CN115048449A - 一种基于网络dpi数据的可视化精细运营数据分析方法 - Google Patents
一种基于网络dpi数据的可视化精细运营数据分析方法 Download PDFInfo
- Publication number
- CN115048449A CN115048449A CN202210678155.5A CN202210678155A CN115048449A CN 115048449 A CN115048449 A CN 115048449A CN 202210678155 A CN202210678155 A CN 202210678155A CN 115048449 A CN115048449 A CN 115048449A
- Authority
- CN
- China
- Prior art keywords
- data
- analysis
- group
- analysis method
- method based
- 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 46
- 238000007405 data analysis Methods 0.000 title claims abstract description 43
- 230000000007 visual effect Effects 0.000 title claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 47
- 230000002776 aggregation Effects 0.000 claims abstract description 9
- 238000004220 aggregation Methods 0.000 claims abstract description 9
- 230000004931 aggregating effect Effects 0.000 claims abstract description 4
- 238000007418 data mining Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000004445 quantitative analysis Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000001364 causal effect Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 230000003542 behavioural effect Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 description 4
- 241001123248 Arma Species 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
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
- G06F16/26—Visual data mining; Browsing structured data
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据分析技术领域,具体是一种基于网络DPI数据的可视化精细运营数据分析方法,包括以下步骤:步骤一、数据聚合:通过群体数据进行聚合,辅以群体的画像数据、坐标数据等;步骤二、数据分析:采用2D2P分析方法进行分析,形成有效结论;步骤三、数据应用:针对企业不同的应用场景,制定相应的应用方案,本发明能够从数据传递、数据分析、数据应用三个层次层层递进,形成DPI数据赋能完整的方法论,为精准营销、线下推广、千人千面等营销场景提供以数据作为支持的决策。
Description
技术领域
本发明涉及数据分析技术领域,具体是一种基于网络DPI数据的可视化精细运营数据分析方法。
背景技术
DPI是一种基于数据包的深度检测技术,针对不同的网络应用层载荷进行深度检测,通过对报文的有效载荷检测决定其合法性。目前DPI数据有数据准、维度全、量级大的特点,但对于企业来说应用这些数据存在一定的数据壁垒和个人隐私法律法规相关的限制和约束,无法发挥这部分数据的巨大价值。
然而,现有的DPI数据由于受个人隐私相关法律法规的限制,只能在域内进行传递,而且在数据分析时大多数还是采用比较传统的数据分析方法,比如统计分析、聚类分析、漏斗分析等;且现有的基于DPI数据分析的方法主要还是基于个人数据采用传统的数据分析方法,随着国家相关法律法规出台,这部分数据只能在域内进行传递,且传统的数据分析方法已经过时,不符合当下互联网管理运营人员需求,不能很好的服务客户。
发明内容
本发明的目的在于提供一种基于网络DPI数据的可视化精细运营数据分析方法,以解决上述背景技术中提出的问题。
本发明的技术方案是:一种基于网络DPI数据的可视化精细运营数据分析方法,包括以下步骤:
步骤一、数据聚合:通过群体数据进行聚合,辅以群体的画像数据、坐标数据等;
步骤二、数据分析:采用2D2P分析方法进行分析,形成有效结论;
步骤三、数据应用:针对企业不同的应用场景,制定相应的应用方案。
优选的,所述数据聚合包括群体划分、群体建模和维度建设。
优选的,所述群体划分包括根据不同行业不同业务对数据进行群体划分,只取相关联的数据合集,根据具体业务类型,再划分交易类、理财类类型。
优选的,所述群体建模包括定义群体范围,圈定对应数据,根据群体类型的不同定义不同的范围,再通过其他维度进行限制。
优选的,所述维度建设包括定义群体输入的维度,其中包括总量、分时量、画像数据、行为数据和偏好数据。
优选的,所述数据分析包括描述性分析、诊断性分析、预测性分析和规范性分析。
优选的,所述描述性分析包括通过使用指标报告、汇总统计、数据聚合、数据挖掘和聚类技术,形成描述性分析结论,包含定性或定量数据、数据查询、描述性统计、或数据图表的报告。
优选的,所述诊断性分析包括通过寻找数据之间的因果关系,通过对不同场景进行建模,对关键指标和因子进行分析,快速识别数据的模式和异常值,了解不同因素之间的关系,解释事件发生的原因。
优选的,所述预测性分析包括通过使用历史或当前数据预测潜在结果,首先进行预测建模,使用数据的定量分析确定模式;再通过时间序列等方式进行数据挖掘,随着时间的推移收集有组织的数据,并基于该模式进行预测。
优选的,所述数据应用包括线下推广、精准营销和用户价值评估。
本发明通过改进在此提供一种基于网络DPI数据的可视化精细运营数据分析方法,与现有技术相比,具有如下改进及优点:
其一:本发明提供了一种基于网络DPI数据的可视化精细运营数据分析方法,从数据传递、数据分析、数据应用三个层次层层递进,形成DPI数据赋能完整的方法论,为精准营销、线下推广、千人千面等营销场景提供以数据作为支持的决策;
其二:本发明在群体数据传递方面,通过用户群体的方式在合法合规的情况下实现了DPI数据的域外传递,打破数据壁垒,帮助企业竞争经营;在2D2P数据分析方法方面,通过系统全面的2D2P分析方法,实现了数据分析方法的闭环,采用2D2P数据分析闭环进行全方位分析,可满足不同岗位人员需求;在区域分析与预测方面,通过DPI数据对区域现状和趋势进行分析,并根据历史数据通过数据建模对未来趋势进行预测。
附图说明
下面结合附图和实施例对本发明作进一步解释:
图1是本发明的结构框图;
图2是本发明的模型曲线图;
图3是本发明的RFM模型图。
具体实施方式
下面对本发明进行详细说明,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明通过改进在此提供一种基于网络DPI数据的可视化精细运营数据分析方法,本发明的技术方案是:
如图1-图3所示,一种基于网络DPI数据的可视化精细运营数据分析方法,步骤一、数据聚合:通过群体数据进行聚合,辅以群体的画像数据、坐标数据等;
步骤二、数据分析:采用2D2P分析方法进行分析,形成有效结论;
步骤三、数据应用:针对企业不同的应用场景,制定相应的应用方案。
其中,对于步骤一,数据聚合包括群体划分、群体建模和维度建设。
具体的,群体划分包括:根据不同行业不同业务对数据进行群体划分,只取相关联的数据合集,如金融证券行业某公司相关活跃/ 沉默群体;根据具体业务类型,再划分交易类、理财类等类型;
群体建模包括:定义群体范围,圈定对应数据,根据群体类型的不同定义不同的范围,如活跃用户群体可定义为本月至少有5次及以上使用APP的用户,可根据业务类型进一步划分,如交易类群体,本月至少有2次及以上的交易行为发生,再通过其他维度进行限制,如非流量卡、非网络卡、以完成实名认证、在网时长大于1 年等;
维度建设包括:定义群体输入的维度,其中包括总量、分时量、画像数据(性别、年龄等)、行为数据(启动次数、使用时长、常住地等)、偏好数据(常用APP等)等,基于以上维度,可支撑后续的数据分析工作,如在分析过程中发现维度缺失等问题,可进行多轮的维度建设,以保证数据分析工作的正常展开。
其中,对于步骤二,数据分析包括描述性分析、诊断性分析、预测性分析和规范性分析。
具体的,描述性分析包括:通过使用指标报告、汇总统计、数据聚合、数据挖掘和聚类等技术,形成描述性分析结论,包含定性或定量数据、数据查询、描述性统计、或数据图表的报告
诊断性分析包括:通过寻找数据之间的因果关系来回答“为什么”会发生这样的问题,通过对不同场景进行建模,对关键指标和因子进行分析,快速识别数据的模式和异常值,了解不同因素之间的关系,解释事件发生的原因,比如为什么某些促销活动更有效;
预测性分析包括:通过使用历史或当前数据预测潜在结果,首先进行预测建模,使用数据的定量分析确定模式;再通过时间序列等方式进行数据挖掘,随着时间的推移收集有组织的数据,并基于该模式进行预测;反馈下面例举几个本专利推荐的预测模型:
ARMA模型:自回归滑动平均模型
基本原则:如果时间序列yt满足:
Yt
=β0+β1Yt-1+β2Yt-2+…+βpYt-p+∈t+α1∈t-1+ αp∈t-p
则称时间序列yt为服从(p,q)阶自回归滑动平均混合模型。或者记为φ(B)yt=θ(B)∈t。
关键节点,构建模型:
#得到最佳p值和q值
order=(15,9)
#ARMA模型建模和训练
ARMAmodel=sm.tsa.ARMA(diff,order).fit()
#得到模型评分
delta=ARMAmodel.fittedvalues-diff.iloc[:0]
score=1-delta.var()/diff.var()
#绘图得到拟合曲线
plt.figure(figsize=(10,6))
plt.plot(diff,‘r’,label=‘Raw’)
plt.plot(ARMAmodel.fittedvalues,‘g’,label=‘ARMAmodel ’)
plt.legend()
#观察图形(如图2所示),模型曲线与一阶差分曲线拟合性较好。
其中,预测建模:需要进行定量分析场景,通过将数据提供给预测模型,可以得到某个决策反馈,例如,更改业务流程中的某些元素;
时间序列:随着时间的推移收集有组织的数据(例如,天气记录),以便找到和确定模式,并基于该模式进行预测。
规范性分析包括:规范性分析是公司为了实现预期结果而采取的步骤,该分析建立在预测分析的基础上,规范性模型包含的机制通常会不断从用户反馈中学习,并根据新信息调整输出。用比较常见的商品推荐来举例,推荐系统本身是一个信息过滤系统,目的是预测一系列行动,增加正向结果的机率,通过大量的正负样本对模型进行千万甚至亿次级别的训练,使得系统为用户推荐的商品、内容、服务等更符合用户预期和希望;再通过用户的反馈,增加模型入参对其进行调优,使得模型越来越准确,表现到用户层则为,用户认为推荐的内容越来越符合自身需求,通过这样的方式可以使企业的关键业务有爆发势增长,且用户粘性与用户满意度得到长足提升;
规范性分析包括蒙特卡罗模拟:通过在模拟中替换随机变量,来进行风险分析的方法,用来确定意外事件对结果造成的影响;该技术广泛应用于金融部门,以减轻投资组合价值减少相关的风险。
常见的推荐算法有LR、FM、FFM、WDL等;首先需要对数据进行预处理,将特征分为连续特征(如商品价格/销量时长)和类别特征 (如性别/天猫会员等级),进行预处理后再使用上文提到的算法进行建模;以逻辑回归LR(Logistic Regression)模型举例,在机器学习中,线性回归模型可记为:
LR是一个基本的回归模型,可以对输入进行一些线性运算得到一个预测的输出值。预测值可以是用户点击某个商品的概率,也可以是用户下单的概率,其含义具体业务具体分析。
其中,数据应用包括线下推广、精准营销和用户价值评估。
具体的,线下推广包括:基于DPI位置数据,通过一系列的分析与与预测,可以了解到当地用户分布情况与热点;基于描述性分析和诊断性分析可以得知企业在该地区的市场占有率、用户分布、用户属性等,帮助企业进行合理的区域布局与投入;基于预测性分析可得出区域发展趋势,预测增长较快区域,企业可以针对未来发展快的区域提前进行规划,安排员工进行线下推广;基于规范性分析可以得知那些类型的推广最受用户喜爱,并在后续的规划中,只制定用户喜欢的活动;
精准营销包括:基于DPI画像数据,可清晰直观的分析企业自身以及竞争对手的群体用户画像,对这些数据使用以上数据分析方法进行分析,分析用户成分和用户喜好,投其所好,为不同客户群打造不同的客户体验,做到服务的精准覆盖,来提升客户体验,增强客户粘性;如典型客户群画像中的“都市白领”,其特征有收入高、注重细节、感性消费、重视外观等,根据这些特征再辅以基础特征如常用APP、常用时间段、关注内容类型等进行综合画像构建,随后对其进行精准营销,以达到高转化率的目的;
用户价值评估包括:基于DPI消费数据,使用用户价值评估模型进行评估,常见的如RFM模型(如图3所示)、CLV模型、顾客社交价值模型等,对用户价值进行评估综合评估,评估结果可以应用到营销环节,也可以应用于用户体验提升、差异化服务等方面。
相较于传统的个人数据不允许传递的数据传递缺陷,本发明采用群体数据,不涉及隐私信息,可以传递;相较于传统的数据整合采用整合企业自身数据,竞品数据来源较少的缺陷,本发明采用 DPI数据+公开数据,弥补竞品数据来源不足的困境;相较于传统的域内数据准确,域外数据严重失真的缺陷,本发明基于DPI数据本身的高可靠性,使得数据分析结论同样具有高可靠性;相较于传统的数据分析方法过时,不符合当下互联网管理运营人员需求,本发明采用2D2P数据分析闭环进行全方位分析,可满足不同岗位人员需求;传统的分析方法过程比较复杂,花费时间较长,分析效率低,本发明基于现有成熟分析模型,充分了解行业背景后可进行高效分析,分析效率高。
上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于网络DPI数据的可视化精细运营数据分析方法,其特征在于:包括以下步骤:
步骤一、数据聚合:通过群体数据进行聚合,辅以群体的画像数据、坐标数据等;
步骤二、数据分析:采用2D2P分析方法进行分析,形成有效结论;
步骤三、数据应用:针对企业不同的应用场景,制定相应的应用方案。
2.根据权利要求1所述的一种基于网络DPI数据的可视化精细运营数据分析方法,其特征在于:所述数据聚合包括群体划分、群体建模和维度建设。
3.根据权利要求2所述的一种基于网络DPI数据的可视化精细运营数据分析方法,其特征在于:所述群体划分包括根据不同行业不同业务对数据进行群体划分,只取相关联的数据合集,根据具体业务类型,再划分交易类、理财类类型。
4.根据权利要求2所述的一种基于网络DPI数据的可视化精细运营数据分析方法,其特征在于:所述群体建模包括定义群体范围,圈定对应数据,根据群体类型的不同定义不同的范围,再通过其他维度进行限制。
5.根据权利要求2所述的一种基于网络DPI数据的可视化精细运营数据分析方法,其特征在于:所述维度建设包括定义群体输入的维度,其中包括总量、分时量、画像数据、行为数据和偏好数据。
6.根据权利要求1所述的一种基于网络DPI数据的可视化精细运营数据分析方法,其特征在于:所述数据分析包括描述性分析、诊断性分析、预测性分析和规范性分析。
7.根据权利要求6所述的一种基于网络DPI数据的可视化精细运营数据分析方法,其特征在于:所述描述性分析包括通过使用指标报告、汇总统计、数据聚合、数据挖掘和聚类技术,形成描述性分析结论,包含定性或定量数据、数据查询、描述性统计、或数据图表的报告。
8.根据权利要求6所述的一种基于网络DPI数据的可视化精细运营数据分析方法,其特征在于:所述诊断性分析包括通过寻找数据之间的因果关系,通过对不同场景进行建模,对关键指标和因子进行分析,快速识别数据的模式和异常值,了解不同因素之间的关系,解释事件发生的原因。
9.根据权利要求6所述的一种基于网络DPI数据的可视化精细运营数据分析方法,其特征在于:所述预测性分析包括通过使用历史或当前数据预测潜在结果,首先进行预测建模,使用数据的定量分析确定模式;再通过时间序列等方式进行数据挖掘,随着时间的推移收集有组织的数据,并基于该模式进行预测。
10.根据权利要求1所述的一种基于网络DPI数据的可视化精细运营数据分析方法,其特征在于:所述数据应用包括线下推广、精准营销和用户价值评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210678155.5A CN115048449A (zh) | 2022-06-13 | 2022-06-13 | 一种基于网络dpi数据的可视化精细运营数据分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210678155.5A CN115048449A (zh) | 2022-06-13 | 2022-06-13 | 一种基于网络dpi数据的可视化精细运营数据分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115048449A true CN115048449A (zh) | 2022-09-13 |
Family
ID=83161050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210678155.5A Pending CN115048449A (zh) | 2022-06-13 | 2022-06-13 | 一种基于网络dpi数据的可视化精细运营数据分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115048449A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014063313A1 (zh) * | 2012-10-24 | 2014-05-01 | 华为技术有限公司 | 业务分析方法及设备 |
CN112115355A (zh) * | 2020-09-02 | 2020-12-22 | 南方电网深圳数字电网研究院有限公司 | 基于电力行业用户画像的电网智慧服务系统 |
CN112633937A (zh) * | 2020-12-30 | 2021-04-09 | 上海数鸣人工智能科技有限公司 | 基于深度自动编码器降维结合梯度提升决策树的营销预测方法 |
KR20210109292A (ko) * | 2020-02-27 | 2021-09-06 | 코넥스파워 주식회사 | 다기능 측정기를 통해 산업현장 설비 관리하는 빅데이터 서버 시스템 |
CN113421133A (zh) * | 2021-07-21 | 2021-09-21 | 赛诺数据科技(南京)有限公司 | 基于客户匹配的网络营销系统 |
CN114418603A (zh) * | 2021-10-15 | 2022-04-29 | 国网安徽省电力有限公司黄山供电公司 | 一种基于营销业务的客户画像生成方法 |
CN114579544A (zh) * | 2020-12-02 | 2022-06-03 | 苏州学思网络科技有限公司 | 一种基于数据管理平台的精准营销的数据分析方法 |
-
2022
- 2022-06-13 CN CN202210678155.5A patent/CN115048449A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014063313A1 (zh) * | 2012-10-24 | 2014-05-01 | 华为技术有限公司 | 业务分析方法及设备 |
KR20210109292A (ko) * | 2020-02-27 | 2021-09-06 | 코넥스파워 주식회사 | 다기능 측정기를 통해 산업현장 설비 관리하는 빅데이터 서버 시스템 |
CN112115355A (zh) * | 2020-09-02 | 2020-12-22 | 南方电网深圳数字电网研究院有限公司 | 基于电力行业用户画像的电网智慧服务系统 |
CN114579544A (zh) * | 2020-12-02 | 2022-06-03 | 苏州学思网络科技有限公司 | 一种基于数据管理平台的精准营销的数据分析方法 |
CN112633937A (zh) * | 2020-12-30 | 2021-04-09 | 上海数鸣人工智能科技有限公司 | 基于深度自动编码器降维结合梯度提升决策树的营销预测方法 |
CN113421133A (zh) * | 2021-07-21 | 2021-09-21 | 赛诺数据科技(南京)有限公司 | 基于客户匹配的网络营销系统 |
CN114418603A (zh) * | 2021-10-15 | 2022-04-29 | 国网安徽省电力有限公司黄山供电公司 | 一种基于营销业务的客户画像生成方法 |
Non-Patent Citations (3)
Title |
---|
悦文天下: "四种数据分析方法,帮你成功做决策", 《HTTPS://AIQICHA.BAIDU.COM/QIFUKNOWLEDGE/DETAIL?ID=10029241855》, 10 October 2021 (2021-10-10), pages 1 - 5 * |
李子森: "基于电信DPI数据的电商用户行为分析", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, 15 March 2018 (2018-03-15), pages 10 - 15 * |
裴国才;: "基于用户画像的电信精准营销模型研究", 信息通信, no. 12, 15 December 2017 (2017-12-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Determinant factors of corporate environmental information disclosure: an empirical study of Chinese listed companies | |
Reddick | Customer Relationship Management (CRM) technology and organizational change: Evidence for the bureaucratic and e-Government paradigms | |
CN110175788A (zh) | 一种智慧城市能源云平台 | |
Claussen et al. | The editor vs. the algorithm: Returns to data and externalities in online news | |
US20150081396A1 (en) | System and method for optimizing business performance with automated social discovery | |
Octabriyantiningtyas et al. | The effect of service quality on t-cash customer satisfaction using system dynamics framework | |
CN112418738A (zh) | 一种基于逻辑回归的员工操作风险预测方法 | |
CN111951104A (zh) | 一种基于关联图谱的风险传导预警方法 | |
Lai | Smart Financial Management System Based on Data Ming and Man‐Machine Management | |
Furqan et al. | Financial reporting, public services and local executives’ re-electability in Indonesia | |
Chiang | Refurbishment criteria performance assessment methodologies based on a multiple-criteria approach | |
Yu et al. | Evaluation of High‐Quality Development of Manufacturing Industry Using a Novel Grey Dynamic Double Incentive Decision‐Making Model | |
US20160034927A1 (en) | Customer Relations Intelligence | |
Li et al. | Exploring the influencing factors of Chinese rural households’ clean heating choice considering the attitude–behavior gap based on two-level classification methods | |
Bruaset et al. | Using the multiple scenario approach for envisioning plausible futures in long-term planning and management of the urban water pipe systems | |
CN116777140A (zh) | 一种企业业务管理方法、装置、设备及介质 | |
Wei | Performance evaluation of tourism human resource management based on fuzzy data mining | |
CN115048449A (zh) | 一种基于网络dpi数据的可视化精细运营数据分析方法 | |
Chen | [Retracted] Evaluation Analysis and Key Index System Construction of Urban Public Management Service Quality Based on Grey Judgment Method | |
Averchenkova et al. | Analysis Of The External Environment Of The Regional Socio-Economic System | |
CN111882420B (zh) | 响应率的生成方法、营销方法、模型训练方法及装置 | |
Shafti et al. | Service operation classification for risk management | |
He et al. | Mandatory Environmental Information Disclosure, Information Infrastructure And the Firm's Digital Transformation | |
Lalonde et al. | A decision-support methodology for asset management | |
Abel et al. | An approach to investigate fairness using Dominance-based Rough Sets Analysis—How fair were the COVID-19 restriction decisions in the UK? |
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 |