CN113869700A - 一种绩效指标预测方法、装置、电子设备和存储介质 - Google Patents
一种绩效指标预测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113869700A CN113869700A CN202111114984.2A CN202111114984A CN113869700A CN 113869700 A CN113869700 A CN 113869700A CN 202111114984 A CN202111114984 A CN 202111114984A CN 113869700 A CN113869700 A CN 113869700A
- Authority
- CN
- China
- Prior art keywords
- information
- enterprise
- feature vector
- performance index
- historical
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004891 communication Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 3
- 241000239290 Araneae Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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"
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及智能决策，公开了一种绩效指标预测方法、装置、电子设备和存储介质，该方法包括：获取第一企业的历史业务信息，以及获取政策信息；对历史业务信息进行向量化得到第一特征向量；将第一特征向量输入到已训练好的第一网络模型中进行预测，得到第一预测绩效指标，第一预测绩效指标用于表征第一企业在未来一段时间内的收益目标；根据政策信息，确定政策信息对绩效指标的影响因子；根据影响因子对第一预测绩效指标进行调整，得到第二预测绩效指标。实施本申请实施例，实现了精准制定绩效指标。
Description
技术领域
本申请涉及人工智能领域，尤其涉及一种绩效指标预测方法、装置、电子设备和存储介质。
背景技术
目前，为了更好的进行企业管理和经营，一般会人为的制定出未来一段时间的绩效指标，并将该绩效指标作为下一阶段企业发展的目标。然而，人为制定绩效指标时主观性强、也未考虑经济政策的变化，导致人为制定的绩效指标可能过高或者过低。换句话来说，人为制定的绩效指标的准确性低。因此，如何实现精准制定绩效指标成为当前阶段亟待解决的技术问题。
发明内容
本申请实施例提供了一种绩效指标预测方法、装置、电子设备和存储介质，实现精准制定绩效指标。
本申请第一方面提供了一种绩效指标预测方法，包括：
获取第一企业的历史业务信息，以及获取政策信息；
对所述历史业务信息进行向量化，得到第一特征向量；
将所述第一特征向量输入到已训练好的第一网络模型中进行预测，得到第一预测绩效指标，所述第一预测绩效指标用于表征所述第一企业在未来一段时间内的收益目标；
根据所述政策信息，确定所述政策信息对绩效指标的影响因子；
根据所述影响因子对所述第一预测绩效指标进行调整，得到第二预测绩效指标。
本申请第二方面提供了一种绩效指标预测装置，所述装置包括获取模块、处理模块、预测模块、确定模块和调整模块，
所述获取模块，用于获取第一企业的历史业务信息，以及获取政策信息；
所述处理模块，用于对所述历史业务信息进行向量化，得到第一特征向量；
所述预测模块，用于将所述第一特征向量输入到已训练好的第一网络模型中进行预测，得到第一预测绩效指标，所述第一预测绩效指标用于表征所述第一企业在未来一段时间内的收益目标；
所述确定模块，用于根据所述政策信息，确定所述政策信息对绩效指标的影响因子；
所述调整模块，用于根据所述影响因子对所述第一预测绩效指标进行调整，得到第二预测绩效指标。
本申请第三方面提供了一种绩效指标预测的电子设备，包括处理器、存储器、通信接口以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被生成由所述处理器执行，以执行一种绩效指标预测方法任一项方法中的步骤的指令。
本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述存储计算机程序被所述处理器执行，以实现一种绩效指标预测方法任一项所述的方法。
可以看出，上述技术方案中，通过将根据第一企业的历史业务信息确定的第一特征向量输入到已训练好的第一网络模型中进行预测，得到第一预测绩效指标，第一预测绩效指标用于表征第一企业在未来一段时间内的收益目标，避免了人工制定未来一段时间的绩效指标时过于主观时导致绩效指标不够精准的问题。同时，通过根据政策信息，确定政策信息对绩效指标的影响因子，从而可以根据影响因子对第一预测绩效指标进行调整。可以理解的，因为第二预测绩效指标是根据影响因子对第一预测绩效指标进行调整得到的，所以实现了结合政策来调整绩效指标，进一步使得绩效指标的制定更加精准。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
其中：
图1是本申请实施例提供的一种绩效指标预测方法的流程示意图；
图2是本申请实施例提供的一种网络模型的示意图；
图3是本申请实施例提供的又一种绩效指标预测方法的流程示意图；
图4是本申请实施例提供的又一种绩效指标预测方法的流程示意图；
图5为本申请实施例提供的一种绩效指标预测装置的示意图；
图6为本申请的实施例涉及的硬件运行环境的电子设备结构示意图。
具体实施方式
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作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下分别进行详细说明。
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”是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
以下结合附图说明本申请实施例，可以理解的，在本申请中，执行主体可以为电子设备或云服务器，在此不做限制。其中，电子设备可以包括各种具有无线通信功能的手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其他处理设备，以及各种形式的用户设备(User Equipment，UE)，移动台(Mobile Station，MS)，终端设备(terminaldevice)等等。
参见图1，图1是本申请实施例提供的一种绩效指标预测方法的流程示意图。如图1所示，所述方法包括：
101、获取第一企业的历史业务信息，以及获取政策信息。
可选的，获取第一企业的历史业务信息，可以包括：从数据库中获取第一企业的历史业务信息。其中，历史业务信息可以包括以下一项或多项：历史团体有效客户数、历史跨公司有效客户数、历史综拓保费规模、历史综拓存款日均、历史综拓租赁、历史综拓投融等，在此不做限制。另外，历史业务信息还可以包括历史时间信息。
可选的，获取政策信息，包括：通过网络爬虫从互联网中获取多条政策信息和多个来源标签信息，所述多条政策信息和所述多个来源标签信息一一对应，一个来源标签信息用于标识一条政策信息发布的媒体信息；根据所述多个来源标签信息，从所述多条政策信息中确定所述政策信息，所述政策信息对应的第一来源标签信息所标识的媒体信息为预设媒体信息。
其中，网络爬虫(又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者)，是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。
可选的，网络爬虫可以包括：通用网络爬虫(General Purpose Web Crawler)、聚焦网络爬虫(Focused Web Crawler)、增量式网络爬虫(Incremental Web Crawler)、深层网络爬虫(Deep Web Crawler)等，在此不做限制。
其中，政策信息可以包括：银保监对金融行业的监管政策、央行的货币政策等，在此不做限制。
其中，媒体信息可以包括：官方媒体信息、个人媒体信息、新闻媒体信息等，在此不做限制。官方媒体信息例如可以为财务部的社交媒体信息等，个人媒体信息例如可以个人的社交媒体信息，新闻媒体信息例如可以财经频道的社交媒体信息等，在此不做限制。
其中，预设媒体信息例如可以为官方媒体信息、个人媒体信息、新闻媒体信息或其他，在此不做限制。
其中，来源标签信息可以为媒体信息的标识、媒体信息的名称等，在此不做限制。
可以看出，上述技术方案中，实现了政策信息的抓取，使得获取到的政策信息更加丰富，进而可以有选择的确定出政策信息。
102、对所述历史业务信息进行向量化，得到第一特征向量。
103、将所述第一特征向量输入到已训练好的第一网络模型中进行预测，得到第一预测绩效指标，所述第一预测绩效指标用于表征所述第一企业在未来一段时间内的收益目标。
其中，第一预测绩效指标可以包括以下一项：净利润、利润总额、资产负债率、净资产收益率、资产保值、增殖率等，在此不做限制。
其中，第一网络模型可以为卷积神经网络等，在此不做限制。
可选的，在对所述历史业务信息进行向量化，得到第一特征向量之前，所述方法还包括：通过网络爬虫从互联网中获取多个企业中每个企业的位置信息、业务信息、企业规模信息；根据所述每个企业的位置信息、业务信息、企业规模信息，确定所述每个企业所属的类别；根据所述每个企业所属的类别，确定与所述第一企业属于同一类别的第二企业；获取所述第二企业的业务信息；对所述第二企业的业务信息进行向量化，得到所述第二企业的业务信息对应的特征向量；所述对所述历史业务信息进行向量化，得到第一特征向量，包括：对所述历史业务信息进行向量化，得到所述历史业务信息对应的特征向量；将所述历史业务信息对应的特征向量和所述第二企业的业务信息对应的特征向量进行融合，得到所述第一特征向量。
其中，每个企业的位置信息例如可以为城市名称、城市简称、城市标识等，在此不做限制。
其中，业务信息可以包括以下一项或多项：团体有效客户数、跨公司有效客户数、综拓保费规模、综拓存款日均、综拓租赁、综拓投融等，在此不做限制。另外，业务信息还可以包括时间信息。
其中，第一企业和第二企业为两个不同的企业。
可选的，根据所述每个企业的位置信息、业务信息、企业规模信息，确定所述每个企业所属的类别，包括：对所述每个企业的位置信息、业务信息、企业规模信息进行聚类，得到所述每个企业对应的聚类中心；根据所述每个企业对应的聚类中心，确定所述每个企业所属的类别。
示例性的，根据第二企业的位置信息、业务信息、企业规模信息，确定第二企业所属的类别，包括：采用余弦相似度确定第二企业的位置信息、业务信息、企业规模信息确定与预设第一聚类中心之间的距离，若该距离小于或等于预设距离，则确定预设第一聚类中心为第二企业对应的聚类中心。其中，预设距离可以由管理员设置，或配置在配置文件中，在此不做限制。
可以看出，上述技术方案中，通过将与第一企业属于同一类别的第二企业的业务信息进行向量化，得到该业务信息对应的特征向量，从而可以根据业务信息对应的特征向量和历史业务信息对应的特征向量进行融合，得到第一特征向量，进而使得第一特征向量所包含的信息更加丰富，为后续得到更加精准的预测绩效指标做准备。
可选的，所述获取所述第二企业的业务信息，包括：获取所述历史业务信息包括历史时间信息；根据所述历史时间信息，从数据库中获取所述第二企业的业务信息，所述第二企业的业务信息所包括的时间信息与所述历史时间信息相同。
可选的，根据所述历史时间信息，从数据库中获取所述第二企业的业务信息，包括：将所述历史时间信息与数据库中所述第二企业的多条业务信息中每条业务信息包括的时间信息进行对比，以得到与历史时间信息相同的时间信息；将与所述历史时间信息相同的时间信息对应的业务信息，确定为所述第二企业的业务信息。
可选的，根据所述历史时间信息，从数据库中获取所述第二企业的业务信息，包括：采用欧式距离确定所述历史时间信息与数据库中所述第二企业的多条业务信息中每条业务信息包括的时间信息之间的相似度；根据所述历史时间信息与数据库中所述第二企业的多条业务信息中每条业务信息包括的时间信息之间的相似度，确定相似度最高的时间信息对应的业务信息；将相似度最高的时间标签信息对应的业务信息，确定为所述第二企业的业务信息。
可以看出，上述技术方案中，使得第二企业的业务信息在时间上更加叠合历史业务信息，进而为后续得到更加精准的预测绩效指标做准备。
104、根据所述政策信息，确定所述政策信息对绩效指标的影响因子。
可选的，该方法还包括：对所述第一来源标签信息所标识的媒体信息进行向量化，得到第二特征向量；所述根据所述政策信息，确定所述政策信息对绩效指标的影响因子，包括：对所述政策信息进行向量化，得到第三特征向量；将所述第二特征向量和所述第三特征向量进行融合，得到融合特征向量；根据所述融合特征向量确定所述影响因子。
可以看出，上述技术方案中，通过将对第一来源标签信息所标识的媒体信息进行向量化，得到第二特征向量，并将第二特征向量和第三特征向量进行融合，得到融合特征向量，使得融合特征向量包含的信息更加丰富，进而使得在根据融合特征向量确定影响因子时可以更加精准。
可选的，所述根据所述融合特征向量确定所述影响因子，包括：根据所述融合特征向量，确定所述政策信息对绩效指标的初始影响因子；将所述初始影响因子映射到预设范围内，得到所述影响因子。
其中，预设范围包括第一预设值和第二预设值，第一预设值小于第二预设值。第一预设值可以为-1，第二预设值可以为1。如预设范围为[-1,1]；或，预设范围为(-1,1)；或，预设范围为[-1,1)；或，预设范围为(-1,1]，在此不做限制。
其中，在本申请中，根据所述融合特征向量确定所述影响因子可以由第二网络模型实现，在此不做限制。第二网络模型可以为卷积神经网络或其他，在此不做限制。可以理解的，第二网络模型包括以下公式：
其中，y为第二预测绩效指标，s为第一预测绩效指标，x为初始影响因子。
可以看出，上述技术方案中，实现了将初始影响因子进行映射，使得后续在调整第一预测绩效指标时的计算复杂度降低，提高了调整第一预测绩效指标的效率。
105、根据所述影响因子对所述第一预测绩效指标进行调整，得到第二预测绩效指标。
可选的，第二预测绩效指标y满足以下公式：
其中，s为第一预测绩效指标，x为初始影响因子。
可以看出，上述技术方案中，通过将根据第一企业的历史业务信息确定的第一特征向量输入到已训练好的第一网络模型中进行预测，得到第一预测绩效指标，第一预测绩效指标用于表征第一企业在未来一段时间内的收益目标，避免了人工制定未来一段时间的绩效指标时过于主观时导致绩效指标不够精准的问题。同时，通过根据政策信息，确定政策信息对绩效指标的影响因子，从而可以根据影响因子对第一预测绩效指标进行调整。可以理解的，因为第二预测绩效指标是根据影响因子对第一预测绩效指标进行调整得到的，所以实现了结合政策来调整绩效指标，进一步使得绩效指标的制定更加精准。
可选的，该方法还可以包括：对第二预测绩效指标进行向量化，得到第二预测绩效指标对应的特征向量；将第二预测绩效指标对应的特征向量输入到已训练好的第三网络模型中进行评分，得到第二预测绩效指标对应的评分；根据第二预测绩效指标对应的评分，调整第二预测绩效指标。
其中，第三网络模型可以为卷积神经网络或其他，在此不做限制。可以理解的，在本申请中，第一网络模型、第二网络模型和第三网络模型可以为级联的网络模型。
示例性的，参见图2，图2为本申请实施例提供的一种网络模型的示意图。如图2所示，第一网络模型的输入为第一特征向量，第一网络模型的输出为第一预测绩效指标，第二网络模型的输入包括第一网络模型的输出和融合特征向量，第二网络模型的输出为第二预测绩效指标，第三网络模型的输入包括第二网络模型的输出，第三网络模型的输出为第二预测绩效指标对应的评分。
其中，根据第二预测绩效指标对应的评分，调整第二预测绩效指标，包括：若第二预测绩效指标对应的评分高于预设评分，则根据第二预测绩效指标对应的评分与预设评分之间的差值，提高第二预测绩效指标；若第二预测绩效指标对应的评分低于预设评分，则根据第二预测绩效指标对应的评分与预设评分之间的差值，降低第二预测绩效指标。
可以看出，上述技术方案中，通过对第二预测绩效指标进行向量化，得到第二预测绩效指标对应的特征向量，进而可以将第二预测绩效指标对应的特征向量输入到已训练好的第三网络模型中进行评分，得到第二预测绩效指标对应的评分，使得可以根据第二预测绩效指标对应的评分，调整第二预测绩效指标，进一步使得绩效指标的制定更加精准。
参见图3，图3是本申请实施例提供的又一种绩效指标预测方法的流程示意图。如图3所示，所述方法包括：
301、获取第一企业的历史业务信息，以及获取政策信息。
其中，步骤301与图1中步骤101相同，在此不加赘述。
302、通过网络爬虫从互联网中获取多个企业中每个企业的位置信息、业务信息、企业规模信息。
其中，步骤302可以参考图1中步骤103，在此不加赘述。
303、根据所述每个企业的位置信息、业务信息、企业规模信息，确定所述每个企业所属的类别。
其中，步骤303可以参考图1中步骤103，在此不加赘述。
304、根据所述每个企业所属的类别，确定与所述第一企业属于同一类别的第二企业。
其中，步骤304可以参考图1中步骤103，在此不加赘述。
305、获取所述第二企业的业务信息。
其中，步骤305可以参考图1中步骤103，在此不加赘述。
306、对所述第二企业的业务信息进行向量化，得到所述第二企业的业务信息对应的特征向量。
其中，步骤306可以参考图1中步骤103，在此不加赘述。
307、对所述历史业务信息进行向量化，得到所述历史业务信息对应的特征向量。
其中，步骤307可以参考图1中步骤103，在此不加赘述。
308、将所述历史业务信息对应的特征向量和所述第二企业的业务信息对应的特征向量进行融合，得到所述第一特征向量。
其中，步骤308可以参考图1中步骤103，在此不加赘述。
309、将所述第一特征向量输入到已训练好的第一网络模型中进行预测，得到第一预测绩效指标。
其中，步骤309可以参考图1中步骤103，在此不加赘述。
310、根据所述政策信息，确定所述政策信息对绩效指标的影响因子。
其中，步骤310可以参考图1中步骤104，在此不加赘述。
311、根据所述影响因子对所述第一预测绩效指标进行调整，得到第二预测绩效指标。
其中，步骤311可以参考图1中步骤105，在此不加赘述。
可以看出，上述技术方案中，通过将与第一企业属于同一类的第二企业的业务信息进行向量化，得到该业务信息对应的特征向量，从而可以根据业务信息对应的特征向量和历史业务信息对应的特征向量进行融合，得到第一特征向量，进而使得第一特征向量所包含的信息更加丰富，为后续得到更加精准的预测绩效指标做准备，避免了人工制定未来一段时间的绩效指标时过于主观时导致绩效指标不够精准的问题。同时，通过根据政策信息，确定政策信息对绩效指标的影响因子，从而可以根据影响因子对第一预测绩效指标进行调整。可以理解的，因为第二预测绩效指标是根据影响因子对第一预测绩效指标进行调整得到的，所以实现了结合政策来调整绩效指标，进一步使得绩效指标的制定更加精准。
参见图4，图4是本申请实施例提供的又一种绩效指标预测方法的流程示意图。如图4所示，所述方法包括：
401、获取第一企业的历史业务信息。
其中，步骤401可以参考图1中步骤101，在此不加赘述。
402、通过网络爬虫从互联网中获取多条政策信息和多个来源标签信息，所述多条政策信息和所述多个来源标签信息一一对应，一个来源标签信息用于标识一条政策信息发布的媒体信息。
其中，步骤402可以参考图1中步骤101，在此不加赘述。
403、根据所述多个来源标签信息，从所述多条政策信息中确定所述政策信息，所述政策信息对应的第一来源标签信息所标识的媒体信息为预设媒体信息。
其中，步骤403可以参考图1中步骤101，在此不加赘述。
404、对所述历史业务信息进行向量化，得到第一特征向量。
其中，步骤404与图1中步骤102相同，在此不加赘述。
405、将所述第一特征向量输入到已训练好的第一网络模型中进行预测，得到第一预测绩效指标。
其中，步骤405与图1中步骤103相同，在此不加赘述。
406、根据所述政策信息，确定所述政策信息对绩效指标的影响因子。
其中，步骤406与图1中步骤104相同，在此不加赘述。
407、根据所述影响因子对所述第一预测绩效指标进行调整，得到第二预测绩效指标。
其中，步骤407与图1中步骤105相同，在此不加赘述。
可以看出，上述技术方案中，通过网络爬虫从互联网中获取多条政策信息和多个来源标签信息，从而可以根据多个来源标签信息，从多条政策信息中确定政策信息，实现了政策信息的抓取，使得获取到的政策信息更加丰富，进而可以有选择的确定出政策信息。另外，通过将根据第一企业的历史业务信息确定的第一特征向量输入到已训练好的第一网络模型中进行预测，得到第一预测绩效指标，避免了人工制定未来一段时间的绩效指标时过于主观时导致绩效指标不够精准的问题。同时，通过根据政策信息，确定政策信息对绩效指标的影响因子，从而可以根据影响因子对第一预测绩效指标进行调整。可以理解的，因为第二预测绩效指标是根据影响因子对第一预测绩效指标进行调整得到的，所以实现了结合政策来调整绩效指标，进一步使得绩效指标的制定更加精准。
参见图5，图5为本申请实施例提供的一种绩效指标预测装置的示意图。其中，如图5所示，本申请实施例提供的一种绩效指标预测装置500包括获取模块501、处理模块502、预测模块503、确定模块504和调整模块505，
所述获取模块501，用于获取第一企业的历史业务信息，以及获取政策信息；
所述处理模块502，用于对对所述历史业务信息进行向量化，得到第一特征向量；
所述预测模块503，用于将所述第一特征向量输入到已训练好的第一网络模型中进行预测，得到第一预测绩效指标，所述第一预测绩效指标用于表征所述第一企业在未来一段时间内的收益目标；
所述确定模块504，用于根据所述政策信息，确定所述政策信息对绩效指标的影响因子；
所述调整模块505，用于根据所述影响因子对所述第一预测绩效指标进行调整，得到第二预测绩效指标。
可选的，所述处理模块502，还用于通过网络爬虫从互联网中获取多个企业中每个企业的位置信息、业务信息、企业规模信息；根据所述每个企业的位置信息、业务信息、企业规模信息，确定所述每个企业所属的类别；根据每个企业所属的类别，确定与所述第一企业属于同一类别的第二企业；获取所述第二企业的业务信息；对所述第二企业的业务信息进行向量化，得到所述第二企业的业务信息对应的特征向量；所述对所述历史业务信息进行向量化，得到第一特征向量，包括：对所述历史业务信息进行向量化，得到所述历史业务信息对应的特征向量；将所述历史业务信息对应的特征向量和所述第二企业的业务信息对应的特征向量进行融合，得到所述第一特征向量。
可选的，在获取所述第二企业的业务信息时，所述处理模块502，用于获取所述历史业务信息包括的历史时间信息；根据所述历史时间信息，从数据库中获取所述第二企业的业务信息，所述第二企业的业务信息所包括的时间信息与所述历史时间信息相同。
可选的，在获取政策信息时，获取模块501，用于通过网络爬虫从互联网中获取多条政策信息和多个来源标签信息，所述多条政策信息和所述多个来源标签信息一一对应，一个来源标签信息用于标识一条政策信息发布的媒体信息；根据所述多个来源标签信息，从所述多条政策信息中确定所述政策信息，所述政策信息对应的第一来源标签信息所标识的媒体信息为预设媒体信息。
可选的，确定模块504，还用于对所述第一来源标签信息所标识的媒体信息进行向量化，得到第二特征向量；在根据所述政策信息，确定所述政策信息对绩效指标的影响因子时，确定模块504，用于对所述政策信息进行向量化，得到第三特征向量；将所述第二特征向量和所述第三特征向量进行融合，得到融合特征向量；根据所述融合特征向量确定所述影响因子。
可选的，在根据所述融合特征向量确定所述影响因子时，确定模块504，用于根据所述融合特征向量，确定所述政策信息对绩效指标的初始影响因子；将所述初始影响因子映射到预设范围内，得到所述影响因子。
参见图6，图6为本申请的实施例涉及的硬件运行环境的电子设备结构示意图。
本申请实施例提供了一种绩效指标预测的电子设备，包括处理器、存储器、通信接口以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，以执行包括任一项绩效指标预测方法中的步骤的指令。其中，如图6所示，本申请的实施例涉及的硬件运行环境的电子设备可以包括：
处理器601，例如CPU。
存储器602，可选的，存储器可以为高速RAM存储器，也可以是稳定的存储器，例如磁盘存储器。
通信接口603，用于实现处理器601和存储器602之间的连接通信。
本领域技术人员可以理解，图6中示出的电子设备的结构并不构成对其的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图6所示，存储器602中可以包括操作系统、网络通信模块以及一个或多个程序。操作系统是管理和控制服务器硬件和软件资源的程序，支持一个或多个程序的运行。网络通信模块用于实现存储器602内部各组件之间的通信，以及与电子设备内部其他硬件和软件之间通信。
在图6所示的电子设备中，处理器601用于执行存储器602中一个或多个程序，实现以下步骤：
获取第一企业的历史业务信息，以及获取政策信息；
对所述历史业务信息进行向量化，得到第一特征向量；
将所述第一特征向量输入到已训练好的第一网络模型中进行预测，得到第一预测绩效指标，所述第一预测绩效指标用于表征所述第一企业在未来一段时间内的收益目标；
根据所述政策信息，确定所述政策信息对绩效指标的影响因子；
根据所述影响因子对所述第一预测绩效指标进行调整，得到第二预测绩效指标。
本申请涉及的电子设备的具体实施可参见上述绩效指标预测方法的各实施例，在此不做赘述。
本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述存储计算机程序被所述处理器执行，以实现以下步骤：
获取第一企业的历史业务信息，以及获取政策信息；
对所述历史业务信息进行向量化，得到第一特征向量；
将所述第一特征向量输入到已训练好的第一网络模型中进行预测，得到第一预测绩效指标，所述第一预测绩效指标用于表征所述第一企业在未来一段时间内的收益目标；
根据所述政策信息，确定所述政策信息对绩效指标的影响因子；
根据所述影响因子对所述第一预测绩效指标进行调整，得到第二预测绩效指标。
本申请涉及的计算机可读存储介质的具体实施可参见上述绩效指标预测方法的各实施例，在此不做赘述。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应所述知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应所述知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种绩效指标预测方法，其特征在于，包括：
获取第一企业的历史业务信息，以及获取政策信息；
对所述历史业务信息进行向量化，得到第一特征向量；
将所述第一特征向量输入到已训练好的第一网络模型中进行预测，得到第一预测绩效指标，所述第一预测绩效指标用于表征所述第一企业在未来一段时间内的收益目标；
根据所述政策信息，确定所述政策信息对绩效指标的影响因子；
根据所述影响因子对所述第一预测绩效指标进行调整，得到第二预测绩效指标。
2.根据权利要求1所述的方法，其特征在于，在所述对所述历史业务信息进行向量化，得到第一特征向量之前，所述方法还包括：
通过网络爬虫从互联网中获取多个企业中每个企业的位置信息、业务信息、企业规模信息；
根据所述每个企业的位置信息、业务信息、企业规模信息，确定所述每个企业所属的类别；
根据每个企业所属的类别，确定与所述第一企业属于同一类别的第二企业；
获取所述第二企业的业务信息；
对所述第二企业的业务信息进行向量化，得到所述第二企业的业务信息对应的特征向量；
所述对所述历史业务信息进行向量化，得到第一特征向量，包括：
对所述历史业务信息进行向量化，得到所述历史业务信息对应的特征向量；
将所述历史业务信息对应的特征向量和所述第二企业的业务信息对应的特征向量进行融合，得到所述第一特征向量。
3.根据权利要求2所述的方法，其特征在于，所述获取所述第二企业的业务信息，包括：
获取所述历史业务信息包括的历史时间信息；
根据所述历史时间信息，从数据库中获取所述第二企业的业务信息，所述第二企业的业务信息所包括的时间信息与所述历史时间信息相同。
4.根据权利要求1所述的方法，其特征在于，所述获取政策信息，包括：
通过网络爬虫从互联网中获取多条政策信息和多个来源标签信息，所述多条政策信息和所述多个来源标签信息一一对应，一个来源标签信息用于标识一条政策信息发布的媒体信息；
根据所述多个来源标签信息，从所述多条政策信息中确定所述政策信息，所述政策信息对应的第一来源标签信息所标识的媒体信息为预设媒体信息。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
对所述第一来源标签信息所标识的媒体信息进行向量化，得到第二特征向量；
所述根据所述政策信息，确定所述政策信息对绩效指标的影响因子，包括：
对所述政策信息进行向量化，得到第三特征向量；
将所述第二特征向量和所述第三特征向量进行融合，得到融合特征向量；
根据所述融合特征向量确定所述影响因子。
6.根据权利要求5所述的方法，其特征在于，所述根据所述融合特征向量确定所述影响因子，包括：
根据所述融合特征向量，确定所述政策信息对绩效指标的初始影响因子；
将所述初始影响因子映射到预设范围内，得到所述影响因子。
7.根据权利要求1-5任意一项所述的方法，其特征在于，第二预测绩效指标y满足以下公式：
其中，s为第一预测绩效指标，x为初始影响因子。
8.一种绩效指标预测装置，其特征在于，所述装置包括获取模块、处理模块、预测模块、确定模块和调整模块，
所述获取模块，用于获取第一企业的历史业务信息，以及获取政策信息；
所述处理模块，用于对所述历史业务信息进行向量化，得到第一特征向量；
所述预测模块，用于将所述第一特征向量输入到已训练好的第一网络模型中进行预测，得到第一预测绩效指标，所述第一预测绩效指标用于表征所述第一企业在未来一段时间内的收益目标；
所述确定模块，用于根据所述政策信息，确定所述政策信息对绩效指标的影响因子；
所述调整模块，用于根据所述影响因子对所述第一预测绩效指标进行调整，得到第二预测绩效指标。
9.一种绩效指标预测的电子设备，其特征在于，包括处理器、存储器、通信接口以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被生成由所述处理器执行，以执行权利要求1-7任一项方法中的步骤的指令。
10.一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用于存储计算机程序，所述存储计算机程序被所述处理器执行，以实现权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111114984.2A CN113869700A (zh) | 2021-09-23 | 2021-09-23 | 一种绩效指标预测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111114984.2A CN113869700A (zh) | 2021-09-23 | 2021-09-23 | 一种绩效指标预测方法、装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113869700A true CN113869700A (zh) | 2021-12-31 |
Family
ID=78993538
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111114984.2A Pending CN113869700A (zh) | 2021-09-23 | 2021-09-23 | 一种绩效指标预测方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113869700A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114819590A (zh) * | 2022-04-20 | 2022-07-29 | 平安科技（深圳）有限公司 | 策略智能推荐方法、装置、设备及存储介质 |
| CN116029578A (zh) * | 2022-08-17 | 2023-04-28 | 深圳市沃享科技有限公司 | 服务对象业务水平检测方法、装置、电子设备及存储介质 |
-
2021
- 2021-09-23 CN CN202111114984.2A patent/CN113869700A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114819590A (zh) * | 2022-04-20 | 2022-07-29 | 平安科技（深圳）有限公司 | 策略智能推荐方法、装置、设备及存储介质 |
| CN114819590B (zh) * | 2022-04-20 | 2023-07-18 | 平安科技（深圳）有限公司 | 策略智能推荐方法、装置、设备及存储介质 |
| CN116029578A (zh) * | 2022-08-17 | 2023-04-28 | 深圳市沃享科技有限公司 | 服务对象业务水平检测方法、装置、电子设备及存储介质 |
| CN116029578B (zh) * | 2022-08-17 | 2023-10-10 | 深圳市沃享科技有限公司 | 服务对象业务水平检测方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109409677A (zh) | 企业信用风险评估方法、装置、设备及存储介质 | |
| CN108009915A (zh) | 一种欺诈用户社区的标记方法及相关装置 | |
| CN106097043B (zh) | 一种信用数据的处理方法及服务器 | |
| CN102236870A (zh) | 一种用于获得稳定回报的数量化多因子投资组合控制方法 | |
| CN113869700A (zh) | 一种绩效指标预测方法、装置、电子设备和存储介质 | |
| CN110428139A (zh) | 基于标签传播的信息预测方法及装置 | |
| CN113807940B (zh) | 信息处理和欺诈行为识别方法、装置、设备及存储介质 | |
| CN111476653A (zh) | 一种风险信息识别、确定、模型训练方法及装置 | |
| CN112150291A (zh) | 智慧金融产品推荐系统 | |
| CN110197426B (zh) | 一种信用评分模型的建立方法、装置及可读存储介质 | |
| CN113379530A (zh) | 用户风险的确定方法、装置和服务器 | |
| CN111061948B (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
| CN110689211A (zh) | 网站服务能力的评估方法及装置 | |
| CN110516713A (zh) | 一种目标群体识别方法、装置及设备 | |
| CN116402546A (zh) | 店铺风险归因方法及其装置、设备、介质、产品 | |
| CN114187125A (zh) | 理赔案件分流方法、装置、设备及存储介质 | |
| CN110570301B (zh) | 风险识别方法、装置、设备及介质 | |
| CN112632197A (zh) | 基于知识图谱的业务关系处理方法及装置 | |
| CN112598225A (zh) | 评价指标的确定方法及装置、存储介质、电子装置 | |
| CN109102391A (zh) | 金融机构评级方法、装置及计算机可读存储介质 | |
| CN112819347B (zh) | 一种行业主体审核方法、装置、电子设备及存储介质 | |
| US20230139465A1 (en) | Electronic service filter optimization | |
| TWI657393B (zh) | 行銷客群預測系統及其方法 | |
| CN114662824A (zh) | 风控策略切换方法、装置、计算机设备和存储介质 | |
| CN114626722A (zh) | 客户风险等级的确定方法及装置、存储介质及电子设备 |
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: 20211231 |