CN105849752A - 确定商业策略 - Google Patents

Abstract

一种技术，包括将至少一个计量经济模型应用到表示与商业组织的内部环境和商业组织的外部环境有关的信息的数据；以及确定与有序步骤的集合关联的商业策略。每个步骤与要被实施的至少一个行动关联。

Description

确定商业策略

背景技术

商业组织可以使用高水平计划或者策略以在不确定条件下实现一个或多个目标。传统上，商业组织的所有者、执行主管和其它高级领导开发用于组织的策略。在开发这些策略时，高级领导会提取并精简关于组织和市场的信息、与组织的客户和雇员见面、掌握从会议采集的信息、预想可能影响正在被考虑的候选策略的场景等等。

附图说明

图1A、图1B和图1C是根据示例实现方式的订购商业策略的步骤的图示。

图2是根据示例实现方式的策略构造的图示。

图3是根据示例实现方式的用于开发商业策略构造的分类器的图示。

图4是根据示例实现方式的用来确定商业策略的基于计算机的系统的示意图。

图5是根据示例实现方式的由图4的系统的优化引擎使用的工作流程的图示。

图6是根据示例实现方式的物理机的示意图。

图7是根据示例实现方式的描绘用于确定商业策略的技术的流程图。

图8图示根据示例实现方式的用于虚构小镇的事实库，在虚构小镇中确定位于该镇中的虚构商店的策略。

图9是根据示例实现方式的针对虚构商店的商业策略的示例策略构造的图示。

图10是根据示例实现方式的初始种群的图示。

图11图示根据示例实现方式的遗传操作。

图12图示根据示例实现方式的从图10的初始种群获取的第一代。

图13描绘根据示例实现方式的用于图12的第一代的源于计量经济模型的数值。

图14是根据示例实现方式的代的适合度(generational fitness)评分趋势。

图15是根据示例实现方式的代的适合度个体趋势。

具体实施方式

开发用于商业组织(商业合伙、私人企业、上市公司、有限责任公司、政府机关等)策略的一种方法是使得组织的高级领导和其它人员参与到为此目的的大量计划和研究中。由于人为因素的存在，商业组织会在保持灵活以及对新机遇和不期望的问题做出响应时面临重大挑战。对于相对较大的商业组织来说这尤其是正确地，其中要被处理的信息的复杂性和丰富性使得充分全面地理解所有因素从而以动态的和响应的方式优化策略是在人力所及范围内具有挑战性的。

本文所公开的计算机辅助系统和技术，其利用可获取的与商业组织的内部环境有关的内部数据以及与组织的外部环境有关的外部数据，以便快速地以合适方式开发和优化用于组织的策略。

本文所公开的系统和技术将给定的商业策略模型化为有序步骤的集合。作为示例，图1A描绘商业策略100，其包括有序序列的顺序步骤104。针对此示例，步骤104以线性方式一个一个地被实施。

作为另一个示例，图1B描绘商业策略110，其中示例步骤112以线性和并行方式被执行。更具体地，策略110包括以线性方式顺序实施的步骤110-1和步骤110-2。步骤112-3A和步骤112-3B在步骤112-2之后同时并行形成。另一个步骤112-4顺序地且线性地跟随步骤112-3A和步骤112-3B的执行。

作为另一个示例，图1C描绘商业策略120，其中多个步骤以三个并行的处理路径130实施(路径130-1、130-2和130-3，被描绘为图1C中的示例)。更具体地，对于路径130-1，步骤132以有序连续顺序被线性地实施。类似地，针对路径130-2和路径130-3，步骤136和步骤138分别也以顺序和线性的次序被执行。

值得注意的是，路径130-1、路径130-2和路径130-3可以消耗不同的相应时间来完成。此外，如还在图1C中所描绘的，在一些步骤之间可以存在依赖关系，诸如在(路径130-1的)步骤132-4和(路径130-3的)步骤138-3之间所描绘的依赖关系。

因此，通常，在本申请的上下文中给定的商业策略指的是有序的步骤序列，以及可以顺序地并且以不同并行路径实施的步骤，或者其组合。此外，各步骤中的一些步骤可以彼此依赖，并且不同的处理路径针对给定的策略可以消耗不同的对应数量的时间。因此，预期了多种变形，这些变形在随附权利要求的范围内。

本文所公开的系统和技术进一步将给定的步骤模型化为由策略构造集合限定。通常，策略构造限定由商业组织实施的行动。例如，给定的行动可以是购买、销售、雇用或重新定位的行动。此外，连续的行动可以彼此相反。例如，购买的行动之后可以跟随在稍后步骤中销售的行动。

通常，给定的行动在实体上实施或作用在该实体上，该实体可以是公司、股票或者商业组织的办公室，仅举几个示例。此外，行动出自其的实体可以由一个或多个相关联的实体参数来识别，诸如(作为示例)薪水、价格、数量、位置等。

值得注意的是，给定的策略构造能够以多种不同方式限定。在图2中描绘了一种示例策略构造200。参考图2，所描述的策略构造200包括运行在实体204上的行动202。实体204接下来可以由一个或者多个实体参数205来限定或识别。此外，一个或者多个资源208与在实体204上实施的行动202有关。

作为示例，资源208可以是与在实体204上实施的行动202有关的人员212、资产214、智力资产216以及商业实体218。此外，如在图2中所描绘的，一个或多个资源208可以与一个或者多个限定资源参数210关联。此外，图2还描述了日期206，在该日期，实施针对策略构造200的行动202。

因此，通常，商业策略可以如下被模型化或者量化：

S=Set of SS(Set of SC(Set of A(E(P1，P2...)，R，D)))， 方程式1

其中“S”表示给定的商业策略；“SS”表示策略步骤；“SC”表示策略构造；“A”表示行动；“E”表示实体；“P1”和“P2”等表示实体参数；“R”表示资源；并且“D”表示数据。因此，策略S通过策略步骤SS的集合被量化，其包括一个或者多个策略构造SC，如由资产A、实体E、实体参数P、资源R和日期D的组合所限定的。

值得注意的是，结合在本文中讨论的策略、策略步骤以及策略构造所使用的术语的定义和分类，在不同行业或者在相同行业内的不同组织大体上是不同的。因此，根据示例实现方式，为了限定针对方案任何实例的术语，使用自定义分类或者分类法。

更具体地，根据示例实现方式，自定义分类法用于对给定商业策略分析的相关数据进行分类。通常，数据通常被分成两类：内部数据和外部数据。内部数据涉及与商业组织的内部动力或者内部环境有关的信息，并且顾名思义，该内部数据从组织内采集。例如，内部数据可以包括关于组织产品的数据、人力资源数据、资产数据、资源、数据、设施位置数据、财务数据、财务目标数据以及与组织的策略有关的其它组织信息。

外部数据涉及与商业组织的外部环境有关的信息，诸如组织在其中运行的市场、组织的合作伙伴、组织的竞争者以及影响组织性能的其它外部资源。更具体地，外部数据可以包括如股票市场数据、竞争产品信息数据、竞争产品定价数据、人口数据、天气数据和经济指标数据这样的数据，仅举几个示例。

自定义分类法被应用到内部数据和外部数据，以允许识别和全面理解在内部数据集合和外部数据集合两者内的相关数据。自定义分类法处理可以涉及收集和准备数据，诸如非结构化数据、暂态数据或者定位数据的预处理。

图3描述用于示例策略构造300的数据分类。参考图3，用于策略构造300的自定义分类法或者分类可以包括如获取、出让、雇用、投资、合伙以及诉讼行动这样的行动304。用于策略构造300的实体308的示例分类器可以包括公司、股票、建筑物、专利、合同以及客户分类器。对于策略构造300的资源312，分类器可以包括雇员、承包商、硬件、软件、服务和缓存分类器。

参考图4，根据示例实现方式，在图4中描绘的基于计算机的系统400可以用于推荐给定的商业策略的目的。系统400包括数据准备引擎414，其采集内部数据404、外部数据410并且为了产生合并数据422而应用自定义分类法420，即为了分类整理内部数据404和外部数据410以对数据进行分类并且呈现针对进一步策略分析而合并的对应相关数据422。

系统400的优化引擎430将一个或者多个计量经济模型424(取决于实现方式)应用到合并数据422，以便为推荐的策略提供策略步骤和相关构造436。计量经济学是数学和统计方法到经济和商业活动的应用。计量经济模型是在计量经济学中使用的具体模型，其包含统计和概率变化以预测并优化商业性能。如在图4中所描绘的，根据在本文中描述的示例实现方式，优化引擎430可以应用一个或者多个计量经济模型以确定候选策略步骤的结果以及给定的候选策略中的步骤的总体价值。

产生于计量经济模型应用的评估值可以是财务值(作为示例，收益或者盈利值)或者非财务值(作为示例，学生表现或者就业率)。通常，由计量经济模型424确定的数值由优化引擎430使用，以便比较不同的候选策略，并且基于该比较来选择或者推荐商业策略，如本文进一步描述的。

根据示例实现方式，优化引擎430生成候选商业策略并且将它们相互比较，以便确定和推荐最终策略(例如，在两年期间最大化利润的策略)。优化引擎430可以使用迭代处理，根据示例实现方式，其中在最终推荐商业策略之前，引擎430考虑候选商业策略、评估策略并且进行进一步的细化，包括选择新的候选策略、选择现存候选策略中的一个或者多个候选策略、选择性地合并候选策略等等。

通过优化引擎430采用的优化算法根据特定实现方式可以不同。作为示例，根据示例实现方式，优化引擎430可以使用遗传算法。

作为更具体的示例，优化引擎430可以采用通常由图5的技术500表示的遗传算法。结合图4参考图5，依据技术500，优化引擎430最初以可能的策略构造集合510开始并且从该构造生成(框514)初始候选商业策略。从这些候选策略，优化引擎430经由遗传操作生成(框518)新的候选策略。

值得注意的是，取决于特定实现方式，初始候选策略可以随机地或者启发性地生成。作为初始候选策略的启发性生成的示例，优化引擎430在雇用数据之后并且不在雇用数据之前预算薪水。

通常，遗传算子可以是如交叉算子和变异算子这样的算子，其选择性地组合候选方案并且创建新的候选方案。例如，交叉算子组合两个策略的元素，并且作为示例，变异算子可以随机地改变给定候选策略的一个或者多个元素。

优化引擎430使用计量经济模型对候选策略进行排序(框522)。以这种方式，根据一些实现方式，基于计量经济模型的应用，“改进的”候选策略或具有相应较高排名的策略保留下来并且形成被考虑的下一代候选策略。根据一些实现方式，达尔文自然选择过程指导优化方法，其中随着时间改进候选策略的初始集合从而最终导致最优策略。

因此，基于排名522，优化引擎430选择(框524)最佳的目前可用候选方案并且决定(决策框530)是否已经确定或发现了最优策略。作为示例，在种群经过多次迭代而保持静态时，优化引擎430可以认为已经检测到最优策略。为了避免陷于局部极小值，该过程可以重复多次。基于确定了已经发现(决策框530)最优策略，优化引擎430依据框536报告推荐的策略。

根据示例实现方式，计算机辅助商业策略决策可以在图6中描绘的物理机600上实施。物理机600是由真实硬件610和真实机器可执行指令660或者“软件”组成的真实机器。作为示例，物理机600可以是客户端、服务器、膝上电脑、平板电脑、台式机等。

物理机600的硬件610可以包括非瞬态存储器储存设备(半导体储存设备、光学储存设备、基于磁性的储存设备等)，其形成物理机600的存储器614。硬件610可以进一步包括一个或者多个中央处理单元(CPU)612，以及作为进一步的示例，一个或者多个网络接口616。通常，CPU 612可以执行存储在存储器614中的指令以便实施本文所公开的涉及确定并推荐用于商业组织策略的一个或者多个技术。

如图6中所描绘的，机器可执行指令660或者软件可以包括在由CPU 612执行时形成优化引擎430、数据准备引擎414的指令，并且可以形成计量经济模型424。此外，机器可执行指令660在由CPU 612执行时可形成物理机600的各种其它软件部件，例如操作系统662。

值得注意的是，尽管图6将物理机600描述为包含在“箱子”内或机架内(作为示例)，但根据进一步的实现方式，物理机600可以物理地分布在多个位置，并且因此可以是分布式计算系统。因此，预期了多种实现方式，其在随附权利要求的范围内。

因此，参考图7，根据示例实现方式的技术700包括处理(框704)候选商业策略以至少部分基于至少一个或者多个计量经济模型、表示与商业组织的内部环境有关的信息的内部数据以及表示与商业组织的外部环境有关的信息的外部数据来评估商业策略。每个候选商业策略与有序步骤的集合关联，并且每个步骤与要被实施的至少一个行动关联。技术700包括至少部分基于评估来推荐商业策略(框708)。

作为更具体的示例，图4的计算机系统400可以用于确定针对位于小城镇(本文被称为“Stown”)的虚拟综合商店(本文被称为“Gstore”)的商业策略。对于该示例，计算机系统400确定策略以最大化Gstore的收益。计算机系统400可用的事实库(下面描述)提供该问题的参数。以这种方式，计算机系统400获取表示此事实库的内部数据404和外部数据410，诸如(作为示例)与Stown种群、Stown需求、雇员成本、本地竞争以及其他因素有关的信息。

优化引擎430应用遗传算法并且对事实库利用计量经济模型424来评定针对此示例的遗传种群中限定的策略。此外，针对此示例，计量经济模型基于单月交易。

图8是关于Stown的事实库的图示。在这点上，图8描绘了事实库中的因素810的两个表格800A和800B以及它们对应的值814。如从图8可看到的，因素810中的一些因素具有关联的美元值，而其它因素，具有对应的百分比。以此方式，例如，书的供应是具有$5000值的一个因素810，而另一个因素810涉及存货成本，其是总成本的百分比。

图9描绘针对此示例的用于Gstore的示例策略构造900。用于此示例的每个构造900包括在实体914上要被执行的行动910，其特征在于一个或者多个选项或者实体参数918。例如，给定的构造900涉及商店营业行动(910-1)，其在商店实体914-1上操作并且与可能的营业时间的参数918-1关联。作为另一示例，给定的构造900涉及基于雇员的行动910-2，其涉及雇用雇员(910-2和914-2)并且与指定可能要被雇用的雇员数量的参数918-2相关。

其它构造900可以涉及销售行动910-3。如图9中所图示的，给定的销售行动910-3可以在各种实体914上操作。例如，给定的构造900可以涉及Gstore销售(910-4)的烘焙商品914-3并且可以与用于最终收入的可能美元值918-3关联。作为另一示例，另一构造900可以涉及Gstore，销售(910-3)可以涉及销售送货上门项目914-4并且可涉及基于二元的是或否的决策，如通过参数918-4所描绘的。

图10描绘个体910或者候选策略的示例初始种群1000，其被优化引擎430考虑以开始迭代过程，优化引擎430使用该迭代过程确定推荐的商业策略以便最大化Gstore的净收益。假定合理的利润和盈利是收益的函数。

优化引擎430针对此示例使用遗传算法以生成候选策略(在本文的遗传算法的上下文中也称为“个体”)并且利用计量经济模型424评定这些候选策略的净收益。特别地，优化引擎430确定每个策略步骤的结果、确定每个候选策略的总结果并且确定针对每个候选策略的净收益值。针对此示例的净收益是对每个候选策略或者个体的“适合度”的度量。

针对此示例，净收益被用作遗传过程中的自然选择因素。如本文所讨论的，针对此示例，尽管初始种群1000限定了六个候选策略或个体的初始集合，但优化引擎430可以使用变异操作和交叉操作取得附加的候选策略以产生用于评估的另外候选策略。

针对用于此示例的计量经济学模型424，优化引擎430基于销售的可用商品以及市场需求确定总销售；确定由于广告预算而产生的附加销售；确定由于送货上门选项而产生的附加销售；确定通过相加收益的初步总收入；基于营业时间(通过百分比)确定实际总销售额；确定雇员成本；以及确定未销售商品的存货成本。计量经济模型424进一步使优化引擎430通过从实际商品总收入减去雇员成本、广告预算以及未销售商品来确定净收益。

值得注意的是，针对为了阐释目的的此示例，计量经济模型424是相对简单的。通常，根据进一步的实现方式，计量经济模型424大体上更加复杂。

此外，针对此示例，在每一代(或者“迭代”)的开始，遗传算法使优化引擎430保持六个个体或者候选策略的种群。遗传算法的单个染色体是策略构造，并且从选项列表中选择数值。每个个体具有用于识别目的的唯一编号(见图10)。

根据示例实现方式，针对此示例，遗传算法使用下述优化过程。首先，构造和值被随机地分配给种群的每位成员以产生图10的初始种群1000。然后，六个个体被随机地配对成三对；并且通过随机地使用遗传交叉算子和遗传变异算子创建三个新的后代。

优化引擎430将计量经济模型424应用到九个个体中的每个个体，使得所述个体根据各自的净收益被排序。然后，遗传算法使优化引擎430选择六个最高排名的个体并且丢弃剩余的个体以取得六个新的个体(或者“候选策略”)。

然后，上述过程通过随机地将六个个体配对成三对并且如上所述继续进行而针对另一代重复。此过程通过一次或者多次迭代继续直到种群排名稳定。在该稳定发生之后，优化引擎430选择最高排名的个体作为用于Gstore的推荐的策略。

作为更具体的示例，图11通过随机地将个体1010-1和1010-3配对在一起以产生后代1010-7来描绘图10的初始种群1000的个体1010-1和1010-3的图示1100。如在图11中所图示的，此随机配对使用变异操作1104和交叉操作1108，在该变异操作中既不选择个体1010-1也不选择1010-3的参数，在该交叉操作中用于个体1010-1和1010-3中的一个个体的参数在另一个参数之上被选择。

图12描绘通过从初始种群1000配对个体一和三、二和六以及四和五而产生的九个个体1010的汇编1200。图13描绘图12的九个个体1010的对应计量经济分析1300。如结合图12从图13所看到的，对于第一代(即第一迭代)，个体1010-3是具有净收益$4,542的“最适合”的个体。因此，如上所述，个体1010-3连同接下来的五个最高排名个体1010被选择，从而开始下一代迭代。

针对此示例，最适合的个体的评分通过九次迭代或九代稳定。图14描绘各代适合度的评分趋势1400，其示出针对每一代的最适合的个体评分1404和针对每一代的对应的平均种群评分1408。图15描绘各代最适合的个体趋势1500，其示出针对每一代的最适合的个体1504、第二最适合的个体1508以及第三最适合的个体1512。通过六代，针对此示例，最适合的个体是编号22的个体。

虽然本文已经公开了有限数量的示例，但具有本公开内容益处的本领域的技术人员将意识到源自这些示例的各种修改和变形。其旨在随附权利要求涵盖所有这些修改和变形。

Claims (15)

1.一种方法，包括：

在基于处理器的机器上处理候选商业策略以至少部分基于至少一个计量经济模型、表示与商业组织的内部环境有关的信息的内部数据以及表示与所述商业组织的外部环境有关的信息的外部数据来评估所述候选商业策略，其中每个候选商业策略与有序步骤的集合关联并且每个步骤与要被实施的至少一个行动关联；以及

使用所述基于处理器的机器，至少部分基于所述评估来确定商业策略。

2.根据权利要求1所述的方法，其中处理所述候选商业策略包括使用所述至少一个计量经济模型来确定针对所述候选策略中的每一个候选策略的财务结果。

3.根据权利要求1所述的方法，进一步包括：

至少部分基于所述评估，选择性地选择并且合并所述候选商业策略并且通过所述基于处理器的机器在至少多于一次的处理迭代中重复使用所述至少一个计量经济模型来确定优化商业策略。

4.根据权利要求1所述的方法，其中在所述基于处理器的机器上处理所述候选商业策略并且使用所述基于处理器的机器确定所述商业策略包括应用遗传优化算法。

5.根据权利要求1所述的方法，进一步包括：

使用所述基于处理器的机器来将所述内部数据和所述外部数据分类成与所述候选商业策略有关的类别。

6.根据权利要求1所述的方法，其中每个步骤与构造集合关联，并且每个构造通过在使用资源的实体上实施的一组行动来限定。

7.根据权利要求1所述的方法，其中处理所述候选商业策略包括启发式地排序所述候选策略中的至少一个候选策略的步骤。

8.一种物品，包括存储指令的非瞬态计算机可读存储介质，所述指令在由计算机执行时，使所述计算机：

将至少一个计量经济模型应用到表示与商业组织的内部环境和所述商业组织的外部环境有关的信息的数据；以及

确定商业策略，所述确定包括优化与所述商业策略关联的有序步骤的集合，其中每个步骤与要被执行的至少一个行动关联。

9.根据权利要求8所述的物品，存储指令的所述存储介质在由所述计算机执行时，使所述计算机使用至少一个计量经济模型来评估有序步骤的候选集合。

10.根据权利要求9所述的物品，存储指令的所述存储介质在由所述计算机执行时，使所述计算机至少部分基于所述评估来选择性地选择并且合并有序步骤的候选集合。

11.根据权利要求8所述的物品，存储指令的所述存储介质在由所述计算机执行时，使所述计算机应用遗传优化算法来确定所述商业策略。

12.一种装置，包括：

包括处理器的分类器，用于对表示与商业组织的内部环境有关的信息的数据进行分类并且对表示与所述商业组织的外部环境有关的信息的数据进行分类；以及

包括处理器的优化器，用于：

至少部分基于至少一个计量经济模型以及所分类的内部数据和外部数据来评估候选商业策略；并且

至少部分基于所述评估来确定商业策略。

13.根据权利要求12所述的装置，其中所述优化器使用至少一个计量经济模型作为适合度函数来应用遗传选择以确定优化商业策略。

14.根据权利要求12所述的装置，其中每个步骤与构造集合关联，并且每个构造通过在使用资源的实体上执行的一组行动来限定。

15.根据权利要求12所述的装置，其中优化器随机地对所述候选商业策略中的至少一个候选商业策略的步骤进行排序。