CN108764624A - 一种工作人员工作饱和程度分析方法 - Google Patents
一种工作人员工作饱和程度分析方法 Download PDFInfo
- Publication number
- CN108764624A CN108764624A CN201810349005.3A CN201810349005A CN108764624A CN 108764624 A CN108764624 A CN 108764624A CN 201810349005 A CN201810349005 A CN 201810349005A CN 108764624 A CN108764624 A CN 108764624A
- Authority
- CN
- China
- Prior art keywords
- data
- staff
- significant difference
- discrete
- saturation
- 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
Links
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
- G06Q10/063114—Status monitoring or status determination for a person or group
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开公开了一种工作人员工作饱和程度分析方法,分析时首先根据样本序列建立事实表并对事实表影响因素进行分类为离散型数据和连续型数据,其中对离散型数据使用显著性差异分析方法分析出离散数据平均工作时长的差异性。对连续性数据使用皮尔逊相关系数进行分析,分别对连续数据进行两两之间的相关性分析,综合得出测量分析结论,本公开的方法解决公司对工作人员工作饱和程度分析问题,及时合理安排工作人员工作,提高工作人员工作的效率,本公开适用于所有公司对工作人员的工作饱和程度的分析。
Description
技术领域
本公开涉及数据挖掘应用技术领域,具体涉及一种工作人员工作饱和程度分析方法。
背景技术
随着数据挖掘技术的广泛应用,利用数据挖掘技术针对各个方向的研究越来越多,效果也越来越好,为人们工作生活都带来了便利,数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的实际数据中,提取隐含在其中的、人们所不知道的、但又是潜在有用信息和知识的过程。我们使用数据挖掘技术对工作人员的工作饱和程度进行分析,也就是对工作人员工作效率的一个分析,我们用工作人员的平均工作时长的长短来代表工作的饱和程度。
本专利是对工作人员工作饱和程度分析,这个技术的发展提高公司工作人员的工作效率,也提高了企业的利润。提高企业利润的方法多种多样,总结为一句话即为“提高工作效率”,只有工作效率上去了,企业才能以最小的投入获得最大的产出,既实现利润最大化,所以分析工作人员的工作饱和程度是必不可少的。目前国内对工作人员工作饱和程度只能使用人为的方法进行分析,不能够用数据说话,在大数据的时代,数据更具有代表性,所以我们引入数据挖掘算法对其进行深入分析,用数据说话,从未调控工作人员的分配,相比人为的分析更具有代表性和准确性。
鉴于之前都是靠人为分析这个缺陷,有必要提出基于数据挖掘的工作人员工作饱和程度分析方法,有效的解决根源问题,通过结合数据挖掘的技术和工作人员的相关数据进行分析,在分析过程中清除了很多非法数据并清理了无关属性等其他形式的噪声数据,基于有效工作时间内的记录以及相关部门提供的数据字典建立事实表和维度表,设计并建立了数据仓库,对工作人员的数据进行测量分析。
发明内容
本公开的目的是针对现有技术的不足,提供一种工作人员工作饱和程度分析方法,便于统一的管理,减少脚本维护的工作量。
为了实现上述目的,本公开提出一种工作人员工作饱和程度分析方法,具体包括以下步骤:
步骤1,获取工作人员数据中样本序列;
步骤2,根据样本序列建立事实表,事实表包含事务事实、快照事实、线性项目事实、状态事实;
步骤3,将事实表中的数据划分成离散型数据和连续型数据;
步骤4,运用显著性差异分析离散型数据判断离散型数据显著性差异;
步骤5,运用皮尔逊相关系数分析连续型数据得到连续型数据相关性;
步骤6,根据离散型数据显著性差异和连续型数据相关性得出测量分析结论。
进一步地,在步骤1中,所述样本序列包含至少一个部门的工作人员数据和对应的时间周期,所述时间周期相连续。
进一步地,在步骤2中,所述建立事实表方法包括以下子步骤:
步骤3.1,根据样本序列中有效工作时间内的记录过滤噪声数据;
步骤3.2,基于有效工作时间内的记录以及部门提供的基础数据建立事实表;
其中,噪声数据为有效工作时间外的记录数据。
进一步地,在步骤3中,根据事实表的快照事实中工作人员在某一指定时间的连续与离散状态将事实表中的数据划分成离散型数据和连续型数据,其中,离散型数据是指不连续且具有明确的要素边界,数值只能用自然数或整数单位计算的数据,连续型数据是指在一定区间内可以任意取连续不断的值的数据。
进一步地,在步骤4中,运用显著性差异分析离散型数据方法为,用显著性差异判断法来分别判断性别、学历、区域、天气、时间维度的平均工作时长的显著性差异是否具有离散型数据显著性差异,其中,显著性差异判断法为计算离散型数据假设检验中的P值,P值小于0.05时说明对比的离散型数据之间有显著性差异,P值为其他情况说明对比的离散型数据之间没有显著性差异。
进一步地,在步骤5中,运用皮尔逊相关系数分析连续型数据相关性的方法为,运用皮尔逊相关系数分别对工作人员的平均工作时长、所属年龄、工龄、工作天数、业务数量、业务种类的两两之间对比的连续型数据之间进行相关性分析,从而分析出连续型数据与平均工作时长之间的连续型数据相关性。
进一步地,在步骤6中,根据离散型数据显著性差异和连续型数据相关性找出显著性差异P值小于0.05的离散型数据或相关度为0和-1的连续型数据,将该离散型数据和连续型数据占数据的比例作为工作人员饱和度,其中,0表示连续型数据无关,-1表示连续型数据负相关;其中,P值为离散型数据的假设检验,P值小于0.05时说明对比的离散型数据之间有显著性差异,P值为其他情况说明对比的离散型数据之间没有显著性差异,其中工作人员饱和度用以对工作人员工作饱和程度进行分析,工作人员饱和度大于80%则工作人员工作饱和程度高,小于80%则工作人员工作饱和程度低。
本发明还提供了一种工作人员工作饱和程度分析装置,所述装置包括:
获取单元,用于获取工作人员数据的样本序列;
建表单元,用于根据样本序列建立事实表,事实表包含事务事实、快照事实、线性项目事实、状态事实;
分类单元,用于将事实表中的数据划分成离散型数据和连续型数据;
离散型数据分析单元,用于运用显著性差异分析离散型数据判断离散型数据显著性差异;
连续型数据分析单元,用于运用皮尔逊相关系数分析连续型数据得到连续型数据相关性;
饱和度计算单元,用于根据离散型数据显著性差异和连续型数据相关性计算出工作人员饱和度。
本公开的有益效果为:本发明公开了一种工作人员工作饱和程度分析方法,以解决公司对工作人员工作饱和程度分析,及时合理安排工作人员工作,提高工作人员工作的效率。
附图说明
通过对结合附图所示出的实施方式进行详细说明,本公开的上述以及其他特征将更加明显,本公开附图中相同的参考标号表示相同或相似的元素,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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,在附图中:
图1所示为本公开的一种工作人员工作饱和程度分析方法的流程图;
图2所示为本公开的不同性别工作人员平均工作时长箱线图;
图3所示为本公开的不同性别工作人员数量与平均工作时长均值图;
图4所示为本公开的工作人员工作饱和程度相关性分析图;
图5所示为本公开的一种工作人员工作饱和程度分析虚拟装置图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本公开的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。附图中各处使用的相同的附图标记指示相同或相似的部分。
如图1所示为根据本公开的一种工作人员工作饱和程度分析方法的流程图,图2所示为本公开的不同性别工作人员平均工作时长箱线图,图3所示为本公开的不同性别工作人员数量与平均工作时长均值图,图4所示为本公开的工作人员工作饱和程度相关性分析图,下面结合图1、图2、图3与图4来阐述根据本公开的实施方式的工作人员工作饱和程度分析方法。
本公开提出一种工作人员工作饱和程度分析方法,具体包括以下步骤:
步骤1,获取工作人员数据中样本序列;
步骤2,根据样本序列建立事实表,事实表包含事务事实、快照事实、线性项目事实、状态事实;
步骤3,将事实表中的数据划分成离散型数据和连续型数据;
步骤4,运用显著性差异分析离散型数据判断离散型数据显著性差异;
步骤5,运用皮尔逊相关系数分析连续型数据得到连续型数据相关性;
步骤6,根据离散型数据显著性差异和连续型数据相关性得出测量分析结论。
进一步地,在步骤1中,所述样本序列包含至少一个部门的工作人员数据和对应的时间周期,所述时间周期相连续。
进一步地,在步骤2中,所述建立事实表方法包括以下子步骤:
步骤3.1,根据样本序列中有效工作时间内的记录过滤噪声数据;
步骤3.2,基于有效工作时间内的记录以及部门提供的基础数据建立事实表;
其中,噪声数据为有效工作时间外的记录数据。
进一步地,在步骤3中,根据事实表的快照事实中工作人员在某一指定时间的连续与离散状态将事实表中的数据划分成离散型数据和连续型数据,其中,离散型数据是指不连续且具有明确的要素边界,数值只能用自然数或整数单位计算的数据,连续型数据是指在一定区间内可以任意取连续不断的值的数据。
进一步地,在步骤4中,运用显著性差异分析离散型数据方法为,用显著性差异判断法来分别判断性别、学历、区域、天气、时间维度的平均工作时长的显著性差异是否具有离散型数据显著性差异,其中,显著性差异判断法为计算离散型数据假设检验中的P值,P值小于0.05时说明对比的离散型数据之间有显著性差异,P值为其他情况说明对比的离散型数据之间没有显著性差异。
运用显著性差异分析离散型数据方法,例如:对工作人员的平均工作时长所属性别进行分析,分析结果如下,图2可以看出有少部分工作人员的平均工作时长较高;男女不同性别工作人员的平均工作时长中位数有差异;箱线图的面积也有差异,面积越大代表平均工作时长范围越大;通过显著性差异分析,我们计算出其P值为0.02,小于统计学一般设定的P值0.05,说明男女之间有显著性差异。图3可看出女性工作人员的数量远大于男性工作人员的数量;女性工作人员平均工作时长的均值大于男性工作人员平均工作时长的均值。说明男女之间对平均工作时长有影响,可作出针对决策人员的调配方案等。
其中,P值计算方法为:
一般地,用X表示检验的统计量,当H0为真时,可由样本数据计算出该统计量的值C,根据检验统计量X的具体分布,可求出P值。具体地说:
左侧检验的P值为检验统计量X小于样本统计值C的概率,即:P=P{X};
右侧检验的P值为检验统计量X大于样本统计值C的概率:P=P{X>C};
双侧检验的P值为检验统计量X落在样本统计值C为端点的尾部区域内的概率的2倍:P=2P{X>C}(当C位于分布曲线的右端时)或P=2P{X曲线的左端时)。若X服从正态分布和t分布,其分布曲线是关于纵轴对称的,故其P值可表示为P=P{|X|>C}。
计算结论:
计算出P值后,将给定的显著性水平α与P值比较,就可作出检验的结论:
如果α>P值,则在显著性水平α下拒绝原假设(α一般为0.05)。
如果α≤P值,则在显著性水平α下接受原假设。
进一步地,在步骤5中,运用皮尔逊相关系数分析连续型数据相关性的方法为,运用皮尔逊相关系数分别对工作人员的平均工作时长、所属年龄、工龄、工作天数、业务数量、业务种类的两两之间对比的连续型数据之间进行相关性分析,从而分析出连续型数据与平均工作时长之间的连续型数据相关性。
运用皮尔逊相关系数分析连续型数据相关性的方法,例如:分别对工作人员的平均工作时长,所属年龄,工龄,工作天数,业务数量,业务种类数量两两之间进行相关性分析。从分析的结果,图4中可看出平均工作时长与年龄和工龄呈现出很低相关性,说明工作人员的平均工作时长与其年龄和工龄无太大关系,并且年龄和工龄与其他各因素的相关性均很低,说明年龄和工龄并不影响工作人员的办公。平均工作时长与和工作天数呈现相关性,说明工作天数的多少对平均工作时长有影响。平均工作时长与和业务数量呈现较高的相关性,说明业务数量越多对平均工作时长的影响越大。平均工作时长与业务种类数量呈现相关性,说明业务种类数量对平均工作时有影响。
其中,皮尔逊相关系数:是一种度量两个变量间相关程度的方法。它是一个介于1和-1之间的值,其中,1表示变量完全正相关,0表示无关,-1表示完全负相关。皮尔逊相关系数是用以反映变量之间线性相关关系密切程度的统计指标。两个变量之间的皮尔逊相关系数ρxy定义为二者之间协方差cov(x,y)和标准差σxσy的商:
进一步地,在步骤6中,根据离散型数据显著性差异和连续型数据相关性找出显著性差异P值小于0.05的离散型数据或相关度为0和-1的连续型数据,将该离散型数据和连续型数据占数据的比例作为工作人员饱和度,其中,0表示连续型数据无关,-1表示连续型数据负相关;其中,P值为离散型数据的假设检验,P值小于0.05时说明对比的离散型数据之间有显著性差异,P值为其他情况说明对比的离散型数据之间没有显著性差异,其中工作人员饱和度用以对工作人员工作饱和程度进行分析,工作人员饱和度大于80%则工作人员工作饱和程度高,小于80%则工作人员工作饱和程度低。
进一步地,根据所述样本序列使用显著性差异分析,分析离散数据分别与平均工作时长的关系,其中得到的关系是决定是否有影响的关键结论。
进一步地,根据所述样本序列使用皮尔逊相关系数,分析连续型数据,分析连续数据分别与平均工作时长的关系,其中得到的关系是决定是否有影响的关键结论。
本发明还提供了一种工作人员工作饱和程度分析虚拟装置,如图5所示,所述装置包括:
获取单元,用于获取工作人员数据的样本序列;
建表单元,用于根据样本序列建立事实表,事实表包含事务事实、快照事实、线性项目事实、状态事实;
分类单元,用于将事实表中的数据划分成离散型数据和连续型数据;
离散型数据分析单元,用于运用显著性差异分析离散型数据判断离散型数据显著性差异;
连续型数据分析单元,用于运用皮尔逊相关系数分析连续型数据得到连续型数据相关性;
饱和度计算单元,用于根据离散型数据显著性差异和连续型数据相关性计算出工作人员饱和度。
特别地,本发明所述一种基于数据挖掘的工作人员工作饱和程度分析方法及其装置,可对企业的工作人员的工作饱和程度进行分析,并找出相应影响因素,从而进行工作分配,提高企业的利润。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本公开的预定范围。此外,上文以发明人可预见的实施例对本公开进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (8)
1.一种工作人员工作饱和程度分析方法,其特征在于,所述分析方法包括如下步骤:
步骤1,获取工作人员数据的样本序列;
步骤2,根据样本序列建立事实表,事实表包含事务事实、快照事实、线性项目事实、状态事实;
步骤3,将事实表中的数据划分成离散型数据和连续型数据;
步骤4,运用显著性差异分析离散型数据判断离散型数据显著性差异;
步骤5,运用皮尔逊相关系数分析连续型数据得到连续型数据相关性;
步骤6,根据离散型数据显著性差异和连续型数据相关性计算出工作人员饱和度。
2.根据权利要求1所述的一种工作人员工作饱和程度分析方法,其特征在于,在步骤1中,所述样本序列包含至少一个部门的工作人员数据和对应的时间周期,所述时间周期相连续。
3.根据权利要求1所述的一种工作人员工作饱和程度分析方法,其特征在于,在步骤2中,所述建立事实表方法包括以下子步骤:
步骤3.1,根据样本序列中有效工作时间内的记录过滤噪声数据;
步骤3.2,基于有效工作时间内的记录以及部门提供的基础数据建立事实表;
其中,噪声数据为有效工作时间外的记录数据。
4.根据权利要求1所述的一种工作人员工作饱和程度分析方法,其特征在于,在步骤3中,根据事实表的快照事实中工作人员在某一指定时间的连续与离散状态将事实表中的数据划分成离散型数据和连续型数据。
5.根据权利要求1所述的一种工作人员工作饱和程度分析方法,其特征在于,在步骤4中,运用显著性差异分析离散型数据方法为,用显著性差异判断法来分别判断性别、学历、区域、天气、时间维度的平均工作时长的显著性差异是否具有离散型数据显著性差异,其中,显著性差异判断法为计算离散型数据假设检验中的P值,P值小于0.05时说明对比的离散型数据之间有显著性差异,P值为其他情况说明对比的离散型数据之间没有显著性差异。
6.根据权利要求1所述的一种工作人员工作饱和程度分析方法,其特征在于,在步骤5中,运用皮尔逊相关系数分析连续型数据相关性的方法为,运用皮尔逊相关系数分别对工作人员的平均工作时长、所属年龄、工龄、工作天数、业务数量、业务种类的两两之间对比的连续型数据之间进行相关性分析,从而分析出连续型数据与平均工作时长之间的连续型数据相关性。
7.根据权利要求1所述的一种工作人员工作饱和程度分析方法,其特征在于,在步骤6中,根据离散型数据显著性差异和连续型数据相关性找出显著性差异P值小于0.05的离散型数据或相关度为0和-1的连续型数据,将该离散型数据和连续型数据占数据的比例作为工作人员饱和度,其中,0表示连续型数据无关,-1表示连续型数据负相关;其中,P值为离散型数据的假设检验,P值小于0.05时说明对比的离散型数据之间有显著性差异,P值为其他情况说明对比的离散型数据之间没有显著性差异。
8.一种工作人员工作饱和程度分析装置,其特征在于,所述装置包括:
获取单元,用于获取工作人员数据的样本序列;
建表单元,用于根据样本序列建立事实表,事实表包含事务事实、快照事实、线性项目事实、状态事实;
分类单元,用于将事实表中的数据划分成离散型数据和连续型数据;
离散型数据分析单元,用于运用显著性差异分析离散型数据判断离散型数据显著性差异;
连续型数据分析单元,用于运用皮尔逊相关系数分析连续型数据得到连续型数据相关性;
饱和度计算单元,用于根据离散型数据显著性差异和连续型数据相关性计算出工作人员饱和度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810349005.3A CN108764624A (zh) | 2018-04-18 | 2018-04-18 | 一种工作人员工作饱和程度分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810349005.3A CN108764624A (zh) | 2018-04-18 | 2018-04-18 | 一种工作人员工作饱和程度分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108764624A true CN108764624A (zh) | 2018-11-06 |
Family
ID=64011371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810349005.3A Pending CN108764624A (zh) | 2018-04-18 | 2018-04-18 | 一种工作人员工作饱和程度分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764624A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516865A (zh) * | 2019-08-21 | 2019-11-29 | 德兴市天渝网络科技有限公司 | 一种人力资源优化调度系统 |
-
2018
- 2018-04-18 CN CN201810349005.3A patent/CN108764624A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516865A (zh) * | 2019-08-21 | 2019-11-29 | 德兴市天渝网络科技有限公司 | 一种人力资源优化调度系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pons | The accuracy of IMF and OECD forecasts for G7 countries | |
Filzmoser | A multivariate outlier detection method | |
CN102623009B (zh) | 一种基于短时分析的异常情绪自动检测和提取方法和系统 | |
CN107832927B (zh) | 基于灰色关联分析法的10kV线路线变关系评价方法 | |
CN111402017A (zh) | 一种基于大数据的信用评分方法和系统 | |
CN110823561B (zh) | 一种基于材料模型库的非稳态载荷下轧机传动轴系统关键件疲劳寿命实时监控的方法 | |
CN109960789B (zh) | 基于自然语言处理的人物关系分析方法 | |
CN109190099B (zh) | 句模提取方法及装置 | |
CN111767521A (zh) | 一种基于卷积神经网络与长短期记忆网络的输油泵滚动轴承状态评估方法 | |
CN112668612A (zh) | 一种基于网格的局部放电信号聚类分析方法 | |
CN112417893A (zh) | 一种基于语义层次聚类的软件功能需求分类方法及系统 | |
CN109063983A (zh) | 一种基于社交媒体数据的自然灾害损失实时评估方法 | |
CN114491081A (zh) | 基于数据血缘关系图谱的电力数据溯源方法及系统 | |
CN108764624A (zh) | 一种工作人员工作饱和程度分析方法 | |
Schoentgen et al. | Predictable and random components of jitter | |
CN113254632B (zh) | 基于事件检测技术的时间线摘要自动生成方法 | |
CN115907461A (zh) | 一种基于机理推导方程的电力工程方法 | |
CN111144910B (zh) | 基于模糊熵均值阴影集的招投标“串标、陪标”对象推荐方法及装置 | |
CN112964693A (zh) | 一种拉曼光谱谱带区域分割方法 | |
CN104090918A (zh) | 一种基于信息量的句子相似度计算方法 | |
CN114742412A (zh) | 一种软件技术服务系统及方法 | |
CN114139408A (zh) | 一种电力变压器健康状态评估方法 | |
CN113888265A (zh) | 产品推荐方法、装置、设备及计算机可读存储介质 | |
CN112085257A (zh) | 一种基于时序分析的综合能源业务潜力预测模型 | |
CN107292213B (zh) | 笔迹量化检验鉴定方法 |
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: 20181106 |
|
RJ01 | Rejection of invention patent application after publication |