CN115470705A - 基于ai算法的智能业务建模方法 - Google Patents
基于ai算法的智能业务建模方法 Download PDFInfo
- Publication number
- CN115470705A CN115470705A CN202211139651.XA CN202211139651A CN115470705A CN 115470705 A CN115470705 A CN 115470705A CN 202211139651 A CN202211139651 A CN 202211139651A CN 115470705 A CN115470705 A CN 115470705A
- Authority
- CN
- China
- Prior art keywords
- information
- keywords
- algorithm
- service
- level
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及计算机技术领域,具体涉及一种基于AI算法的智能业务建模方法,包括以下步骤:S1、获取用户的业务需求;S2、通过AI算法分析完成业务需求所需要的必要信息流程;S3、根据业务场景和业务动作流程对业务内容提取关键词;再通过AI算法对关键词进行拓展和细化分析,得到关键词集;S4、分析关键词集中各个关键词之间的关联关系,并根据各个关键词之间的关联关系对关键词集中的各个关键词进行分类组合,得到多个关键词组合;S5、根据关键词集各个关键词之间的关联关系和多个关键词组合绘制组成结构树,输出结构树组作为业务建模。本发明能够快速创建业务模型,缩短业务模型创建周期,提高效率。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种基于AI算法的智能业务建模方法。
背景技术
多数人换工作或者新接手公司内部其他业务线的工作时,都是进入到一个全新的业务领域。此时会产生一种面对业务的手足无措感,感觉这个业务好像是一个陌生的庞然大物,完全不知道从何去理解业务,更别提为这套业务设计一套系统去自动化进行日常业务运营的管理了。事实上这个问题广泛存在在需要面对多业态的信息化服务商中,例如经典的零售业的货物采购业务,便利店、商超、大卖场、超市等都有货物采购业务。虽然说大家都是在进行零售业务的开展,但是由于店铺规模以及货物管理规模的不相同,就会导致业务流程有翻天覆地的差异,无法照搬套用。因此业务建模显得十分有必要性。但不能简单认为企业的业务自动化建立应用,直接照搬企业模式就能实现。其原因是企业原有的业务模式在以人为主的环境中可能运行得很好,可是把这套模式原封不动地搬到计算机上就未必会适合了。人的能力和计算机的能力有很大的出入,所以流程必须经过调整以适应计算机。
目前,大部分的零售业务的业务建模都需要技术人员根据业务人员的需求进行业务模型的梳理、建立,进而完成业务建模,导致业务流型创建的周期增长,无法适应业务的敏捷变化和流程的快速构建。
发明内容
本发明的目的在于提供一种基于AI算法的智能业务建模方法,能够快速创建业务模型,缩短业务模型创建周期,提高效率。
为了达到上述目的,提供了一种基于AI算法的智能业务建模方法,包括以下步骤:
S1、获取用户的业务需求;
S2、通过AI算法分析完成业务需求所需要的必要信息流程;所述必要信息流程包括业务场景和业务动作流程;
S3、根据业务场景和业务动作流程提取与业务内容相关的关键词;再通过AI算法对关键词进行拓展和细化分析,得到关键词集;
S4、分析关键词集中各个关键词之间的关联关系,并根据各个关键词之间的关联关系对关键词集中的各个关键词进行分类组合,得到多个关键词组合;
S5、根据关键词集各个关键词之间的关联关系和多个关键词组合绘制关系图,输出关系图组作为业务模型。
原理及优点:
1.获取用户的业务需求,就可以初步完成业务的立项工作。
2.通过AI算法分析完成业务需求所需要的必要信息流程,例如现有的基于神经网络的语言模型,根据用户的初步需求,进行后续的文字预测,从而补全用户的需求,可以极大程度减少人员参与,为后续的高效业务建模提供数据支撑;
3.需求补完之后,根据业务场景和业务动作流程对业务内容提取关键词;再通过AI算法对关键词进行拓展和细化分析,得到关键词集;实现内容的自动填充补全。然后再分析关键词集中各个关键词之间的关联关系,并根据各个关键词之间的关联关系对关键词集中的各个关键词进行分类组合,得到多个关键词组合。以便各个步骤快速联系起来,构成业务模型。从而提高业务建模效率。
进一步,所述步骤S2中,所述业务场景包括零售背景、信息输入、信息输出和信息参与角色;所述业务动作流程包括信息参与角色、信息输入和信息输出之间的信息分析逻辑;所述步骤S2中具体包括以下步骤:
S201、通过AI算法分析业务需求进行信息流逐级拆解分析,并对各信息流进行任务定义,得到信息流分析表;
S202、根据信息流分析表分析完成对应任务执行所需的信息输入、信息输出和信息参与角色,以及信息参与角色、信息输入和信息输出之间的信息分析逻辑。
进一步,所述步骤S3中具体包括以下步骤:
S301、根据信息流分析表和信息参与角色提取与信息输入相关的关键词,再通过AI算法对关键词进行拓展和细化分析;
S302、根据信息流分析表和信息参与角色提取与信息输出相关的关键词,再通过AI算法对关键词进行拓展和细化分析;
S303、根据信息流分析表和信息参与角色提取与信息分析逻辑相关的关键词,再通过AI算法对关键词进行拓展和细化分析,最终得到关键词集。
进一步,所述信息流分析表包括有多级信息流,所述多级信息流中的每一级信息流为业务需求经多级分解后的项目任务总称;所述步骤S4中具体包括以下步骤:
S401、将多级信息流中的每一级信息流依次设为第一级、次一级、次二级,将每一级信息流下的信息输入、信息输出和信息分析逻辑并称为类型且设为第二级关联度,将信息参与角色设为第三级关联度,将信息输入、信息输出和信息分析逻辑的具体内容设为第四级关联度;
S402、根据多级信息流、信息参与角色提取、信息输入和信息输出对应的关联度等级定义,分析关键词集中各个关键词之间的关联关系;
S403、根据各个关键词之间的关联关系对关键词集中的各个关键词进行分类组合,得到多个关键词组合。
进一步,还包括以下步骤:
S6、对业务模型的功能完整性进行诊断,并输出诊断结果。通过对业务模型的功能完整性进行诊断,以保证业务模型的后续使用。
进一步,所述关系图包括流程图、表格、结构树和序列图。通过设计多种数据图结构,以便对应角色执行对应的任务。
进一步,所述AI算法为基于神经网络构建的语言模型。基于神经网络构建的语言模型可以高效自动地完成业务建模的数据准备工作,从而提高业务建模中的整体效率。
附图说明
图1为本发明实施例一中基于AI算法的智能业务建模方法的流程示意图。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例一
一种基于AI算法的智能业务建模方法,基本如图1所示,包括以下步骤:
S1、获取用户的业务需求和历史经营数据;例如进销存业务系统采购侧的建模示例,所谓进销存系统就是指供应链中以管理账务管理作为目标的系统,也就是管理除了仓库作业外的信息。因此,业务需求可定义为店铺老板对某项产品的进销存管理,具体例如可乐进货。
S2、通过AI算法分析完成业务需求所需要的必要信息流程;所述必要信息流程包括业务场景和业务动作流程;所述步骤S2中,所述业务场景包括零售背景、信息输入、信息输出和信息参与角色;所述业务动作流程包括信息参与角色、信息输入和信息输出之间的信息分析逻辑。所述零售背景为店面经营规模,例如便利店、商超、大卖场、超市等,店面经营规模不同,进出货的数量金额是不同的。
所述步骤S2中具体包括以下步骤:
S201、通过AI算法分析业务需求进行信息流逐级拆解分析,并对各信息流进行任务定义,得到信息流分析表;本实施例中,所述AI算法为现有的基于神经网络构建的语言模型。例如RNN语言模型、RNNLM语言模型、LSTM-RNN语言模型、基于字符的(Character-Aware)模型、因式分解模型、双向模型等,可通过一句话,对后续文本进行预测。本实施例中,通过RNNLM语言模型分析业务需求,商铺进货都离不开供应链、账本、库存等因素,因此本方案会基于客户店铺的基础数据、历史经营数据等进行两级的信息流拆解分析。信息流分析表例如下表所示:
一级信息流 | 任务拆解及定义 |
账务流 | 供应链流转的账本 |
二级信息流 | 任务拆解及定义 |
库存数信息 | 整个仓库库存变化,详细记录每一笔库存数变化及原因 |
资金数信息 | 记录库存商品花费的资金变化 |
S202、根据信息流分析表分析完成对应任务执行所需的信息输入、信息输出和信息参与角色,以及信息参与角色、信息输入和信息输出之间的信息分析逻辑。例如在采购阶段,信息参与角色包括系统、运营、采购等,因此信息参与角色-运营作为信息输入的执行者,执行的内容为上述的对应任务,信息参与角色-系统作为数据的计算执行者,用于根据信息输入的内容进行自动计算,而具体计算得依靠信息分析逻辑,信息分析逻辑可自动生成(信息分析逻辑简单的,自动分析计算,复杂则根据历史数据记录进行分析调用),也可由外界输入(信息分析逻辑复杂的,可人为第一次手动录入,形成历史数据样本,以便机器采用深度学习算法进行后续的自动学习);信息参与角色-采购,作为最后的执行者,用于根据计算的内容进行采购。
S3、根据业务场景和业务动作流程提取与业务内容相关的关键词;再通过AI算法对关键词进行拓展和细化分析,得到关键词集;所述步骤S3中具体包括以下步骤:
S301、根据信息流分析表和信息参与角色提取与信息输入相关的关键词,再通过AI算法对关键词进行拓展和细化分析;例如在采购阶段,运营作为信息输入,相关的关键词可以为采购量、运营,经AI算法拓展和细化分析后,关键词可包括订单数、可乐规格(200ML、500ML、1L)、箱规等。例如在资金计算阶段,采购作为信息输入,相关的关键词可以为实际采购量、采购、单价等,经AI算法拓展和细化分析后,关键词可包括购买数量优惠政策,数量调整等(例如买20箱是原价,由于可乐畅销,买30箱打9折,所以可进行数量调整,以备不时之需,同时降低成本)。
S302、根据信息流分析表和信息参与角色提取与信息输出相关的关键词,再通过AI算法对关键词进行拓展和细化分析;例如在采购阶段,采购作为信息输出,相关的关键词可以为建议采购量、采购等。例如在资金计算阶段,财务作为信息输出,相关的关键词可以为应付账款、支出等,经AI算法拓展和细化分析后,关键词可包括仓库新增货值、成本均价等。
S303、根据信息流分析表和信息参与角色提取与信息分析逻辑相关的关键词,再通过AI算法对关键词进行拓展和细化分析,最终得到关键词集。例如在采购阶段,信息分析逻辑并不复杂,仅涉及除法运算(不考虑优惠政策、例如买二送一等)。根据采购量和箱规计算具体采购件数,因此相关的关键词可以为建议采购量、箱规、件数等。例如在资金计算阶段,信息分析逻辑设计采购支出费用的计算,仅涉及乘法运算(不考虑优惠政策,例如多买打折等)。根据具体采购件数和单价计算支出费用,因此相关的关键词可以为应付账款、支出等,经AI算法拓展和细化分析后,关键词可包括仓库新增货值、成本均价等。
S4、分析关键词集中各个关键词之间的关联关系,并根据各个关键词之间的关联关系对关键词集中的各个关键词进行分类组合,得到多个关键词组合;所述信息流分析表包括有多级信息流,所述多级信息流中的每一级信息流为业务需求经多级分解后的项目任务总称;所述步骤S4中具体包括以下步骤:
S401、将多级信息流中的每一级信息流依次设为第一级、次一级、次二级,本实施例中,账务流为第一级,库存数信息和资金数信息为次一级,其中库存数信息优先于资金数信息。将每一级信息流下的信息输入、信息输出和信息分析逻辑并称为类型且设为第二级关联度,信息输入优于信息分析逻辑,信息分析逻辑优于信息输出。将信息参与角色设为第三级关联度,将信息输入、信息输出和信息分析逻辑的具体内容设为第四级关联度;具体示例如下表所示:
S402、根据多级信息流、信息参与角色提取、信息输入和信息输出对应的关联度等级定义,分析关键词集中各个关键词之间的关联关系;
S403、根据各个关键词之间的关联关系对关键词集中的各个关键词进行分类组合,得到多个关键词组合。例如依据上表,以二级信息流为主要筛选排列对象,还可以根据角色进行筛选排列,也可以根据类型进行筛选排列,从而得到多个流程图或表格等主观数据图,以便对应角色执行对应的任务。
S5、根据关键词集各个关键词之间的关联关系和多个关键词组合绘制关系图,输出关系图组作为最终的业务模型。所述关系图包括流程图、表格、结构树和序列图。
S6、对业务模型的功能完整性进行诊断,并输出诊断结果。可以看到通过这样的业务建模,我们就清楚地将一个采购流程表述出来了,而且没有遗漏,表中的信息输入项就是我们的页面的输入内容,信息处理公式就是我们的计算逻辑,而输出项就是用户的需求。有了这张表后,对于后面的原型绘制与程序编写都是极其方便的,可以一目了然地看到完整的业务全貌。用户可将业务模型上传至系统平台,系统平台给予用户一定的积分奖励或其他奖励。
实施例二
实施例二与实施例一的区别在于,所述基于AI算法的智能业务建模方法还包括以下步骤:
S7、根据店铺的基础数据和历史经营数据分析用户店铺的经营状况,并根据基础数据、历史经营数据和经营状况为用户店铺进行综合评分;所述基础数据包括店铺规模、店铺地址、客流量数据,历史经营数据包括供应链数据、销售数据、库存数据等,所述经营状况根据店铺规模、客流量数据、销售数据、库存数据匹配对应的权重比例,从而得到经营状况,经营状况包括优良中差四个等级。综合评分的计算同理,针对每个参数设置不同的权重比例进行综合评分的计算。
S8、在步骤S6中对业务模型的功能完整性进行诊断,且诊断结果为没有问题时,获取用户对于业务模型的反馈信息,所述反馈信息包括评价内容和评价等级。并根据现有的关键词提取方法从评价内容进行关键词提取,对提取的关键词进行评分;再与评价等级综合分析用户的满意度分数。
S9、在满意度分数未达到设定阈值时,基于当前用户的店铺的基础数据中的店铺规模、店铺地址查找相类似的店铺,并获取所述店铺的综合评分;再将各个店铺的综合评分与当前用户的店铺综合评分进行对比分析,并进行降序排列。从降序排列中找到排名靠前且综合评分超过当前用户的店铺,并从系统平台获取对应店铺的业务模型,再将业务模型推荐给当前用户。由于多数人经商能力有限,业务流程基本采用相同的模板,而这些业务模板、模型可能并不适合自己的能力,因此营收就十分有限。本方案基于店铺规模、店铺地址、客流量数据、销售数据、库存数据等多方面的数据进行综合匹配分析,以帮助用户找到店铺规模、店铺地址相匹配的店铺,从而得到更好的业务模型,使用户的店铺能更好的经营,进而提高用户店铺的营收。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (7)
1.基于AI算法的智能业务建模方法,其特征在于,包括以下步骤:
S1、获取用户的业务需求;
S2、通过AI算法分析完成业务需求所需要的必要信息流程;所述必要信息流程包括业务场景和业务动作流程;
S3、根据业务场景和业务动作流程提取与业务内容相关的关键词;再通过AI算法对关键词进行拓展和细化分析,得到关键词集;
S4、分析关键词集中各个关键词之间的关联关系,并根据各个关键词之间的关联关系对关键词集中的各个关键词进行分类组合,得到多个关键词组合;
S5、根据关键词集各个关键词之间的关联关系和多个关键词组合绘制关系图,输出关系图组作为业务模型。
2.根据权利要求1所述的基于AI算法的智能业务建模方法,其特征在于:所述步骤S2中,所述业务场景包括零售背景、信息输入、信息输出和信息参与角色;所述业务动作流程包括信息参与角色、信息输入和信息输出之间的信息分析逻辑;所述步骤S2中具体包括以下步骤:
S201、通过AI算法分析业务需求进行信息流逐级拆解分析,并对各信息流进行任务定义,得到信息流分析表;
S202、根据信息流分析表分析完成对应任务执行所需的信息输入、信息输出和信息参与角色,以及信息参与角色、信息输入和信息输出之间的信息分析逻辑。
3.根据权利要求2所述的基于AI算法的智能业务建模方法,其特征在于:所述步骤S3中具体包括以下步骤:
S301、根据信息流分析表和信息参与角色提取与信息输入相关的关键词,再通过AI算法对关键词进行拓展和细化分析;
S302、根据信息流分析表和信息参与角色提取与信息输出相关的关键词,再通过AI算法对关键词进行拓展和细化分析;
S303、根据信息流分析表和信息参与角色提取与信息分析逻辑相关的关键词,再通过AI算法对关键词进行拓展和细化分析,最终得到关键词集。
4.根据权利要求3所述的基于AI算法的智能业务建模方法,其特征在于:所述信息流分析表包括有多级信息流,所述多级信息流中的每一级信息流为业务需求经多级分解后的项目任务总称;所述步骤S4中具体包括以下步骤:
S401、将多级信息流中的每一级信息流依次设为第一级、次一级、次二级,将每一级信息流下的信息输入、信息输出和信息分析逻辑并称为类型且设为第二级关联度,将信息参与角色设为第三级关联度,将信息输入、信息输出和信息分析逻辑的具体内容设为第四级关联度;
S402、根据多级信息流、信息参与角色提取、信息输入和信息输出对应的关联度等级定义,分析关键词集中各个关键词之间的关联关系;
S403、根据各个关键词之间的关联关系对关键词集中的各个关键词进行分类组合,得到多个关键词组合。
5.根据权利要求4所述的基于AI算法的智能业务建模方法,其特征在于:还包括以下步骤:
S6、对业务模型的功能完整性进行诊断,并输出诊断结果。
6.根据权利要求1所述的基于AI算法的智能业务建模方法,其特征在于:所述关系图包括流程图、表格、结构树和序列图。
7.根据权利要求1所述的基于AI算法的智能业务建模方法,其特征在于:所述AI算法为基于神经网络构建的语言模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211139651.XA CN115470705B (zh) | 2022-09-19 | 2022-09-19 | 基于ai算法的智能业务建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211139651.XA CN115470705B (zh) | 2022-09-19 | 2022-09-19 | 基于ai算法的智能业务建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115470705A true CN115470705A (zh) | 2022-12-13 |
CN115470705B CN115470705B (zh) | 2023-08-08 |
Family
ID=84333382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211139651.XA Active CN115470705B (zh) | 2022-09-19 | 2022-09-19 | 基于ai算法的智能业务建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115470705B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117034019A (zh) * | 2023-10-09 | 2023-11-10 | 腾讯科技(深圳)有限公司 | 一种业务处理方法、装置、电子设备和存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180189857A1 (en) * | 2017-01-05 | 2018-07-05 | Microsoft Technology Licensing, Llc | Recommendation through conversational ai |
CN108830670A (zh) * | 2018-04-29 | 2018-11-16 | 杭州维善科技有限公司 | 一种业务交互订单平台的用户管理方法 |
CN109658132A (zh) * | 2018-11-29 | 2019-04-19 | 深圳冠思大数据服务有限公司 | 一种销售成效人工智能分析方法及系统 |
CN110287325A (zh) * | 2019-06-28 | 2019-09-27 | 南方电网科学研究院有限责任公司 | 一种基于智能语音分析的电网客服业务推荐方法及装置 |
CN111737400A (zh) * | 2020-06-15 | 2020-10-02 | 上海理想信息产业(集团)有限公司 | 一种基于知识推理的大数据业务标签的扩展方法及系统 |
CN112181365A (zh) * | 2020-09-02 | 2021-01-05 | 广州威尔森信息科技有限公司 | 一种结构化的软件需求分析方法及装置 |
CN112632980A (zh) * | 2020-12-30 | 2021-04-09 | 广州友圈科技有限公司 | 一种基于大数据深度学习的企业分类方法、系统及电子设备 |
CN112765974A (zh) * | 2021-01-19 | 2021-05-07 | 海尔数字科技(北京)有限公司 | 一种业务辅助方法、电子设备及可读存储介质 |
CN113392646A (zh) * | 2021-07-07 | 2021-09-14 | 上海软中信息技术有限公司 | 一种数据中台系统、构建方法及装置 |
CN114416036A (zh) * | 2022-01-19 | 2022-04-29 | 平安壹钱包电子商务有限公司 | 业务需求处理方法、系统、设备及介质 |
-
2022
- 2022-09-19 CN CN202211139651.XA patent/CN115470705B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180189857A1 (en) * | 2017-01-05 | 2018-07-05 | Microsoft Technology Licensing, Llc | Recommendation through conversational ai |
CN108830670A (zh) * | 2018-04-29 | 2018-11-16 | 杭州维善科技有限公司 | 一种业务交互订单平台的用户管理方法 |
CN109658132A (zh) * | 2018-11-29 | 2019-04-19 | 深圳冠思大数据服务有限公司 | 一种销售成效人工智能分析方法及系统 |
CN110287325A (zh) * | 2019-06-28 | 2019-09-27 | 南方电网科学研究院有限责任公司 | 一种基于智能语音分析的电网客服业务推荐方法及装置 |
CN111737400A (zh) * | 2020-06-15 | 2020-10-02 | 上海理想信息产业(集团)有限公司 | 一种基于知识推理的大数据业务标签的扩展方法及系统 |
CN112181365A (zh) * | 2020-09-02 | 2021-01-05 | 广州威尔森信息科技有限公司 | 一种结构化的软件需求分析方法及装置 |
CN112632980A (zh) * | 2020-12-30 | 2021-04-09 | 广州友圈科技有限公司 | 一种基于大数据深度学习的企业分类方法、系统及电子设备 |
CN112765974A (zh) * | 2021-01-19 | 2021-05-07 | 海尔数字科技(北京)有限公司 | 一种业务辅助方法、电子设备及可读存储介质 |
CN113392646A (zh) * | 2021-07-07 | 2021-09-14 | 上海软中信息技术有限公司 | 一种数据中台系统、构建方法及装置 |
CN114416036A (zh) * | 2022-01-19 | 2022-04-29 | 平安壹钱包电子商务有限公司 | 业务需求处理方法、系统、设备及介质 |
Non-Patent Citations (1)
Title |
---|
张昌福等: "面向中小企业的协同平台业务资源流程协同与优化技术研究", 《中国管理信息化》, vol. 23, no. 23, pages 120 - 122 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117034019A (zh) * | 2023-10-09 | 2023-11-10 | 腾讯科技(深圳)有限公司 | 一种业务处理方法、装置、电子设备和存储介质 |
CN117034019B (zh) * | 2023-10-09 | 2024-01-09 | 腾讯科技(深圳)有限公司 | 一种业务处理方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115470705B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Muûls et al. | Imports and Exports at the Level of the Firm: Evidence from Belgium | |
Volkov et al. | Incorporating sequential information in bankruptcy prediction with predictors based on Markov for discrimination | |
CN113553540A (zh) | 一种商品销量的预测方法 | |
Sakib | Restaurant sales prediction using machine learning | |
CN106991175A (zh) | 一种客户信息挖掘方法、装置、设备以及存储介质 | |
Li et al. | RETRACTED ARTICLE: Data mining optimization model for financial management information system based on improved genetic algorithm | |
US10922633B2 (en) | Utilizing econometric and machine learning models to maximize total returns for an entity | |
Seymen et al. | Customer churn prediction using deep learning | |
Lee | Use of data mining in business analytics to support business competitiveness | |
Buell et al. | Impact of COVID-19: Nowcasting and big data to track economic activity in Sub-Saharan Africa | |
CN115470705A (zh) | 基于ai算法的智能业务建模方法 | |
Zhang et al. | An attention‐based Logistic‐CNN‐BiLSTM hybrid neural network for credit risk prediction of listed real estate enterprises | |
CN117114812A (zh) | 一种针对企业的金融产品推荐方法及装置 | |
CN111008861A (zh) | 基于智能预测的商品在线交易系统及方法 | |
Pustulka et al. | Text mining innovation for business | |
Pérez-Elizundia et al. | Trends in global research on supply chain finance from 1900 to 2021: a bibliometric analysis | |
Prabhakar et al. | Demand Forecasting for a large grocery chain in Ecuador | |
Bhuvaneswari et al. | Predicting periodical sales of products using a machine learning algorithm | |
Shankararaman et al. | A Framework for embedding analytics in a business process | |
Wibowo et al. | A Pattern Analysis on Goods Purchase Relationship for Minimarket’s Customers by Using Association Rule-Market Basket Analysis Method (AR-MBA) | |
SangeethaLakshmi et al. | Comparative Analysis of Various Tools for Data Mining and Big Data Mining | |
Fan et al. | An agent model for incremental rough set-based rule induction: a big data analysis in sales promotion | |
Hasugian | Testing the C45 Algorithm with Rapid Miner for Stock Selection (Case Study: Toko Usaha Muda) | |
Mendoza et al. | Raw Material Production Revenue Optimization Using Information Technology-Based Distribution Modifications | |
Asadi Ejgerdi et al. | A stacked ensemble learning method for customer lifetime value prediction |
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 |