CN115146938A - 绩效考核方法、装置、设备及存储介质 - Google Patents
绩效考核方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115146938A CN115146938A CN202210723996.3A CN202210723996A CN115146938A CN 115146938 A CN115146938 A CN 115146938A CN 202210723996 A CN202210723996 A CN 202210723996A CN 115146938 A CN115146938 A CN 115146938A
- Authority
- CN
- China
- Prior art keywords
- logistics
- data
- score
- user evaluation
- rate
- 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 44
- 238000003860 storage Methods 0.000 title claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 306
- 238000010276 construction Methods 0.000 claims abstract description 102
- 238000003062 neural network model Methods 0.000 claims description 56
- 238000009826 distribution Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 29
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 230000000644 propagated effect Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000002688 persistence Effects 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"
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及自动化办公领域，公开了一种绩效考核方法、装置、设备及存储介质。该方法包括：获取目标绩效考核网点当月的成本数据、服务数据、建设数据以及用户评价数据；根据物流成本数据以及第一加权公式，计算物流成本得分，根据物流服务数据以及第二加权公式，计算物流服务得分，根据物流建设数据以及第三加权公式，计算物流建设得分；将用户评价数据输入至用户评价指向模型，得到目标用户评价指向类型，并确定该类型对应的物流评价得分；对物流成本得分、物流服务得分、物流建设得分以及物流评价得分求和计算，得到网点当月的目标绩效得分。本发明通过对物流的成本、服务、建设、评价维度计算网点的绩效得分，考核维度更加丰富，准确性更高。
Description
技术领域
本发明涉及自动化办公领域，尤其涉及一种绩效考核方法、装置、设备及存储介质。
背景技术
当前物流行业的绩效考核方式有多种，例如完成率考核、时效考核或签收率考核等，而不同企业间之间由于不同的考核需求而往往会采用不同的考核方式，例如将快递业务员是否穿工服加入考核项等、统计节假日快递业务员的出勤率等。通过科学的绩效考核的方式，并配合相应的奖惩措施可以提升员工工作的积极性。
在现有的技术中，通常通过记录网点人员的出勤状况以及网点的经营状况确定网点对应的绩效，考核维度单一，进而导致绩效考核的准确率低下。
发明内容
本发明的主要目的在于解决现有物流行业的绩效考核方式准确率低下的问题。
本发明第一方面提供了一种绩效考核方法，包括：
获取目标绩效考核网点当月的物流成本数据、物流服务数据、物流建设数据以及用户评价数据，所述物流成本数据包括单票人力成本和单票运输成本，所述物流服务数据包括支线延误率、定时分发率、快件签收率、快件投诉率、破损遗失率以及电联率，所述物流建设数据包括标准转化率、场地安全值以及末端建设率；
根据所述单票人力成本、所述单票运输成本以及预设的第一加权公式，计算所述目标绩效考核网点的物流成本得分，根据所述支线延误率、所述定时分发率、所述快件签收率、所述物流投诉率、所述破损遗失率、所述电联率以及预设的第二加权公式，计算所述目标绩效考核网点的物流服务得分，根据所述标准转化率、场地安全值、末端建设率以及预设的第三加权公式，计算所述目标绩效考核网点的物流建设得分；
将所述用户评价数据输入至预置的用户评价指向模型，得到所述目标绩效考核网点当月的目标用户评价指向类型；
根据用户评价指向类型与物流评价得分之间预置的对应关系，确定所述目标用户评价指向类型对应的物流评价得分；
对所述目标绩效考核对象的物流成本得分、物流服务得分、物流建设得分以及物流评价得分进行求和计算，得到所述目标绩效考核网点当月的目标绩效得分。
可选的，在本发明第一方面的第一种实现方式中，所述获取目标绩效考核网点当月的物流成本数据、物流服务数据、物流建设数据以及用户评价数据之前，还包括：
对所述目标绩效考核网点当月的物流成本数据、物流服务数据、物流建设数据以及用户评价数据进行数据预处理；
对预处理后的所述目标绩效考核网点当月的物流成本数据、物流服务数据、物流建设数据以及用户评价数据进行持久化存储。
可选的，在本发明第一方面的第二种实现方式中，所述将所述用户评价数据输入至预置的用户评价指向模型，得到所述目标绩效考核网点当月的目标用户评价指向类型之前，还包括：
获取所述目标绩效考核网点历史的多条用户评价数据，以及每条所述用户评价数据对应的用户评价指向类型；
通过预置的数据标注工具，以及每条所述用户评价数据对应的用户评价指向类型，为每条所述用户评价数据添加用于指示用户评价指向类型的数据标签，并基于添加数据标签后的用户评价数据，构建用户评价数据集；
基于所述用户评价数据集，对预置的初始神经网络模型进行用户评价指向类型的分类训练，得到所述用户评价指向模型。
可选的，在本发明第一方面的第三种实现方式中，所述基于所述用户评价数据集，对预置的初始神经网络模型进行用户评价指向类型的分类训练，得到所述用户评价指向模型包括：
初始化所述初始神经网络模型，并将所述用户评价数据集输入至所述初始神经网络模型中；
基于所述初始神经网络模型中每个预置的用户评价指向类型所对应的概率密度矩阵，计算目标用户评价数据与每个所述用户评价指向类型之间的匹配概率分布，其中，所述目标用户评价数据为待用于训练的用户评价数据；
根据预置的损失函数和所述数据标签，计算所述匹配概率分布对应损失值；
根据所述损失值调整所述初始神经网络模型的网络参数，得到所述用户评价指向模型。
可选的，在本发明第一方面的第四种实现方式中，所述根据所述损失值调整所述初始神经网络模型的网络参数，得到所述用户评价指向模型包括：
将所述损失值输入至所述初始神经网络模型的输出层网络，并向所述初始神经网络模型的隐藏层网络反向传播；
当所述损失值被传播至所述隐藏层网络时，根据所述损失值，并采用随机梯度下降算法对所述初始神经网络模型的网络参数进行迭代更新，直至所述损失值小于预置阈值，确定当前所述初始神经网络模型的网络参数为目标网络参数，保存所述目标网络参数，得到所述用户评价指向模型。
可选的，在本发明第一方面的第五种实现方式中，所述对所述目标绩效考核对象的物流成本得分、物流服务得分、物流建设得分以及物流评价得分进行求和计算，得到所述目标绩效考核网点当月的目标绩效得分之后，还包括：
获取预置的绩效考核报表模板；
基于预置的IO流，将所述物流成本数据、所述物流服务数据以及所述物流建设数据、所述物流成本得分、所述物流服务得分、所述物流建设得分、所述物流评价得分、所述目标绩效得分输入至所述绩效考核报表模板中以生成所述目标绩效考核网点当月的绩效考核报表。
可选的，在本发明第一方面的第六种实现方式中，所述基于预置的IO流，将所述物流成本数据、所述物流服务数据以及所述物流建设数据、所述物流成本得分、所述物流服务得分、所述物流建设得分、所述物流评价得分、所述目标绩效得分输入至所述绩效考核报表模板中以生成所述目标绩效考核网点当月的绩效考核报表之后，还包括：
检测所述目标绩效得分是否在预置的安全绩效区间内，若所述目标绩效得分不在所述安全绩效区内，则确定所述目标绩效考核网点为异常网点；
对所述异常网点的绩效考核报表进行数据分析，得到并输出所述异常网点的优化策略。
本发明第二方面提供了一种绩效考核装置，包括：
数据获取模块，用于获取目标绩效考核网点当月的物流成本数据、物流服务数据、物流建设数据以及用户评价数据，所述物流成本数据包括单票人力成本和单票运输成本，所述物流服务数据包括支线延误率、定时分发率、快件签收率、快件投诉率、破损遗失率以及电联率，所述物流建设数据包括标准转化率、场地安全值以及末端建设率；
得分计算模块，用于根据所述单票人力成本、所述单票运输成本以及预设的第一加权公式，计算所述目标绩效考核网点的物流成本得分，根据所述支线延误率、所述定时分发率、所述快件签收率、所述物流投诉率、所述破损遗失率、所述电联率以及预设的第二加权公式，计算所述目标绩效考核网点的物流服务得分，根据所述标准转化率、场地安全值、末端建设率以及预设的第三加权公式，计算所述目标绩效考核网点的物流建设得分；
用户评价分析模块，用于将所述用户评价数据输入至预置的用户评价指向模型，得到所述目标绩效考核网点当月的目标用户评价指向类型；
物流评价得分模块，用于根据用户评价指向类型与物流评价得分之间预置的对应关系，确定所述目标用户评价指向类型对应的物流评价得分；
绩效计算模块，用于对所述目标绩效考核对象的物流成本得分、物流服务得分、物流建设得分以及物流评价得分进行求和计算，得到所述目标绩效考核网点当月的目标绩效得分。
可选的，在本发明第二方面的第一种实现方式中，所述绩效考核装置还包括数据入库模块，所述数据入库模块具体包括：
预处理单元，用于对所述目标绩效考核网点当月的物流成本数据、物流服务数据、物流建设数据以及用户评价数据进行数据预处理；
持久化单元，用于对预处理后的所述目标绩效考核网点当月的物流成本数据、物流服务数据、物流建设数据以及用户评价数据进行持久化存储。
可选的，在本发明第二方面的第二种实现方式中，所述绩效考核装置还包括模型训练模块，所述模型训练模块具体包括：
获取单元，用于获取所述目标绩效考核网点历史的多条用户评价数据，以及每条所述用户评价数据对应的用户评价指向类型；
数据集构建单元，用于通过预置的数据标注工具，以及每条所述用户评价数据对应的用户评价指向类型，为每条所述用户评价数据添加用于指示用户评价指向类型的数据标签，并基于添加数据标签后的用户评价数据，构建用户评价数据集；
训练单元，用于基于所述用户评价数据集，对预置的初始神经网络模型进行用户评价指向类型的分类训练，得到所述用户评价指向模型。
可选的，在本发明第二方面的第三种实现方式中，所述训练单元具体用于：
初始化所述初始神经网络模型，并将所述用户评价数据集输入至所述初始神经网络模型中；
基于所述初始神经网络模型中每个预置的用户评价指向类型所对应的概率密度矩阵，计算目标用户评价数据与每个所述用户评价指向类型之间的匹配概率分布，其中，所述目标用户评价数据为待用于训练的用户评价数据；
根据预置的损失函数和所述数据标签，计算所述匹配概率分布对应损失值；
根据所述损失值调整所述初始神经网络模型的网络参数，得到所述用户评价指向模型。
可选的，在本发明第二方面的第四种实现方式中，所述训练单元具体用于：
初始化所述初始神经网络模型，并将所述用户评价数据集输入至所述初始神经网络模型中；
基于所述初始神经网络模型中每个预置的用户评价指向类型所对应的概率密度矩阵，计算目标用户评价数据与每个所述用户评价指向类型之间的匹配概率分布，其中，所述目标用户评价数据为待用于训练的用户评价数据；
根据预置的损失函数和所述数据标签，计算所述匹配概率分布对应损失值；
将所述损失值输入至所述初始神经网络模型的输出层网络，并向所述初始神经网络模型的隐藏层网络反向传播；
当所述损失值被传播至所述隐藏层网络时，根据所述损失值，并采用随机梯度下降算法对所述初始神经网络模型的网络参数进行迭代更新，直至所述损失值小于预置阈值，确定当前所述初始神经网络模型的网络参数为目标网络参数，保存所述目标网络参数，得到所述用户评价指向模型。
可选的，在本发明第二方面的第五种实现方式中，所述绩效考核装置还包括报表生成模块，所述报表生成模块具体用于：
获取预置的绩效考核报表模板，基于预置的IO流，将所述物流成本数据、所述物流服务数据以及所述物流建设数据、所述物流成本得分、所述物流服务得分、所述物流建设得分、所述物流评价得分、所述目标绩效得分输入至所述绩效考核报表模板中以生成所述目标绩效考核网点当月的绩效考核报表。
可选的，在本发明第二方面的第六种实现方式中，所述报表生成模块具体用于：
获取预置的绩效考核报表模板，基于预置的IO流，将所述物流成本数据、所述物流服务数据以及所述物流建设数据、所述物流成本得分、所述物流服务得分、所述物流建设得分、所述物流评价得分、所述目标绩效得分输入至所述绩效考核报表模板中以生成所述目标绩效考核网点当月的绩效考核报表；
检测所述目标绩效得分是否在预置的安全绩效区间内，若所述目标绩效得分不在所述安全绩效区内，则确定所述目标绩效考核网点为异常网点；
对所述异常网点的绩效考核报表进行数据分析，得到并输出所述异常网点的优化策略。
本发明第三方面提供了一种绩效考核设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述绩效考核设备执行上述的绩效考核方法的各个步骤。
本发明的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中存储有指令，当其在计算机上运行时，使得计算机执行上述的绩效考核方法的各个步骤。
本发明提供的技术方案中，通过获取目标绩效考核网点当月的成本数据、服务数据、建设数据以及用户评价数据；根据物流成本数据以及第一加权公式，计算物流成本得分，根据物流服务数据以及第二加权公式，计算物流服务得分，根据物流建设数据以及第三加权公式，计算物流建设得分；将用户评价数据输入至用户评价指向模型，得到目标用户评价指向类型，并确定该类型对应的物流评价得分；对物流成本得分、物流服务得分、物流建设得分以及物流评价得分求和计算从而得到网点当月的目标绩效得分，通过对物流的成本、服务、建设、评价维度计算网点的绩效得分，考核维度更加丰富，准确性更高，同时无需人工监督，考核效率更高。
附图说明
图1为本发明实施例中绩效考核方法的第一个实施例示意图；
图2为本发明实施例中绩效考核方法的第二个实施例示意图；
图3为本发明实施例中绩效考核装置的一个实施例示意图；
图4为本发明实施例中绩效考核装置的另一个实施例示意图；
图5为本发明实施例中绩效考核设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种绩效考核方法、装置、设备及存储介质，准确性更高。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，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。
可以理解的是，本发明的执行主体可以为绩效考核装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中绩效考核方法的第一个实施例包括：
101、获取目标绩效考核网点当月的物流成本数据、物流服务数据、物流建设数据以及用户评价数据，物流成本数据包括单票人力成本和单票运输成本，物流服务数据包括支线延误率、定时分发率、快件签收率、快件投诉率、破损遗失率以及电联率，物流建设数据包括标准转化率、场地安全值以及末端建设率；
可以理解的是，物流成本数据用于衡量物流网点的成本支出状况，本实施例中具体至少包括单票人力成本和单票运输成本指标。其中，该单票人力成本即表示网点每票件所消耗的人力成本，具体计算公式为本月网点人力成本/本月操作件量；该单票运输成本即表示网点每票件所消耗的运输成本，具体计算公式为本月网点运输成本/本月操作件量。
物流服务数据用于衡量物流网点的服务质量状况，本实施例中具体至少包括支线延误率、定时分发率、快件签收率、快件投诉率、破损遗失率以及电联率指标。其中，支线延误率表示车辆自分拨发车与到达网点解封的时间差与规划时间差对比，具体计算公式为延误快件数量/发出快件总数量；定时分发率表示车辆到网点靠卡时间开始1小时内，快件需要有分发记录，具体计算公式为定时分发快件总量/应派快件总量；快件签收率表示网点当天应派快件量在指定截止时间(例如24点)之前已签收的快件量在发出的快件量中的占比，具体计算为网点在规定考核时间内分发给业务员的快件数量/网点应派快件数量；快件投诉率表示月度内受到投诉的快件单数目在月度快件单总数目的占比，具体计算公式为月度内受到投诉的快件单数目/月度内快件单总数目；破损遗失率表示网点当前破损或遗失的快件占当月快件总量的比率，具体计算公式为网点当前破损或遗失的快件的数量/网点当前总快件量；电联率表示网点的业务员针对需要在派送前电话联系消费者的打标快件中实际外呼量在应电联总量中的占比，具体计算公式为当月派件中需要电联快件已经电联的票数/当月派件应电联的快件数量。
物流建设数据用于衡量物流网点参与物流基础建设的状况，本实施例中具体至少包括标准转化率、场地安全值以及末端建设率指标。其中，标准转化率表示物流网点执行与场地卫生、工服等基础物流设施的情况，例如当月物流网点按照规定应进行6次场地卫生的打扫，但是实际其只执行了3次场地卫生打扫，对应的标准转化率为50％；场地安全值表示物流网点的安全设施的建设状况，指标统计人员可以在物流网点的场地现场检查该物流网点当前配备的安全设施，进而按照各项安全设施预置的得分对其统计，得到场地安全值；末端建设率表示物流网点周边指定区域内的门店、驿站以及快递柜等末端设备的建设状况，具体计算公式为截止月底以建设末端总数量/月度末端建设目标数量。
用户评价数据用于从用户使用的角度衡量物流网点的服务状况，具体可包括但不限于快件单的好评数量或差评数量、派件员的服务评价等级、包含情感色彩的评语等，本实施例对其不做限定。
可选的，在获取目标绩效考核网点当月的物流成本数据、物流服务数据、物流建设数据以及用户评价数据之前，服务器还对目标绩效考核网点当月的物流成本数据、物流服务数据、物流建设数据以及用户评价数据进行数据预处理；对预处理后的目标绩效考核网点当月的物流成本数据、物流服务数据、物流建设数据以及用户评价数据进行持久化存储。预处理的方式包括但不限于数据去重、归一化等，从而提升数据的质量，让绩效考核结果更加准确，提升数据进一步处理计算的效率，本实施例对其不做具体限定。
102、根据单票人力成本、单票运输成本以及预设的第一加权公式，计算目标绩效考核网点的物流成本得分，根据支线延误率、定时分发率、快件签收率、物流投诉率、破损遗失率、电联率以及预设的第二加权公式，计算目标绩效考核网点的物流服务得分，根据标准转化率、场地安全值、末端建设率以及预设的第三加权公式，计算目标绩效考核网点的物流建设得分；
可以理解的是，各加权公式中的权重即表示各绩效考核指标在总绩效考核中所占的比率，各绩效考核指标所占比率可根据实际的业务需求进行调整，例如本次绩效考核中想要着重考核物流网点的快件签收率，可相应提高快件签收率指标对应的权重值，减少其他指标的权重值。
103、将用户评价数据输入至预置的用户评价指向模型，得到目标绩效考核网点当月的目标用户评价指向类型；
可以理解的是，用户评价指向模型用于根据所输入用户评价数据的特征，计算该用户评价数据与指定的多个用户评价指向类型之间的匹配度，并以标签的形式输出匹配度最大的用户评价指向类型，该用户评价指向类型例如可以分为好评、中等、差评等，本实施例对其不做具体限定。
该用户评价指向模型可基于现有的公开数据集或预先构建的个人数据集进行有监督或无监督训练，本实施例对其不做具体限定。
可选的，服务器可使用数据集中的部分数据来训练模型，并基于数据集中的剩余部分来验证模型，从而提升模型的准确性。
104、根据用户评价指向类型与物流评价得分之间预置的对应关系，确定目标用户评价指向类型对应的物流评价得分；
可以理解的是，每一种用户评价指向类型均对应一个用户对该物流网点的物流评价得分以量化用户对物流网点的服务评价，例如用户评价指向类型为“好评”，则预置对应的物流评价得分为100分，用户评价指向类型为“中等”，则预置对应的物流评价得分为50分，用户评价指向类型为“差评”，则预置对应的物流评价得分为10分。
105、对目标绩效考核对象的物流成本得分、物流服务得分、物流建设得分以及物流评价得分进行求和计算，得到目标绩效考核网点当月的目标绩效得分。
可以理解的是，物流网点的绩效得分由成本维度、服务维度、建设维度以及用户评价维度对应的得分共同组成，从而对目标绩效考核网点实现多方位的考核，综合衡量网点当月的物流服务质量。
可选的，在得到目标绩效考核网点当月的目标绩效得分之后，服务器还通过获取预置的绩效考核报表模板，从而基于预置的IO流，将物流成本数据、物流服务数据、物流建设数据、物流成本得分、物流服务得分、物流建设得分、物流评价得分、目标绩效得分输入至该绩效考核报表模板中以生成目标绩效考核网点当月的绩效考核报表。当服务器检测到目标绩效得分不在预置的安全绩效区内，则确定该目标绩效考核网点为异常网点；对异常网点的绩效考核报表进行数据分析，得到并输出该异常网点的优化策略。
本发明实施例中，通过对物流的成本、服务、建设、评价维度计算网点的绩效得分，绩效考核维度更加丰富，准确性更高，同时无需人工监督，考核效率更高。
请参阅图2，本发明实施例中绩效考核方法的第二个实施例包括：
201、获取目标绩效考核网点历史的多条用户评价数据，以及每条用户评价数据对应的用户评价指向类型；
可以理解的是，本实施例中是以该目标绩效考核网点历史的用户评价数据(即历史数据)及其对应的用户评价指向类型作为用于训练用户评价指向模型的训练数据集，其中历史的用户评价数据可以为过去指定时间段内用户对该目标绩效考核网点的评价信息，该指定时间段可根据实际需求进行调整。该用户评价指向类型是由数据专员根据预设的判定规则对每条用户评价数据进行确定，例如统计到一条用户评价数据A中包括派送效率满意度为5分，派送业务员服务态度满意度为5分，预设的判定规则为满意度之和在[0分,5分]区间内，对应的用户评价指向类型为“差评”，满意度之和为(5分，8分]区间内，对应的用户评价指向类型为“中等”，满意度之和在(8分，10分]区间内则为“好评”，则该用户评价数据A对应的用户评价指向类型为好评。
202、通过预置的数据标注工具，以及每条用户评价数据对应的用户评价指向类型，为每条用户评价数据添加用于指示用户评价指向类型的数据标签，并基于添加数据标签后的用户评价数据，构建用户评价数据集；
可以理解的是，有监督训练过程中需要预先为训练数据添加相应的数据标签，本实施例中对每条用户评价数据所添加的数据标签即为对应的用户评价指向类型，从而基于该标注结果(即真实结果)与用户评价指向模型的预测结果进行比较，进而判定模型是否预测准确，若不准确，则还可以调整用户评价指向模型的网络参数，直至该预测结果符合该标注结果，本实施例中对数据标注工具的类型不做限定。
203、基于用户评价数据集，对预置的初始神经网络模型进行用户评价指向类型的分类训练，得到用户评价指向模型；
可以理解的是，服务器首先初始化所述初始神经网络模型，并将用户评价数据集输入至该初始神经网络模型中，通过初始神经网络模型中的特征提取网络来提取用户评价数据中的语义信息，得到对应的用户评价特征向量；
其次，服务器基于初始神经网络模型中每个预置的用户评价指向类型所对应的概率密度矩阵，计算目标用户评价数据与每个用户评价指向类型之间的匹配概率分布，目标用户评价数据为待用于训练的用户评价数据。
具体的，服务器将所提取的用户评价特征向量输入至全连接层网络中，通过调用全连接层网络中的softmax多分类器，将用户评价特征向量与每个预置的用户评价指向类型所对应的概率密度矩阵做点积运算，从而得到该用户评价特征向量与每个用户评价指向类型之间的初始匹配得分，然后通过预置的扩散函数对每个初始匹配得分进行数值扩散，最后对数值扩散后的每个初始匹配得分进行归一化处理，从而将其收敛至[0,1]区间内，得到目标用户评价数据与每个用户评价指向类型之间的匹配概率分布。
然后，服务器根据预置的损失函数和所标注的数据标签，计算匹配概率分布对应损失值；本实施例中对该损失函数不做具体限定，可以为L1损失函数或L2损失函数，该匹配概率分布的损失值大小用于表示预测结果与实际结果(即数据标注)之间的误差，当损失值越小时，表示预测结果越准确。
最后，服务器根据损失值调整初始神经网络模型的网络参数，得到用户评价指向模型。可选的，服务器可基于随机梯度下降算法来迭代调整该初始神经网络模型的网络参数，从而加快模型的收敛速度。具体的，服务器将该损失值输入至初始神经网络模型的输出层网络，并向初始神经网络模型的隐藏层网络反向传播；当该损失值被传播至隐藏层网络时，根据该损失值，并采用随机梯度下降算法对初始神经网络模型的网络参数进行迭代更新，直至该初始神经网络模型收敛，具体可以为该损失值小于预置阈值或达到全局最小值，确定当前初始神经网络模型的网络参数为目标网络参数，并保存目标网络参数，得到该用户评价指向模型。
204、获取目标绩效考核网点当月的物流成本数据、物流服务数据、物流建设数据以及用户评价数据，物流成本数据包括单票人力成本和单票运输成本，物流服务数据包括支线延误率、定时分发率、快件签收率、快件投诉率、破损遗失率以及电联率，物流建设数据包括标准转化率、场地安全值以及末端建设率；
205、根据单票人力成本、单票运输成本以及预设的第一加权公式，计算目标绩效考核网点的物流成本得分，根据支线延误率、定时分发率、快件签收率、物流投诉率、破损遗失率、电联率以及预设的第二加权公式，计算目标绩效考核网点的物流服务得分，根据标准转化率、场地安全值、末端建设率以及预设的第三加权公式，计算目标绩效考核网点的物流建设得分；
206、将用户评价数据输入至预置的用户评价指向模型，得到目标绩效考核网点当月的目标用户评价指向类型；
207、根据用户评价指向类型与物流评价得分之间预置的对应关系，确定目标用户评价指向类型对应的物流评价得分；
208、对目标绩效考核对象的物流成本得分、物流服务得分、物流建设得分以及物流评价得分进行求和计算，得到目标绩效考核网点当月的目标绩效得分。
其中，步骤204-208与上述步骤101-105的执行步骤类似，具体此处不再赘述。
本发明实施例中，详细描述的用户评价指向模型的训练过程，通过有监督地对初始神经网络模型的用户评价指向类型进行多分类训练，将非结构化的数据分布映射至结构化的分类中，从而得到准确预测用户评价指向类型的网络模型，进而根据该模型可以得到目标绩效考核网点当月准确的用户评价得分。
上面对本发明实施例中绩效考核方法进行了描述，下面对本发明实施例中绩效考核装置进行描述，请参阅图3，本发明实施例中绩效考核装置一个实施例包括：
数据获取模块301，用于获取目标绩效考核网点当月的物流成本数据、物流服务数据、物流建设数据以及用户评价数据，所述物流成本数据包括单票人力成本和单票运输成本，所述物流服务数据包括支线延误率、定时分发率、快件签收率、快件投诉率、破损遗失率以及电联率，所述物流建设数据包括标准转化率、场地安全值以及末端建设率；
得分计算模块302，用于根据所述单票人力成本、所述单票运输成本以及预设的第一加权公式，计算所述目标绩效考核网点的物流成本得分，根据所述支线延误率、所述定时分发率、所述快件签收率、所述物流投诉率、所述破损遗失率、所述电联率以及预设的第二加权公式，计算所述目标绩效考核网点的物流服务得分，根据所述标准转化率、场地安全值、末端建设率以及预设的第三加权公式，计算所述目标绩效考核网点的物流建设得分；
用户评价分析模块303，用于将所述用户评价数据输入至预置的用户评价指向模型，得到所述目标绩效考核网点当月的目标用户评价指向类型；
物流评价得分模块304，用于根据用户评价指向类型与物流评价得分之间预置的对应关系，确定所述目标用户评价指向类型对应的物流评价得分；
绩效计算模块305，用于对所述目标绩效考核对象的物流成本得分、物流服务得分、物流建设得分以及物流评价得分进行求和计算，得到所述目标绩效考核网点当月的目标绩效得分。
本发明实施例中，通过对物流的成本、服务、建设、评价维度计算网点的绩效得分，绩效考核维度更加丰富，准确性更高，同时无需人工监督，考核效率更高。
请参阅图4，本发明实施例中绩效考核装置的另一个实施例包括：
数据入库模块401，用于对所述目标绩效考核网点当月的物流成本数据、物流服务数据、物流建设数据以及用户评价数据进行数据预处理，对预处理后的所述目标绩效考核网点当月的物流成本数据、物流服务数据、物流建设数据以及用户评价数据进行持久化存储；
模型训练模块402，用于训练初始神经网络模型，得到用户评价指向模型；
数据获取模块403，用于获取目标绩效考核网点当月的物流成本数据、物流服务数据、物流建设数据以及用户评价数据，所述物流成本数据包括单票人力成本和单票运输成本，所述物流服务数据包括支线延误率、定时分发率、快件签收率、快件投诉率、破损遗失率以及电联率，所述物流建设数据包括标准转化率、场地安全值以及末端建设率；
得分计算模块404，用于根据所述单票人力成本、所述单票运输成本以及预设的第一加权公式，计算所述目标绩效考核网点的物流成本得分，根据所述支线延误率、所述定时分发率、所述快件签收率、所述物流投诉率、所述破损遗失率、所述电联率以及预设的第二加权公式，计算所述目标绩效考核网点的物流服务得分，根据所述标准转化率、场地安全值、末端建设率以及预设的第三加权公式，计算所述目标绩效考核网点的物流建设得分；
用户评价分析模块405，用于将所述用户评价数据输入至预置的用户评价指向模型，得到所述目标绩效考核网点当月的目标用户评价指向类型；
物流评价得分模块406，用于根据用户评价指向类型与物流评价得分之间预置的对应关系，确定所述目标用户评价指向类型对应的物流评价得分；
绩效计算模块407，用于对所述目标绩效考核对象的物流成本得分、物流服务得分、物流建设得分以及物流评价得分进行求和计算，得到所述目标绩效考核网点当月的目标绩效得分；
报表生成模块408，用于获取预置的绩效考核报表模板，基于预置的IO流，将所述物流成本数据、所述物流服务数据以及所述物流建设数据、所述物流成本得分、所述物流服务得分、所述物流建设得分、所述物流评价得分、所述目标绩效得分输入至所述绩效考核报表模板中以生成所述目标绩效考核网点当月的绩效考核报表；检测所述目标绩效得分是否在预置的安全绩效区间内，若所述目标绩效得分不在所述安全绩效区内，则确定所述目标绩效考核网点为异常网点；对所述异常网点的绩效考核报表进行数据分析，得到并输出所述异常网点的优化策略。
其中，所述模型训练模块402具体包括：
获取单元4021，用于获取所述目标绩效考核网点历史的多条用户评价数据，以及每条所述用户评价数据对应的用户评价指向类型；
数据集构建单元4022，用于通过预置的数据标注工具，以及每条所述用户评价数据对应的用户评价指向类型，为每条所述用户评价数据添加用于指示用户评价指向类型的数据标签，并基于添加数据标签后的用户评价数据，构建用户评价数据集；
训练单元4023，用于基于所述用户评价数据集，对预置的初始神经网络模型进行用户评价指向类型的分类训练，得到所述用户评价指向模型。
其中，所述训练单元4023具体用于：
初始化所述初始神经网络模型，并将所述用户评价数据集输入至所述初始神经网络模型中；
基于所述初始神经网络模型中每个预置的用户评价指向类型所对应的概率密度矩阵，计算目标用户评价数据与每个所述用户评价指向类型之间的匹配概率分布，其中，所述目标用户评价数据为待用于训练的用户评价数据；
根据预置的损失函数和所述数据标签，计算所述匹配概率分布对应损失值；
将所述损失值输入至所述初始神经网络模型的输出层网络，并向所述初始神经网络模型的隐藏层网络反向传播；
当所述损失值被传播至所述隐藏层网络时，根据所述损失值，并采用随机梯度下降算法对所述初始神经网络模型的网络参数进行迭代更新，直至所述损失值小于预置阈值，确定当前所述初始神经网络模型的网络参数为目标网络参数，保存所述目标网络参数，得到所述用户评价指向模型。
本发明实施例中，模块化的设计让临床路径的构建装置各部位的硬件专注于某一功能的实现，最大化实现了硬件的性能，同时模块化的设计也降低了装置的模块之间的耦合性，更加方便维护。
上面图3和图4从模块化功能实体的角度对本发明实施例中的绩效考核装置进行详细描述，下面从硬件处理的角度对本发明实施例中绩效考核设备进行详细描述。
图5是本发明实施例提供的一种绩效考核设备的结构示意图，该绩效考核设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessing units，CPU)510(例如，一个或一个以上处理器)和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对绩效考核设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在绩效考核设备500上执行存储介质530中的一系列指令操作。
绩效考核设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5示出的绩效考核设备结构并不构成对绩效考核设备的限定，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。
本发明还提供一种绩效考核设备，所述计算机设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述绩效考核方法的各个步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述绩效考核方法的各个步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品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，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种绩效考核方法，其特征在于，所述绩效考核方法包括：
获取目标绩效考核网点当月的物流成本数据、物流服务数据、物流建设数据以及用户评价数据，所述物流成本数据包括单票人力成本和单票运输成本，所述物流服务数据包括支线延误率、定时分发率、快件签收率、快件投诉率、破损遗失率以及电联率，所述物流建设数据包括标准转化率、场地安全值以及末端建设率；
根据所述单票人力成本、所述单票运输成本以及预设的第一加权公式，计算所述目标绩效考核网点的物流成本得分，根据所述支线延误率、所述定时分发率、所述快件签收率、所述物流投诉率、所述破损遗失率、所述电联率以及预设的第二加权公式，计算所述目标绩效考核网点的物流服务得分，根据所述标准转化率、场地安全值、末端建设率以及预设的第三加权公式，计算所述目标绩效考核网点的物流建设得分；
将所述用户评价数据输入至预置的用户评价指向模型，得到所述目标绩效考核网点当月的目标用户评价指向类型；
根据用户评价指向类型与物流评价得分之间预置的对应关系，确定所述目标用户评价指向类型对应的物流评价得分；
对所述目标绩效考核对象的物流成本得分、物流服务得分、物流建设得分以及物流评价得分进行求和计算，得到所述目标绩效考核网点当月的目标绩效得分。
2.根据权利要求1所述的绩效考核方法，其特征在于，所述获取目标绩效考核网点当月的物流成本数据、物流服务数据、物流建设数据以及用户评价数据之前，还包括：
对所述目标绩效考核网点当月的物流成本数据、物流服务数据、物流建设数据以及用户评价数据进行数据预处理；
对预处理后的所述目标绩效考核网点当月的物流成本数据、物流服务数据、物流建设数据以及用户评价数据进行持久化存储。
3.根据权利要求1所述的绩效考核方法，其特征在于，所述将所述用户评价数据输入至预置的用户评价指向模型，得到所述目标绩效考核网点当月的目标用户评价指向类型之前，还包括：
获取所述目标绩效考核网点历史的多条用户评价数据，以及每条所述用户评价数据对应的用户评价指向类型；
通过预置的数据标注工具，以及每条所述用户评价数据对应的用户评价指向类型，为每条所述用户评价数据添加用于指示用户评价指向类型的数据标签，并基于添加数据标签后的用户评价数据，构建用户评价数据集；
基于所述用户评价数据集，对预置的初始神经网络模型进行用户评价指向类型的分类训练，得到所述用户评价指向模型。
4.根据权利要求3所述的绩效考核方法，其特征在于，所述基于所述用户评价数据集，对预置的初始神经网络模型进行用户评价指向类型的分类训练，得到所述用户评价指向模型包括：
初始化所述初始神经网络模型，并将所述用户评价数据集输入至所述初始神经网络模型中；
基于所述初始神经网络模型中每个预置的用户评价指向类型所对应的概率密度矩阵，计算目标用户评价数据与每个所述用户评价指向类型之间的匹配概率分布，其中，所述目标用户评价数据为待用于训练的用户评价数据；
根据预置的损失函数和所述数据标签，计算所述匹配概率分布对应损失值；
根据所述损失值调整所述初始神经网络模型的网络参数，得到所述用户评价指向模型。
5.根据权利要求4所述的绩效考核方法，其特征在于，所述根据所述损失值调整所述初始神经网络模型的网络参数，得到所述用户评价指向模型包括：
将所述损失值输入至所述初始神经网络模型的输出层网络，并向所述初始神经网络模型的隐藏层网络反向传播；
当所述损失值被传播至所述隐藏层网络时，根据所述损失值，并采用随机梯度下降算法对所述初始神经网络模型的网络参数进行迭代更新，直至所述损失值小于预置阈值，确定当前所述初始神经网络模型的网络参数为目标网络参数，保存所述目标网络参数，得到所述用户评价指向模型。
6.根据权利要求1-5中任一项所述的绩效考核方法，其特征在于，所述对所述目标绩效考核对象的物流成本得分、物流服务得分、物流建设得分以及物流评价得分进行求和计算，得到所述目标绩效考核网点当月的目标绩效得分之后，还包括：
获取预置的绩效考核报表模板；
基于预置的IO流，将所述物流成本数据、所述物流服务数据以及所述物流建设数据、所述物流成本得分、所述物流服务得分、所述物流建设得分、所述物流评价得分、所述目标绩效得分输入至所述绩效考核报表模板中以生成所述目标绩效考核网点当月的绩效考核报表。
7.根据权利要求6所述的绩效考核方法，其特征在于，所述基于预置的IO流，将所述物流成本数据、所述物流服务数据以及所述物流建设数据、所述物流成本得分、所述物流服务得分、所述物流建设得分、所述物流评价得分、所述目标绩效得分输入至所述绩效考核报表模板中以生成所述目标绩效考核网点当月的绩效考核报表之后，还包括：
检测所述目标绩效得分是否在预置的安全绩效区间内，若所述目标绩效得分不在所述安全绩效区内，则确定所述目标绩效考核网点为异常网点；
对所述异常网点的绩效考核报表进行数据分析，得到并输出所述异常网点的优化策略。
8.一种绩效考核装置，其特征在于，所述绩效考核装置包括：
数据获取模块，用于获取目标绩效考核网点当月的物流成本数据、物流服务数据、物流建设数据以及用户评价数据，所述物流成本数据包括单票人力成本和单票运输成本，所述物流服务数据包括支线延误率、定时分发率、快件签收率、快件投诉率、破损遗失率以及电联率，所述物流建设数据包括标准转化率、场地安全值以及末端建设率；
得分计算模块，用于根据所述单票人力成本、所述单票运输成本以及预设的第一加权公式，计算所述目标绩效考核网点的物流成本得分，根据所述支线延误率、所述定时分发率、所述快件签收率、所述物流投诉率、所述破损遗失率、所述电联率以及预设的第二加权公式，计算所述目标绩效考核网点的物流服务得分，根据所述标准转化率、场地安全值、末端建设率以及预设的第三加权公式，计算所述目标绩效考核网点的物流建设得分；
用户评价分析模块，用于将所述用户评价数据输入至预置的用户评价指向模型，得到所述目标绩效考核网点当月的目标用户评价指向类型；
物流评价得分模块，用于根据用户评价指向类型与物流评价得分之间预置的对应关系，确定所述目标用户评价指向类型对应的物流评价得分；
绩效计算模块，用于对所述目标绩效考核对象的物流成本得分、物流服务得分、物流建设得分以及物流评价得分进行求和计算，得到所述目标绩效考核网点当月的目标绩效得分。
9.一种绩效考核设备，其特征在于，所述绩效考核设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述绩效考核设备执行如权利要求1-7中任一项所述的绩效考核方法的各个步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述绩效考核方法的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210723996.3A CN115146938A (zh) | 2022-06-24 | 2022-06-24 | 绩效考核方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210723996.3A CN115146938A (zh) | 2022-06-24 | 2022-06-24 | 绩效考核方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115146938A true CN115146938A (zh) | 2022-10-04 |
Family
ID=83409083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210723996.3A Pending CN115146938A (zh) | 2022-06-24 | 2022-06-24 | 绩效考核方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115146938A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117408579A (zh) * | 2023-12-14 | 2024-01-16 | 沈阳思陌网络科技有限公司 | 一种人工智能SaaS架构模式公务员平时考核评价系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104573046A (zh) * | 2015-01-20 | 2015-04-29 | 成都品果科技有限公司 | 一种基于词向量的评论分析方法及系统 |
| CN105809379A (zh) * | 2014-12-30 | 2016-07-27 | 阿里巴巴集团控股有限公司 | 一种对物流网点的评价方法、装置以及电子设备 |
| CN112950019A (zh) * | 2021-03-01 | 2021-06-11 | 昆明电力交易中心有限责任公司 | 一种基于联合注意力机制的售电公司评价情感分类方法 |
| CN113642873A (zh) * | 2021-08-02 | 2021-11-12 | 上海东普信息科技有限公司 | 网点考核方法、装置、设备和存储介质 |
| CN113807692A (zh) * | 2021-09-13 | 2021-12-17 | 上海东普信息科技有限公司 | 物流网点的质量检测方法、装置、设备及存储介质 |
| CN114444918A (zh) * | 2022-01-21 | 2022-05-06 | 北京航空航天大学 | 物流网点的确定方法和装置、存储介质及电子设备 |
-
2022
- 2022-06-24 CN CN202210723996.3A patent/CN115146938A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105809379A (zh) * | 2014-12-30 | 2016-07-27 | 阿里巴巴集团控股有限公司 | 一种对物流网点的评价方法、装置以及电子设备 |
| CN104573046A (zh) * | 2015-01-20 | 2015-04-29 | 成都品果科技有限公司 | 一种基于词向量的评论分析方法及系统 |
| CN112950019A (zh) * | 2021-03-01 | 2021-06-11 | 昆明电力交易中心有限责任公司 | 一种基于联合注意力机制的售电公司评价情感分类方法 |
| CN113642873A (zh) * | 2021-08-02 | 2021-11-12 | 上海东普信息科技有限公司 | 网点考核方法、装置、设备和存储介质 |
| CN113807692A (zh) * | 2021-09-13 | 2021-12-17 | 上海东普信息科技有限公司 | 物流网点的质量检测方法、装置、设备及存储介质 |
| CN114444918A (zh) * | 2022-01-21 | 2022-05-06 | 北京航空航天大学 | 物流网点的确定方法和装置、存储介质及电子设备 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117408579A (zh) * | 2023-12-14 | 2024-01-16 | 沈阳思陌网络科技有限公司 | 一种人工智能SaaS架构模式公务员平时考核评价系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2019056499A1 (zh) | 预测模型训练方法、数据监控方法、装置、设备及介质 | |
| CN109214719A (zh) | 一种基于人工智能的营销稽查分析的系统和方法 | |
| CN110310163A (zh) | 一种精准制定营销策略的方法、设备及可读介质 | |
| CN110969285A (zh) | 预测模型训练方法、预测方法、装置、设备及介质 | |
| CN110019420B (zh) | 一种数据序列预测方法及计算设备 | |
| CN112487794B (zh) | 行业分类方法、装置、终端设备及存储介质 | |
| CN110046981B (zh) | 一种信用评估方法、装置及存储介质 | |
| CN114997263B (zh) | 基于机器学习的结训率分析方法、装置、设备及存储介质 | |
| CN113420902A (zh) | 件量预测模型训练方法、件量预测方法及相关设备 | |
| CN114357284B (zh) | 基于深度学习的众包任务个性化推荐方法和系统 | |
| US20230259849A1 (en) | Methods and internet of things (iot) systems for maintenance management of smart gas call center | |
| CN114677183A (zh) | 一种新品销量预测方法、装置、计算机设备及存储介质 | |
| CN115114073A (zh) | 告警信息的处理方法及装置、存储介质、电子设备 | |
| CN112950344A (zh) | 数据评估方法、装置、电子设备及存储介质 | |
| CN115202847A (zh) | 任务的调度方法和装置 | |
| WO2024065776A1 (en) | Method for data processing, apparatus for data processing, electronic device, and storage medium | |
| CN115146938A (zh) | 绩效考核方法、装置、设备及存储介质 | |
| CN109934389A (zh) | 基于预测模型的绩效预测方法、装置及存储介质 | |
| CN116843071A (zh) | 一种用于智慧港口的运输网络运行指数预测方法及装置 | |
| CN116308494A (zh) | 供应链需求预测方法 | |
| CN114581263A (zh) | 一种电网负荷分析方法、装置、电子设备及存储介质 | |
| CN113807692A (zh) | 物流网点的质量检测方法、装置、设备及存储介质 | |
| CN118536676A (zh) | 散货码头船舶作业时间预测方法、系统、终端及存储介质 | |
| CN115865777B (zh) | 一种基于rpa技术的招聘订单智能分发路由方法 | |
| CN110069838A (zh) | 一种电子产品可靠性水平预计方法 |
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 |