CN112258027B - Kpi优化方法、装置、设备及介质 - Google Patents
Kpi优化方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112258027B CN112258027B CN202011129627.9A CN202011129627A CN112258027B CN 112258027 B CN112258027 B CN 112258027B CN 202011129627 A CN202011129627 A CN 202011129627A CN 112258027 B CN112258027 B CN 112258027B
- Authority
- CN
- China
- Prior art keywords
- target
- index
- kpi
- data
- determining
- 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
Images
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2471—Distributed queries
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理领域,提供一种KPI优化方法、装置、设备及介质,能够对至少一个指标进行重要性分析,得到所述至少一个指标的权重,调取预先配置的多个目标指标,并将所述多个目标指标与所述至少一个指标进行匹配,得到匹配结果,根据所述匹配结果对所述多个目标指标进行验证,以保证所述多个目标指标的可用性,进一步保证了KPI优化的准确度,当所述多个目标指标通过验证时,确定与所述多个目标指标对应的目标指标数据,采用多重背包算法处理所述目标指标数据,得到目标KPI,进而能够采用多重背包算法进行动态规划,同时兼顾了每个人不同的能力,实现对KPI的自动优化处理,适用性更强。本发明还涉及区块链技术,目标KPI可存储于区块链。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种KPI优化方法、装置、设备及介质。
背景技术
KPI(Key Performance Indicator,关键绩效指标)是通过对组织内部流程的输入端、输出端的关键参数进行设置、取样、计算、分析,以衡量流程绩效的一种目标式量化管理指标,是把企业的战略目标分解为可操作的工作目标的工具,是企业绩效管理的基础。
现有技术方案中,KPI的制订主要采用以下方式:
(1)主观设定。
上述方式并未考虑被制定的人的客观情况,因此制订出的KPI很可能偏离人员的实际能力,缺乏实际意义。
(2)采用时间序列预测和因素分解法等方式进行制订。
上述方式往往需要大量的数据作为基础,如果可供使用的数据量不足,得到的结果将具有较大误差。
发明内容
鉴于以上内容,有必要提供一种KPI优化方法、装置、设备及介质,能够采用多重背包算法进行动态规划,同时兼顾了每个人不同的能力,实现对KPI的自动优化处理,适用性更强。
一种KPI优化方法,所述KPI优化方法包括:
响应于KPI优化指令,解析所述KPI优化指令得到至少一个指标;
采用随机森林算法对所述至少一个指标进行重要性分析,得到所述至少一个指标的权重;
连接指定服务器,从所述指定服务器中调取预先配置的多个目标指标,并将所述多个目标指标与所述至少一个指标进行匹配,得到匹配结果;
启动验证线程根据所述匹配结果对所述多个目标指标进行验证;
当所述多个目标指标通过验证时,确定与所述多个目标指标对应的目标指标数据;
采用多重背包算法处理所述目标指标数据,得到目标KPI。
根据本发明优选实施例,所述解析所述KPI优化指令得到至少一个指标包括:
解析所述KPI优化指令的方法体,得到所述KPI优化指令所携带的所有信息;
获取预设标签;
根据所述预设标签在所述KPI优化指令所携带的所有信息中进行匹配,并将匹配的信息确定为目标地址;
链接至所述目标地址,并获取所述目标地址处所存储的信息作为所述至少一个指标。
根据本发明优选实施例,所述采用随机森林算法对所述至少一个指标进行重要性分析,得到所述至少一个指标的权重包括:
获取与所述至少一个指标对应的数据作为初始数据;
根据所述初始数据构建随机森林;
确定所述至少一个指标在所述随机森林中每个决策树的各个节点处的重要度;
根据所述至少一个指标在所述随机森林中每个决策树的各个节点处的重要度确定所述至少一个指标在每个决策树中的重要度;
根据所述至少一个指标在每个决策树中的重要度确定所述至少一个指标在所述随机森林中的重要度;
将所述至少一个指标在所述随机森林中的重要度确定为所述至少一个指标的权重。
根据本发明优选实施例,所述启动验证线程根据所述匹配结果对所述多个目标指标进行验证包括:
对于所述多个目标指标中的任意目标指标,当所述匹配结果显示在所述至少一个指标中不存在与所述任意目标指标相同的指标时,确定所述任意目标指标未通过验证;或者
当所述匹配结果显示在所述至少一个指标中存在与所述任意目标指标相同的指标时,将与所述任意目标指标相同的指标的权重确定为目标权重,当所述目标权重大于或者等于配置权重时,确定所述任意目标指标通过验证;或者当所述目标权重小于所述配置权重时,确定所述任意目标指标未通过验证。
根据本发明优选实施例,所述确定与所述多个目标指标对应的目标指标数据包括:
确定所述KPI优化指令对应的目标用户;
获取所述目标用户的服务时长;
当所述服务时长大于或者等于配置时长时,获取所述目标用户对应的历史数据,并根据所述目标用户对应的历史数据确定所述目标指标数据;或者
当所述服务时长小于所述配置时长时,获取所述目标用户的背景数据,从指定数据库中调取与所述背景数据匹配度最高的用户作为基准用户,获取所述基准用户对应的历史数据,并根据所述基准用户对应的历史数据确定所述目标指标数据。
根据本发明优选实施例,所述目标指标数据包括第一指标数据、第二指标数据、第三指标数据及第四指标数据,所述采用多重背包算法处理所述目标指标数据,得到目标KPI包括:
将所述第一指标数据映射为背包的容量,将所述第二指标数据映射为要放入背包的物品的体积,将所述第三指标数据映射为物品价值,及将所述第四指标数据映射为物品的数量限制;
采用所述多重背包算法对所述容量、所述物品的体积、所述物品价值及所述物品的数量限制进行动态规划,得到所述目标KPI。
根据本发明优选实施例,所述方法还包括:
当所述目标用户为销售代理时,根据所述目标KPI确定所述目标用户的待销售产品及所述待销售产品对应的目标销售量;
获取目标销售周期内所述目标用户对于所述待销售产品的实际销售量;
对比所述实际销售量与所述目标销售量;
当所述实际销售量大于或者等于所述目标销售量时,确定所述目标用户的KPI达标;或者
当所述实际销售量小于所述目标销售量时,计算所述实际销售量与所述目标销售量的差值,根据所述差值及所述目标KPI生成预警信息,加密所述预警信息,并将加密后的预警信息发送至指定终端。
一种KPI优化装置,所述KPI优化装置包括:
获取单元,用于响应于KPI优化指令,解析所述KPI优化指令得到至少一个指标;
分析单元,用于采用随机森林算法对所述至少一个指标进行重要性分析,得到所述至少一个指标的权重;
匹配单元,用于连接指定服务器,从所述指定服务器中调取预先配置的多个目标指标,并将所述多个目标指标与所述至少一个指标进行匹配,得到匹配结果;
验证单元,用于启动验证线程根据所述匹配结果对所述多个目标指标进行验证;
确定单元,用于当所述多个目标指标通过验证时,确定与所述多个目标指标对应的目标指标数据;
处理单元,用于采用多重背包算法处理所述目标指标数据,得到目标KPI。
一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现所述KPI优化方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现所述KPI优化方法。
由以上技术方案可以看出,本发明能够响应于KPI优化指令,解析所述KPI优化指令得到至少一个指标,采用随机森林算法对所述至少一个指标进行重要性分析,得到所述至少一个指标的权重,连接指定服务器,从所述指定服务器中调取预先配置的多个目标指标,并将所述多个目标指标与所述至少一个指标进行匹配,得到匹配结果,启动验证线程根据所述匹配结果对所述多个目标指标进行验证,以保证所述多个目标指标的可用性,进一步保证了KPI优化的准确度,当所述多个目标指标通过验证时,确定与所述多个目标指标对应的目标指标数据,采用多重背包算法处理所述目标指标数据,得到目标KPI,进而能够采用多重背包算法进行动态规划,同时兼顾了每个人不同的能力,实现对KPI的自动优化处理,适用性更强。
附图说明
图1是本发明KPI优化方法的较佳实施例的流程图。
图2是本发明KPI优化装置的较佳实施例的功能模块图。
图3是本发明实现KPI优化方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明KPI优化方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述KPI优化方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital SignalProcessor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,响应于KPI优化指令,解析所述KPI优化指令得到至少一个指标。
在本实施例中,所述KPI(Key Performance Indicator,关键绩效指标)优化指令可以由相关工作人员进行触发,如:KPI制作团队的负责人等。
在本发明的至少一个实施例中,所述至少一个指标包括,但不限于:年龄、学历、从业时间、对于某产品的平均销售工时、每件产品的佣金、产品的数量等。
在本发明的至少一个实施例中,所述解析所述KPI优化指令得到至少一个指标包括:
解析所述KPI优化指令的方法体,得到所述KPI优化指令所携带的所有信息;
获取预设标签;
根据所述预设标签在所述KPI优化指令所携带的所有信息中进行匹配,并将匹配的信息确定为目标地址;
链接至所述目标地址,并获取所述目标地址处所存储的信息作为所述至少一个指标。
具体地,所述KPI优化指令实质上是一条代码,在所述KPI优化指令中,根据代码的编写原则,{}之间的内容被称之为所述方法体。
所述KPI优化指令所携带的信息可以是一个具体的地址,也可以是具体的各种待处理的数据,所述信息的内容主要取决于所述KPI优化指令的代码组成。
其中,所述预设标签可以进行自定义配置。
所述预设标签与所述目标地址具有一一对应关系,例如,所述预设标签可以配置为Address。
通过上述实施方式,直接从指令中获取数据,以提升处理效率,并且,以标签进行获取,由于标签的配置具有唯一性,也提高了数据获取的准确性。
S11,采用随机森林算法对所述至少一个指标进行重要性分析,得到所述至少一个指标的权重。
可以理解的是,只有计算出每个指标的重要性,即权重,才能以此为基础对给定的指标进行验证,以确定给定指标是否满足KPI优化的要求。
在本发明的至少一个实施例中,所述采用随机森林算法对所述至少一个指标进行重要性分析,得到所述至少一个指标的权重包括:
获取与所述至少一个指标对应的数据作为初始数据;
根据所述初始数据构建随机森林;
确定所述至少一个指标在所述随机森林中每个决策树的各个节点处的重要度;
根据所述至少一个指标在所述随机森林中每个决策树的各个节点处的重要度确定所述至少一个指标在每个决策树中的重要度;
根据所述至少一个指标在每个决策树中的重要度确定所述至少一个指标在所述随机森林中的重要度;
将所述至少一个指标在所述随机森林中的重要度确定为所述至少一个指标的权重。
其中,所述初始数据可以从相关的数据库中进行获取,所述相关的数据库可以是指定公司的数据库,该数据库中存储着公司数据,包括,但不限于:销售数据、人员基本信息数据等。
通过上述实施方式,能够采用随机森林算法分析每个指标的权重,充分利用了随机森林树的属性进行特征重要度的判定,以便后续进行KPI优化。
当然,在其他实施例中,也可以采用其他方式进行各个指标的重要性分析,如:主成分分析算法等,在此不赘述。
S12,连接指定服务器,从所述指定服务器中调取预先配置的多个目标指标,并将所述多个目标指标与所述至少一个指标进行匹配,得到匹配结果。
需要说明的是,所述多个目标指标可以由制定KPI的相关人员进行预先配置,并存储于所述指定服务器中,以便与后续采用的多重背包算法进行适配。
例如:所述多个目标指标可以包括:对于某产品的平均销售工时、每件产品的佣金、产品的数量等。
所述指定服务器可以是任意具有安全保证的服务器。
在本实施例中,所述将所述多个目标指标与所述至少一个指标进行匹配,得到匹配结果包括:
对于所述多个目标指标中的任意目标指标,利用所述任意目标指标在所述至少一个指标中进行遍历。
当遍历到与所述任意目标指标相同的指标时,停止遍历,生成所述匹配结果,其中,所述匹配结果为在所述至少一个指标中存在与所述任意目标指标相同的指标。
或者,当没有遍历到与所述任意目标指标相同的指标时,生成所述匹配结果,其中,所述匹配结果为在所述至少一个指标中不存在与所述任意目标指标相同的指标。
S13,启动验证线程根据所述匹配结果对所述多个目标指标进行验证。
其中,所述验证线程可以进行预先配置,用于执行验证任务。
可以理解的是,由于所述多个目标指标的配置具有一定的主观因素,因此,为了避免出现配置错误,需要首先对所述多个目标指标进行验证,以保证所述多个目标指标的可用性,进一步保证了KPI优化的准确度。
在本发明的至少一个实施例中,所述启动验证线程根据所述匹配结果对所述多个目标指标进行验证包括:
对于所述多个目标指标中的任意目标指标,当所述匹配结果显示在所述至少一个指标中不存在与所述任意目标指标相同的指标时,确定所述任意目标指标未通过验证;
可以理解的是,当所述匹配结果显示在所述至少一个指标中不存在与所述任意目标指标相同的指标时,说明所述任意目标指标并非对应领域内的常用指标,可靠性不高,因此,确定所述任意目标指标未通过验证,以避免由于使用了所述任意目标指标而导致KPI的优化不合理,出现数据错误。
或者当所述匹配结果显示在所述至少一个指标中存在与所述任意目标指标相同的指标时,将与所述任意目标指标相同的指标的权重确定为目标权重,当所述目标权重大于或者等于配置权重时,确定所述任意目标指标通过验证;或者当所述目标权重小于所述配置权重时,确定所述任意目标指标未通过验证。
其中,所述配置权重可以进行自定义配置,如:98%。
可以理解的是,当所述匹配结果显示在所述至少一个指标中存在与所述任意目标指标相同的指标时,首先能够证明所述任意目标指标是对应领域内的常用指标,但是,并非常用指标就是可以被用于优化KPI的指标,因此,还需要根据所述任意目标指标的权重进行进一步判定,即只有当所述任意目标指标的目标权重大于或者等于配置权重时,才能证明所述任意目标指标与KPI的关联性较强,能够被用于KPI优化。
S14,当所述多个目标指标通过验证时,确定与所述多个目标指标对应的目标指标数据。
其中,所述目标指标数据是指进行KPI优化时需要直接使用的数据。
在本发明的至少一个实施例中,所述确定与所述多个目标指标对应的目标指标数据包括:
确定所述KPI优化指令对应的目标用户;
获取所述目标用户的服务时长;
当所述服务时长大于或者等于配置时长时,获取所述目标用户对应的历史数据,并根据所述目标用户对应的历史数据确定所述目标指标数据;或者
当所述服务时长小于所述配置时长时,获取所述目标用户的背景数据,从指定数据库中调取与所述背景数据匹配度最高的用户作为基准用户,获取所述基准用户对应的历史数据,并根据所述基准用户对应的历史数据确定所述目标指标数据。
其中,所述配置时长可以进行自定义配置,用于区分所述目标用户是否为新人,例如:可以将所述配置时长设置为与试用期相同,如:3个月。
所述历史数据是指所述目标用户的历史服务数据,例如:所述目标用户的历史销售数据等。
所述背景数据用于确定所述目标用户的属性,例如:所述背景数据可以是年龄、学历、从业时间等。
具体地,所述根据所述目标用户对应的历史数据确定所述目标指标数据包括:
计算所述目标用户对应的历史数据的平均值,并将所述平均值确定为所述目标指标数据。
类似地,所述根据所述基准用户对应的历史数据确定所述目标指标数据包括:
计算所述基准用户对应的历史数据的平均值,并将所述平均值确定为所述目标指标数据。
通过上述实施方式,能够针对所述目标用户的不同情况有针对性的预估所述目标用户的能力,充分考虑了被制定人的客观情况,并结合自身能力,设计出较为准确合理的KPI。
S15,采用多重背包算法(Multiple Knapsack Algorithm)处理所述目标指标数据,得到目标KPI。
优选地,所述目标指标数据包括第一指标数据、第二指标数据、第三指标数据及第四指标数据,所述采用多重背包算法处理所述目标指标数据,得到目标KPI包括:
将所述第一指标数据映射为背包的容量,将所述第二指标数据映射为要放入背包的物品的体积,将所述第三指标数据映射为物品价值,及将所述第四指标数据映射为物品的数量限制;
采用所述多重背包算法对所述容量、所述物品的体积、所述物品价值及所述物品的数量限制进行动态规划,得到所述目标KPI。
其中,多重背包算法是一种经典优化算法,被用来解决在体积有限时,自动选出最近的物品组合,且物品的价值最大。
具体地,在多重背包算法中,假设有几种物品和一个固定容量的背包,第i种物品最多有n件可用,每件体积是c,价值是w。求解将哪些物品装入背包,可使物品体积总和不超过背包容量,且价值总和最大。
例如:在对销售代理的KPI进行优化时,我们将背包容量C映射成一个月度总工时D(即所述第一指标数据),将每种可被销售的产品映射成待放进背包的物品,产品i的平均销售工时d_i映射成物品i的体积c_i(即所述第二指标数据),产品i的佣金f_i映射成物品i的价值w_i(即所述第三指标数据),产品i的销售数量限制n_i映射成物品i的数量n_i(即所述第四指标数据),因此得到背包信息为:
一个月的总工时D;
有N种销售产品,第i种产品的平均销售工时是d_i,佣金是f_i,数量是n_i;
Product_1:[d_1,f_1,n_1];
Product_2:[d_2,f_2,n_2];
……
Product_N:[d_N,f_N,n_N];
根据以上数据进行多重背包的动态规划,可以求解出,在总工时D的限制下,销售哪种产品组合(产品种类+数量)销售代理人可以达到最大销售佣金,并以该组合作为优化后的KPI。
通过上述实施方式,能够采用多重背包算法进行动态规划,同时兼顾了每个人不同的能力,进而实现对KPI的自动优化处理,适用性更强。
进一步地,所述方法还包括:
当所述目标用户为销售代理时,根据所述目标KPI确定所述目标用户的待销售产品及所述待销售产品对应的目标销售量;
获取目标销售周期内所述目标用户对于所述待销售产品的实际销售量;
对比所述实际销售量与所述目标销售量;
当所述实际销售量大于或者等于所述目标销售量时,确定所述目标用户的KPI达标;或者
当所述实际销售量小于所述目标销售量时,计算所述实际销售量与所述目标销售量的差值,根据所述差值及所述目标KPI生成预警信息,加密所述预警信息,并将加密后的预警信息发送至指定终端。
其中,所述目标周期是指预先配置的考核周期,如:2个月。
所述指定终端包括,但不限于:所述目标用户的终端、所述目标用户对应的上级负责人的终端。
通过上述实施方式,能够基于优化后的目标KPI实现对目标用户的自动考核,并在考核结果不达标时及时预警,以提示相关人员及时响应。
需要说明的是,为了进一步提高数据的安全性,并防止数据被恶意篡改,还可以将优化后得到的目标KPI存储于区块链。
由以上技术方案可以看出,本发明能够响应于KPI优化指令,解析所述KPI优化指令得到至少一个指标,采用随机森林算法对所述至少一个指标进行重要性分析,得到所述至少一个指标的权重,连接指定服务器,从所述指定服务器中调取预先配置的多个目标指标,并将所述多个目标指标与所述至少一个指标进行匹配,得到匹配结果,启动验证线程根据所述匹配结果对所述多个目标指标进行验证,以保证所述多个目标指标的可用性,进一步保证了KPI优化的准确度,当所述多个目标指标通过验证时,确定与所述多个目标指标对应的目标指标数据,采用多重背包算法处理所述目标指标数据,得到目标KPI,进而能够采用多重背包算法进行动态规划,同时兼顾了每个人不同的能力,实现对KPI的自动优化处理,适用性更强。
如图2所示,是本发明KPI优化装置的较佳实施例的功能模块图。所述KPI优化装置11包括获取单元110、分析单元111、匹配单元112、验证单元113、确定单元114、处理单元115。本发明所称的模块/单元是指一种能够被处理器13所执行,并且能够完成固定功能的一系列计算机程序段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
响应于KPI优化指令,获取单元110解析所述KPI优化指令得到至少一个指标。
在本实施例中,所述KPI(Key Performance Indicator,关键绩效指标)优化指令可以由相关工作人员进行触发,如:KPI制作团队的负责人等。
在本发明的至少一个实施例中,所述至少一个指标包括,但不限于:年龄、学历、从业时间、对于某产品的平均销售工时、每件产品的佣金、产品的数量等。
在本发明的至少一个实施例中,所述获取单元110解析所述KPI优化指令得到至少一个指标包括:
解析所述KPI优化指令的方法体,得到所述KPI优化指令所携带的所有信息;
获取预设标签;
根据所述预设标签在所述KPI优化指令所携带的所有信息中进行匹配,并将匹配的信息确定为目标地址;
链接至所述目标地址,并获取所述目标地址处所存储的信息作为所述至少一个指标。
具体地,所述KPI优化指令实质上是一条代码,在所述KPI优化指令中,根据代码的编写原则,{}之间的内容被称之为所述方法体。
所述KPI优化指令所携带的信息可以是一个具体的地址,也可以是具体的各种待处理的数据,所述信息的内容主要取决于所述KPI优化指令的代码组成。
其中,所述预设标签可以进行自定义配置。
所述预设标签与所述目标地址具有一一对应关系,例如,所述预设标签可以配置为Address。
通过上述实施方式,直接从指令中获取数据,以提升处理效率,并且,以标签进行获取,由于标签的配置具有唯一性,也提高了数据获取的准确性。
分析单元111采用随机森林算法对所述至少一个指标进行重要性分析,得到所述至少一个指标的权重。
可以理解的是,只有计算出每个指标的重要性,即权重,才能以此为基础对给定的指标进行验证,以确定给定指标是否满足KPI优化的要求。
在本发明的至少一个实施例中,所述分析单元111采用随机森林算法对所述至少一个指标进行重要性分析,得到所述至少一个指标的权重包括:
获取与所述至少一个指标对应的数据作为初始数据;
根据所述初始数据构建随机森林;
确定所述至少一个指标在所述随机森林中每个决策树的各个节点处的重要度;
根据所述至少一个指标在所述随机森林中每个决策树的各个节点处的重要度确定所述至少一个指标在每个决策树中的重要度;
根据所述至少一个指标在每个决策树中的重要度确定所述至少一个指标在所述随机森林中的重要度;
将所述至少一个指标在所述随机森林中的重要度确定为所述至少一个指标的权重。
其中,所述初始数据可以从相关的数据库中进行获取,所述相关的数据库可以是指定公司的数据库,该数据库中存储着公司数据,包括,但不限于:销售数据、人员基本信息数据等。
通过上述实施方式,能够采用随机森林算法分析每个指标的权重,充分利用了随机森林树的属性进行特征重要度的判定,以便后续进行KPI优化。
当然,在其他实施例中,也可以采用其他方式进行各个指标的重要性分析,如:主成分分析算法等,在此不赘述。
匹配单元112连接指定服务器,从所述指定服务器中调取预先配置的多个目标指标,并将所述多个目标指标与所述至少一个指标进行匹配,得到匹配结果。
需要说明的是,所述多个目标指标可以由制定KPI的相关人员进行预先配置,并存储于所述指定服务器中,以便与后续采用的多重背包算法进行适配。
例如:所述多个目标指标可以包括:对于某产品的平均销售工时、每件产品的佣金、产品的数量等。
所述指定服务器可以是任意具有安全保证的服务器。
在本实施例中,所述匹配单元112将所述多个目标指标与所述至少一个指标进行匹配,得到匹配结果包括:
对于所述多个目标指标中的任意目标指标,利用所述任意目标指标在所述至少一个指标中进行遍历。
当遍历到与所述任意目标指标相同的指标时,停止遍历,生成所述匹配结果,其中,所述匹配结果为在所述至少一个指标中存在与所述任意目标指标相同的指标。
或者,当没有遍历到与所述任意目标指标相同的指标时,生成所述匹配结果,其中,所述匹配结果为在所述至少一个指标中不存在与所述任意目标指标相同的指标。
验证单元113启动验证线程根据所述匹配结果对所述多个目标指标进行验证。
其中,所述验证线程可以进行预先配置,用于执行验证任务。
可以理解的是,由于所述多个目标指标的配置具有一定的主观因素,因此,为了避免出现配置错误,需要首先对所述多个目标指标进行验证,以保证所述多个目标指标的可用性,进一步保证了KPI优化的准确度。
在本发明的至少一个实施例中,所述验证单元113启动验证线程根据所述匹配结果对所述多个目标指标进行验证包括:
对于所述多个目标指标中的任意目标指标,当所述匹配结果显示在所述至少一个指标中不存在与所述任意目标指标相同的指标时,确定所述任意目标指标未通过验证;
可以理解的是,当所述匹配结果显示在所述至少一个指标中不存在与所述任意目标指标相同的指标时,说明所述任意目标指标并非对应领域内的常用指标,可靠性不高,因此,确定所述任意目标指标未通过验证,以避免由于使用了所述任意目标指标而导致KPI的优化不合理,出现数据错误。
或者当所述匹配结果显示在所述至少一个指标中存在与所述任意目标指标相同的指标时,将与所述任意目标指标相同的指标的权重确定为目标权重,当所述目标权重大于或者等于配置权重时,确定所述任意目标指标通过验证;或者当所述目标权重小于所述配置权重时,确定所述任意目标指标未通过验证。
其中,所述配置权重可以进行自定义配置,如:98%。
可以理解的是,当所述匹配结果显示在所述至少一个指标中存在与所述任意目标指标相同的指标时,首先能够证明所述任意目标指标是对应领域内的常用指标,但是,并非常用指标就是可以被用于优化KPI的指标,因此,还需要根据所述任意目标指标的权重进行进一步判定,即只有当所述任意目标指标的目标权重大于或者等于配置权重时,才能证明所述任意目标指标与KPI的关联性较强,能够被用于KPI优化。
当所述多个目标指标通过验证时,确定单元114确定与所述多个目标指标对应的目标指标数据。
其中,所述目标指标数据是指进行KPI优化时需要直接使用的数据。
在本发明的至少一个实施例中,所述确定单元114确定与所述多个目标指标对应的目标指标数据包括:
确定所述KPI优化指令对应的目标用户;
获取所述目标用户的服务时长;
当所述服务时长大于或者等于配置时长时,获取所述目标用户对应的历史数据,并根据所述目标用户对应的历史数据确定所述目标指标数据;或者
当所述服务时长小于所述配置时长时,获取所述目标用户的背景数据,从指定数据库中调取与所述背景数据匹配度最高的用户作为基准用户,获取所述基准用户对应的历史数据,并根据所述基准用户对应的历史数据确定所述目标指标数据。
其中,所述配置时长可以进行自定义配置,用于区分所述目标用户是否为新人,例如:可以将所述配置时长设置为与试用期相同,如:3个月。
所述历史数据是指所述目标用户的历史服务数据,例如:所述目标用户的历史销售数据等。
所述背景数据用于确定所述目标用户的属性,例如:所述背景数据可以是年龄、学历、从业时间等。
具体地,所述确定单元114根据所述目标用户对应的历史数据确定所述目标指标数据包括:
计算所述目标用户对应的历史数据的平均值,并将所述平均值确定为所述目标指标数据。
类似地,所述确定单元114根据所述基准用户对应的历史数据确定所述目标指标数据包括:
计算所述基准用户对应的历史数据的平均值,并将所述平均值确定为所述目标指标数据。
通过上述实施方式,能够针对所述目标用户的不同情况有针对性的预估所述目标用户的能力,充分考虑了被制定人的客观情况,并结合自身能力,设计出较为准确合理的KPI。
处理单元115采用多重背包算法(Multiple Knapsack Algorithm)处理所述目标指标数据,得到目标KPI。
优选地,所述目标指标数据包括第一指标数据、第二指标数据、第三指标数据及第四指标数据,所述处理单元115采用多重背包算法处理所述目标指标数据,得到目标KPI包括:
将所述第一指标数据映射为背包的容量,将所述第二指标数据映射为要放入背包的物品的体积,将所述第三指标数据映射为物品价值,及将所述第四指标数据映射为物品的数量限制;
采用所述多重背包算法对所述容量、所述物品的体积、所述物品价值及所述物品的数量限制进行动态规划,得到所述目标KPI。
其中,多重背包算法是一种经典优化算法,被用来解决在体积有限时,自动选出最近的物品组合,且物品的价值最大。
具体地,在多重背包算法中,假设有几种物品和一个固定容量的背包,第i种物品最多有n件可用,每件体积是c,价值是w。求解将哪些物品装入背包,可使物品体积总和不超过背包容量,且价值总和最大。
例如:在对销售代理的KPI进行优化时,我们将背包容量C映射成一个月度总工时D(即所述第一指标数据),将每种可被销售的产品映射成待放进背包的物品,产品i的平均销售工时d_i映射成物品i的体积c_i(即所述第二指标数据),产品i的佣金f_i映射成物品i的价值w_i(即所述第三指标数据),产品i的销售数量限制n_i映射成物品i的数量n_i(即所述第四指标数据),因此得到背包信息为:
一个月的总工时D;
有N种销售产品,第i种产品的平均销售工时是d_i,佣金是f_i,数量是n_i;
Product_1:[d_1,f_1,n_1];
Product_2:[d_2,f_2,n_2];
……
Product_N:[d_N,f_N,n_N];
根据以上数据进行多重背包的动态规划,可以求解出,在总工时D的限制下,销售哪种产品组合(产品种类+数量)销售代理人可以达到最大销售佣金,并以该组合作为优化后的KPI。
通过上述实施方式,能够采用多重背包算法进行动态规划,同时兼顾了每个人不同的能力,进而实现对KPI的自动优化处理,适用性更强。
进一步地,当所述目标用户为销售代理时,根据所述目标KPI确定所述目标用户的待销售产品及所述待销售产品对应的目标销售量;
获取目标销售周期内所述目标用户对于所述待销售产品的实际销售量;
对比所述实际销售量与所述目标销售量;
当所述实际销售量大于或者等于所述目标销售量时,确定所述目标用户的KPI达标;或者
当所述实际销售量小于所述目标销售量时,计算所述实际销售量与所述目标销售量的差值,根据所述差值及所述目标KPI生成预警信息,加密所述预警信息,并将加密后的预警信息发送至指定终端。
其中,所述目标周期是指预先配置的考核周期,如:2个月。
所述指定终端包括,但不限于:所述目标用户的终端、所述目标用户对应的上级负责人的终端。
通过上述实施方式,能够基于优化后的目标KPI实现对目标用户的自动考核,并在考核结果不达标时及时预警,以提示相关人员及时响应。
需要说明的是,为了进一步提高数据的安全性,并防止数据被恶意篡改,还可以将优化后得到的目标KPI存储于区块链。
由以上技术方案可以看出,本发明能够响应于KPI优化指令,解析所述KPI优化指令得到至少一个指标,采用随机森林算法对所述至少一个指标进行重要性分析,得到所述至少一个指标的权重,连接指定服务器,从所述指定服务器中调取预先配置的多个目标指标,并将所述多个目标指标与所述至少一个指标进行匹配,得到匹配结果,启动验证线程根据所述匹配结果对所述多个目标指标进行验证,以保证所述多个目标指标的可用性,进一步保证了KPI优化的准确度,当所述多个目标指标通过验证时,确定与所述多个目标指标对应的目标指标数据,采用多重背包算法处理所述目标指标数据,得到目标KPI,进而能够采用多重背包算法进行动态规划,同时兼顾了每个人不同的能力,实现对KPI的自动优化处理,适用性更强。
如图3所示,是本发明实现KPI优化方法的较佳实施例的电子设备的结构示意图。
所述电子设备1可以包括存储器12、处理器13和总线,还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序,例如KPI优化程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,所述电子设备1既可以是总线型结构,也可以是星形结构,所述电子设备1还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置,例如所述电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是,所述电子设备1仅为举例,其他现有的或今后可能出现的电子产品如可适应于本发明,也应包含在本发明的保护范围以内,并以引用方式包含于此。
其中,存储器12至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如KPI优化程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述电子设备1的控制核心(Control Unit),利用各种接口和线路连接整个电子设备1的各个部件,通过运行或执行存储在所述存储器12内的程序或者模块(例如执行KPI优化程序等),以及调用存储在所述存储器12内的数据,以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个KPI优化方法实施例中的步骤,例如图1所示的步骤。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如,所述计算机程序可以被分割成生成装置11包括获取单元110、分析单元111、匹配单元112、验证单元113、确定单元114、处理单元115。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备,或者网络设备等)或处理器(processor)执行本发明各个实施例所述KPI优化方法的部分。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指示相关的硬件设备来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
进一步地,计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的目标性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,在图3中仅用一根箭头表示,但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器13逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的电子设备1,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
结合图1,所述电子设备1中的所述存储器12存储多个指令以实现一种KPI优化方法,所述处理器13可执行所述多个指令从而实现:
响应于KPI优化指令,解析所述KPI优化指令得到至少一个指标;
采用随机森林算法对所述至少一个指标进行重要性分析,得到所述至少一个指标的权重;
连接指定服务器,从所述指定服务器中调取预先配置的多个目标指标,并将所述多个目标指标与所述至少一个指标进行匹配,得到匹配结果;
启动验证线程根据所述匹配结果对所述多个目标指标进行验证;
当所述多个目标指标通过验证时,确定与所述多个目标指标对应的目标指标数据;
采用多重背包算法处理所述目标指标数据,得到目标KPI。
具体地,所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种KPI优化方法,其特征在于,所述KPI优化方法包括:
响应于KPI优化指令,解析所述KPI优化指令得到至少一个指标;
采用随机森林算法对所述至少一个指标进行重要性分析,得到所述至少一个指标的权重;
连接指定服务器,从所述指定服务器中调取预先配置的多个目标指标,并将所述多个目标指标与所述至少一个指标进行匹配,得到匹配结果;
启动验证线程根据所述匹配结果对所述多个目标指标进行验证;
当所述多个目标指标通过验证时,确定与所述多个目标指标对应的目标指标数据,包括:确定所述KPI优化指令对应的目标用户;获取所述目标用户的服务时长;当所述服务时长大于或者等于配置时长时,获取所述目标用户对应的历史数据,并根据所述目标用户对应的历史数据确定所述目标指标数据;或者当所述服务时长小于所述配置时长时,获取所述目标用户的背景数据,从指定数据库中调取与所述背景数据匹配度最高的用户作为基准用户,获取所述基准用户对应的历史数据,并根据所述基准用户对应的历史数据确定所述目标指标数据;
采用多重背包算法处理所述目标指标数据,得到目标KPI。
2.如权利要求1所述的KPI优化方法,其特征在于,所述解析所述KPI优化指令得到至少一个指标包括:
解析所述KPI优化指令的方法体,得到所述KPI优化指令所携带的所有信息;
获取预设标签;
根据所述预设标签在所述KPI优化指令所携带的所有信息中进行匹配,并将匹配的信息确定为目标地址;
链接至所述目标地址,并获取所述目标地址处所存储的信息作为所述至少一个指标。
3.如权利要求1所述的KPI优化方法,其特征在于,所述采用随机森林算法对所述至少一个指标进行重要性分析,得到所述至少一个指标的权重包括:
获取与所述至少一个指标对应的数据作为初始数据;
根据所述初始数据构建随机森林;
确定所述至少一个指标在所述随机森林中每个决策树的各个节点处的重要度;
根据所述至少一个指标在所述随机森林中每个决策树的各个节点处的重要度确定所述至少一个指标在每个决策树中的重要度;
根据所述至少一个指标在每个决策树中的重要度确定所述至少一个指标在所述随机森林中的重要度;
将所述至少一个指标在所述随机森林中的重要度确定为所述至少一个指标的权重。
4.如权利要求1所述的KPI优化方法,其特征在于,所述启动验证线程根据所述匹配结果对所述多个目标指标进行验证包括:
对于所述多个目标指标中的任意目标指标,当所述匹配结果显示在所述至少一个指标中不存在与所述任意目标指标相同的指标时,确定所述任意目标指标未通过验证;或者
当所述匹配结果显示在所述至少一个指标中存在与所述任意目标指标相同的指标时,将与所述任意目标指标相同的指标的权重确定为目标权重,当所述目标权重大于或者等于配置权重时,确定所述任意目标指标通过验证;或者当所述目标权重小于所述配置权重时,确定所述任意目标指标未通过验证。
5.如权利要求1所述的KPI优化方法,其特征在于,所述目标指标数据包括第一指标数据、第二指标数据、第三指标数据及第四指标数据,所述采用多重背包算法处理所述目标指标数据,得到目标KPI包括:
将所述第一指标数据映射为背包的容量,将所述第二指标数据映射为要放入背包的物品的体积,将所述第三指标数据映射为物品价值,及将所述第四指标数据映射为物品的数量限制;
采用所述多重背包算法对所述容量、所述物品的体积、所述物品价值及所述物品的数量限制进行动态规划,得到所述目标KPI。
6.如权利要求1所述的KPI优化方法,其特征在于,所述方法还包括:
当所述目标用户为销售代理时,根据所述目标KPI确定所述目标用户的待销售产品及所述待销售产品对应的目标销售量;
获取目标销售周期内所述目标用户对于所述待销售产品的实际销售量;
对比所述实际销售量与所述目标销售量;
当所述实际销售量大于或者等于所述目标销售量时,确定所述目标用户的KPI达标;或者
当所述实际销售量小于所述目标销售量时,计算所述实际销售量与所述目标销售量的差值,根据所述差值及所述目标KPI生成预警信息,加密所述预警信息,并将加密后的预警信息发送至指定终端。
7.一种KPI优化装置,其特征在于,所述KPI优化装置包括:
获取单元,用于响应于KPI优化指令,解析所述KPI优化指令得到至少一个指标;
分析单元,用于采用随机森林算法对所述至少一个指标进行重要性分析,得到所述至少一个指标的权重;
匹配单元,用于连接指定服务器,从所述指定服务器中调取预先配置的多个目标指标,并将所述多个目标指标与所述至少一个指标进行匹配,得到匹配结果;
验证单元,用于启动验证线程根据所述匹配结果对所述多个目标指标进行验证;
确定单元,用于当所述多个目标指标通过验证时,确定与所述多个目标指标对应的目标指标数据,包括:确定所述KPI优化指令对应的目标用户;获取所述目标用户的服务时长;当所述服务时长大于或者等于配置时长时,获取所述目标用户对应的历史数据,并根据所述目标用户对应的历史数据确定所述目标指标数据;或者当所述服务时长小于所述配置时长时,获取所述目标用户的背景数据,从指定数据库中调取与所述背景数据匹配度最高的用户作为基准用户,获取所述基准用户对应的历史数据,并根据所述基准用户对应的历史数据确定所述目标指标数据;
处理单元,用于采用多重背包算法处理所述目标指标数据,得到目标KPI。
8.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现如权利要求1至6中任意一项所述的KPI优化方法。
9.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至6中任意一项所述的KPI优化方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011129627.9A CN112258027B (zh) | 2020-10-21 | 2020-10-21 | Kpi优化方法、装置、设备及介质 |
PCT/CN2020/131520 WO2021164361A1 (zh) | 2020-10-21 | 2020-11-25 | Kpi优化方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011129627.9A CN112258027B (zh) | 2020-10-21 | 2020-10-21 | Kpi优化方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112258027A CN112258027A (zh) | 2021-01-22 |
CN112258027B true CN112258027B (zh) | 2021-05-18 |
Family
ID=74263266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011129627.9A Active CN112258027B (zh) | 2020-10-21 | 2020-10-21 | Kpi优化方法、装置、设备及介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112258027B (zh) |
WO (1) | WO2021164361A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663073B (zh) * | 2022-04-20 | 2024-05-07 | 平安科技(深圳)有限公司 | 异常节点的发现方法及其相关设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102983629A (zh) * | 2012-11-07 | 2013-03-20 | 中国电力科学研究院 | 一种在线电力系统恢复辅助决策方法 |
US9179346B1 (en) * | 2014-02-24 | 2015-11-03 | Sprint Spectrum L.P. | Busy period determination based on weighted performance indicators |
CN107563633A (zh) * | 2017-08-28 | 2018-01-09 | 平安科技(深圳)有限公司 | 一种绩效指标考核评估方法、设备及存储介质 |
CN107623924A (zh) * | 2016-07-15 | 2018-01-23 | 中兴通讯股份有限公司 | 一种验证影响关键质量指标kqi相关的关键性能指标kpi的方法和装置 |
CN107832937A (zh) * | 2017-09-28 | 2018-03-23 | 杭州摩西信息科技有限公司 | 金融科技中心指数分析方法、存储介质、及设备 |
CN107862450A (zh) * | 2017-10-31 | 2018-03-30 | 下代互联网重大应用技术(北京)工程研究中心有限公司 | 绩效考核系统及方法 |
CN108241643A (zh) * | 2016-12-23 | 2018-07-03 | 北京国双科技有限公司 | 关键词的指标数据分析方法及装置 |
CN109272219A (zh) * | 2018-09-04 | 2019-01-25 | 中国平安财产保险股份有限公司 | 绩效考核方法、装置、计算机设备及存储介质 |
CN109460943A (zh) * | 2018-12-14 | 2019-03-12 | 平安城市建设科技(深圳)有限公司 | 关键绩效指标管理方法、设备、存储介质及装置 |
CN109492858A (zh) * | 2018-09-25 | 2019-03-19 | 平安科技(深圳)有限公司 | 基于机器学习的员工绩效预测方法及装置、设备、介质 |
CN110324837A (zh) * | 2018-03-29 | 2019-10-11 | 中兴通讯股份有限公司 | 一种网络管理方法和装置 |
CN110930198A (zh) * | 2019-12-05 | 2020-03-27 | 佰聆数据股份有限公司 | 基于随机森林的电能替代潜力预测方法、系统、存储介质及计算机设备 |
CN111652513A (zh) * | 2020-06-05 | 2020-09-11 | 山东麦穗儿大数据有限公司 | 基于云平台的企业绩效考核系统、方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130159047A1 (en) * | 2011-12-14 | 2013-06-20 | Jochen Mayerle | Dynamic business scenario key performance indicator definitions, real time calculations, and analysis |
CN105634787B (zh) * | 2014-11-26 | 2018-12-07 | 华为技术有限公司 | 网络关键指标的评估方法、预测方法及装置和系统 |
CN104598584B (zh) * | 2015-01-14 | 2018-03-09 | 中国石油天然气股份有限公司 | 一种信息系统考核数据的处理方法及设备 |
US11416533B2 (en) * | 2016-06-06 | 2022-08-16 | Avlino Inc. | System and method for automated key-performance-indicator discovery |
CN106600161A (zh) * | 2016-12-26 | 2017-04-26 | 浪潮通信信息系统有限公司 | 一种it化的考核方法 |
US20190130512A1 (en) * | 2017-10-27 | 2019-05-02 | Larry Kuhn | System and method for pre- and post-hiring leadership development |
-
2020
- 2020-10-21 CN CN202011129627.9A patent/CN112258027B/zh active Active
- 2020-11-25 WO PCT/CN2020/131520 patent/WO2021164361A1/zh active Application Filing
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102983629A (zh) * | 2012-11-07 | 2013-03-20 | 中国电力科学研究院 | 一种在线电力系统恢复辅助决策方法 |
US9179346B1 (en) * | 2014-02-24 | 2015-11-03 | Sprint Spectrum L.P. | Busy period determination based on weighted performance indicators |
CN107623924A (zh) * | 2016-07-15 | 2018-01-23 | 中兴通讯股份有限公司 | 一种验证影响关键质量指标kqi相关的关键性能指标kpi的方法和装置 |
CN108241643A (zh) * | 2016-12-23 | 2018-07-03 | 北京国双科技有限公司 | 关键词的指标数据分析方法及装置 |
CN107563633A (zh) * | 2017-08-28 | 2018-01-09 | 平安科技(深圳)有限公司 | 一种绩效指标考核评估方法、设备及存储介质 |
CN107832937A (zh) * | 2017-09-28 | 2018-03-23 | 杭州摩西信息科技有限公司 | 金融科技中心指数分析方法、存储介质、及设备 |
CN107862450A (zh) * | 2017-10-31 | 2018-03-30 | 下代互联网重大应用技术(北京)工程研究中心有限公司 | 绩效考核系统及方法 |
CN110324837A (zh) * | 2018-03-29 | 2019-10-11 | 中兴通讯股份有限公司 | 一种网络管理方法和装置 |
CN109272219A (zh) * | 2018-09-04 | 2019-01-25 | 中国平安财产保险股份有限公司 | 绩效考核方法、装置、计算机设备及存储介质 |
CN109492858A (zh) * | 2018-09-25 | 2019-03-19 | 平安科技(深圳)有限公司 | 基于机器学习的员工绩效预测方法及装置、设备、介质 |
CN109460943A (zh) * | 2018-12-14 | 2019-03-12 | 平安城市建设科技(深圳)有限公司 | 关键绩效指标管理方法、设备、存储介质及装置 |
CN110930198A (zh) * | 2019-12-05 | 2020-03-27 | 佰聆数据股份有限公司 | 基于随机森林的电能替代潜力预测方法、系统、存储介质及计算机设备 |
CN111652513A (zh) * | 2020-06-05 | 2020-09-11 | 山东麦穗儿大数据有限公司 | 基于云平台的企业绩效考核系统、方法 |
Non-Patent Citations (5)
Title |
---|
A Random Forest-Assisted Evolutionary Algorithm for Data-Driven Constrained Multiobjective Combinatorial Optimization of Trauma Systems;Handing Wang等;《IEEE Transactions on Cybernetics》;20180926;第536-549页 * |
Fuzzy multiple attribute decision making theory with the balanced scorecard application in mobile industry;Chiu-Hung Su等;《2011 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE 2011)》;20110630;第1479-1484页 * |
国华人寿广东分公司绩效考核体系优化研究;梅凤;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》;20140115;第J152-277页 * |
国家电网H公司绩效指标权重设计浅析;芦爱红等;《科教文汇(中旬刊)》;20150920;第180-181页 * |
钢铁企业基于绩效反馈的材料分配问题研究;马文佳;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20190615;第B023-20页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112258027A (zh) | 2021-01-22 |
WO2021164361A1 (zh) | 2021-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111694844A (zh) | 基于配置算法的企业运行数据分析方法、装置及电子设备 | |
CN111754123A (zh) | 数据监控方法、装置、计算机设备及存储介质 | |
CN112380454A (zh) | 培训课程推荐方法、装置、设备及介质 | |
CN104321753B (zh) | 用于呈现监测资源的使用量的方法、计算装置以及其上记录有用于执行的程序的记录介质 | |
CN112396547A (zh) | 基于无监督学习的课程推荐方法、装置、设备及介质 | |
CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN112258027B (zh) | Kpi优化方法、装置、设备及介质 | |
CN116501610B (zh) | 做市交易系统的测试方法、装置、设备及介质 | |
CN112541640A (zh) | 资源的权限管理方法、装置、电子设备及计算机存储介质 | |
CN112700261A (zh) | 基于可疑社团的刷单行为检测方法、装置、设备及介质 | |
CN116823437A (zh) | 基于配置化风控策略的准入方法、装置、设备及介质 | |
CN113657546B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN113434397B (zh) | 任务系统的测试方法、装置、电子设备及存储介质 | |
CN115759746A (zh) | 可配置化的用户预警方法、装置、电子设备及存储介质 | |
CN114781940A (zh) | 碳交易管理方法及装置 | |
CN114372892A (zh) | 支付数据监控方法、装置、设备及介质 | |
CN114662095A (zh) | 基于操作数据的安全监测方法、装置、设备及存储介质 | |
CN114036068A (zh) | 基于隐私安全的更新检测方法、装置、设备及存储介质 | |
CN114387021A (zh) | 业务状态生成方法、装置、设备及存储介质 | |
CN114240677A (zh) | 医疗数据风险识别方法、装置、电子设备及存储介质 | |
CN112330080A (zh) | 基于连通图的因子筛选方法、装置、设备及介质 | |
CN112288338B (zh) | 用户活动监测方法、装置、设备及介质 | |
CN116934263B (zh) | 产品批量准入方法、装置、设备及介质 | |
CN115225489B (zh) | 队列业务流量阈值动态控制方法、电子设备及存储介质 | |
CN118037198B (zh) | 事件关联物品管理方法、装置、设备及介质 |
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 |