CN109740838B - 基于大数据的供应商服务评价方法及相关设备 - Google Patents
基于大数据的供应商服务评价方法及相关设备 Download PDFInfo
- Publication number
- CN109740838B CN109740838B CN201811394894.1A CN201811394894A CN109740838B CN 109740838 B CN109740838 B CN 109740838B CN 201811394894 A CN201811394894 A CN 201811394894A CN 109740838 B CN109740838 B CN 109740838B
- Authority
- CN
- China
- Prior art keywords
- provider
- information
- service
- evaluation
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 117
- 230000002159 abnormal effect Effects 0.000 claims abstract description 81
- 238000012937 correction Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000013210 evaluation model Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000012423 maintenance Methods 0.000 claims description 14
- 238000013145 classification model Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004806 packaging method and process Methods 0.000 claims description 4
- 238000013075 data extraction Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及机房管理技术领域，尤其涉及一种基于大数据的供应商服务评价方法及相关设备。包括：接收服务需求信息，发送服务需求指令至供应商终端；接收所述供应商终端的反馈信息，确定对供应商服务评价的评价指标；获取供应商维护设备时的实时数据，导入所述实时数据于实时数据统计表；抽取异常数据，赋予所述异常数据以特征标识；获取所有所述异常数据的存在状态，将所述异常数据的存在状态入参到预设的评价模型中进行评价，得到对所述供应商的服务的预评分；将所述预评分入参到误差修正模型中进行误差修正，得到对所述供应商服务评价的最终评分。本申请通过对供应商服务过程进行实时监控和有效评分，能够对供应商进行有效的量化管理和筛选。
Description
技术领域
本申请涉及机房管理技术领域，尤其涉及一种基于大数据的供应商服务评价方法、装置、计算机设备和存储介质。
背景技术
对于数据中心运维管理来说，大多数的设备故障处理系统变更维护等都需要供应商的协助，甚至供应商是主导，运维人员只是起到辅助监督的作用。因此，供应商水平高低、服务质量好坏，对运维工作有直接的影响。
但是业内对于供应商的管理都不够重视，并没有建立一个综合性的平台来管理供应商。传统的做法多是采用人工评价，其最大的不足就是没有以真实的数据做支撑，没能以可量化的方式来评判供应商的服务水平。
因此，根据上述情况，需要一个可对供应商实行量化管理的方法，作为对供应商服务合理评价依据。
发明内容
有鉴于此，有必要针对在企业运维管理过程中对于供应商的服务缺少客观评价的问题，提供一种基于大数据的供应商服务评价方法、装置、计算机设备和存储介质。
一种基于大数据的供应商服务评价方法，包括如下步骤：
接收服务需求信息，抽取所述服务需求信息中的特征字符，根据所述特征字符，发送服务需求指令至供应商终端；
接收所述供应商终端的反馈信息，确定对供应商服务评价的评价指标；
根据所述评价指标，获取供应商维护设备时的实时数据，导入所述实时数据于实时数据统计表，所述实时数据统计表存储在数据库中；
抽取所述实时数据统计表中未达到设备正常运行参数范围内的异常数据，赋予所述异常数据以特征标识；
根据所述特征标识，获取所有所述异常数据的存在状态，将所述异常数据的存在状态入参到预设的评价模型中进行评价，得到对所述供应商的服务的预评分；
将所述预评分入参到误差修正模型中进行误差修正，得到对所述供应商服务评价的最终评分。
在其中一个实施例中，所述接收服务需求信息，抽取所述服务需求信息中的特征字符，根据所述特征字符，发送服务需求指令至供应商终端，包括：
接收所述服务需求信息，获取所述服务需求信息中所包含的设备编号，查询所述设备编号对应的设备信息表，根据所述设备信息表中的信息，确定发送所述服务需求信息的所述设备所对应的供应商，所述设备信息表存储在数据库中，所述设备信息表中包含所述服务需求信息和与所述需求服务信息对应的供应商信息；
抽取所述服务需求信息中的问题特征字符，将所述问题特征字符与所述设备信息表中的问题类型进行匹配，得到所述设备的问题类型；
获取所述设备信息表中包含的所述设备对应的供应商终端的IP地址，根据所述IP地址，将所述设备问题信息和问题类型打包发送至所述供应商终端。
在其中一个实施例中，所述接收所述供应商终端的反馈信息，确定对供应商服务评价的评价指标，包括：
接收所述供应商终端的反馈信息，若所述反馈信息为所述设备非所述供应商维护的设备，则重新获取所述设备对应的供应商信息，否则发送解决问题指令至所述供应商终端；
根据所述供应商的信息，抽取所述供应商的信息中所包含的特征词语，根据所述特征词语与预设的供应商评价表中内容的对应关系，确定对所述供应商评估时所需的多个评价指标；
获取所述供应商的历史业务数据，利用所述历史业务数据所包含的客户反馈信息建立用户评价分类模型，根据所述用户评价分类模型确定出一个或多个所述评价指标的评价信息。
在其中一个实施例中，所述根据所述评价指标，获取供应商维护设备时的实时数据，导入所述实时数据于实时数据统计表，所述实时数据统计表存储在数据库中，包括：
抽取所述评价指标中的时间信息，根据所述时间信息设置采集设备数据的时间节点；
当所述采集设备的时间节点到来时，采集所述设备的各项参数；
获取所述各项参数中的相同项，根据所述相同项的数量将所述设备的各项参数进行聚类，得到数个参数组；
根据设备数据采集的时间节点，赋予所述参数组以不同的特征标识，将带有特征标识的所述参数组导入实时数据统计表。
在其中一个实施例中，所述抽取所述实时数据统计表中未达到设备正常运行参数范围内的异常数据，赋予所述异常数据以特征标识，包括：
获取所述实时数据统计表中所包含的项目名称，根据所述项目名称建立各个项目的数据统计直方图；
获取预设的所述设备的各项参数的正常区间，得到所述各项参数的上限和下限；
以所述上限和所述下限为基准线截取所述数据统计直方图，得到超出所述上限或者所述下限的异常数据；
获取所述超出所述上限或者所述下限的异常数据的开始节点，根据所述开始节点的时刻赋予所述异常数据以特征标识。
在其中一个实施例中，所述根据所述特征标识，获取所有所述异常数据的存在状态，将所述异常数据的存在状态入参到预设的评价模型中进行评价，得到对所述供应商的服务的预评分，包括：
以数据库存储的异常数据存在状态的历史业务数据及供应商历次维护时的反馈数据为样本，在剔除异常样本后，采用特征工程算法构建用于表示每个样本的特征向量；
根据所述特征向量采用机器学习方法进行模型训练，构建用于预测评价指标的评价模型；
将所述异常数据的存在状态入参至所述评价模型，计算得到一个或多个评价指标的评价信息；
将所述评价信息进行字符数值转换，得到对供应商服务评价的预评分。
在其中一个实施例中，所述将所述预评分入参到误差修正模型中进行误差修正，得到对所述供应商服务评价的最终评分，包括：
通过Grange表述定理对所述预评分进行第一步修正，修正公式为：
ΔYt＝lag(ΔY)–λ(μt-1)，式中，μt-1是非均衡误差项，λ是短期调整参数，ΔYt为误差差值，ΔY为差异点；
将经过Grange一步法修正过的评分进行协整回归，获取协整向量；
将所述协整向量输入到误差修正模型中，获取协整回归参数，根据所述协整回归参数，将所述协整回归参数作为权重对修正过的所述预评分进行再次修正，得到最终评分。
将所述协整向量输入到误差修正模型中，获取协整回归参数，将所述协整回归参数作为权重对所述Grange一步法修正过的差异点进行修正，得到最终变更信息。
一种基于大数据的供应商服务评价装置，包括如下模块：
发送需求模块，设置为接收服务需求信息，抽取所述服务需求信息中的特征字符，根据所述特征字符，发送服务需求指令至供应商终端；
评价指标模块，设置为接收所述供应商终端的反馈信息，确定对供应商服务评价的评价指标；
数据导入模块，设置为根据所述评价指标，获取供应商维护设备时的实时数据，导入所述实时数据于实时数据统计表，所述实时数据统计表存储在数据库中；
抽取数据模块，设置为抽取所述实时数据统计表中未达到设备正常运行参数范围内的异常数据，赋予所述异常数据以特征标识；
预评分模块，设置为根据所述特征标识，获取所有所述异常数据的存在状态，将所述异常数据的存在状态入参到预设的评价模型中进行评价，得到对所述供应商的服务的预评分；
最终评分模块，设置为将所述预评分入参到误差修正模型中进行误差修正，得到对所述供应商服务评价的最终评分。
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，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述基于大数据的供应商服务评价方法的步骤。
一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述基于大数据的供应商服务评价方法的步骤。
上述基于大数据的供应商服务评价方法、装置、计算机设备和存储介质，包括接收服务需求信息，抽取所述服务需求信息中的特征字符，根据所述特征字符，发送服务需求指令至供应商终端；接收所述供应商终端的反馈信息，确定对供应商服务评价的评价指标；根据所述评价指标，获取供应商维护设备时的实时数据，导入所述实时数据于实时数据统计表，所述实时数据统计表存储在数据库中；抽取所述实时数据统计表中未达到设备正常运行参数范围内的异常数据，赋予所述异常数据以特征标识；根据所述特征标识，获取所有所述异常数据的存在状态，将所述异常数据的存在状态入参到预设的评价模型中进行评价，得到对所述供应商的服务的预评分；将所述预评分入参到误差修正模型中进行误差修正，得到对所述供应商服务评价的最终评分。本技术方案针对在企业运维管理过程中对于供应商的服务缺少客观评价的问题，通过对供应商服务过程进行实时监控和有效评分，能够对供应商进行有效的量化管理和筛选。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。
图1为本申请一种基于大数据的供应商服务评价方法的整体流程图；
图2为本申请一种基于大数据的供应商服务评价方法中的发送需求过程示意图；
图3为本申请一种基于大数据的供应商服务评价方法中的抽取数据程示意图；
图4为本申请一种基于大数据的供应商服务评价装置的结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
图1为本申请一个实施例中的基于大数据的供应商服务评价方法的流程图，如图1所示，一种基于大数据的供应商服务评价方法，包括以下步骤：
S1，接收服务需求信息，抽取所述服务需求信息中的特征字符，根据所述特征字符，发送服务需求指令至供应商终端；
具体的，在接收服务需求信息时，首先要对发出服务请求的终端进行身份识别，比如设备编号，若发出服务请求的设备编号不在预设的供应商列表中，也就是说该设备需要客户自行维护，则过滤该设备发出的服务请求。在确定所述设备属于供应商列表中的设备后，应用SQL查询语言对服务请求中的文字进行特征字符识别，所述特征字符是指供应商名称、服务需求的类型等。
S2，接收所述供应商终端的反馈信息，确定对供应商服务评价的评价指标；
其中，评价指标可以理解为表征供应商信息各方面特性及其相互联系所设定的多个指标，通常，信息获取方可以基于所需获取的信息，设定多个从不同维度评估用户信息的评价指标。例如，对于空调设备可以设定功耗改善情况、制冷情况等。
S3，根据所述评价指标，获取供应商维护设备时的实时数据，导入所述实时数据于实时数据统计表，所述实时数据统计表存储在数据库中。
具体的，设置获取供应商维护设备时采集数据的数个时间节点，当所述时间节点到来时，根据所述设备的ID标识，依次获取设备的各项实时数据，同时也向进行维护的工作人员所在移动端发送维护情况更新指令，并接受所述工作人员所在移动端发送的反馈信息，将这些信息汇总后一并导入到实时数据统计表中。
S4、抽取所述实时数据统计表中未达到设备正常运行参数范围内的异常数据，赋予所述异常数据以特征标识；
具体的，设备正常运行的参数范围可以是在设备出厂时设置好的，也可以是根据设备在日常使用过程中产生的历史数据统计得到的；当设备的参数超出正常运行时的参数范围，设备则会发出报警信息，设备不同项目超出范围则会产生不同标识的报警信息，这些不同报警信息所对应的颜色或者符号，则作为设备产生的异常数据的特征标识。
S5、根据所述特征标识，获取所有所述异常数据的存在状态，将所述异常数据的存在状态入参到预设的评价模型中进行评价，得到对所述供应商的服务的预评分；
具体的，评价模型在实际应用中可以采用神经网络算法构建神经网络模型、采用决策树算法构建决策树模型，或者是采用聚类算法构建聚类分析模型等。
S6、将所述预评分入参到误差修正模型中进行误差修正，得到对所述供应商服务评价的最终评分。
本实施例，通过对供应商服务过程进行实时监控，并且建立了一套完整有效的评价体系，能够完成对供应商服务水平的客观评价。
图2为本申请一种基于大数据的供应商服务评价方法中的发送需求过程示意图，如图所示，所述接收服务需求信息，抽取所述服务需求信息中的特征字符，根据所述特征字符，发送服务需求指令至供应商终端，包括：
S101、接收所述服务需求信息，获取所述服务需求信息中所包含的设备编号，查询所述设备编号对应的设备信息表，根据所述设备信息表中的信息，确定发送所述服务需求信息的所述设备所对应的供应商，所述设备信息表存储在数据库中，所述设备信息表中包含所述服务需求信息和与所述需求服务信息对应的供应商信息；
具体的，在对服务需求信息进行查询过程中，可以先设定一查询的初始语句长度，根据所述初始语句长度对所述服务需求信息进行语句分割，形成数个初始语句，应有SQL查询语言对每一个所述初始语句进行特征词检索，若所述初始语句中未包含所需的设备编号等信息，则向两端扩展所述初始语句的长度，直到扩展后的语句中包含至少一个所述特征词。
S102、抽取所述服务需求信息中的问题特征字符，将所述问题特征字符与所述设备信息表中的问题类型进行匹配，得到所述设备的问题类型；
具体的，问题类型主要包括设备无法开机、设备工作参数异常等。在进行特征字符匹配时，问题特征字符与问题类型进行精确匹配，当匹配度达到100％时，则认为两者匹配。
S103、获取所述设备信息表中包含的所述设备对应的供应商终端的IP地址，根据所述IP地址，将所述设备问题信息和问题类型打包发送至所述供应商终端。
具体的，在获取供应商终端的IP地址时，对获取的供应商终端的IP地址进行DNS解析，得到DNS解析代码，根据所述DNS解析代码与预设的DNS代码进行匹配后，再将所述设备问题信息和问题类型打包发送至所述供应商终端。
本实施例，通过对供应商的身份进行有效识别，可以根据供应商的不同给予不同的评价指标。
在一个实施例中，所述接收所述供应商终端的反馈信息，确定对供应商服务评价的评价指标，包括：
接收所述供应商终端的反馈信息，若所述反馈信息为所述设备非所述供应商维护的设备，则重新获取所述设备对应的供应商信息，否则发送解决问题指令至所述供应商终端；
根据所述供应商的信息，抽取所述供应商的信息中所包含的特征词语，根据所述特征词语与预设的供应商评价表中内容的对应关系，确定对所述供应商评估时所需的多个评价指标；
具体的，在建立特征词语与供应商列表中内容对应关系时，可以对特征词语进行同义词扩展，即将所述特征词语扩展成包含数个同系特征词语的特征词语组，然后将所述特征词语组中的每一个词语与供应商列表中的内容进行匹配，匹配后从供应商评价表中相应条目下的评价内容确定所述供应商的评价指标。
获取所述供应商的历史业务数据，利用所述历史业务数据所包含的客户反馈信息建立用户评价分类模型，根据所述用户评价分类模型确定出一个或多个所述评价指标的评价信息。
具体的，在建立用户评分分类模型时可以采用各种聚类模型，如K-mean聚类、层次(系统)聚类、最大期望EM算法等，其中常用的是K-mean聚类算法，如[idx,c]＝kmeans(X,k)，其中k是聚类中心个数，X是你存储需要处理的坐标的矩阵，c是一个存储了聚类中心点坐标的矩阵。
本实施例，通过对供应商服务建立评价指标，可以有效的量化供应商的服务环节，从而提升了对供应商服务评价的客观性。
在一个实施例中，所述根据所述评价指标，获取供应商维护设备时的实时数据，导入所述实时数据于实时数据统计表，所述实时数据统计表存储在数据库中，包括：
抽取所述评价指标中的时间信息，根据所述时间信息设置采集设备数据的时间节点；
具体的，在进行时间信息抽取时，先抽取评价指标中的距离当前时刻最近的时间信息，然后从此时间信息开始依次提取出至距离现在时刻最远的时间信息，然后赋予各个时间信息以不同的特征标识，根据所述特征标识设置时间节点。
当所述采集设备的时间节点到来时，采集所述设备的各项参数；
获取所述各项参数中的相同项，根据所述相同项的数量将所述设备的各项参数进行聚类，得到数个参数组；
根据设备数据采集的时间节点，赋予所述参数组以不同的特征标识，将带有特征标识的所述参数组导入实时数据统计表。
本实施例，通过对供应商维护所产生的实时数据进行快速准确的获取，提升了对供应商评价的准确性。
图3为本申请一种基于大数据的供应商服务评价方法中的抽取数据程示意图，如图所示，所述抽取所述实时数据统计表中未达到设备正常运行参数范围内的异常数据，赋予所述异常数据以特征标识，包括：
S401、获取所述实时数据统计表中所包含的项目名称，根据所述项目名称建立各个项目的数据统计直方图；
具体的，在尽力数据统计直方图时，以时间作为横坐标，各个项目名称所产生的数据作为纵坐标，可以将各个项目放在一张直方图中，也可以根据项目名称分别建立多张直方图。
S402、获取预设的所述设备的各项参数的正常区间，得到所述各项参数的上限和下限；
其中，所述设备的各项参数的正常区间可以跟据设备出厂时的性能标签获得，也可以根据设备运行时得到的工作数据获得。
S403、以所述上限和所述下限为基准线截取所述数据统计直方图，得到超出所述上限或者所述下限的异常数据。
具体的，在获取异常数据后可以对异常数据进行聚类，比如将温度超标形成的异常数据聚类成“超温组”等，这样可以在进行对供应商评价时根据异常数据组来进行数据分析，提升分析效率。
S404、获取所述超出所述上限或者所述下限的异常数据的开始节点，根据所述开始节点的时刻赋予所述异常数据以特征标识。
具体的，本步骤中主要是区分异常数据的来源，主要分为两类，1、供应商未开始进行服务时，就存在的异常数据，此异常数据为原始异常数据；2、在设备维护过程中产生的异常数据。对于这两类异常数据存留的时间，分别赋予不同的评价权重。
本实施例，通过对设备产生的异常数据进行分析，能够更加真实有效的对供应商的服务提给予评价。
在一个实施例中，所述根据所述特征标识，获取所有所述异常数据的存在状态，将所述异常数据的存在状态入参到预设的评价模型中进行评价，得到对所述供应商的服务的预评分，包括：
以数据库存储的异常数据存在状态的历史业务数据及供应商历次维护时的反馈数据为样本，在剔除异常样本后，采用特征工程算法构建用于表示每个样本的特征向量；
其中，特征工程，是指用一系列工程化的方式从原始数据中筛选出更好的数据特征，以提升模型的训练效果。数据和特征决定了机器学习的上限，而模型和算法是在逼近这个上限而已。由此可见，好的数据和特征是模型和算法发挥更大的作用的前提。特征工程通常包括数据预处理、特征选择、降维等环节。
根据所述特征向量采用机器学习方法进行模型训练，构建用于预测评价指标的评价模型；
具体的，本步骤中所采用的机器学习方法主要是采用神经网络算法构建神经网络模型、采用决策树算法构建决策树模型，或者是采用聚类算法构建聚类分析模型等。
将所述异常数据的存在状态入参至所述评价模型，计算得到一个或多个评价指标的评价信息；
将所述评价信息进行字符数值转换，得到对供应商服务评价的预评分。
具体的，在进行文字字符数值转换时，根据字符与预设的字符数值对应表，将字符转换成数值，然后将数值进行叠加得到预评分。
本实施例中，通过机器学习方法对异常数据进行有效的评定，从而实现了对供应商服务的非人为评价。
在一个实施例中，所述将所述预评分入参到误差修正模型中进行误差修正，得到对所述供应商服务评价的最终评分，包括：
通过Grange表述定理对所述预评分进行第一步修正，修正公式为：
ΔYt＝lag(ΔY)–λ(μt-1)，式中，μt-1是非均衡误差项，λ是短期调整参数，ΔYt为误差差值，ΔY为差异点；
将经过Grange一步法修正过的评分进行协整回归，获取协整向量；
将所述协整向量输入到误差修正模型中，获取协整回归参数，根据所述协整回归参数，将所述协整回归参数作为权重对修正过的所述预评分进行再次修正，得到最终评分。
将所述协整向量输入到误差修正模型中，获取协整回归参数，将所述协整回归参数作为权重对所述Grange一步法修正过的差异点进行修正，得到最终变更信息。
其中，误差修正模型，首先对变量进行协整分析，以发现变量之间的协整关系，即长期均衡关系，并以这种关系构成误差修正项。然后建立短期模型，将误差修正项看作一个解释变量，连同其它反映短期波动的解释变量一起，建立短期模型，即误差修正模型。
本实施例，通过误差修正模型对预评分进行合理修正，使对供应商的评价更加准确
在一个实施例中，提出了基于大数据的供应商服务评价装置，如图4所示，包括如下模块：
发送需求模块，设置为接收服务需求信息，抽取所述服务需求信息中的特征字符，根据所述特征字符，发送服务需求指令至供应商终端；
评价指标模块，设置为接收所述供应商终端的反馈信息，确定对供应商服务评价的评价指标；
数据导入模块，设置为根据所述评价指标，获取供应商维护设备时的实时数据，导入所述实时数据于实时数据统计表，所述实时数据统计表存储在数据库中；
抽取数据模块，设置为抽取所述实时数据统计表中未达到设备正常运行参数范围内的异常数据，赋予所述异常数据以特征标识；
预评分模块，设置为根据所述特征标识，获取所有所述异常数据的存在状态，将所述异常数据的存在状态入参到预设的评价模型中进行评价，得到对所述供应商的服务的预评分；
最终评分模块，设置为将所述预评分入参到误差修正模型中进行误差修正，得到对所述供应商服务评价的最终评分。
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，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述基于大数据的供应商服务评价方法的步骤。
一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述基于大数据的供应商服务评价方法的步骤。所述存储介质可以为非易失性存储介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请一些示例性实施例，其中描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于大数据的供应商服务评价方法，其特征在于，包括：
接收服务需求信息，抽取所述服务需求信息中的特征字符，根据所述特征字符，发送服务需求指令至供应商终端；
接收所述供应商终端的反馈信息，确定对供应商服务评价的评价指标；
根据所述评价指标，获取供应商维护设备时的实时数据，导入所述实时数据于实时数据统计表，所述实时数据统计表存储在数据库中；
抽取所述实时数据统计表中未达到设备正常运行参数范围内的异常数据，赋予所述异常数据以特征标识；
根据所述特征标识，获取所有所述异常数据的存在状态，将所述异常数据的存在状态入参到预设的评价模型中进行评价，得到对所述供应商的服务的预评分；
将所述预评分入参到误差修正模型中进行误差修正，得到对所述供应商服务评价的最终评分；
所述接收服务需求信息，抽取所述服务需求信息中的特征字符，根据所述特征字符，发送服务需求指令至供应商终端，包括：接收所述服务需求信息，获取所述服务需求信息中所包含的设备编号，查询所述设备编号对应的设备信息表，根据所述设备信息表中的信息，确定发送所述服务需求信息的所述设备所对应的供应商，所述设备信息表存储在数据库中，所述设备信息表中包含所述服务需求信息和与所述服务需求信息对应的供应商信息；抽取所述服务需求信息中的问题特征字符，将所述问题特征字符与所述设备信息表中的问题类型进行匹配，得到所述设备的问题类型；获取所述设备信息表中包含的所述设备对应的供应商终端的IP地址，根据所述IP地址，将所述设备问题信息和问题类型打包发送至所述供应商终端；
所述接收所述供应商终端的反馈信息，确定对供应商服务评价的评价指标，包括：接收所述供应商终端的反馈信息，若所述反馈信息为所述设备非所述供应商维护的设备，则重新获取所述设备对应的供应商信息，否则发送解决问题指令至所述供应商终端；根据所述供应商的信息，抽取所述供应商的信息中所包含的特征词语，根据所述特征词语与预设的供应商评价表中内容的对应关系，确定对所述供应商评估时所需的多个评价指标；获取所述供应商的历史业务数据，利用所述历史业务数据所包含的客户反馈信息建立用户评价分类模型，根据所述用户评价分类模型确定出一个或多个所述评价指标的评价信息；
所述根据所述特征标识，获取所有所述异常数据的存在状态，将所述异常数据的存在状态入参到预设的评价模型中进行评价，得到对所述供应商的服务的预评分，包括：以数据库存储的异常数据存在状态的历史业务数据及供应商历次维护时的反馈数据为样本，在剔除异常样本后，采用特征工程算法构建用于表示每个样本的特征向量；根据所述特征向量采用机器学习方法进行模型训练，构建用于预测评价指标的评价模型；将所述异常数据的存在状态入参至所述评价模型，计算得到一个或多个评价指标的评价信息；将所述评价信息进行字符数值转换，得到对供应商服务评价的预评分。
2.根据权利要求1所述的基于大数据的供应商服务评价方法，其特征在于，所述根据所述评价指标，获取供应商维护设备时的实时数据，导入所述实时数据于实时数据统计表，所述实时数据统计表存储在数据库中，包括：
抽取所述评价指标中的时间信息，根据所述时间信息设置采集设备数据的时间节点；
当所述采集设备的时间节点到来时，采集所述设备的各项参数；
获取所述各项参数中的相同项，根据所述相同项的数量将所述设备的各项参数进行聚类，得到数个参数组；
根据设备数据采集的时间节点，赋予所述参数组以不同的特征标识，将带有特征标识的所述参数组导入实时数据统计表。
3.根据权利要求1所述的基于大数据的供应商服务评价方法，其特征在于，所述抽取所述实时数据统计表中未达到设备正常运行参数范围内的异常数据，赋予所述异常数据以特征标识，包括：
获取所述实时数据统计表中所包含的项目名称，根据所述项目名称建立各个项目的数据统计直方图；
获取预设的所述设备的各项参数的正常区间，得到所述各项参数的上限和下限；
以所述上限和所述下限为基准线截取所述数据统计直方图，得到超出所述上限或者所述下限的异常数据；
获取所述超出所述上限或者所述下限的异常数据的开始节点，根据所述开始节点的时刻赋予所述异常数据以特征标识。
4.根据权利要求1所述的基于大数据的供应商服务评价方法，其特征在于，所述将所述预评分入参到误差修正模型中进行误差修正，得到对所述供应商服务评价的最终评分，包括：
通过Grange表述定理对所述预评分进行第一步修正，修正公式为：
ΔYt= lag(ΔY) – λ（μt − 1），式中，μt − 1是非均衡误差项， λ是短期调整参数，ΔYt为误差差值，ΔY为差异点；
将经过Grange一步法修正过的评分进行协整回归，获取协整向量；
将所述协整向量输入到误差修正模型中，获取协整回归参数，根据所述协整回归参数，将所述协整回归参数作为权重对修正过的所述预评分进行再次修正，得到最终评分；
将所述协整向量输入到误差修正模型中，获取协整回归参数，将所述协整回归参数作为权重对所述Grange一步法修正过的差异点进行修正，得到最终变更信息。
5.一种基于大数据的供应商服务评价装置，其特征在于，包括：
发送需求模块，设置为接收服务需求信息，抽取所述服务需求信息中的特征字符，根据所述特征字符，发送服务需求指令至供应商终端；
评价指标模块，设置为接收所述供应商终端的反馈信息，确定对供应商服务评价的评价指标；
数据导入模块，设置为根据所述评价指标，获取供应商维护设备时的实时数据，导入所述实时数据于实时数据统计表，所述实时数据统计表存储在数据库中；
抽取数据模块，设置为抽取所述实时数据统计表中未达到设备正常运行参数范围内的异常数据，赋予所述异常数据以特征标识；
预评分模块，设置为根据所述特征标识，获取所有所述异常数据的存在状态，将所述异常数据的存在状态入参到预设的评价模型中进行评价，得到对所述供应商的服务的预评分；
最终评分模块，设置为将所述预评分入参到误差修正模型中进行误差修正，得到对所述供应商服务评价的最终评分；
所述发送需求模块具体用于：接收所述服务需求信息，获取所述服务需求信息中所包含的设备编号，查询所述设备编号对应的设备信息表，根据所述设备信息表中的信息，确定发送所述服务需求信息的所述设备所对应的供应商，所述设备信息表存储在数据库中，所述设备信息表中包含所述服务需求信息和与所述服务需求信息对应的供应商信息；抽取所述服务需求信息中的问题特征字符，将所述问题特征字符与所述设备信息表中的问题类型进行匹配，得到所述设备的问题类型；获取所述设备信息表中包含的所述设备对应的供应商终端的IP地址，根据所述IP地址，将所述设备问题信息和问题类型打包发送至所述供应商终端；
所述评价指标模块具体用于：接收所述供应商终端的反馈信息，若所述反馈信息为所述设备非所述供应商维护的设备，则重新获取所述设备对应的供应商信息，否则发送解决问题指令至所述供应商终端；根据所述供应商的信息，抽取所述供应商的信息中所包含的特征词语，根据所述特征词语与预设的供应商评价表中内容的对应关系，确定对所述供应商评估时所需的多个评价指标；获取所述供应商的历史业务数据，利用所述历史业务数据所包含的客户反馈信息建立用户评价分类模型，根据所述用户评价分类模型确定出一个或多个所述评价指标的评价信息；
所述预评分模块具体用于：以数据库存储的异常数据存在状态的历史业务数据及供应商历次维护时的反馈数据为样本，在剔除异常样本后，采用特征工程算法构建用于表示每个样本的特征向量；根据所述特征向量采用机器学习方法进行模型训练，构建用于预测评价指标的评价模型；将所述异常数据的存在状态入参至所述评价模型，计算得到一个或多个评价指标的评价信息；将所述评价信息进行字符数值转换，得到对供应商服务评价的预评分。
6.一种计算机设备，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，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至4中任一项权利要求所述基于大数据的供应商服务评价方法的步骤。
7.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至4中任一项权利要求所述基于大数据的供应商服务评价方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811394894.1A CN109740838B (zh) | 2018-11-22 | 2018-11-22 | 基于大数据的供应商服务评价方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811394894.1A CN109740838B (zh) | 2018-11-22 | 2018-11-22 | 基于大数据的供应商服务评价方法及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109740838A CN109740838A (zh) | 2019-05-10 |
| CN109740838B true CN109740838B (zh) | 2024-04-09 |
Family
ID=66357048
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811394894.1A Active CN109740838B (zh) | 2018-11-22 | 2018-11-22 | 基于大数据的供应商服务评价方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109740838B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111598660A (zh) * | 2020-05-14 | 2020-08-28 | 杭州乐顺科技有限公司 | 一种用于筛选供应商的计算机筛选装置、方法及存储介质 |
| CN111831704B (zh) * | 2020-05-21 | 2023-12-08 | 北京嘀嘀无限科技发展有限公司 | 异常数据的确定方法、装置、存储介质和电子设备 |
| CN112036923A (zh) * | 2020-07-06 | 2020-12-04 | 北京嘀嘀无限科技发展有限公司 | 一种服务评价方法、系统、装置及存储介质 |
| CN112561293A (zh) * | 2020-12-08 | 2021-03-26 | 爱信诺征信有限公司 | 采购商对供应商进行评价的系统以及电子设备 |
| CN112561333B (zh) * | 2020-12-16 | 2024-04-16 | 珠海格力电器股份有限公司 | 一种考核数据处理方法、装置、电子设备及存储介质 |
| CN112529449A (zh) * | 2020-12-20 | 2021-03-19 | 大唐互联科技(武汉)有限公司 | 一种基于大数据的供应商质量评价方法及系统 |
| CN113450028A (zh) * | 2021-08-31 | 2021-09-28 | 深圳格隆汇信息科技有限公司 | 一种行为资金分析方法和系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009059286A (ja) * | 2007-09-03 | 2009-03-19 | Nec Corp | 情報分析システムおよび情報分析方法 |
| KR20140118618A (ko) * | 2013-03-29 | 2014-10-08 | 주식회사 석영시스템즈 | 추천 기능을 포함하는 오일 메이저 벤더 등록을 업체의 성능 수준 추천 시스템 및 그 정보 처리 방법 |
| WO2014174558A1 (ja) * | 2013-04-22 | 2014-10-30 | 株式会社日立製作所 | サプライヤ検索装置およびサプライヤ検索プログラム |
| WO2016021522A1 (ja) * | 2014-08-06 | 2016-02-11 | 株式会社日立製作所 | サプライヤ探索装置および探索方法 |
| CN107045674A (zh) * | 2017-03-31 | 2017-08-15 | 北京国电通网络技术有限公司 | 基于可量化指标体系的供应商评价方法 |
| CN108090681A (zh) * | 2017-12-22 | 2018-05-29 | 广州供电局有限公司 | 电力供应商评价优化方法、系统、存储介质及计算机设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7284204B2 (en) * | 2002-03-29 | 2007-10-16 | International Business Machines Corporation | System, method, and visual user interface for evaluating and selecting suppliers for enterprise procurement |
| US20100023373A1 (en) * | 2008-07-23 | 2010-01-28 | International Business Machines Corporation | System for enabling both a subjective and an objective evaluation of supplier performance |
-
2018
- 2018-11-22 CN CN201811394894.1A patent/CN109740838B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009059286A (ja) * | 2007-09-03 | 2009-03-19 | Nec Corp | 情報分析システムおよび情報分析方法 |
| KR20140118618A (ko) * | 2013-03-29 | 2014-10-08 | 주식회사 석영시스템즈 | 추천 기능을 포함하는 오일 메이저 벤더 등록을 업체의 성능 수준 추천 시스템 및 그 정보 처리 방법 |
| WO2014174558A1 (ja) * | 2013-04-22 | 2014-10-30 | 株式会社日立製作所 | サプライヤ検索装置およびサプライヤ検索プログラム |
| WO2016021522A1 (ja) * | 2014-08-06 | 2016-02-11 | 株式会社日立製作所 | サプライヤ探索装置および探索方法 |
| CN107045674A (zh) * | 2017-03-31 | 2017-08-15 | 北京国电通网络技术有限公司 | 基于可量化指标体系的供应商评价方法 |
| CN108090681A (zh) * | 2017-12-22 | 2018-05-29 | 广州供电局有限公司 | 电力供应商评价优化方法、系统、存储介质及计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109740838A (zh) | 2019-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109740838B (zh) | 基于大数据的供应商服务评价方法及相关设备 | |
| CN111460167A (zh) | 基于知识图谱定位排污对象的方法及相关设备 | |
| CN113935497A (zh) | 智能运维故障处理方法、装置、设备及其存储介质 | |
| CN116415840B (zh) | 一种基于机器学习模型的指标自动预警方法及系统 | |
| CN110210684B (zh) | 粮食加工方案优化方法、装置、设备及存储介质 | |
| CN117290462B (zh) | 一种数据大模型的智能决策系统及方法 | |
| CN111444075A (zh) | 一种自动发现关键影响力指标的方法 | |
| CN109409780B (zh) | 变更处理方法、装置、计算机设备和存储介质 | |
| CN114138601A (zh) | 一种业务告警方法、装置、设备及存储介质 | |
| CN113190426B (zh) | 一种大数据评分系统稳定性监控方法 | |
| CN111260155A (zh) | 粮食加工的工序优化方法、装置、电子设备及存储介质 | |
| CN110689211A (zh) | 网站服务能力的评估方法及装置 | |
| CN114384885B (zh) | 基于异常工况的工艺参数调整方法、装置、设备和介质 | |
| CN110570165A (zh) | 数据节点的监控方法、装置、计算机设备及其存储介质 | |
| CN110716101B (zh) | 电力线路故障定位方法、装置、计算机和存储介质 | |
| CN117332993B (zh) | 基于物联网的金融机具控制管理方法及系统 | |
| CN117829791B (zh) | 基于监管物联网的智慧燃气监管信息处理方法与系统 | |
| CN117172721B (zh) | 用于融资业务的数据流转监管预警方法及系统 | |
| CN114492877B (zh) | 一种业务系统的运维分析方法及装置 | |
| CN116773238B (zh) | 一种基于工业数据的故障监测方法及系统 | |
| CN116402241B (zh) | 一种基于多模型的供应链数据预测方法及装置 | |
| CN118037242A (zh) | 线上业务的识别方法方法、装置、设备及存储介质 | |
| CN117829791A (zh) | 基于监管物联网的智慧燃气监管信息处理方法与系统 | |
| CN116450696A (zh) | 隐患整治工单的生成方法、装置、设备及存储介质 | |
| CN115185923A (zh) | 一种气象观测元数据管理的方法、系统和智能终端 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |