CN110110898A - 基于企业健康指标的行业分析方法及装置、服务器 - Google Patents
基于企业健康指标的行业分析方法及装置、服务器 Download PDFInfo
- Publication number
- CN110110898A CN110110898A CN201910290510.XA CN201910290510A CN110110898A CN 110110898 A CN110110898 A CN 110110898A CN 201910290510 A CN201910290510 A CN 201910290510A CN 110110898 A CN110110898 A CN 110110898A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- health indicator
- data
- business data
- threshold value
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于企业健康指标的行业分析方法及装置、服务器。该方法包括按照预设数据维度配置企业健康指标;根据所述企业健康指标确定企业数据标准阈值区间;在所述企业数据标准阈值区间内,得到行业分析结果。本申请解决了预测企业发展时缺乏合理的企业健康指标的技术问题。通过本申请将企业的健康情况使用健康指标进行表征,并海量的企业脱敏数据给出不同规模、不同行业的企业数据参数正常范围用于行业分析。此外,本申请可用于机器学习模型训练以及企业健康预测和诊断。
Description
技术领域
本申请涉及企业分析、人事管理领域,具体而言,涉及一种基于企业健康指标的行业分析方法及装置、服务器。
背景技术
对企业发展进行预测分析,通常需要借助专家或咨询机构,对海量数据进行分析诊断并得出企业发展的预测出结果。
发明人发现,在获取已知企业数据时大多依靠专家或咨询公司根据经验分析海量数据,得到的企业指标并不准确。进一步,影响预测结果的准确率。
针对相关技术中预测企业发展时缺乏合理的企业健康指标的问题,目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种基于企业健康指标的行业分析方法及装置、服务器,以解决预测企业发展时缺乏合理的企业健康指标的问题。
为了实现上述目的,根据本申请的一个方面,提供了一种基于企业健康指标的行业分析方法。
根据本申请的基于企业健康指标的行业分析方法包括:按照预设数据维度配置企业健康指标;根据所述企业健康指标确定企业数据标准阈值区间;在所述企业数据标准阈值区间内,得到行业分析结果。
进一步地,方法还包括:根据行业分析结果对企业健康诊断结果和企业发展预测结果进行持续回归。
进一步地,按照预设数据维度配置企业健康指标包括:
按照预设数据维度配置企业中第一健康指标,其中,所述第一健康指标用于作为公司指标维度;
根据所述企业健康指标确定企业数据标准阈值区间包括:
根据所述第一健康指标确定企业数据标准阈值区间。
进一步地,按照预设数据维度配置企业健康指标包括:
按照预设数据维度配置企业中第二健康指标,其中,所述第二健康指标用于作为人效指标维度;
根据所述企业健康指标确定企业数据标准阈值区间包括:
根据所述第二健康指标确定企业数据标准阈值区间。
进一步地,按照预设数据维度配置企业健康指标包括:
按照预设数据维度配置企业中第三健康指标,其中,所述第三健康指标用于作为招聘指标维度;
根据所述企业健康指标确定企业数据标准阈值区间包括:
根据所述第三健康指标确定企业数据标准阈值区间。
进一步地,在所述企业数据标准阈值区间内,得到行业分析结果包括:
根据已知企业数据训练得到预设机器学习模型;
输入未知目标企业数据到所述预设机器学习模型;
通过所述预设机器学习模型,在所述企业数据标准阈值区间内输出对于所述未知目标企业的预测结果。
为了实现上述目的,根据本申请的另一方面,提供了一种基于企业健康指标的行业分析装置。
根据本申请的基于企业健康指标的行业分析装置包括:配置模块,用于按照预设数据维度配置企业健康指标;阈值区间模块,用于根据所述企业健康指标确定企业数据标准阈值区间;分析模块,用于在所述企业数据标准阈值区间内,得到行业分析结果。
进一步地,装置还包括:回归模块,所述回归模块,用于根据行业分析结果对企业健康诊断结果和企业发展预测结果进行持续回归。
进一步地,分析模块包括:
训练单元,用于根据已知企业数据训练得到预设机器学习模型;
输入单元,用于输入未知目标企业数据到所述预设机器学习模型;
预测单元,用于通过所述预设机器学习模型,在所述企业数据标准阈值区间内输出对于所述未知目标企业的预测结果。
为了实现上述目的,根据本申请的又一方面,提供了一种服务器包括:所述的行业分析装置。
在本申请实施例中基于企业健康指标的行业分析方法及装置,采用按照预设数据维度配置企业健康指标的方式,通过根据所述企业健康指标确定企业数据标准阈值区间,达到了在所述企业数据标准阈值区间内,得到行业分析结果的目的,从而实现了基于企业健康指标对不同规模、不同行业数据的推荐和回归的技术效果,进而解决了预测企业发展时缺乏合理的企业健康指标的技术问题。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请第一实施例中的基于企业健康指标的行业分析方法流程示意图;
图2是根据本申请第二实施例中的基于企业健康指标的行业分析方法流程示意图;
图3是根据本申请第三实施例中的基于企业健康指标的行业分析方法流程示意图;
图4是根据本申请第四实施例中的基于企业健康指标的行业分析方法流程示意图;
图5是根据本申请第五实施例中的基于企业健康指标的行业分析方法流程示意图;
图6是根据本申请第六实施例中的基于企业健康指标的行业分析方法流程示意图;
图7是根据本申请第一实施例中的基于企业健康指标的行业分析装置结构示意图;
图8是根据本申请第二实施例中的基于企业健康指标的行业分析装置结构示意图;
图9是根据本申请第三实施例中的基于企业健康指标的行业分析装置结构示意图;
图10是原理架构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
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。下面将参考附图并结合实施例来详细说明本申请。
如图1所示,该方法包括如下的步骤S102至步骤S106:
步骤S102,按照预设数据维度配置企业健康指标;
在获取企业数据的准备阶段按照预设数据维度配置企业健康指标,企业健康指标可以包括公司员工平均年龄、已婚人数比、工作满意比、薪资幅度等量化健康指标。企业健康指标也可以包括,人员绩效、人均加班时间、人均利润、培训费、加班支持、升职比、人力资源费用比等量化健康指标。企业健康指标还可以包括:岗位雇佣时长、首月离职率、职位空缺比、雇佣满意率等量化健康指标。
需要注意的是,本申请的实施例中并不对预设数据维度进行具体限定,只要能够满足企业健康维度属于将康指标即可,本领域技术人员可以根据实际使用场景进行配置或选择。
步骤S104,根据所述企业健康指标确定企业数据标准阈值区间;
所述企业健康指标确定企业数据标准阈值区间是指符合企业健康指标发展的企业数据分数。
步骤S106,在所述企业数据标准阈值区间内,得到行业分析结果。
当确定了所述企业数据标准阈值区间后,通过在企业数据标准阈值区间中的相似分数查找相似企业数据,根据相似企业诊断分析,得到行业分析结果包括预测发展和健康诊断提供解决方案。
具体地,首先,通过改变原来企业管理制度调整全靠“专家”及“咨询公司”的经验型传统方法,将企业的健康情况使用健康指标进行表征。具体地,包括了不同数据维度以及具体关联动作数据。然后,再利用人工智能学习模型进行推荐和回归。基于数万计海量的企业脱敏数据(不涉及用户隐私的数据)给出不同规模、不同行业的企业数据参数正常范围。在所述企业数据参数范围内,反复对具体企业进行数据建模、双模型对比诊断。并且引入线下专家库推荐对方案进行调整、再回归比对改进价值的可持续迭代的进行优化。
从以上的描述中,可以看出,本申请实现了如下技术效果:
在本申请实施例中,采用按照预设数据维度配置企业健康指标的方式,通过根据所述企业健康指标确定企业数据标准阈值区间,达到了在所述企业数据标准阈值区间内,得到行业分析结果的目的,从而实现了基于企业健康指标对不同规模、不同行业数据的推荐和回归的技术效果,进而解决了预测企业发展时缺乏合理的企业健康指标的技术问题。
根据本申请实施例,作为本实施例中的优选,如图2所示,该方法还包括:步骤S202,根据行业分析结果对企业健康诊断结果和企业发展预测结果进行持续回归。通过双模型对比诊断、在所述健康诊断和预测发展解决方案提供模块中专家库推荐调整方案、在所述持续追踪优化模块中回归比对改进价值可持续迭代的改进。
根据本申请实施例,作为本实施例中的优选,如图3所示,按照预设数据维度配置企业健康指标包括:
步骤S302,按照预设数据维度配置企业中第一健康指标,其中,所述第一健康指标用于作为公司指标维度;
公司指标维度通过将企业健康情况采用不同数据维度和多种具体关联动作数据做公司指标表征。公司指标可以包括:平均年龄、平均在职时长、退休率、距家距离、已婚人数比、工作满意比、涨薪幅度等。
需要注意的是,本申请实施例中的公司指标维度并不进行具体限定,只要满足该数据维度要求即可。
根据所述企业健康指标确定企业数据标准阈值区间包括:
步骤S304,根据所述第一健康指标确定企业数据标准阈值区间。
所述第一健康指标确定企业数据标准阈值区间是指符合第一健康指标发展的企业数据分数。
根据本申请实施例,作为本实施例中的优选,如图4所示,按照预设数据维度配置企业健康指标包括:
步骤S402,按照预设数据维度配置企业中第二健康指标,其中,所述第二健康指标用于作为人效指标维度;
人效指标维度通过将企业健康情况采用不同数据维度和多种具体关联动作数据做公司指标表征。人效指标可以包括:人效、全职人效、人均利润、全职人均利润、人均加班时间、人工成本、入职人工成本、人工成本收入比、人工成本支出比、空勤率、经理/部门空勤率、加班支出、人均培训费、培训效能、自愿流失率、开出率、人才流失率、旷工成本、总营业额成本、全员工时长、人力资源费用比、晋升时长、升职比等。
需要注意的是,本申请实施例中的人效指标维度并不进行具体限定,只要满足该数据维度要求即可。
根据所述企业健康指标确定企业数据标准阈值区间包括:
步骤S404,根据所述第二健康指标确定企业数据标准阈值区间。
所述第二健康指标确定企业数据标准阈值区间是指符合第二健康指标发展的企业数据分数。
根据本申请实施例,作为本实施例中的优选,如图5所示,按照预设数据维度配置企业健康指标包括:
步骤S502,按照预设数据维度配置企业中第三健康指标,其中,所述第三健康指标用于作为招聘指标维度;
招聘指标维度通过将企业健康情况采用不同数据维度和多种具体关联动作数据做公司指标表征。招聘指标可以包括:岗位满足时长、岗位雇佣时长、平均雇佣成本、雇佣来源、首年离职率、首年离职雇佣比、首月离职率、首月离职雇佣比、良人率、雇佣满意率、岗位吸力度、人才翻新率、单人成本、总职位接收比、职位空缺比、申请空缺比、招聘漏斗、渠道使用率、广告成效比等。
需要注意的是,本申请实施例中的招聘指标维度并不进行具体限定,只要满足该数据维度要求即可。
根据所述企业健康指标确定企业数据标准阈值区间包括:
步骤S504,根据所述第三健康指标确定企业数据标准阈值区间。
所述第三健康指标确定企业数据标准阈值区间是指符合第三健康指标发展的企业数据分数。
根据本申请实施例,作为本实施例中的优选,如图6所示,在所述企业数据标准阈值区间内,得到行业分析结果包括:
步骤S602,根据已知企业数据训练得到预设机器学习模型;
已知企业数据中数据提取来源包括已知企业公开信息数据和预设全链路数据。其中,所述已知企业公开信息数据的数据量大于所述预设全链路数据。但是预设全链路数据的数据深度大于所述已知企业公开信息数据。在所述预设全链路数据建立独有的数据以及干预或非干预因子权重,数据更加精准。
所述预设全链路数据包括但不限于企业规模数据、企业所属行业数据、企业财务数据、企业人事数据、企业组织结构数据等等。
需要注意的是,在本申请的实施例中并不对具体已知企业数据的来源或数据结构进行限定,只要能够满足训练得到预设机器学习模型的要求即可,本领域技术人员可以根据实际使用情况进行选择或配置。
还需要注意的是,所述机器学习模型基于全连接神经网络模型,所述所述机器学习模型训练模块对已知行业企业数据进行多次学习训练,得到目标企业的预测处理结果。在本申请的实施例中并不对于具体全连接神经网络模型结构进行限定,只要能够满足学习模型能够找到与目标企业类似的相似企业即可。
步骤S604,输入未知目标企业数据到所述预设机器学习模型;
未知目标企业数据可以包括:未知行业未知目标企业数据或已知行业未知目标企业数据。通过利用已知行业企业数据对所述预设机器学习模型进行多次学习训练,做到目标企业健康诊断和发展预测,并提供解决方案持续追踪优化。此外还可以利用未知行业企业数据根据预设全链路数据中预设维度(比如,人员规模等)的相似度进行训练识别相似企业进行健。
此外,所述机器学习模型训练模块对未知行业企业数据通过预设维度的相似度计算,得到相似企业的预测处理结果。从而可以提高对未知企业模型识别精准度。
步骤S606,通过所述预设机器学习模型,在所述企业数据标准阈值区间内输出对于所述未知目标企业的预测结果。
通过所述预设机器学习模型提供的健康诊断依据相似时期、相似规模、相似人才、相似财务、相似组织结构、下一年度发展趋势等等。
通过健康诊断或预测发展给出解决方案后,采用线下人工干预和非干预的企业发展走势对比诊断,判断是否符合已知企业样本数据的发展趋势,如果符合则不需要干预,如果不符合则进行干预。
优选地,通过所述预设机器学习模型提供根据健康诊断提供的解决方案,进行线下人工干预或未进行线下人员干预后的发展走势轨迹数据持续追踪优化数据回流。实现了对诊断提供解决方案后人工干预的企业发展追踪优化。
根据本申请实施例,作为本实施例中的优选,基于企业健康指标的行业分析方法包括:
按照预设数据维度配置企业健康指标;
根据所述企业健康指标确定企业数据标准阈值区间;
在所述企业数据标准阈值区间内,得到行业分析结果。
还包括:根据行业分析结果对企业健康诊断结果和企业发展预测结果进行持续回归。
按照预设数据维度配置企业健康指标包括:
按照预设数据维度配置企业中第一健康指标,其中,所述第一健康指标用于作为公司指标维度;
根据所述企业健康指标确定企业数据标准阈值区间包括:
根据所述第一健康指标确定企业数据标准阈值区间。
按照预设数据维度配置企业健康指标包括:
按照预设数据维度配置企业中第二健康指标,其中,所述第二健康指标用于作为人效指标维度;
根据所述企业健康指标确定企业数据标准阈值区间包括:
根据所述第二健康指标确定企业数据标准阈值区间。
按照预设数据维度配置企业健康指标包括:
按照预设数据维度配置企业中第三健康指标,其中,所述第三健康指标用于作为招聘指标维度;
根据所述企业健康指标确定企业数据标准阈值区间包括:
根据所述第三健康指标确定企业数据标准阈值区间。
在所述企业数据标准阈值区间内,得到行业分析结果包括:
根据已知企业数据训练得到预设机器学习模型;
输入未知目标企业数据到所述预设机器学习模型;
通过所述预设机器学习模型,在所述企业数据标准阈值区间内输出对于所述未知目标企业的预测结果。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
根据本申请实施例,还提供了一种用于实施上述方法的基于企业健康指标的行业分析装置,如图7所示,该装置包括:配置模块10,用于按照预设数据维度配置企业健康指标;阈值区间模块20,用于根据所述企业健康指标确定企业数据标准阈值区间;分析模块30,用于在所述企业数据标准阈值区间内,得到行业分析结果。
本申请实施例的配置模块10中在获取企业数据的准备阶段按照预设数据维度配置企业健康指标,企业健康指标可以包括公司员工平均年龄、已婚人数比、工作满意比、薪资幅度等量化健康指标。企业健康指标也可以包括,人员绩效、人均加班时间、人均利润、培训费、加班支持、升职比、人力资源费用比等量化健康指标。企业健康指标还可以包括:岗位雇佣时长、首月离职率、职位空缺比、雇佣满意率等量化健康指标。
需要注意的是,本申请的实施例中并不对预设数据维度进行具体限定,只要能够满足企业健康维度属于将康指标即可,本领域技术人员可以根据实际使用场景进行配置或选择。
本申请实施例的阈值区间模块20中所述企业健康指标确定企业数据标准阈值区间是指符合企业健康指标发展的企业数据分数。
本申请实施例的分析模块30中当确定了所述企业数据标准阈值区间后,通过在企业数据标准阈值区间中的相似分数查找相似企业数据,根据相似企业诊断分析,得到行业分析结果包括预测发展和健康诊断提供解决方案。
具体地,首先,通过改变原来企业管理制度调整全靠“专家”及“咨询公司”的经验型传统方法,将企业的健康情况使用健康指标进行表征。具体地,包括了不同数据维度以及具体关联动作数据。然后,再利用人工智能学习模型进行推荐和回归。基于数万计海量的企业脱敏数据(不涉及用户隐私的数据)给出不同规模、不同行业的企业数据参数正常范围。在所述企业数据参数范围内,反复对具体企业进行数据建模、双模型对比诊断。并且引入线下专家库推荐对方案进行调整、再回归比对改进价值的可持续迭代的进行优化。
根据本申请实施例,作为本实施例中的优选,如图8所示,还包括:回归模块,所述回归模块40,用于根据行业分析结果对企业健康诊断结果和企业发展预测结果进行持续回归。
本申请实施例的回归模块40中通过双模型对比诊断、在所述健康诊断和预测发展解决方案提供模块中专家库推荐调整方案、在所述持续追踪优化模块中回归比对改进价值可持续迭代的改进。
根据本申请实施例,作为本实施例中的优选,如图9所示,分析模块包括:训练单元301,用于根据已知企业数据训练得到预设机器学习模型;输入单元302,用于输入未知目标企业数据到所述预设机器学习模型;预测单元303,用于通过所述预设机器学习模型,在所述企业数据标准阈值区间内输出对于所述未知目标企业的预测结果。
本申请实施例的训练单元301中已知企业数据中数据提取来源包括已知企业公开信息数据和预设全链路数据。其中,所述已知企业公开信息数据的数据量大于所述预设全链路数据。但是预设全链路数据的数据深度大于所述已知企业公开信息数据。在所述预设全链路数据建立独有的数据以及干预或非干预因子权重,数据更加精准。
所述预设全链路数据包括但不限于企业规模数据、企业所属行业数据、企业财务数据、企业人事数据、企业组织结构数据等等。
需要注意的是,在本申请的实施例中并不对具体已知企业数据的来源或数据结构进行限定,只要能够满足训练得到预设机器学习模型的要求即可,本领域技术人员可以根据实际使用情况进行选择或配置。
还需要注意的是,所述机器学习模型基于全连接神经网络模型,所述所述机器学习模型训练模块对已知行业企业数据进行多次学习训练,得到目标企业的预测处理结果。在本申请的实施例中并不对于具体全连接神经网络模型结构进行限定,只要能够满足学习模型能够找到与目标企业类似的相似企业即可。
本申请实施例的输入单元302中未知目标企业数据可以包括:未知行业未知目标企业数据或已知行业未知目标企业数据。通过利用已知行业企业数据对所述预设机器学习模型进行多次学习训练,做到目标企业健康诊断和发展预测,并提供解决方案持续追踪优化。此外还可以利用未知行业企业数据根据预设全链路数据中预设维度(比如,人员规模等)的相似度进行训练识别相似企业进行健。
此外,所述机器学习模型训练模块对未知行业企业数据通过预设维度的相似度计算,得到相似企业的预测处理结果。从而可以提高对未知企业模型识别精准度。
本申请实施例的预测单元303中通过所述预设机器学习模型提供的健康诊断依据相似时期、相似规模、相似人才、相似财务、相似组织结构、下一年度发展趋势等等。
通过健康诊断或预测发展给出解决方案后,采用线下人工干预和非干预的企业发展走势对比诊断,判断是否符合已知企业样本数据的发展趋势,如果符合则不需要干预,如果不符合则进行干预。
优选地,通过所述预设机器学习模型提供根据健康诊断提供的解决方案,进行线下人工干预或未进行线下人员干预后的发展走势轨迹数据持续追踪优化数据回流。实现了对诊断提供解决方案后人工干预的企业发展追踪优化。
根据本申请另一实施例,还提供了一种服务器,包括:基于企业健康指标的行业分析装置。所述行业分析装置的实现原理和有益效果如上述,在此不再进行赘述。
如图10所示,本申请的实现原理如下:
首先,通过改变原来企业管理制度调整全靠“专家”及“咨询公司”的经验型传统方法,将企业的健康情况使用健康指标进行表征。具体地,包括了不同数据维度以及具体关联动作数据。然后,再利用人工智能学习模型进行推荐和回归。基于数万计海量的企业脱敏数据(不涉及用户隐私的数据)给出不同规模、不同行业的企业数据参数正常范围。在所述企业数据参数范围内,反复对具体企业进行数据建模、双模型对比诊断。并且引入线下专家库推荐对方案进行调整、再回归比对改进价值的可持续迭代的进行优化。
此外,借助的学习模型具有明显的网络效应和协同效应,如果加入的SaaS的企业节点越多、规模越整齐,数据效果越好。所以通过区分不同行业进行数据模型迭代,可以为相关行业企业进行更聚焦更有效的解决方案。
通过本申请实施例中的方法,可以使得企业从定义问题、征求方案及效果评估,均可有数据可依,有方法可借鉴。从而很快调整提升内部竞争力,从而促进对外服务力。
具体包括如下模块:
企业数据提取模块、协同过滤计算打分模块、机器学习模型训练模块、健康诊断和预测发展解决方案提供模块、持续追踪优化模块。具体涉及:企业数据提取,机器学习模型训练,健康诊断和发展预测,提供解决方案以及持续追踪优化数据回流。
其中,通过反复对上述具体企业进行在所述机器学习模型训练模块中数据建模、在所述健康诊断和预测发展解决方案提供模块中双模型对比诊断、在所述健康诊断和预测发展解决方案提供模块中专家库推荐调整方案、在所述持续追踪优化模块中回归比对改进价值可持续迭代的改进。
在所述企业数据提取模块,机器学习模型的学习训练过程中的目标诊断企业和对比企业样本从已知企业数据样本库中进行提取,且可以每次选取相关行业至少包括但不限于5个企业样本进行模型学习训练。对于作为机器学习模型输入数据需要判断已知样本企业是否属于单个行业或多个行业,如果目标企业属于单个行业,则数据组合规则可以是:将需要诊断目标企业分别与对比企业数据以规模、财务、人才标签、所在城市、投资规模、市场占有等方式建立配对组合关系,进行配对规则组合后输入到学习模型。如果判断已知企业样本属于多个行业则对相关行业进行上述组合规则方式的组合。
在所述企业数据提取模块,数据提取来源包括已知企业公开信息数据和预设全链路数据。其中,所述已知企业公开信息数据的数据量大于所述预设全链路数据。但是预设全链路数据的数据深度大于所述已知企业公开信息数据。在所述预设全链路数据建立独有的数据以及干预或非干预因子权重,数据更加精准。
在所述企业数据提取模块中包括但不限于企业规模数据、企业所属行业数据、企业财务数据、企业人事数据、企业组织结构数据等等。
所述协同过滤计算打分模块的相似度打分基于协同过滤。
所述机器学习模型训练模块对已知行业企业数据进行多次学习训练,得到目标企业的预测处理结果。
所述机器学习模型训练模块对未知行业企业数据通过预设维度的相似度计算,得到相似企业的预测处理结果。从而可以提高对未知企业模型识别精准度。通过所述机器学习模型训练,输出健康诊断和发展预测结果。通过多次输入目标企业数据到机器学习模型后能够输出相似分数查找相似企业数据,根据相似企业诊断分析,预测发展所述提供解决方案,并持续追踪优化数据回流,最后给出解决方案后是否进行人工干预的发展走势数据再次回流到预设的全链路数据进行持续优化。
所述健康诊断和预测发展解决方案提供模块,可以提供的健康诊断依据相似时期、相似规模、相似人才、相似财务、相似组织结构、下一年度发展趋势等等。通过健康诊断或预测发展给出解决方案后,采用线下人工干预和非干预的企业发展走势对比诊断,判断是否符合已知企业样本数据的发展趋势,如果符合则不需要干预,如果不符合则进行干预。
所述持续追踪优化模块通过根据健康诊断提供的解决方案,进行线下人工干预或未进行线下人员干预后的发展走势轨迹数据持续追踪优化数据回流。实现了对诊断提供解决方案后人工干预的企业发展追踪优化。
机器学习模型训练模块,首先,使用已有行业企业数据中选取目标诊企业和对比企业预设数据规则组合,作为机器学习模型的数据输入,对所述机器学习模型进行机器学习训练。然后,通过机器学习模型识别出所述目标企业的类似企业进行识别诊断,并通过类似企业的发展轨迹预测所述目标企业健康状况及未来发展方向并提供指导意见。
进一步,所述机器学习模型基于全连接神经网络模型,并在已知企业数据样本中增加了企业全链路数据(包括但不限于,企业规模、股权结构、创始人、组织结构、人才分布、考勤、运营成本等等)。
进一步,所选择的目标诊断企业样本包括至少5个在相关行业不同企业数据,通过诊断目标企业行业对比样本自动计算相似度最高前几个企业数据输入到机器学习模型中按照综合相似度分数进行排序;之后将目标企业按分值高低排序进行不同企业数据规则组合,由此保留所述对比企业数据样本输入原始相似度得分排序规则的多个样本规则组合,再将这些规则组合样本数据按相似度排序构成一个矩阵分数,作为机器学习模型的输入,最后机器学习模型输出对应的打分。通过训练学习,可以使所述机器学习模型输出的分数对应到行业的相似企业或相关企业。进而可以利用已知行业企业数据对机器学习模型进行多次学习训练,做到目标企业健康诊断和发展预测,并提供解决方案持续追踪优化。此外还可以利用未知行业企业数据根据预设全链路数据中预设维度(比如,人员规模等)的相似度进行训练识别相似企业进行健康诊断和发展预测,最后提供解决方案,持续追踪优化和效果回归。
通过本申请提供的方法,并且经过实测,在173份200~500人的中小企业样本实验中,在三个月内企业明显改善的有效率超过98.3%,显著增强了企业专家能力,明显减少企业的决策周期。
显然,本领域的技术人员应该明白,上述的本申请的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于企业健康指标的行业分析方法,其特征在于,包括:
按照预设数据维度配置企业健康指标;
根据所述企业健康指标确定企业数据标准阈值区间;
在所述企业数据标准阈值区间内,得到行业分析结果。
2.根据权利要求1所述的行业分析方法,其特征在于,还包括:根据行业分析结果对企业健康诊断结果和企业发展预测结果进行持续回归。
3.根据权利要求1所述的行业分析方法,其特征在于,
按照预设数据维度配置企业健康指标包括:
按照预设数据维度配置企业中第一健康指标,其中,所述第一健康指标用于作为公司指标维度;
根据所述企业健康指标确定企业数据标准阈值区间包括:
根据所述第一健康指标确定企业数据标准阈值区间。
4.根据权利要求1所述的行业分析方法,其特征在于,
按照预设数据维度配置企业健康指标包括:
按照预设数据维度配置企业中第二健康指标,其中,所述第二健康指标用于作为人效指标维度;
根据所述企业健康指标确定企业数据标准阈值区间包括:
根据所述第二健康指标确定企业数据标准阈值区间。
5.根据权利要求1所述的行业分析方法,其特征在于,
按照预设数据维度配置企业健康指标包括:
按照预设数据维度配置企业中第三健康指标,其中,所述第三健康指标用于作为招聘指标维度;
根据所述企业健康指标确定企业数据标准阈值区间包括:
根据所述第三健康指标确定企业数据标准阈值区间。
6.根据权利要求1所述的行业分析方法,其特征在于,在所述企业数据标准阈值区间内,得到行业分析结果包括:
根据已知企业数据训练得到预设机器学习模型;
输入未知目标企业数据到所述预设机器学习模型;
通过所述预设机器学习模型,在所述企业数据标准阈值区间内输出对于所述未知目标企业的预测结果。
7.一种基于企业健康指标的行业分析装置,其特征在于,包括:
配置模块,用于按照预设数据维度配置企业健康指标;
阈值区间模块,用于根据所述企业健康指标确定企业数据标准阈值区间;
分析模块,用于在所述企业数据标准阈值区间内,得到行业分析结果。
8.根据权利要求7所述的行业分析装置,其特征在于,还包括:回归模块,所述回归模块,用于根据行业分析结果对企业健康诊断结果和企业发展预测结果进行持续回归。
9.根据权利要求7所述的行业分析装置,其特征在于,分析模块包括:
训练单元,用于根据已知企业数据训练得到预设机器学习模型;
输入单元,用于输入未知目标企业数据到所述预设机器学习模型;
预测单元,用于通过所述预设机器学习模型,在所述企业数据标准阈值区间内输出对于所述未知目标企业的预测结果。
10.一种服务器,其特征在于,包括:如权利要求7至9任一项所述的行业分析装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910290510.XA CN110110898A (zh) | 2019-04-11 | 2019-04-11 | 基于企业健康指标的行业分析方法及装置、服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910290510.XA CN110110898A (zh) | 2019-04-11 | 2019-04-11 | 基于企业健康指标的行业分析方法及装置、服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110110898A true CN110110898A (zh) | 2019-08-09 |
Family
ID=67485336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910290510.XA Pending CN110110898A (zh) | 2019-04-11 | 2019-04-11 | 基于企业健康指标的行业分析方法及装置、服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110110898A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222774A (zh) * | 2019-12-30 | 2020-06-02 | 广州博士信息技术研究院有限公司 | 企业数据分析方法、装置及服务器 |
CN113269515A (zh) * | 2021-05-13 | 2021-08-17 | 企家有道网络技术(北京)有限公司 | 一种基于三阶六步体系的企业服务方法、装置及系统 |
CN113269514A (zh) * | 2021-05-13 | 2021-08-17 | 企家有道网络技术(北京)有限公司 | 一种企业健康度衡量方法、装置及系统 |
CN113269516A (zh) * | 2021-05-13 | 2021-08-17 | 企家有道网络技术(北京)有限公司 | 一种通过大数据提高企业能效的方法、装置及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915735A (zh) * | 2015-06-26 | 2015-09-16 | 国家电网公司 | 企业运营分析预警系统的预警分析方法 |
CN107301471A (zh) * | 2017-06-07 | 2017-10-27 | 前海梧桐(深圳)数据有限公司 | 基于大数据的行业趋势精准预测方法及其系统 |
-
2019
- 2019-04-11 CN CN201910290510.XA patent/CN110110898A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915735A (zh) * | 2015-06-26 | 2015-09-16 | 国家电网公司 | 企业运营分析预警系统的预警分析方法 |
CN107301471A (zh) * | 2017-06-07 | 2017-10-27 | 前海梧桐(深圳)数据有限公司 | 基于大数据的行业趋势精准预测方法及其系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222774A (zh) * | 2019-12-30 | 2020-06-02 | 广州博士信息技术研究院有限公司 | 企业数据分析方法、装置及服务器 |
CN113269515A (zh) * | 2021-05-13 | 2021-08-17 | 企家有道网络技术(北京)有限公司 | 一种基于三阶六步体系的企业服务方法、装置及系统 |
CN113269514A (zh) * | 2021-05-13 | 2021-08-17 | 企家有道网络技术(北京)有限公司 | 一种企业健康度衡量方法、装置及系统 |
CN113269516A (zh) * | 2021-05-13 | 2021-08-17 | 企家有道网络技术(北京)有限公司 | 一种通过大数据提高企业能效的方法、装置及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110110898A (zh) | 基于企业健康指标的行业分析方法及装置、服务器 | |
CN110084493A (zh) | 基于人工智能的企业诊断、预测方法及装置、服务器 | |
Kangas et al. | Multiple criteria decision support in forest management—the approach, methods applied, and experiences gained | |
CN110097216A (zh) | 用于企业发展的预测方法以及装置、服务器 | |
Khoshbakht et al. | Cost-benefit prediction of green buildings: SWOT analysis of research methods and recent applications | |
Sulistiani et al. | Employee Performance Evaluation Using Multi-Attribute Utility Theory (MAUT) with PIPRECIA-S Weighting: A Case Study in Education Institution | |
Gonçalves et al. | Multi-criteria decision methodology for selecting maintenance key performance indicators | |
CN104036360B (zh) | 一种基于磁卡考勤行为的用户数据处理系统及处理方法 | |
Balaguer-Coll et al. | Local government efficiency: determinants and spatial interdependence | |
Fowler et al. | Reassessing and revising commuting zones for 2010: History, assessment, and updates for US ‘labor-sheds’ 1990–2010 | |
Işik et al. | A fuzzy AHP model to assess sustainable performance of the construction industry from urban regeneration perspective | |
CN110458195A (zh) | 一种基于多判据融合的异常数据甄别方法 | |
CN104484724A (zh) | 一种基于云模型的特高压落点规划优选方法 | |
Digehsara et al. | Performance evaluation of project management system based on combination of EFQM and QFD | |
Uskov et al. | Innovative InterLabs system for smart learning analytics in engineering education | |
CN109657875A (zh) | 基于大数据环境下的成绩预测方法及系统 | |
Sun et al. | A dynamic stochastic decision-making method based on discrete time sequences | |
Putra et al. | Decision Support System for the INAIMA AIS Officer of the Year Award using AHP-TOPSIS Method | |
CN110928752A (zh) | 空管台站健康度评估方法、装置及设备 | |
Kirshners et al. | Combining clustering and a decision tree classifier in a forecasting task | |
CN110084411A (zh) | 用于预测回归的学习模型以及实现方法 | |
Al-Zwainy et al. | Application artificial forecasting techniques in cost management | |
Pough et al. | Data analytics and the fight against housing blight: A guide for local leaders | |
CN113642820B (zh) | 一种基于大数据对人员数据信息评估管理的方法及系统 | |
Wibowo et al. | A multicriteria analysis approach for benchmarking smart transport cities |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190809 |