公司 | 服务于企业电商运营管理的信息交互方法及系统 |
| CN115659832B (zh) * | 2022-11-08 | 2023-07-18 | 中国交通信息科技集团有限公司 | 一种基于大数据分析的企业运营分析及预警监控方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1928905A (zh) * | 2006-07-21 | 2007-03-14 | 北京航空航天大学 | 企业危机预警系统 |
| CN103413180A (zh) * | 2013-07-22 | 2013-11-27 | 上海电力实业有限公司 | 基于蒙特卡洛模拟法的电动汽车充电负荷预测系统和方法 |
| CN104537211A (zh) * | 2014-12-12 | 2015-04-22 | 中钢集团武汉安全环保研究院有限公司 | 一种基于层次分析法及灰色理论的企业安全风险预警方法 |
-
2015
- 2015-06-26 CN CN201510363534.5A patent/CN104915735B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN104915735A (zh) | 2015-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104915735B (zh) | 企业运营分析预警系统的预警分析方法 | |
| Gonçalves et al. | Multi-criteria decision methodology for selecting maintenance key performance indicators | |
| US20190251458A1 (en) | System and method for particle swarm optimization and quantile regression based rule mining for regression techniques | |
| CN104715318A (zh) | 面向通信网络的多维度运行风险评价方法 | |
| CN103310388B (zh) | 基于信源熵的电网运行综合指数计算方法 | |
| EP2273431A1 (en) | Model determination system | |
| Nestic et al. | A model of the assessment and optimisation of production process quality using the fuzzy sets and genetic algorithm approach | |
| CN107767191A (zh) | 一种基于医药大数据预测药品销售趋势的方法 | |
| CN108921569A (zh) | 一种确定用户投诉类型的方法及装置 | |
| CN112182720B (zh) | 一种基于建筑能源管理应用场景的建筑能耗模型评价方法 | |
| CN109615414A (zh) | 房产预估方法、装置及存储介质 | |
| Nadafi et al. | Predicting the project time and costs using EVM based on gray numbers | |
| CN108182448A (zh) | 一种标注策略的选择方法及相关装置 | |
| CN112200459B (zh) | 一种配电网数据质量分析评价方法及系统 | |
| CN109635996A (zh) | 房价走势前瞻模型构建方法、装置及存储介质 | |
| Aram et al. | Qualitative and quantitative cost estimation: a methodology analysis | |
| CN112085517A (zh) | 优惠券发放方法、装置、电子设备及可读存储介质 | |
| CN114139802B (zh) | 一种基于流域水情变化趋势分析模型的实时优化调度方法 | |
| Kurakova et al. | The system of measurable indicators for scientific and technological development of the Russian Federation: methodology and design | |
| Tsehayae et al. | Data-driven approaches to discovering knowledge gaps related to factors affecting construction labor productivity | |
| Evans et al. | Single and multi-objective parameter estimation of a military personnel system via simulation optimization | |
| CN110135592A (zh) | 分类效果确定方法、装置、智能终端及存储介质 | |
| Yastrebov et al. | Information support of strategic tasks of improving quality and competitiveness | |
| CN102034211A (zh) | 计算机平台结合Hurst模型显示股票数据反转点的统计方法 | |
| CN111882100B (zh) | 一种基于多模型随机线性组合的水文集合区间预报搭建方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 100031 Xicheng District West Chang'an Avenue, No. 86, Beijing Applicant after: State Grid Corporation of China Applicant after: National Grid Energy Research Institute Co., Ltd. Applicant after: North China Electric Power University Address before: 100031 Xicheng District West Chang'an Avenue, No. 86, Beijing Applicant before: State Grid Corporation of China Applicant before: State Grid Energy Research Institute Applicant before: North China Electric Power University |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |