CN110033191A - 一种商业人工智能的分析方法及系统 - Google Patents
一种商业人工智能的分析方法及系统 Download PDFInfo
- Publication number
- CN110033191A CN110033191A CN201910305234.XA CN201910305234A CN110033191A CN 110033191 A CN110033191 A CN 110033191A CN 201910305234 A CN201910305234 A CN 201910305234A CN 110033191 A CN110033191 A CN 110033191A
- Authority
- CN
- China
- Prior art keywords
- performance
- improvement
- assessment
- organizational
- index
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种商业人工智能的分析方法及系统,包括如下步骤,S1、在商业人工智能系统中建立具有BI分析和绩效评估与改善功能的绩效评估‑改善系统;S2、利用绩效评估‑改善系统,通过机器学习建立知识库,并结合实际绩效表现给出推荐管理改善措施。优点是:依靠绩效评估‑改善模型,对组织成员的绩效进行记录、评估、改善;通过组织成员绩效的汇总、分解,实现对组织整体绩效全方位的记录、评估、改善;建立多条相互关联的绩效评估‑改善流程,推动组织实现持续改善,以达成组织目标;建立“组织‑绩效状态‑解决措施‑效果”的机器学习过程,实现问题解决措施的自我学习和智能推荐。
Description
技术领域
本发明涉及商业人工智能领域,尤其涉及一种商业人工智能的分析方法及系统。
背景技术
商业智能(Business Intelligence,以下简称BI)系统描述了一系列的概念和方法,通过应用基于事实的支持系统来辅助商业决策的制定。
BI系统建立的关键是从许多来自不同的组织运作系统的数据并进行清理,以保证数据的正确性,然后经过抽取(Extraction)、转换(Transformation)和装载(Load),即ETL过程,合并到一个企业级的数据仓库里,从而得到企业数据的一个全局视图,在此基础上利用合适的查询和分析工具、数据挖掘工具、OLAP工具等对其进行分析和处理,最后将分析结果呈现给管理者,为管理者的决策过程提供支持。
人工智能(Artificial Intelligence,以下简称AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。
人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。在人工智能应用的领域中,机器学习,即能够在变动的复杂条件下通过学习获得知识以指导后续行动的能力,是一个正在快速成长的领域。
BI系统包括4个组成部分,数据预处理、数据仓库、数据分析和数据展现,主要功能是向管理者输出数据分析的结果,处理的数据都是结构化数据。数据分析一般是通过指标分析的方式进行,BI系统负责计算和展现指标的结果和状态。
AI中的机器学习目前主要集中在对算法的改善,并广泛的应用于:数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列检测、语音和手写识别、战略游戏和机器人运用。目前BI和AI之间尚没有交集。
同时,存在如下问题:
1、现有的BI系统建立过程通常为描述业务进展状态而自下而上地设立指标,较少从管理者的经营目标、管理目标出发,自上而下地分解管理者关心的主题而设立指标。同时,现有BI分析方法多从不同维度对指标的变化进行分析,较少从指标间相互的影响关系入手,分析导致问题发生的原因。
2、现有BI系统多以分析为主要功能,对于针对特定管理目标、指标后续问题的改善提升行动关注较少。同时,针对特定类型的问题,应该采取什么对策研究较少。
3、现有AI系统对于应用在很多微观领域的算法性能关注较多,对企业的大型管理系统的绩效改善所应采取的管理措施关注较少。
以上各项问题的存在,导致BI系统单纯地成为指标和数据分析展示系统,对管理者职责相关的目标关注少,对绩效改善促进作用小,针对各种问题管理者应该采取何种有针对性的措施无法给出建议,因此被管理层认可程度低。
发明内容
本发明的目的在于提供一种基于商业人工智能的分析方法及系统,从而解决现有技术中存在的前述问题。
为了实现上述目的,本发明采用的技术方案如下:
一种商业人工智能的分析方法,包括如下步骤,
S1、在商业人工智能系统中建立具有BI分析和绩效评估与改善功能的绩效评估-改善系统;
S2、在绩效评估-改善系统的基础上,通过机器学习建立知识库,并结合实际绩效表现给出推荐管理改善措施。
优选的,步骤S1包括如下步骤,
S101、建立表征组织及其成员的绩效以及改善状况的绩效评估-改善模型;
S102、结合绩效评估-改善模型建立评估-改善流程,组织成员按照评估-改善流程开展工作,实现组织绩效进展信息的持续采集和分析;并根据分析结果,开展相应绩效改善活动,评价绩效改善活动的效果以及组织成员的绩效;
S103、建立多个不同目的的评估-改善流程,在各评估-改善流程之间对绩效进展数据进行跨流程的相互引用和共享,以实现多个评估-改善流程之间不同组织绩效目标的收集进展数据协同;进而实现绩效的评估与改善。
优选的,将组织绩效分解为成员绩效;组织绩效由成员绩效构成,采用逐级分解的方式将组织绩效分解为多个子组织绩效,各所述子组织绩效又可以分解为多个孙组织绩效,最终将组织绩效分解为多个成员绩效。
优选的,步骤S102包括如下内容,
建立并维护指标库;在组织中建立并维护用于识别组织成员在各种业务活动中绩效表现状态的指标,形成指标库;
建立评估-改善流程;针对特定管理要求,建立相应的评估-改善流程,并为评估-改善流程指定适用于评估-改善流程的组织成员作为评估对象,确定评估-改善流程的起止时间、评估-分析-改善的循环周期以及各组织成员在该流程中的工作时间要求;
建立绩效计分卡;在评估-改善流程中,按照绩效评估-改善模型从指标库中选取相应的指标,为组织成员建立描述其不同类型业务活动的绩效计分卡,所述绩效计分卡用于跟踪其业务活动的绩效进展、记录其对问题的分析过程和所采取的改善措施、行动的进展;
目标承接与指标分析;建立不同组织成员之间目标的逻辑支撑关系,同时建立不同组织成员之间的指标和工作的数量勾稽汇总关系,以实现不同组织成员之间的目标承接与指标分解;
联接数据源;联接外部数据,建立自动、持续性的对数据进行抽取、清洗、转换和加载的功能模块,以持续获取业务的实际进展数据,并将实际进展数据存入数据仓库;
绩效评估;针对具体的组织成员,根据其绩效计分卡中不同目标、指标、工作的目标值与实际值的差异,得出各组织成员的绩效分值和状态,并借助BI系统的多维度分析功能,分析其成因和影响;
制定改善措施;利用BI系统的预测功能估计未来的业务发展趋势,并结合成因和影响分析的结论,参考绩效评估-改善系统推荐的管理改善措施,制定下一步的改善措施;
形成任务、采取行动;基于所制定的改善措施,制定后续的工作任务、行动计划,并将任务和计划落实给不同的责任人以共同协同行动,以期通过行动的推进来实现后期业务绩效的改善。
优选的,步骤S103包括如下内容,
建立多条绩效评估-改善流程;针对同样的组织成员,既支持建立基于特定管理要求的评估-改善流程,也支持建立综合各个不同专业绩效评估要求的评估-改善流程;
实现跨流程指标实际完成值引用;绩效评估-改善系统通过采用指标多数据来源的方式获取指标的实际完成值,所述指标的实际完成值来自于对外部数据源的采集计算结果、或者来自于评估-改善流程内对既有的其他指标的实际完成值进行计算后的结果、或者是来自于其他流程中组织成员指标实际完成值的引用。
优选的,步骤S2包括如下步骤,
S201、确定基础的属性与分类;所述基础的属性与分类包括组织成员的属性与分类,绩效评估状态的属性与分类以及绩效改善措施的属性与分类;
S202、确定分组标准;所述分组标准包括组织成员的分组标准、绩效表现结果的分组标准以及绩效改善措施的分组标准;
S203、知识学习;包括解决措施的整理和内外部知识的学习;
S204、对策推荐;将各种分组标准与实际组织成员及其绩效表现进行匹配,确定其当前状态,进而在此基础上结合知识库中已有的改善措施,给出建议对策。
优选的,S203包括如下内容,
绩效改善措施的整理:将从商业人工智能系统中获取到的实际改善措施的属性和分类按照系统的定义和分类进行调整以确保其规范性;
获取知识;从商业人工智能系统内部获取知识以及从商业人工智能系统外部获取知识;
更新知识库;将内外部知识的学习结果纳入知识库;
知识提炼;统计知识库中的改善措施在不同的时间、不同组织成员类型、不同组织成员绩效表现下被采用或借鉴的几率,及其对绩效的改善结果,计算改善措施的价值指数,识别出更具有借鉴价值的知识,并对重要的知识辅以实地调研、考察以证实其效果,不断更新对知识的评估结果,提炼出更具有价值的知识。
优选的,所述改善措施的价值指数等于该改善措施被借鉴的几率和改善效果的函数。
优选的,S204包括如下内容,
匹配对症;采集实际数据、获取组织成员的实际运行绩效效果,将实际绩效结果与知识库中的组织成员分组标准和绩效评估状态分组标准进行匹配,确定组织成员当前所处的状态;
确定推荐的解决措施;基于匹配得出的组织成员的当前状态,搜索知识库,得出针对当前状态有效的改善措施类型和具体措施,分别提供两类不同的管理者供其参考;管理者按照完全采纳、借鉴、不采纳的三种处理意见对所推荐的改善措施进行处理,并将下一步的具体改善措施录入绩效评估-改善系统;之后组织成员进一步依据改善措施形成任务、采取行动,以实现持续的绩效改善。
本发明的目的还在于提供一种商业人工智能系统,所述商业人工智能系统用于实现上述任一所述的商业人工智能分析方法,包括,
知识库,用于存储内外部知识的学习结果;
指标库,用于存储在组织中建立并维护用于识别组织成员在各种业务活动中绩效表现状态的指标;
数据抽取模块,用于自动、持续性的对外部数据进行抽取、清洗、转换和加载,以持续获取业务的实际进展数据,并将实际进展数据存入数据仓库;
数据仓库,用于存储业务的实际进展数据,以及存储组织成员、绩效表现、采取的绩效改善措施以及绩效改善的效果信息;
BI分析模块,用于分析问题成因,改善效果和未来趋势;
绩效评估-改善模块,用于基于绩效评估-改善模型以及绩效评估-改善流程,对评估对象的绩效进行管理;
对策推荐模块,用于根据评估对象及其绩效状况,推荐改善措施。
本发明的有益效果是:1、依靠绩效评估-改善模型,对组织成员的绩效进行记录、评估、改善。2、通过组织成员绩效的汇总、分解,实现对组织整体绩效全方位的记录、评估、改善。3、建立多条相互关联的绩效评估-改善流程,推动组织实现持续改善,以达成组织目标。4、建立“组织-绩效状态-解决措施-效果”的机器学习过程,以实现问题解决措施的自我学习和智能推荐。5、基于组织绩效持续改善的实际过程数据,机器自我学习、总结出有效的管理改善措施,并智能推荐给人类管理者。
附图说明
图1是本发明实施例中分析方法的流程示意图;
图2是本发明实施例中绩效评估-改善模型的示意图;
图3是本发明实施例中绩效评估-改善模型中的目标展开后的内部模型示意图;
图4是本发明实施例中实际绩效逐级分解的示意图;
图5是本发明实施例中评估-改善流程的示意图;
图6是本发明实施例中知识学习与改善措施推荐的流程示意图;
图7是本发明实施例中商业人工智能的分析系统工作流程示意图;
图8是本发明实施例中商业人工智能系统的架构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
如图1至图8所示,本发明提供了一种商业人工智能的分析方法,包括如下步骤,
S1、在商业人工智能系统中建立具有BI分析和绩效评估与改善功能的绩效评估-改善系统;
S2、在绩效评估-改善系统的基础上,通过机器学习建立知识库,并结合实际绩效表现给出推荐管理改善措施。
本实施例中,所述商业人工智能(Business Artificial Intelligence,以下简称BAI)系统的分析方法是本发明提出的一个新的概念与方法,它通过在传统的商业智能系统(BI系统)中增加机器学习的功能而使商业智能系统能够根据之前决策的结果以及外界获得的决策新知识来更新自己的决策知识库,这使得传统的决策支持系统具备了从数据中学习并更新、沉淀决策知识的能力,基于此它能够给人类决策者提出更具有启发性的决策建议。
本实施例中,所述步骤S1具体解释为,为组织内的绩效评估对象(组织或个人,即组织成员)同时建立并运行多条服务于不同管理领域要求的“目标设定-绩效评估-针对性改善-闭环跟踪”的管理流程,以跟踪各级组织和个人各项工作的目标进展,全面支持组织的各项管理活动。同时,所述绩效评估-改善系统提供BI分析功能,以多角度分析业务问题及原因,基于历史业务数据对未来趋势进行预测,以及对所采取对策措施的效果进行分析。为支持上述功能,所述绩效评估-改善系统建立数据仓库并持续抽取外部数据源的数据以获取实际业务的进展。同时数据仓库还存储评估对象、绩效表现、采取的绩效改善措施、绩效改善的效果信息。
本实施例中,所述步骤S2具体解释为,为具备知识学习和对策推荐的能力,绩效评估-改善系统需要具备以下几方面的功能:
1、对评估对象、评估对象的绩效状态、管理改善措施建立属性和分类描述。
2、依据设定的属性和类别定义,在实际数据的基础上,确定评估对象、绩效表现和已有的绩效改善措施的分组标准并对历史数据进行分组。
3、持续将BAI系统给出推荐措施后实际的绩效结果进行反馈,同时结合外部知识的梳理采集,进行有效改善措施的知识学习,并将学习结果纳入知识库。
4、当实际的绩效数据发生时,根据已有知识进行匹配并给出推荐的改善措施。
本实施例中,通过采用上述分析方法,实现建立组织绩效与改善的功能,实现对组织及其成员的绩效分析评估,并依据分析评估结果制定措施,通过措施的实施来实现组织绩效的改善;对绩效改善措施的实施效果进行跟踪学习、并结合外部管理措施的最佳实践知识,针对组织当前面临的实际管理问题,给出推荐的、经过机器学习方式得出的管理改善措施建议;实现商业人工智能分析功能,实现多维度快速分析以帮助聚焦问题、制定改善措施。
实施例一
如图2至图5,本实施例中,步骤S1包括如下步骤,
S101、建立表征组织及其成员的绩效以及改善状况的绩效评估-改善模型;所述绩效评估-改善模型如图2所示,该模型中的目标进一步展开,其内部模型细节如图3所示,其中:
绩效计分卡状态=F(目标状态,绩效计分卡分值VS.计分卡计划分值);
绩效计分卡分值=F(目标分值);
绩效计分卡趋势=F(计分卡本期分值VS.计分卡上期分值);
目标状态=F(指标状态,工作状态,目标分值VS.目标计划分值);
目标分值=F(指标分值,工作分值);
目标趋势=F(目标本期分值VS.目标上期分值);
指标状态=F(任务状态,指标实际分值VS.指标计划分值);
指标分值=F(指标实际值VS.指标目标值);
指标趋势=F(指标本期实际值VS.指标上期实际值);
工作状态=F(任务状态,工作实际分值VS.工作计划分值);
工作分值=F(工作实际值VS.工作目标值);
工作趋势=F(工作本期分值VS.工作上期分值);
任务状态=F(行动状态,任务实际状态VS.任务计划状态);
行动状态=F(行动实际状态VS.行动计划状态);
即组织或成员(以下称评估对象或组织成员)的绩效由其绩效计分卡的状态、分值(综合绩效值)和趋势表征,每个计分卡包括一个交互讨论的信息区、针对绩效计分卡进行评价的文字区和与该绩效计分卡相关的一组文档附件,一个计分卡包含多个(至少一个,下同)目标(可分为多个视角和主题),一个目标包含多个指标和/或多个工作,一个指标包含描述该指标的信息(值、状态、趋势、分值)和一个分析、多个附件(可省略)、一个措施、多个任务(一个任务包含多个行动),一个工作包含描述该工作的信息(状态、趋势、分值)和一个分析、多个附件(可省略)、一个措施、多个任务(一个任务包含多个行动)。
指标及工作所属的分析是指对指标及工作的完成情况、形成原因、造成的影响、改进方向进行的数据和文字分析,附件是为提供更多参考性信息所提供的文档,措施是指为了改善当前的绩效拟采取工作方法和步骤的描述,任务是指为了落实措施而进行的工作部署,行动是指将任务按照完成任务所需的资源分解而组成的一系列相关的具体工作步骤。
本实施例中,将组织绩效分解为成员绩效;组织绩效由成员绩效构成,采用逐级分解的方式将组织绩效分解为多个子组织绩效,各所述子组织绩效又可以分解为多个孙组织绩效,最终将组织绩效分解为多个成员绩效,如图4所示。进一步,可使:
目标状态=F(指标状态,工作状态,目标分值VS.目标计划分值,子组织目标状态);
目标分值=F(指标分值,工作分值,子组织目标分值);
指标状态=F(任务状态,指标实际分值VS.指标计划分值,子组织指标状态);
指标分值=F(指标实际值VS.指标目标值,子组织指标分值);
指标实际值=F(组织指标实际值,子组织指标实际值);
工作状态=F(任务状态,工作实际分值VS.工作计划分值,子组织工作状态);
工作分值=F(工作实际值VS.工作目标值,子组织工作分值);
工作实际值=F(组织工作实际值,子组织工作实际值);
由此,将组织绩效分解为成员绩效。
本实施例中,进一步,为组织及其下属各级评估对象(子组织、孙组织等)建立绩效目标值(目标计划分值、指标计划目标值、工作计划分值),并不断将绩效的实际值(目标分值、指标实际值、工作实际分值)与其绩效目标值进行对比,发现其差距并根据差距识别导致差距的问题,进而制定针对性的改善措施并实施,如此不断循环来不断推进组织绩效的改善。
为此需要在组织内建立绩效的“评估-改善流程”,以帮助组织不断实现其绩效目标。
本实施例中,步骤S1还包括S102,所述步骤S102、结合绩效评估-改善模型建立评估-改善流程,组织成员按照评估-改善流程开展工作,实现组织绩效进展信息的持续采集和分析;并根据分析结果,开展相应绩效改善活动,评价绩效改善活动的效果以及组织成员的绩效;所述评估-改善流程包括8个流程节点,如图5所示,各节点的逻辑说明如下:
建立并维护指标库;在组织中建立并维护用于识别评估对象在各种业务活动中绩效表现状态的指标,形成指标库;
建立评估-改善流程;针对特定管理要求,建立相应的评估-改善流程,并为评估-改善流程指定适用于评估-改善流程的评估对象作为评估对象,确定评估-改善流程的起止时间、评估-分析-改善的循环周期以及各评估对象在该流程中的工作时间要求;
建立绩效计分卡;在评估-改善流程中,按照绩效评估-改善模型从指标库中选取相应的指标,为评估对象建立描述其不同类型业务活动的绩效计分卡,所述绩效计分卡用于跟踪其业务活动的绩效进展、记录其对问题的分析过程和所采取的改善措施、行动的进展;为每一个计分卡中的目标、指标、工作建立在不同时间点需要达成的目标值,以及根据目标值、实际完成值的差异计算绩效分值、状态的公式。
目标承接与指标分析;建立不同组织成员之间的指标和工作的数量勾稽汇总关系,同时建立不同组织成员之间的目标的逻辑支撑关系,以实现不同组织成员之间的目标承接与指标分解;其中勾稽汇总关系经常为:上级成员的实际完成值=下级成员的实际完成值之和。
联接数据源;联接外部数据,建立自动、持续性的对数据进行抽取、清洗、转换和加载的功能,以持续获取业务的实际进展数据,并将实际进展数据存入数据仓库;供绩效评估-改善系统的分析评估所用;
绩效评估;针对具体的组织成员,根据其绩效计分卡中不同目标、指标、工作的当前目标值与实际值的差异,得出其当前的绩效分值和状态,并借助BI系统的多维度分析功能,分析其成因和影响;
制定改善措施;利用BI系统的预测功能估计未来的业务发展趋势,并结合成因和影响分析的结论,参考绩效评估-改善系统推荐的管理改善措施,制定下一步的改善措施;
形成任务、采取行动;基于所制定的改善措施,制定后续的工作任务、行动计划,并将任务和计划落实给不同的责任人以共同协同行动,以期通过行动的推进实现后期业务绩效的改善。
本实施例中,S103、建立多个不同目的的评估-改善流程,在各评估-改善流程之间对绩效进展数据进行跨流程的相互引用和共享,以实现多个评估-改善流程之间不同组织绩效目标的收集进展数据协同;进而实现绩效的评估与改善。步骤S103包括如下内容,
建立多条绩效评估-改善流程;针对同样的评估对象,支持建立基于特定管理要求的评估-改善流程(专业绩效评估流程),也支持建立综合各个不同专业绩效评估要求的评估-改善流程(综合绩效评估流程);
实现跨流程指标实际完成值引用;绩效评估-改善系统通过采用同一指标多数据来源的方式获取指标的实际完成值,所述指标的实际完成值或来自于对外部数据源的采集计算结果、或者来自于评估-改善流程内对既有的其他指标的实际完成值进行计算后的结果、或者是来自于其他流程中组织成员指标实际完成值的引用。通过这种方式,实现了跨流程的业务实际进展数据的集成,实现了整个绩效评估-改善系统内的“单一业务数据源”功能,解决了不同管理视角下同一业务活动数据结果不唯一、进展和评价结果有分歧的问题。
实施例二
如图6所示,本实施例中,为便于理解,这里比照病人、生病、对症治疗的过程,将基础属性与分类分为三类:评估对象(病人)、绩效评估状态(症状)、改善措施(治疗措施或药方)。步骤S2包括如下步骤,
S201、确定基础的属性与分类;所述基础的属性与分类包括评估对象的属性与分类,绩效评估状态的属性与分类以及绩效改善措施的属性与分类。其中评估对象的属性与分类是针对评估对象本身建立的属性与分类,依据组织业务类型、工作性质、自然规模、业务规模、核心能力、盈利能力等建立描述评估对象的属性参数,并针对不同参数建立分类标准。绩效评估状态的属性与分类,是结合经营目标、指标的目标值与实际值的对比状态,建立描述评估对象的绩效状态的属性与分类标准,通常的属性包括目标与指标的类型、目标与指标的当期状态和变化趋势等。改善措施的属性与分类,通常从措施所在的管理领域、适用的评估对象与绩效状态、针对的对象、实施范围、措施的性质(治标/治本)、实施周期、预期生效的时间、措施内容描述关键词等维度建立属性及分类。
S202、确定分组标准;所述分组标准包括评估对象的分组标准、绩效评估状态的分组标准以及绩效改善措施的分组标准。所述评估对象分组标准为将评估对象按属性与分类进行聚类,根据聚类结果进行分组,将分组标准和分组结果会商、评估、调整、审定后置入BAI系统的知识库并公布施行。绩效评估状态分组标准是对不同组别的评估对象按绩效表现(目标与指标的类型、主要目标与指标的绩效状态和变化趋势)进行聚类,根据聚类结果进行分组,将分组标准和分组结果会商、评估、调整、审定后置入BAI系统的知识库并公布施行。绩效改善措施分组标准为在评估对象分组、评估状态分组的基础上,对改善措施的属性与分类进行聚类,得出改善措施的分组标准和分组结果,将分组标准和分组结果会商、评估、调整、审定后置入BAI系统知识库并公布施行。
S203、知识学习;包括解决措施的整理和内外部知识的学习。为能够不断提供有效的改善措施,BAI系统必须持续学习,以得到新鲜有效的知识。解决措施的整理具体为,每次当评估对象制定了改善措施后,BAI系统的知识管理人员均需对新录入的改善措施进行审视,按照BAI系统内部的分类定义对各评估对象的录入结果进行必要的调整和修改(确认措施本身的真实性,调整不当的措施属性和分类),以保证BAI系统录入措施的规范。内外部知识学习包括三个步骤:
获取知识;从BAI系统内部获取知识以及从BAI系统外部获取知识;从BAI系统内部获取知识时,对评估对象按属性及分类、绩效表现、已采取措施、绩效改善程度进行学习,分别建立“统计模型(主要通过引用率发现应用率高的改善措施)+关联规则算法(发现各种改善措施之间的关联性)”和“神经网络(全面发现有效提升绩效的措施)”两种算法,同时在已有评估对象的实际数据中学习最佳改善措施。根据学习结果得出何种评估对象、在何种绩效表现时,采取什么类型的改善措施(以及具体的措施)效果较好、什么类型的改善措施(以及具体的改善措施)效果不好的结论。对两种算法给出的建议措施进行综合,取两种算法结论一致的措施作为最终的建议措施,如不同算法结论有差异,则注明由哪种算法给出的推荐建议,供用户参考选择。从外部获取知识时,知识管理人员整理符合分类、分组规则的外部管理最佳实践措施作为先验的知识以纳入知识库。
更新知识库;将内外部知识的学习结果纳入知识库;
知识提炼;统计知识库中的改善措施在不同的时间、不同评估对象类型、不同评估对象绩效表现下被采用或借鉴的几率,及其对绩效的改善结果,计算改善措施的价值指数,识别出更具有借鉴价值的知识,并对重要的知识辅以实地调研、考察以证实其效果,不断更新对知识的评估结果,提炼出更具有价值的知识。所述改善措施的价值指数等于该改善措施被借鉴的几率和改善效果的函数。所述具有借鉴价值的知识为有效的改善措施及其适用条件。
S204、对策推荐;将各种分组标准与实际评估对象及其绩效表现进行匹配,确定其当前状态,进而在此基础上结合知识库中已有的改善措施,给出建议对策;价值指数高的知识优先给予推荐。S204具体包括如下内容,
匹配对症;采集实际数据、获取评估对象的实际运行绩效效果,将实际绩效结果与知识库中的评估对象分组标准和绩效评估状态分组标准进行匹配,确定评估对象当前所处的状态;
确定推荐的解决措施;基于匹配得出的评估对象的当前状态,搜索知识库,得出针对当前状态有效的改善措施类型和具体措施(按价值指数和新鲜度降序列出),分别提供给两类不同的管理者(上级管理者和评估对象自身的管理者)供其参考,管理者按照完全采纳、借鉴、不采纳三种处理意见对BAI系统所推荐的措施进行处理,并将下一步的具体改善措施录入绩效评估-改善系统(包括措施所在的管理领域、适用的评估对象与绩效状态、针对的对象、实施范围、措施的性质、实施周期、预期生效的时间、措施内容描述关键词等属性及分类要求均要录入,以供下一步BAI系统的知识学习之用)。随后,评估对象进一步依据改善措施形成任务、采取行动,以实现持续的绩效改善。
实施例三
如图7和图8所示,本发明提供了一种商业人工智能系统(也就是BAI系统),将绩效评估-改善系统与知识学习与改善措施推荐整合起来,就形成了商业人工智能系统,所述BAI系统包括,
知识库,用于存储内外部知识的学习结果;
指标库,用于存储在组织中建立并维护用于识别评估对象在各种业务活动中绩效表现状态的指标;
数据抽取模块,用于自动、持续性的对外部数据进行抽取、清洗、转换和加载,以持续获取业务的实际进展数据,并将实际进展数据存入数据仓库;
数据仓库,用于存储业务的实际进展数据,以及存储评估对象、绩效表现、采取的绩效改善措施以及绩效改善的效果信息;
BI分析模块,用于分析问题成因、改善效果及未来趋势;
绩效评估与改善模块,用于基于绩效评估-改善模型和绩效评估-改善流程,对评估对象的绩效进行管理;
对策推荐模块,用于根据评估对象及其绩效状况,推荐改善措施。
本实施例中,所述BAI系统包括如下功能:
1、支持组织建立统一的指标库,以实现绩效指标的统一管理。
2、支持对组织绩效建立记分卡而综合衡量绩效完成情况,通过对卡内目标-指标-工作设立目标值以完整评估绩效的完成状况,并通过为各级绩效责任者建立计分卡、实现绩效目标的层层分解,进而实现组织绩效向各级责任者的落实。
3、建立持续的绩效评估-改善流程,推动组织实现持续改善。
4、通过多条绩效评估-改善流程的协同,推动组织全面达成组织各方面的绩效目标。
5、持续采集外部数据源,对数据进行ETL和数据仓库建模,实现绩效指标、目标实际进展的自动计算、自动预警。
6、具有BI多维度分析功能(含历史数据分析和对策效果分析)和未来趋势预测功能。
7、知识库能够采用机器学习算法,从组织实际运行数据中通过学习得出有效的绩效改善措施,同时还能学习组织外部的管理最佳实践改善措施,将内外知识不断纳入知识库,使组织具备了持续学习管理知识、不断提升管理水平的能力。
8、通过对策推荐功能,实现了组织知识向各级管理者的传递和转移,从而使商业人工智能的系统成为快速积累组织智能的平台,和提升组织决策智能化程度的有效工具。
通过采用本发明公开的上述技术方案,得到了如下有益的效果:
本发明提供了一种商业人工智能的分析方法及系统,通过采用分析方法和相应的分析系统,依靠绩效评估-改善模型,对组织成员的绩效进行记录、评估、改善;通过组织成员绩效的汇总、分解,实现对组织整体绩效全方位的记录、评估、改善;建立多条相互关联的绩效评估-改善流程,推动组织实现持续改善,以达成组织目标;建立“组织-绩效状态-解决措施-效果”的机器学习过程,以实现问题解决措施的自我学习和智能推荐;基于组织绩效持续改善的实际过程数据,机器自我学习、总结出有效的管理改善措施,并智能推荐给人类管理者。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (10)
1.一种商业人工智能的分析方法,其特征在于:包括如下步骤,
S1、在商业人工智能系统中建立具有BI分析和绩效评估与改善功能的绩效评估-改善系统;
S2、在绩效评估-改善系统的基础上,通过机器学习建立知识库,并结合实际绩效表现给出推荐管理改善措施。
2.根据权利要求1所述的商业人工智能的分析方法,其特征在于:步骤S1包括如下步骤,
S101、建立表征组织及其成员的绩效以及改善状况的绩效评估-改善模型;
S102、结合绩效评估-改善模型建立评估-改善流程,组织成员按照评估-改善流程开展工作,实现组织绩效进展信息的持续采集和分析;并根据分析结果,开展相应绩效改善活动,评价绩效改善活动的效果以及组织成员的绩效;
S103、建立多个不同目的的评估-改善流程,在各评估-改善流程之间对绩效进展数据进行跨流程的相互引用和共享,以实现多个评估-改善流程之间不同组织绩效目标的收集进展数据协同;进而实现绩效的评估与改善。
3.根据权利要求2所述的商业人工智能的分析方法,其特征在于:将组织绩效分解为成员绩效;组织绩效由成员绩效构成,采用逐级分解的方式将组织绩效分解为多个子组织绩效,各所述子组织绩效又可以分解为多个孙组织绩效,最终将组织绩效分解为多个成员绩效。
4.根据权利要求2所述的商业人工智能的分析方法,其特征在于:步骤S102包括如下内容,
建立并维护指标库;在组织中建立并维护用于识别组织成员在各种业务活动中绩效表现状态的指标,形成指标库;
建立评估-改善流程;针对特定管理要求,建立相应的评估-改善流程,并为评估-改善流程指定适用于评估-改善流程的组织成员作为评估对象,确定评估-改善流程的起止时间、评估-分析-改善的循环周期以及各组织成员在该流程中的工作时间要求;
建立绩效计分卡;在评估-改善流程中,按照绩效评估-改善模型从指标库中选取相应的指标,为组织成员建立描述其不同类型业务活动的绩效计分卡,所述绩效计分卡用于跟踪其业务活动的绩效进展、记录其对问题的分析过程和所采取的改善措施、行动的进展;
目标承接与指标分析;建立不同组织成员之间目标的逻辑支撑关系,同时建立不同组织成员之间的指标和工作的数量勾稽汇总关系,以实现不同组织成员之间的目标承接与指标分解;
联接数据源;联接外部数据,建立自动、持续性的对数据进行抽取、清洗、转换和加载的功能模块,以持续获取业务的实际进展数据,并将实际进展数据存入数据仓库;
绩效评估;针对具体的组织成员,根据其绩效计分卡中不同目标、指标、工作的目标值与实际值的差异,得出各组织成员的绩效分值和状态,并借助BI系统的多维度分析功能,分析其成因和影响;
制定改善措施;利用BI系统的预测功能估计未来的业务发展趋势,并结合成因和影响分析的结论,参考绩效评估-改善系统推荐的管理改善措施,制定下一步的改善措施;
形成任务、采取行动;基于所制定的改善措施,制定后续的工作任务、行动计划,并将任务和计划落实给不同的责任人以共同协同行动,以期通过行动的推进来实现后期业务绩效的改善。
5.根据权利要求2所述的商业人工智能的分析方法,其特征在于:步骤S103包括如下内容,
建立多条绩效评估-改善流程;针对同样的组织成员,既支持建立基于特定管理要求的评估-改善流程,也支持建立综合各个不同专业绩效评估要求的评估-改善流程;
实现跨流程指标实际完成值引用;绩效评估-改善系统通过采用指标多数据来源的方式获取指标的实际完成值,所述指标的实际完成值来自于对外部数据源的采集计算结果、或者来自于评估-改善流程内对既有的其他指标的实际完成值进行计算后的结果、或者是来自于其他流程中组织成员指标实际完成值的引用。
6.根据权利要求1所述的商业人工智能的分析方法,其特征在于:步骤S2包括如下步骤,
S201、确定基础的属性与分类;所述基础的属性与分类包括组织成员的属性与分类,绩效评估状态的属性与分类以及绩效改善措施的属性与分类;
S202、确定分组标准;所述分组标准包括组织成员的分组标准、绩效表现结果的分组标准以及绩效改善措施的分组标准;
S203、知识学习;包括解决措施的整理和内外部知识的学习;
S204、对策推荐;将各种分组标准与实际组织成员及其绩效表现进行匹配,确定其当前状态,进而在此基础上结合知识库中已有的改善措施,给出建议对策。
7.根据权利要求6所述的商业人工智能的分析方法,其特征在于:S203包括如下内容,
绩效改善措施的整理:将从商业人工智能系统中获取到的实际改善措施的属性和分类按照系统的定义和分类进行调整以确保其规范性;
获取知识;从商业人工智能系统内部获取知识以及从商业人工智能系统外部获取知识;
更新知识库;将内外部知识的学习结果纳入知识库;
知识提炼;统计知识库中的改善措施在不同的时间、不同组织成员类型、不同组织成员绩效表现下被采用或借鉴的几率,及其对绩效的改善结果,计算改善措施的价值指数,识别出更具有借鉴价值的知识,并对重要的知识辅以实地调研、考察以证实其效果,不断更新对知识的评估结果,提炼出更具有价值的知识。
8.根据权利要求7所述的商业人工智能的分析方法,其特征在于:所述改善措施的价值指数等于该改善措施被借鉴的几率和改善效果的函数。
9.根据权利要求6所述的商业人工智能的分析方法,其特征在于:S204包括如下内容,
匹配对症;采集实际数据、获取组织成员的实际运行绩效效果,将实际绩效结果与知识库中的组织成员分组标准和绩效评估状态分组标准进行匹配,确定组织成员当前所处的状态;
确定推荐的解决措施;基于匹配得出的组织成员的当前状态,搜索知识库,得出针对当前状态有效的改善措施类型和具体措施,分别提供两类不同的管理者供其参考;管理者按照完全采纳、借鉴、不采纳的三种处理意见对所推荐的改善措施进行处理,并将下一步的具体改善措施录入绩效评估-改善系统;之后组织成员进一步依据改善措施形成任务、采取行动,以实现持续的绩效改善。
10.一种商业人工智能系统,其特征在于:所述商业人工智能系统用于实现上述权利要求1至9任一所述的商业人工智能分析方法,包括,
知识库,用于存储内外部知识的学习结果;
指标库,用于存储在组织中建立并维护用于识别组织成员在各种业务活动中绩效表现状态的指标;
数据抽取模块,用于自动、持续性的对外部数据进行抽取、清洗、转换和加载,以持续获取业务的实际进展数据,并将实际进展数据存入数据仓库;
数据仓库,用于存储业务的实际进展数据,以及存储组织成员、绩效表现、采取的绩效改善措施以及绩效改善的效果信息;
BI分析模块,用于分析问题成因,改善效果和未来趋势;
绩效评估-改善模块,用于基于绩效评估-改善模型以及绩效评估-改善流程,对评估对象的绩效进行管理;
对策推荐模块,用于根据评估对象及其绩效状况,推荐改善措施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910305234.XA CN110033191B (zh) | 2019-04-16 | 2019-04-16 | 一种商业人工智能的分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910305234.XA CN110033191B (zh) | 2019-04-16 | 2019-04-16 | 一种商业人工智能的分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110033191A true CN110033191A (zh) | 2019-07-19 |
CN110033191B CN110033191B (zh) | 2021-08-24 |
Family
ID=67238685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910305234.XA Active CN110033191B (zh) | 2019-04-16 | 2019-04-16 | 一种商业人工智能的分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110033191B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599041A (zh) * | 2019-09-16 | 2019-12-20 | 未来地图(深圳)智能科技有限公司 | 基于人工智能技术的企业目标管理方法、云端及系统 |
CN116757542A (zh) * | 2023-06-26 | 2023-09-15 | 朱东 | 一种绩效管理改善系统及方法 |
US11816542B2 (en) | 2019-09-18 | 2023-11-14 | International Business Machines Corporation | Finding root cause for low key performance indicators |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102207928A (zh) * | 2011-06-02 | 2011-10-05 | 河海大学常州校区 | 基于强化学习的多Agent污水处理决策支持系统 |
CN103514493A (zh) * | 2012-06-19 | 2014-01-15 | 镇江睿泰信息科技有限公司 | 一种无缝化的人力资源管理方法 |
CN104715348A (zh) * | 2015-03-18 | 2015-06-17 | 北京殷塞信息技术有限公司 | 综合商业智能分析方法及系统 |
CN107369001A (zh) * | 2017-07-06 | 2017-11-21 | 广东电网有限责任公司信息中心 | 一种大型电力企业绩效发放监控与分析系统 |
CN108038583A (zh) * | 2016-10-28 | 2018-05-15 | 开利公司 | 用于管理绩效指标以解决企业设施运营管理目标的方法和系统 |
CN108604222A (zh) * | 2015-12-28 | 2018-09-28 | 云脑科技有限公司 | 用于部署定制机器学习服务的系统和方法 |
CN109377050A (zh) * | 2018-10-24 | 2019-02-22 | 江苏税软软件科技有限公司 | 一种基于风险分析及ai人工智能模型风险分析方法 |
WO2019051544A1 (en) * | 2017-09-12 | 2019-03-21 | Jain Agriculture Services Australia Pty Ltd | DESIGN, IMPLEMENTATION AND MONITORING OF AN INTEGRATED INTELLIGENT IRRIGATION SYSTEM |
CN109598607A (zh) * | 2018-12-06 | 2019-04-09 | 上海点融信息科技有限责任公司 | 基于人工智能监控自学习模型的方法、装置及存储介质 |
-
2019
- 2019-04-16 CN CN201910305234.XA patent/CN110033191B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102207928A (zh) * | 2011-06-02 | 2011-10-05 | 河海大学常州校区 | 基于强化学习的多Agent污水处理决策支持系统 |
CN103514493A (zh) * | 2012-06-19 | 2014-01-15 | 镇江睿泰信息科技有限公司 | 一种无缝化的人力资源管理方法 |
CN104715348A (zh) * | 2015-03-18 | 2015-06-17 | 北京殷塞信息技术有限公司 | 综合商业智能分析方法及系统 |
CN108604222A (zh) * | 2015-12-28 | 2018-09-28 | 云脑科技有限公司 | 用于部署定制机器学习服务的系统和方法 |
CN108038583A (zh) * | 2016-10-28 | 2018-05-15 | 开利公司 | 用于管理绩效指标以解决企业设施运营管理目标的方法和系统 |
CN107369001A (zh) * | 2017-07-06 | 2017-11-21 | 广东电网有限责任公司信息中心 | 一种大型电力企业绩效发放监控与分析系统 |
WO2019051544A1 (en) * | 2017-09-12 | 2019-03-21 | Jain Agriculture Services Australia Pty Ltd | DESIGN, IMPLEMENTATION AND MONITORING OF AN INTEGRATED INTELLIGENT IRRIGATION SYSTEM |
CN109377050A (zh) * | 2018-10-24 | 2019-02-22 | 江苏税软软件科技有限公司 | 一种基于风险分析及ai人工智能模型风险分析方法 |
CN109598607A (zh) * | 2018-12-06 | 2019-04-09 | 上海点融信息科技有限责任公司 | 基于人工智能监控自学习模型的方法、装置及存储介质 |
Non-Patent Citations (2)
Title |
---|
CGMA: "BUSINESS ANALYTICS AND DECISION MAKING", 《HTTPS://WWW.CGMA.ORG/RESOURCE/DOWNLOADABLEDOCUMENTS/BUSINESS-ANALYTICS-BRIEFING.PDR》 * |
陈荃等: "基于知识库的基层卫生服务绩效考核", 《医学信息学杂志》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599041A (zh) * | 2019-09-16 | 2019-12-20 | 未来地图(深圳)智能科技有限公司 | 基于人工智能技术的企业目标管理方法、云端及系统 |
US11816542B2 (en) | 2019-09-18 | 2023-11-14 | International Business Machines Corporation | Finding root cause for low key performance indicators |
CN116757542A (zh) * | 2023-06-26 | 2023-09-15 | 朱东 | 一种绩效管理改善系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110033191B (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vincent | Integrating intuition and artificial intelligence in organizational decision-making | |
Peteraf et al. | Getting to know you: A theory of strategic group identity | |
Pettigrew | Contextualist research and the study of organizational change processes | |
CN101147169B (zh) | 评估实体状态的系统 | |
CN110033191A (zh) | 一种商业人工智能的分析方法及系统 | |
Begoña Lloria | Differentiation in knowledge‐creating organizations | |
Amayreh | The role of knowledge management in delivering the organization to the state of performance excellence: Mediating role of technological vigilance | |
Rezaei et al. | Knowledge is of no value unless to be shared. A synthesis of knowledge-sharing drivers in born-globals | |
Sciarelli | Resource-based theory and market-driven management | |
Jones et al. | The influence of mergers and acquisitions on R&D managerial decision making: A multiple-case study of pharmaceutical firms | |
Leyer et al. | Twenty years research on lean management in services: results from a meta-review | |
Urbancova et al. | Control and its role in the process of ensuring knowledge continuity | |
Huang et al. | Planning of educational training courses by data mining: Using China Motor Corporation as an example | |
Sabale et al. | Role of Artificial Intelligence in Corporate Training and Development-A Conceptual Paper | |
Mwaro et al. | Neural network model for talent recruitment and management for employee development and retention | |
Ijose | Culture and the adoption of practices: An assessment of the US automotive manufacturing sector | |
Lagunes et al. | Model for Determining the Absorption Capacity of SMES in the Manufacturing Sector | |
Kowang et al. | Technology management: Developing an innovation model for research universities in Malaysia | |
Godlewska-Majkowska | Creating an intelligent organisation as a source of competitive advantages: conditions and dilemmas | |
Zarghami et al. | A hybrid approach for performance evaluation and ranking of divisional structure organisations | |
Al-Saraireh et al. | Government data analytics, innovative, absorptive and citizens-demand sensing capability: a fuzzy set analysis | |
Jurczyk-Bunkowska | Processing Imprecise Knowledge for Innovation Variants Evaluation Using Fuzzy TOPSIS | |
Lindsay et al. | A lean healthcare journey: the Scottish experience | |
Kauer | The effect of managerial experiences on strategic sensemaking | |
Kassira | Streamlining Management, Team Coordination and Optimizing Service Delivery at Primal Health Clinics—A Total Quality Management Approach |
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 |