CN112465282A - 一种针对企业重大决策的计算机模拟方法及系统 - Google Patents
一种针对企业重大决策的计算机模拟方法及系统 Download PDFInfo
- Publication number
- CN112465282A CN112465282A CN201910849252.4A CN201910849252A CN112465282A CN 112465282 A CN112465282 A CN 112465282A CN 201910849252 A CN201910849252 A CN 201910849252A CN 112465282 A CN112465282 A CN 112465282A
- Authority
- CN
- China
- Prior art keywords
- project
- text data
- decision
- user
- attitude
- 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
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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
Abstract
本发明提供一种针对企业重大决策的计算机模拟方法及系统,涉及计算机领域,所述计算机模拟方法包括步骤1:采集项目用户信息;步骤2:预测样本用户的属性相关系数;步骤3:采集样本用户对于当前项目关键成功因素描述的文本数据和对于历史决策项目关键成功因素描述的文本数据;步骤4:预测当前项目与历史决策项目的相似度,并且根据相似度大小确定近似项目;步骤5:采集样本用户对近似项目的态度分数,并预测样本用户对当前项目的态度分数;步骤6:生成预测结果报告。本发明采用计算机模拟计算企业决策可能发生的过程,识别组织所有内部、外部关键利益相关人在决策沟通和执行过程中的态度演变趋势,从而降低决策风险,提高决策成效。
Description
技术领域
本发明涉及计算机领域,尤其涉及一种针对企业重大决策的计算机模拟方法及系统。
背景技术
现有的计算机模拟系统只能对于简单场景下的操作(例如:手术、销售拜访、驾驶等)进行计算机模拟,针对企业重大决策,并无使用计算机模拟的方式对企业组织个体的反应进行追踪。
针对企业重大决策存在风险高、见效慢的特点,如果能够采用计算机模拟技术进行解决,则可以降低企业试错成本,提高执行的成功率,从而为企业带来更多的价值。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种针对企业重大决策的计算机模拟方法及系统,采用计算机模拟计算企业决策可能发生的过程,识别组织所有内部、外部关键利益相关人在决策沟通和执行过程中的态度演变趋势,以及各种沟通策略因实施顺序不同对于不同利益关系人产生的效果,从而降低决策风险,提高决策成效。
本发明提供一种针对企业重大决策的计算机模拟方法,所述计算机模拟方法包括以下步骤:
步骤1:采集项目用户信息,并在项目用户中选择样本用户;
步骤2:对样本用户预设的个人属性标签和项目用户预设的个人属性标签进行相似度计算,确定皮尔逊相关系数,根据皮尔逊相关系数预测样本用户的属性相关系数;
步骤3:采集样本用户对于当前项目关键成功因素描述的文本数据和对于历史决策项目关键成功因素描述的文本数据;
步骤4:运用Cosine相似度算法对当前项目关键成功因素描述的文本数据和历史决策项目关键成功因素描述的文本数据进行相似度计算,预测当前项目与历史决策项目的相似度,并且根据相似度大小确定近似项目;
步骤5:采集样本用户对近似项目的态度分数,并运用多线性回归算法预测样本用户对当前项目的态度分数;
步骤6:根据样本用户的属性相关系数、当前项目与历史决策项目的相似度、样本用户对当前项目的态度分数生成预测结果报告。
进一步的,运用Cosine相似度算法对当前项目关键成功因素描述的文本数据和历史决策项目关键成功因素描述的文本数据进行相似度计算的步骤为:
步骤4.1:查找当前项目关键成功因素描述的文本数据和历史决策项目关键成功因素描述的文本数据的关键词;
步骤4.2:将当前项目和历史项目的关键词分别合并成一个集合,计算集合中关键词的词频,并根据词频生成词频向量;
步骤4.3:计算词频向量的余弦相似度;
其中,余弦相似度越大,则当前项目关键成功因素描述的文本数据和历史决策项目文本数据的相似度越大。
进一步的,在预测样本用户对当前项目的态度分数后,需要预测态度分数的修正系数,预测态度分数的修正系数的步骤为:
步骤5.1:采集样本用户对于开放性问题答案的文本数据;
步骤5.2:对开放性问题答案的文本数据进行大小写转换、词性还原、词干提炼、停用词删除、词性标注、文本向量化处理;
步骤5.3:统计开放性问题答案的文本数据中词条的出现频率,并且运用LDA主题模型挖掘文本数据中的潜在信息;
步骤5.4:建立态度相关词典,将样本用户态度相关词语转换为态度分数,进而预测态度分数修正系数。
一种针对企业重大决策的计算机模拟系统,所述计算机模拟系统包括:
项目用户输入模块:用于项目用户信息采集,并从项目用户中选择样本用户;
项目信息输入模块:用于当前项目信息、历史项目信息以及样本用户问卷调查文本数据采集;
文本处理与计算模块:用于样本用户的属性相关系数计算,当前项目和历史项目的相似度预测,样本用户的态度分数预测,样本用户的态度分数修正系数预测;
结果展示模块:用于预测结果报告生成、导出以及打印。
进一步的,所述计算机模拟系统还包括:
系统用户和权限模块:用于系统用户创建、系统用户登录验证、系统用户修改与删除、系统密码恢复以及系统操作日志生成。
如上所述,本发明的一种针对企业重大决策的计算机模拟方法及系统,具有以下有益效果:
1.本发明通过采集不同背景、不同职位的样本用户对企业重大决策的态度进行数据采集,并以量化的方式进行展示,从而为企业实施针对性的沟通决策提供依据。
2.本发明通过对于实施效果的模拟计算,让决策者提前预知每项沟通策略的潜在特点、实施前提、适配情境,从而更好地排定沟通策略的实施顺序。
3.本发明提供一套规范的企业决策沟通的实施框架,可操作性强,帮助企业将先进的组织管理理念落地。
附图说明
图1显示为本发明实施例中公开的计算机模拟方法的流程图;
图2显示为本发明实施例中公开的计算机模拟系统的结构框图;
图3显示为本发明实施例中公开的预测结果报告的界面图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
如图1所示,本发明提供一种针对企业重大决策的计算机模拟方法,所述计算机模拟方法包括以下步骤:
步骤1:采集项目用户信息,并在项目用户中选择样本用户。
步骤2:对样本用户预设的个人属性标签和项目用户预设的个人属性标签进行相似度计算,确定皮尔逊相关系数,根据皮尔逊相关系数预测样本用户的属性相关系数;
其中,样本用户和项目用户预设的个人标签属性是通过自选或者他选的方式预先设置的,例如:乐观、创新、守旧、激进等。
步骤3:采集样本用户对于当前项目关键成功因素描述的文本数据和对于历史决策项目关键成功因素描述的文本数据。
步骤4:运用Cosine相似度算法对当前项目关键成功因素描述的文本数据和历史决策项目关键成功因素描述的文本数据进行相似度计算,预测当前项目与历史决策项目的相似度,并且根据相似度大小确定近似项目;其中,将相似度>0.75的历史决策项目确定为近似项目。
运用Cosine相似度算法对当前项目关键成功因素描述的文本数据和历史决策项目关键成功因素描述的文本数据进行相似度计算的步骤为:
步骤4.1:查找当前项目关键成功因素描述的文本数据和历史决策项目关键成功因素描述的文本数据的关键词;
步骤4.2:将当前项目和历史项目的关键词分别合并成一个集合,计算集合中关键词的词频,并根据词频生成词频向量;
步骤4.3:计算词频向量的余弦相似度;
其中,余弦相似度越大,则当前项目关键成功因素描述的文本数据和历史决策项目文本数据的相似度越大;
对于多个不同的文本数据之间的相似度预测,需要将这些文本数据中的词语,映射到空间向量,形成和空间向量数据的映射关系,通过计算几个或者多个不同的向量的差异的大小来计算文本数据的相似度;即余弦值越接近1,就表明夹角越接近0度,也就是两个向量越相似,两个文本数据的相似度越大。
步骤5:采集样本用户对近似项目的态度分数,并运用多线性回归算法预测样本用户对当前项目的态度分数;
其中,所述态度分数包括完成度分数和完成度分数。
步骤6:根据样本用户的属性相关系数、当前项目与历史决策项目的相似度、样本用户对当前项目的态度分数生成预测结果报告。
为了缓解态度定量数据稀疏性带来的相似度计算偏差,在预测样本用户对当前项目的态度分数后,需要预测态度分数的修正系数,预测态度分数的修正系数的步骤为:
步骤5.1:采集样本用户对于开放性问题答案的文本数据;
步骤5.2:对开放性问题答案的文本数据进行大小写转换、词性还原、词干提炼、停用词删除、词性标注、文本向量化处理;
步骤5.3:统计开放性问题答案的文本数据中词条的出现频率,并且运用LDA主题模型挖掘文本数据中的潜在信息;
步骤5.4:建立态度相关词典,将样本用户态度相关词语转换为态度分数,进而预测态度分数修正系数。
如图2所示,本发明提供一种针对企业重大决策的计算机模拟系统,所述计算机模拟系统包括:
系统用户和权限模块:用于系统用户创建、系统用户登录验证、系统用户修改与删除、系统密码恢复以及系统操作日志生成;
项目用户输入模块:用于项目用户信息采集,并从项目用户中选择样本用户;
项目信息输入模块:用于当前项目信息、历史项目信息以及样本用户问卷调查文本数据采集;
文本处理与计算模块:用于样本用户的属性相关系数计算,当前项目和历史项目的相似度预测,样本用户的态度分数预测,样本用户的态度分数修正系数预测;
结果展示模块:用于预测结果报告生成、导出以及打印。
实施例一:某企业需要了解拟新上的“优选员工福利项目”在多大程度上得到员工的支持,从而顺利推,则采用了本计算机模拟系统的进行预测。
计算机模拟系统的工作步骤如下:
步骤1:采集“优选员工福利项目”的用户信息,并在“优选员工福利项目”用户中选择样本用户;
步骤2:对样本用户预设的个人属性标签和项目用户预设的个人属性标签进行相似度计算,确定皮尔逊相关系数,根据皮尔逊相关系数预测样本用户的属性相关系数,例如属性相关系数为0.8;
步骤3:采集样本用户对“优选员工福利项目”的关键因素描述,形成文本数据;
步骤4:对“优选员工福利项目”和历史决策项目进行相似度计算,获取与“优选员工福利项目”的相似度>0.75的历史决策项目作为近似项目,例如:“优选员工福利项目”与历史决策项目A的相似度为0.99;与历史决策项目B的相似度为0.87;与历史决策项目C的相似度为0.79;
步骤4:采集样本用户对近似项目的李克特评分,对近似项目的完成度和满意度进行评定,如表1所示;
历史决策项目 | 相似度 | 完成度 | 满意度 |
项目A | 0.99 | 45% | 12% |
项目B | 0.87 | 43% | 11% |
项目C | 0.79 | 40% | 16% |
……. | ……. | …… | …… |
表1
步骤5:运用多线性回归算法,预测“优选员工福利项目”的完成度和满意度,如表2所示;
项目 | 相似度 | 完成度 | 满意度 |
优选员工福利 | 1 | 46% | 9% |
表2
步骤6:定量问卷的文本分析,可以为项目决策提供更多建议和洞察。
如图3所示,为生成预测结果报告的界面图,包括“优选员工福利项目”的预期完成度、预期满意度、样本用户个数、样本用户的与项目用户之间的属性相关系数、近似项目完成度得分、修正系数、样本用户对近似项目的满意度得分、修正系数、满意度和完成对的图表。
综上所述,本发明采用计算机模拟计算企业决策可能发生的过程,识别组织所有内部、外部关键利益相关人在决策沟通和执行过程中的态度演变趋势,以及各种沟通策略因实施顺序不同对于不同利益关系人产生的效果,从而降低决策风险,提高决策成效。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (5)
1.一种针对企业重大决策的计算机模拟方法,其特征在于,所述计算机模拟方法包括以下步骤:
步骤1:采集项目用户信息,并在项目用户中选择样本用户;
步骤2:对样本用户预设的个人属性标签和项目用户预设的个人属性标签进行相似度计算,确定皮尔逊相关系数,根据皮尔逊相关系数预测样本用户的属性相关系数;
步骤3:采集样本用户对于当前项目关键成功因素描述的文本数据和对于历史决策项目关键成功因素描述的文本数据;
步骤4:运用Cosine相似度算法对当前项目关键成功因素描述的文本数据和历史决策项目关键成功因素描述的文本数据进行相似度计算,预测当前项目与历史决策项目的相似度,并且根据相似度大小确定近似项目;
步骤5:采集样本用户对近似项目的态度分数,并运用多线性回归算法预测样本用户对当前项目的态度分数;
步骤6:根据样本用户的属性相关系数、当前项目与历史决策项目的相似度、样本用户对当前项目的态度分数生成预测结果报告。
2.根据权利要求1所述的针对企业重大决策的计算机模拟方法,其特征在于,运用Cosine相似度算法对当前项目关键成功因素描述的文本数据和历史决策项目关键成功因素描述的文本数据进行相似度计算的步骤为:
步骤4.1:查找当前项目关键成功因素描述的文本数据和历史决策项目关键成功因素描述的文本数据的关键词;
步骤4.2:将当前项目和历史项目的关键词分别合并成一个集合,计算集合中关键词的词频,并根据词频生成词频向量;
步骤4.3:计算词频向量的余弦相似度;
其中,余弦相似度越大,则当前项目关键成功因素描述的文本数据和历史决策项目文本数据的相似度越大。
3.根据权利要求1所述的针对企业重大决策的计算机模拟方法,其特征在于:在预测样本用户对当前项目的态度分数后,需要预测态度分数的修正系数,预测态度分数的修正系数的步骤为:
步骤5.1:采集样本用户对于开放性问题答案的文本数据;
步骤5.2:对开放性问题答案的文本数据进行大小写转换、词性还原、词干提炼、停用词删除、词性标注、文本向量化处理;
步骤5.3:统计开放性问题答案的文本数据中词条的出现频率,并且运用LDA主题模型挖掘文本数据中的潜在信息;
步骤5.4:建立态度相关词典,将样本用户态度相关词语转换为态度分数,进而预测态度分数修正系数。
4.一种针对企业重大决策的计算机模拟系统,其特征在于,所述计算机模拟系统包括:
项目用户输入模块:用于项目用户信息采集,并从项目用户中选择样本用户;
项目信息输入模块:用于当前项目信息、历史项目信息以及样本用户问卷调查文本数据采集;
文本处理与计算模块:用于样本用户的属性相关系数计算,当前项目和历史项目的相似度预测,样本用户的态度分数预测,样本用户的态度分数修正系数预测;
结果展示模块:用于预测结果报告生成、导出以及打印。
5.根据权利要求4所述的针对企业重大决策的计算机模拟系统,其特征在于,所述计算机模拟系统还包括:
系统用户和权限模块:用于系统用户创建、系统用户登录验证、系统用户修改与删除、系统密码恢复以及系统操作日志生成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910849252.4A CN112465282B (zh) | 2019-09-09 | 2019-09-09 | 一种针对企业决策的计算机模拟方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910849252.4A CN112465282B (zh) | 2019-09-09 | 2019-09-09 | 一种针对企业决策的计算机模拟方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112465282A true CN112465282A (zh) | 2021-03-09 |
CN112465282B CN112465282B (zh) | 2022-09-13 |
Family
ID=74807472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910849252.4A Active CN112465282B (zh) | 2019-09-09 | 2019-09-09 | 一种针对企业决策的计算机模拟方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112465282B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116737940A (zh) * | 2023-08-14 | 2023-09-12 | 成都飞航智云科技有限公司 | 一种智能决策方法、决策系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239466A (zh) * | 2014-09-02 | 2014-12-24 | 百度在线网络技术(北京)有限公司 | 向用户推荐项目的方法、装置及设备 |
US20180376220A1 (en) * | 2015-07-24 | 2018-12-27 | Videoamp, Inc. | Targeting tv advertising slots based on consumer online behavior |
CN110163476A (zh) * | 2019-04-15 | 2019-08-23 | 重庆金融资产交易所有限责任公司 | 项目智能推荐方法、电子装置及存储介质 |
-
2019
- 2019-09-09 CN CN201910849252.4A patent/CN112465282B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239466A (zh) * | 2014-09-02 | 2014-12-24 | 百度在线网络技术(北京)有限公司 | 向用户推荐项目的方法、装置及设备 |
US20180376220A1 (en) * | 2015-07-24 | 2018-12-27 | Videoamp, Inc. | Targeting tv advertising slots based on consumer online behavior |
CN110163476A (zh) * | 2019-04-15 | 2019-08-23 | 重庆金融资产交易所有限责任公司 | 项目智能推荐方法、电子装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
XU WANG: "A Collaborative Filtering Algorithm of Weighted information Entropy and User attributes", 《IEEE》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116737940A (zh) * | 2023-08-14 | 2023-09-12 | 成都飞航智云科技有限公司 | 一种智能决策方法、决策系统 |
CN116737940B (zh) * | 2023-08-14 | 2023-11-07 | 成都飞航智云科技有限公司 | 一种智能决策方法、决策系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112465282B (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kotu et al. | Predictive analytics and data mining: concepts and practice with rapidminer | |
US11574026B2 (en) | Analytics-driven recommendation engine | |
US20170220928A1 (en) | Method and System for Innovation Management and Optimization under Uncertainty | |
JP2021504789A (ja) | Esg基盤の企業評価遂行装置及びその作動方法 | |
CN109492164A (zh) | 一种简历的推荐方法、装置、电子设备及存储介质 | |
CN110019736B (zh) | 基于语言模型的问答匹配方法、系统、设备及存储介质 | |
CN111340246A (zh) | 用于企业智能决策分析的处理方法、装置和计算机设备 | |
CN107368521B (zh) | 一种基于大数据和深度学习的知识推介方法及系统 | |
CN111221881B (zh) | 用户特征数据合成方法、装置及电子设备 | |
CN113239173A (zh) | 问答数据的处理方法、装置、存储介质与电子设备 | |
CN113627797A (zh) | 入职员工画像生成方法、装置、计算机设备及存储介质 | |
JP2015191374A (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
Handa et al. | Framework for prediction and classification of non functional requirements: a novel vision | |
CN112465282B (zh) | 一种针对企业决策的计算机模拟方法及系统 | |
Vasantham et al. | Combination of Scrum Lean-UX-based AI UX Design | |
JP6894461B2 (ja) | 情報処理装置、プログラム、及び情報処理方法 | |
CN114253990A (zh) | 数据库查询方法、装置、计算机设备和存储介质 | |
CN112950392A (zh) | 信息展示方法、后验信息确定方法及装置及相关设备 | |
Tseng et al. | An intelligent disease query system based on RASA NLU | |
Upreti et al. | Artificial intelligence and its effect on employment and skilling | |
CN111242519A (zh) | 用户特征数据生成方法、装置及电子设备 | |
Nguyen et al. | A knowledge-based framework for developing smart interfaces for smart service systems | |
KR102600307B1 (ko) | 사용자별 대표 활동 로그 추출 방법과 머신러닝 모델의 병합을 적용한 사용자 및 대화 파트너 매칭 제공 최적화 시스템 및 그 동작 방법 | |
Das | Data science using oracle data miner and oracle r enterprise | |
US20240086945A1 (en) | Entity functional area and product use identification |
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 |