CN115907674B - 一种基于ai算法和神经引擎的智能效能分析方法及系统 - Google Patents
一种基于ai算法和神经引擎的智能效能分析方法及系统 Download PDFInfo
- Publication number
- CN115907674B CN115907674B CN202211601302.5A CN202211601302A CN115907674B CN 115907674 B CN115907674 B CN 115907674B CN 202211601302 A CN202211601302 A CN 202211601302A CN 115907674 B CN115907674 B CN 115907674B
- Authority
- CN
- China
- Prior art keywords
- user
- information
- analysis
- monitoring
- data
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 216
- 230000001537 neural effect Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 162
- 230000008569 process Effects 0.000 claims abstract description 159
- 238000012544 monitoring process Methods 0.000 claims abstract description 152
- 238000012545 processing Methods 0.000 claims description 29
- 230000005540 biological transmission Effects 0.000 claims description 26
- 238000012216 screening Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 claims description 8
- 238000003672 processing method Methods 0.000 claims description 6
- 210000005036 nerve Anatomy 0.000 description 10
- 238000011160 research Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001550 time effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于AI算法和神经引擎的智能效能分析方法及系统，其中，基于AI算法和神经引擎的智能效能分析方法包括：针对办公过程进行监测，并利用AI算法获取办公过程中的全面数据信息，全面数据信息包括：用户参与信息和业务流程信息；针对用户参与信息进行分析，确定用户在办公过程的参与度、完成率和完成时效，得到用户的效能分析数据；根据用户的效能分析数据和业务流程信息利用神经引擎分析确定用户在相同业务和不同业务中的效能比对，得到用户的效能分析结果。本发明通过AI算法和神经引擎将用户效能分析与业务信息结合起来，以用户角度进行全面分析，实现了对用户的办公效率进行实时监督。
Description
技术领域
本发明涉及协同办公技术领域，特别涉及一种基于AI算法和神经引擎的智能效能分析方法及系统。
背景技术
市面上的效能分析产品，大多数是站在业务角度分析，根据业务指标对产生的业务数据进行分析，达到改进和提升现有的工作流程和工作效率。这种分析相对比较片面的，因此，本发明提出一种基于AI算法和神经引擎的智能效能分析方法及系统，通过AI算法和神经引擎将用户效能分析与业务信息结合起来，以用户角度进行全面分析，实现了对用户的办公效率进行实时监督。
发明内容
本发明的目的在于提供一种基于AI算法和神经引擎的智能效能分析方法及系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于AI算法和神经引擎的智能效能分析方法，包括：
针对办公过程进行监测，并利用AI算法获取所述办公过程中的全面数据信息，所述全面数据信息包括：用户参与信息和业务流程信息；
针对所述用户参与信息进行分析，确定所述用户在办公过程的参与度、完成率和完成时效，得到用户的效能分析数据；
根据所述用户的效能分析数据和所述业务流程信息利用神经引擎分析确定所述用户在相同业务和不同业务中的效能比对，得到所述用户的效能分析结果。
进一步地，所述利用AI算法获取所述办公过程中的全面数据信息时通过AI平台进行监测与信息获取，在所述AI平台中，针对所述办公过程建立人工智能监测模型，利用所述人工智能模型监测所述办公过程，同时实时采集所述办公过程中的数据信息，得到全面数据信息。
进一步地，针对所述办公过程建立人工智能监测模型，包括：分析所述办公过程，确定所述办公过程的流程，并在所述流程中确定监测关键信息以及关键点位，得到监测方案；按照所述监测方案进行监测部署，构建监测采集模块；搭建数据信息传输路径以及确定数据处理方法，构建数据传输模块和分析处理模块；根据所述监测采集模块、数据传输模块和分析处理模块建立人工智能监测模型初始模型；针对所述人工智能监测模型初始模型通过模型训练进行优化与改进，得到人工智能监测模型。
进一步地，针对所述用户参与信息进行分析，包括：在所述全面数据信息中筛选与所述用户相关的数据信息，得到用户关联信息；根据所述用户关联信息确定所述用户在办公过程中的参与任务，并确定用户的参与度；针对所述参与任务结合所述业务流程信息确定任务的状态信息，并确定所述参与任务的完成率；在所述业务流程信息中追踪所述参与任务的状态，获取参与任务执行信息，并根据所述参与任务执行信息确定所述参与任务的完成时效；根据所述参与度、完成率和完成时效，得到用户的效能分析数据。
进一步地，根据所述用户的效能分析数据和所述业务流程信息利用神经引擎分析确定所述用户在相同业务和不同业务中的效能比对时，通过神经引擎模型进行并行处理包括：获取用户的特征特点，并针对所述用户的特征特点进行用户特征识别，获得用户特征属性，根据所述用户特征属性分别针对所述用户进行相同业务和不同业务分析，确定所述用户在相同业务和不同业务中的效能比对，得到所述用户的效能分析结果。
一种基于AI算法和神经引擎的智能效能分析系统，包括：监测采集模块、第一分析模块和第二分析模块；所述监测采集模块，用于针对办公过程进行监测，并利用AI算法获取所述办公过程中的全面数据信息，所述全面数据信息包括：用户参与信息和业务流程信息；所述第一分析模块，用于针对所述用户参与信息进行分析，确定所述用户在办公过程的参与度、完成率和完成时效，得到用户的效能分析数据；所述第二分析模块，用于根据所述用户的效能分析数据和所述业务流程信息利用神经引擎分析确定所述用户在相同业务和不同业务中的效能比对，得到所述用户的效能分析结果。
进一步地，所述监测采集模块通过AI平台进行监测与信息获取，并且在所述AI平台中，针对所述办公过程建立人工智能监测模型，利用所述人工智能模型监测所述办公过程，同时实时采集所述办公过程中的数据信息，得到全面数据信息。
进一步地，所述监测采集模块在针对所述办公过程建立人工智能监测模型时，包括：分析所述办公过程，确定所述办公过程的流程，并在所述流程中确定监测关键信息以及关键点位，得到监测方案；按照所述监测方案进行监测部署，构建监测采集模块；搭建数据信息传输路径以及确定数据处理方法，构建数据传输模块和分析处理模块；根据所述监测采集模块、数据传输模块和分析处理模块建立人工智能监测模型初始模型；针对所述人工智能监测模型初始模型通过模型训练进行优化与改进，得到人工智能监测模型。
进一步地，所述第一分析模块包括：数据筛选单元、第一分析单元、第二分析单元、第三分析单元和结果确定单元；所述数据筛选单元，用于在所述全面数据信息中筛选与所述用户相关的数据信息，得到用户关联信息；所述第一分析单元，用于根据所述用户关联信息确定所述用户在办公过程中的参与任务，并确定用户的参与度；所述第二分析单元，用于针对所述参与任务结合所述业务流程信息确定任务的状态信息，并确定所述参与任务的完成率；所述第三分析单元，用于在所述业务流程信息中追踪所述参与任务的状态，获取参与任务执行信息，并根据所述参与任务执行信息确定所述参与任务的完成时效；所述结果确定单元，用于根据所述第一分析单元、第二分析单元、第三分析单元中的参与度、完成率和完成时效，得到用户的效能分析数据。
进一步地，所述第二分析模块在根据所述用户的效能分析数据和所述业务流程信息利用神经引擎分析确定所述用户在相同业务和不同业务中的效能比对时，通过神经引擎模型进行并行处理，所述第二分析模块包括：特征提取单元、特征识别单元和分析比较单元；所述特征提取单元，用于获取用户的特征特点；所述特征识别单元，用于针对所述用户的特征特点进行用户特征识别，获得用户特征属性；所述分析比较单元，用于根据所述用户特征属性分别针对所述用户进行相同业务和不同业务分析，确定所述用户在相同业务和不同业务中的效能比对，得到所述用户的效能分析结果。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明所述的基于AI算法和神经引擎的智能效能分析方法的步骤示意图；
图2为本发明所述的基于AI算法和神经引擎的智能效能分析系统的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
如图1所示，本发明实施例提供了一种基于AI算法和神经引擎的智能效能分析方法，包括：
步骤一、针对办公过程进行监测，并利用AI算法获取所述办公过程中的全面数据信息，所述全面数据信息包括：用户参与信息和业务流程信息；
步骤二、针对所述用户参与信息进行分析，确定所述用户在办公过程的参与度、完成率和完成时效，得到用户的效能分析数据；
步骤三、根据所述用户的效能分析数据和所述业务流程信息利用神经引擎分析确定所述用户在相同业务和不同业务中的效能比对，得到所述用户的效能分析结果。
上述技术方案提供了一种基于AI算法和神经引擎的智能效能分析方法，在办公过程中，首先要针对办公过程进行监测，在监测过程中采用AI算法(ArtificialIntelligence(人工智能)算法)对办公过程进行数据信息采集，获取办公过程中用户参与业务的情况，业务执行进程以及流转完成情况等，从而得到办公过程中的全面数据信息，在这里，全面数据信息至少包括：用户参与信息和业务流程信息，业务流程信息包括用户在每个业务环节中的平均耗时以及业务流程的平均总时长；然后将用户作为分析研究对象，根据用户参与信息分析用户在办公过程参与的任务，以及参与任务的完成程度和时间，从而得到用户的参与度、完成率和完成时效，进而得到用户的效能分析数据；接着针对用户以及办公过程构建一个神经引擎，将用户的效能分析数据和业务流程信息输入到神经引擎中，利用神经引擎分析用户在相同业务中的效能和不同业务中的效能，从而得到用户在相同业务和不同业务中的效能比对，获得用户的效能分析结果。
上述技术方案以用户作为主分析对象分析办公过程中用户的效能，从而能够了解办公过程中用户详细信息，使得能够针对现有的工作流程进行改进优化，提高工作效率，并且通过利用AI算法获取办公过程中的全面数据信息不仅能够准确全面采集办公过程的数据，效率还高，能够在较短时间内获得办公过程中的全面数据信息，从而使得能够实时获取全面数据信息，进而实现对用户实时效能分析，进而还能够使得用户充分了解自身的情况，针对自身的工作进行改进，同时也能够根据用户的效能分析情况优化业务流程，从而提高办公效率。此外，通过利用神经引擎分析确定用户在相同业务和不同业务中的效能比对，神经引擎分析的效率高，能够实时得到用户的效能分析结果。
本发明提供的一个实施例中，所述利用AI算法获取所述办公过程中的全面数据信息时通过AI平台进行监测与信息获取，在所述AI平台中，针对所述办公过程建立人工智能监测模型，利用所述人工智能模型监测所述办公过程，同时实时采集所述办公过程中的数据信息，得到全面数据信息。
上述技术方案在利用AI算法获取办公过程中的全面数据信息时，通过AI平台对办公过程进行监测与信息获取，在AI平台中，针对办公过程建立人工智能监测模型，利用人工智能监测模型办公过程，同时实时采集办公过程中的数据信息，得到全面数据信息。
上述技术方案通过AI平台对办公过程进行监测与信息获取实现了自动化智能监督与信息采集，节约人力成本，使得不需要人为参与，而且人工智能监测模型是针对办公过程建立的，与办公过程是完全匹配，能够更加高效准确的监测办公过程以及实现办公过程中数据信息的实时采集。
本发明提供的一个实施例中，针对所述办公过程建立人工智能监测模型，包括：分析所述办公过程，确定所述办公过程的流程，并在所述流程中确定监测关键信息以及关键点位，得到监测方案；按照所述监测方案进行监测部署，构建监测采集模块；搭建数据信息传输路径以及确定数据处理方法，构建数据传输模块和分析处理模块；根据所述监测采集模块、数据传输模块和分析处理模块建立人工智能监测模型初始模型；针对所述人工智能监测模型初始模型通过模型训练进行优化与改进，得到人工智能监测模型。
上述技术方案在针对办公过程建立人工智能监测模型时，首先要明确办公过程的详细信息，分析办公过程，了解办公过程的流程，并且在办公过程的流程中确定监测的关键信息，要明确哪些需要监测，而且确定监测的关键点位，从而制定出监测策略，得到监测方案，接着再根据监测方案进行监测部署，构造在办公过程中的监测以及采集的装置，从而建立监测采集模块，并且确定数据信息传输协议，搭建数据信息传输路径，构造出来数据传输模块，还要明确获得监测采集的数据信息之后针对采集到的数据信息还要如何进行数据处理，针对数据处理的需求构建分析处理模块，然后再根据监测采集模块、数据传输模块和分析处理模块建立人工智能监测模型初始模型，并且利用大量的训练数据针对人工智能监测模型初始模型通过模型训练进行优化与改进，从而得到人工智能监测模型。
上述技术方案通过针对办公过程建立人工智能监测模型使得人工智能监测模型与办公过程是完美契合的，从而能够更加准确的获取办公过程中的全面数据信息，而且在建立人工智能监测模型是根据监测方案分别进行模型中模块的构建，使得各个模块都具有明确的功能，能够更好进行模块之间的协同，从而快速得到人工智能监测模型，此外还针对人工智能监测模型初始模型通过进行优化与改进不仅能够使得人工智能监测模型的原理与实际需求更加符合，准确对办公过程进行监测，获取全面监测信息，还能够使得人工智能监测模型的误差更小，准确性更高。
本发明提供的一个实施例中，针对所述用户参与信息进行分析，包括：在所述全面数据信息中筛选与所述用户相关的数据信息，得到用户关联信息；根据所述用户关联信息确定所述用户在办公过程中的参与任务，并确定用户的参与度；针对所述参与任务结合所述业务流程信息确定任务的状态信息，并确定所述参与任务的完成率；在所述业务流程信息中追踪所述参与任务的状态，获取参与任务执行信息，并根据所述参与任务执行信息确定所述参与任务的完成时效；根据所述参与度、完成率和完成时效，得到用户的效能分析数据。
上述技术方案在针对所述用户参与信息进行分析时，首先要在全面数据信息中针对用户进行筛选信息，获取与该用户相关的数据信息，从而得到用户关联信息，然后根据用户关联信息在全面数据信息中确定办公过程中用户参与任务以及未参与任务，从而得到用户的参与度；还将用户参与任务结合业务流程信息分析用户参与任务的状态，确定用户参与任务是否已经完成，从而得到用户参与任务的完成率，同时还在业务流程信息中根据用户参与任务进行追踪获取参与任务的状态，得到参与任务执行信息，根据参与任务执行信息确定参与任务的完成时效；进而再根据用户的参与度、参与任务的完成率和参与任务的完成时效得到用户的效能分析数据。
上述技术方案通过用户的参与度、参与任务的完成率和参与任务的完成时效分析用户的效能，使得详细反应用户在办公过程的效率以及状态，不仅能够根据用户的效能分析数据在办公过程中进行调整，提高办公过程的效率，发挥用户的最大价值，而且在得到用户的效能分析数据过程中以用户为研究分析对象，在改进和提升现有的工作流程和工作效率的同时能够使得用户发挥自身最大价值。
本发明提供的一个实施例中，根据所述用户的效能分析数据和所述业务流程信息利用神经引擎分析确定所述用户在相同业务和不同业务中的效能比对时，通过神经引擎模型进行并行处理包括：获取用户的特征特点，并针对所述用户的特征特点进行用户特征识别，获得用户特征属性，根据所述用户特征属性分别针对所述用户进行相同业务和不同业务分析，确定所述用户在相同业务和不同业务中的效能比对，得到所述用户的效能分析结果，此外，在所述神经引擎模型中还通过节点的作用分析确定不兼容的节点；将所述不兼容的节点作为并行节点，并针对所述神经引擎模型进行分割，基于所述不兼容的节点分别形成分支模型。
上述技术方案在根据用户的效能分析数据和业务流程信息利用神经引擎分析确定用户在相同业务和不同业务中的效能比对时，利用神经引擎模型进行并行处理，神经引擎模型在针对用户的效能分析数据和业务流程信息进行处理时，首先获取工作流程中每个用户的特征特点，根据用户的特征特点分别进行识别，确定用户的特征属性以及用户关联业务特征，从而针对该用户进行相同业务以及不同业务分析，得到用户在相同业务中的效能和在不同业务中的效能，从而得到用户在相同业务和不同业务中的效能比对，进而得到所述用户的效能分析结果。此外，在神经引擎模型中还通过节点的作用分析确定不兼容的节点；将不兼容的节点作为并行节点，并针对神经引擎模型进行分割，基于不兼容的节点分别形成分支模型。
其中，在获取工作流程中每个用户的特征特点通过如下步骤进行获取：
首先针对工作流程中所有的用户进行信息获取，得到用户信息；
Ci＝{tij}
其中，Ci表示第i个用户的用户信息集，tij表示第i个用户的第j指标的信息数据，其中，用户信息中的指标包括：用户权限、用户能够进行的任务发布以及用户能够参与的任务等；
然后根据用户信息通过如下公式进行特征确定：
上述公式中，Di表示第i个用户的特征数据集，Ck表示第k个用户的用户信息集，而且上述公式中i≠k。
上述技术方案通过神经引擎模型实现了用户在相同业务和不同业务中的效能比对，不仅效率高，准确性还高，而且神经引擎模型能够获取用户的特征特点，并根据用户的特征特点进行识别，使得在神经引擎模型中能够有目标的在大量数据中进行目标数据筛选，有针对性的进行目标分析，避免无关数据信息的干扰，降低出错概率的同时提高分析效率，此外，通过根据不兼容的节点进行分割，使得不兼容的节点能够分别形成一个分支模型，从而使得能够进行并行处理，进而使得神经引擎模型能够针对多个用户同时进行分析，加快用户的性能分析，使得能够同时获取不同用户的效能分析结果，提高神经引擎模型的效率。
如图2所示，本发明提供的一种基于AI算法和神经引擎的智能效能分析系统，包括：监测采集模块、第一分析模块和第二分析模块；所述监测采集模块，用于针对办公过程进行监测，并利用AI算法获取所述办公过程中的全面数据信息，所述全面数据信息包括：用户参与信息和业务流程信息；所述第一分析模块，用于针对所述用户参与信息进行分析，确定所述用户在办公过程的参与度、完成率和完成时效，得到用户的效能分析数据；所述第二分析模块，用于根据所述用户的效能分析数据和所述业务流程信息利用神经引擎分析确定所述用户在相同业务和不同业务中的效能比对，得到所述用户的效能分析结果。
上述技术方案提供了一种基于AI算法和神经引擎的智能效能分析系统，智能效能分析系统包括：监测采集模块、第一分析模块和第二分析模块，在办公过程中，首先通过监测采集模块针对办公过程进行监测，在监测过程中采用AI算法(Artificial Intelligence(人工智能)算法)对办公过程进行数据信息采集，获取办公过程中用户参与业务的情况，业务执行进程以及流转完成情况等，从而得到办公过程中的全面数据信息，在这里，全面数据信息至少包括：用户参与信息和业务流程信息，业务流程信息包括用户在每个业务环节中的平均耗时以及业务流程的平均总时长；然后在第一分析模块中将用户作为分析研究对象，根据用户参与信息分析用户在办公过程参与的任务，以及参与任务的完成程度和时间，从而得到用户的参与度、完成率和完成时效，进而得到用户的效能分析数据；接着第二分析模块针对用户以及办公过程构建一个神经引擎，将用户的效能分析数据和业务流程信息输入到神经引擎中，利用神经引擎分析用户在相同业务中的效能和不同业务中的效能，从而得到用户在相同业务和不同业务中的效能比对，获得用户的效能分析结果。
上述技术方案以用户作为主分析对象分析办公过程中用户的效能，从而能够了解办公过程中用户详细信息，使得能够针对现有的工作流程进行改进优化，提高工作效率，并且通过监测采集模块利用AI算法进行监测与采集不仅能够准确全面采集办公过程的数据，效率还高，能够在较短时间内获得办公过程中的全面数据信息，从而使得能够实时获取全面数据信息，进而实现对用户实时效能分析，此外，通过第二分析模块利用神经引擎分析能够实时得到用户的效能分析结果，高效率分析。
本发明提供的一个实施例中，所述监测采集模块通过AI平台进行监测与信息获取，并且在所述AI平台中，针对所述办公过程建立人工智能监测模型，利用所述人工智能模型监测所述办公过程，同时实时采集所述办公过程中的数据信息，得到全面数据信息。
上述技术方案中的监测采集模块在利用AI算法获取办公过程中的全面数据信息时，通过AI平台对办公过程进行监测与信息获取，在AI平台中，针对办公过程建立人工智能监测模型，利用人工智能监测模型办公过程，同时实时采集办公过程中的数据信息，得到全面数据信息。
上述技术方案监测采集模块通过AI平台对办公过程进行监测与信息获取实现了自动化智能监督与信息采集，节约人力成本，使得不需要人为参与，而且人工智能监测模型是针对办公过程建立的，与办公过程是完全匹配，能够更加高效准确的监测办公过程以及实现办公过程中数据信息的实时采集。
本发明提供的一个实施例中，所述监测采集模块在针对所述办公过程建立人工智能监测模型时，包括：分析所述办公过程，确定所述办公过程的流程，并在所述流程中确定监测关键信息以及关键点位，得到监测方案；按照所述监测方案进行监测部署，构建监测采集模块；搭建数据信息传输路径以及确定数据处理方法，构建数据传输模块和分析处理模块；根据所述监测采集模块、数据传输模块和分析处理模块建立人工智能监测模型初始模型；针对所述人工智能监测模型初始模型通过模型训练进行优化与改进，得到人工智能监测模型。
上述技术方案中的监测采集模块在针对办公过程建立人工智能监测模型时，首先要明确办公过程的详细信息，分析办公过程，了解办公过程的流程，并且在办公过程的流程中确定监测的关键信息，要明确哪些需要监测，而且确定监测的关键点位，从而制定出监测策略，得到监测方案，接着再根据监测方案进行监测部署，构造在办公过程中的监测以及采集的装置，从而建立监测采集模块，并且确定数据信息传输协议，搭建数据信息传输路径，构造出来数据传输模块，还要明确获得监测采集的数据信息之后针对采集到的数据信息还要如何进行数据处理，针对数据处理的需求构建分析处理模块，然后再根据监测采集模块、数据传输模块和分析处理模块建立人工智能监测模型初始模型，并且利用大量的训练数据针对人工智能监测模型初始模型通过模型训练进行优化与改进，从而得到人工智能监测模型。
上述技术方案通过针对办公过程建立人工智能监测模型使得人工智能监测模型与办公过程是完美契合的，从而能够更加准确的获取办公过程中的全面数据信息，而且在建立人工智能监测模型是根据监测方案分别进行模型中模块的构建，使得各个模块都具有明确的功能，能够更好进行模块之间的协同，从而快速得到人工智能监测模型，此外还针对人工智能监测模型初始模型通过进行优化与改进不仅能够使得人工智能监测模型的原理与实际需求更加符合，准确对办公过程进行监测，获取全面监测信息，还能够使得人工智能监测模型的误差更小，准确性更高。
本发明提供的一个实施例中，所述第一分析模块包括：数据筛选单元、第一分析单元、第二分析单元、第三分析单元和结果确定单元；所述数据筛选单元，用于在所述全面数据信息中筛选与所述用户相关的数据信息，得到用户关联信息；所述第一分析单元，用于根据所述用户关联信息确定所述用户在办公过程中的参与任务，并确定用户的参与度；所述第二分析单元，用于针对所述参与任务结合所述业务流程信息确定任务的状态信息，并确定所述参与任务的完成率；所述第三分析单元，用于在所述业务流程信息中追踪所述参与任务的状态，获取参与任务执行信息，并根据所述参与任务执行信息确定所述参与任务的完成时效；所述结果确定单元，用于根据所述第一分析单元、第二分析单元、第三分析单元中的参与度、完成率和完成时效，得到用户的效能分析数据。
上述技术方案中的第一分析模块包括：数据筛选单元、第一分析单元、第二分析单元、第三分析单元和结果确定单元，第一分析模块在针对用户参与信息进行分析时，首先要在全面数据信息中针对用户进行筛选信息，获取与该用户相关的数据信息，从而得到用户关联信息，然后根据用户关联信息在全面数据信息中确定办公过程中用户参与任务以及未参与任务，从而得到用户的参与度；还将用户参与任务结合业务流程信息分析用户参与任务的状态，确定用户参与任务是否已经完成，从而得到用户参与任务的完成率，同时还在业务流程信息中根据用户参与任务进行追踪获取参与任务的状态，得到参与任务执行信息，根据参与任务执行信息确定参与任务的完成时效；进而再根据用户的参与度、参与任务的完成率和参与任务的完成时效得到用户的效能分析数据。
上述技术方案第一分析模块通过用户的参与度、参与任务的完成率和参与任务的完成时效分析用户的效能，使得详细反应用户在办公过程的效率以及状态，不仅能够根据用户的效能分析数据在办公过程中进行调整，提高办公过程的效率，发挥用户的最大价值，而且在得到用户的效能分析数据过程中以用户为研究分析对象，在改进和提升现有的工作流程和工作效率的同时能够使得用户发挥自身最大价值。
本发明提供的一个实施例中，所述第二分析模块在根据所述用户的效能分析数据和所述业务流程信息利用神经引擎分析确定所述用户在相同业务和不同业务中的效能比对时，通过神经引擎模型进行并行处理，所述第二分析模块包括：特征提取单元、特征识别单元和分析比较单元；所述特征提取单元，用于获取用户的特征特点；所述特征识别单元，用于针对所述用户的特征特点进行用户特征识别，获得用户特征属性；所述分析比较单元，用于根据所述用户特征属性分别针对所述用户进行相同业务和不同业务分析，确定所述用户在相同业务和不同业务中的效能比对，得到所述用户的效能分析结果；其中，所述神经引擎模型通过节点的作用分析确定不兼容的节点；将所述不兼容的节点作为并行节点，并针对所述神经引擎模型进行分割，基于所述不兼容的节点分别形成分支模型。
上述技术方案中的第二分析模块在根据用户的效能分析数据和业务流程信息利用神经引擎分析确定用户在相同业务和不同业务中的效能比对时，通过神经引擎模型进行并行处理，第二分析模块包括：特征提取单元、特征识别单元和分析比较单元；第二分析模块中的额神经引擎模型在针对用户的效能分析数据和业务流程信息进行处理时，首先利用特征提取单元在工作流程中获取每个用户的特征特点，然后特征识别单元根据用户的特征特点分别进行识别，确定用户的特征属性以及用户关联业务特征，从而分析比较单元针对该用户进行相同业务以及不同业务分析，得到用户在相同业务中的效能和在不同业务中的效能，从而得到用户在相同业务和不同业务中的效能比对，进而得到所述用户的效能分析结果。此外，在神经引擎模型中还通过节点的作用分析确定不兼容的节点；将不兼容的节点作为并行节点，并针对神经引擎模型进行分割，基于不兼容的节点分别形成分支模型。
上述技术方案通过神经引擎模型实现了用户在相同业务和不同业务中的效能比对，不仅效率高，准确性还高，而且通过特征提取单元、特征识别单元使得神经引擎模型能够有目标的在大量数据中进行目标数据筛选，有针对性的进行目标分析，避免无关数据信息的干扰，降低出错概率的同时提高分析效率，此外，通过根据不兼容的节点进行分割，使得不兼容的节点能够分别形成一个分支模型，从而使得分析比较单元能够进行并行处理，进而使得神经引擎模型能够针对多个用户同时进行分析，加快用户的性能分析，使得能够同时获取不同用户的效能分析结果，提高神经引擎模型的效率。
上述技术方案的工作原理及有益效果在方法权利要求中已经说明，此处不再赘述。
本领域技术人员应当理解的是，本发明中的第一、第二仅仅指的是不同应用阶段而已。
本领域技术客户员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (8)
1.一种基于AI算法和神经引擎的智能效能分析方法，其特征在于，所述智能效能分析方法包括：
针对办公过程进行监测，并利用AI算法获取所述办公过程中的全面数据信息，所述全面数据信息包括：用户参与信息和业务流程信息；
针对所述用户参与信息进行分析，确定所述用户在办公过程的参与度、完成率和完成时效，得到用户的效能分析数据；
根据所述用户的效能分析数据和所述业务流程信息利用神经引擎分析确定所述用户在相同业务和不同业务中的效能比对，得到所述用户的效能分析结果；根据所述用户的效能分析数据和所述业务流程信息利用神经引擎分析确定所述用户在相同业务和不同业务中的效能比对时，通过神经引擎模型进行并行处理，包括：获取用户的特征特点，并针对所述用户的特征特点进行用户特征识别，获得用户特征属性，根据所述用户特征属性分别针对所述用户进行相同业务和不同业务分析，确定所述用户在相同业务和不同业务中的效能比对，得到所述用户的效能分析结果。
2.根据权利要求1所述的智能效能分析方法，其特征在于，所述利用AI算法获取所述办公过程中的全面数据信息时通过AI平台进行监测与信息获取，在所述AI平台中，针对所述办公过程建立人工智能监测模型，利用所述人工智能监测模型监测所述办公过程，同时实时采集所述办公过程中的数据信息，得到全面数据信息。
3.根据权利要求2所述的智能效能分析方法，其特征在于，针对所述办公过程建立人工智能监测模型，包括：分析所述办公过程，确定所述办公过程的流程，并在所述流程中确定监测关键信息以及关键点位，得到监测方案；按照所述监测方案进行监测部署，构建监测采集模块；搭建数据信息传输路径以及确定数据处理方法，构建数据传输模块和分析处理模块；根据所述监测采集模块、数据传输模块和分析处理模块建立人工智能监测模型初始模型；针对所述人工智能监测模型初始模型通过模型训练进行优化与改进，得到人工智能监测模型。
4.根据权利要求1所述的智能效能分析方法，其特征在于，针对所述用户参与信息进行分析，包括：在所述全面数据信息中筛选与所述用户相关的数据信息，得到用户关联信息；根据所述用户关联信息确定所述用户在办公过程中的参与任务，并确定用户的参与度；针对所述参与任务结合所述业务流程信息确定任务的状态信息，并确定所述参与任务的完成率；在所述业务流程信息中追踪所述参与任务的状态，获取参与任务执行信息，并根据所述参与任务执行信息确定所述参与任务的完成时效；根据所述参与度、完成率和完成时效，得到用户的效能分析数据。
5.一种基于AI算法和神经引擎的智能效能分析系统，其特征在于，所述智能效能分析系统，包括：数据监测模块、第一分析模块和第二分析模块；所述数据监测模块，用于针对办公过程进行监测，并利用AI算法获取所述办公过程中的全面数据信息，所述全面数据信息包括：用户参与信息和业务流程信息；所述第一分析模块，用于针对所述用户参与信息进行分析，确定所述用户在办公过程的参与度、完成率和完成时效，得到用户的效能分析数据；所述第二分析模块，用于根据所述用户的效能分析数据和所述业务流程信息利用神经引擎分析确定所述用户在相同业务和不同业务中的效能比对，得到所述用户的效能分析结果；
其中，所述第二分析模块在根据所述用户的效能分析数据和所述业务流程信息利用神经引擎分析确定所述用户在相同业务和不同业务中的效能比对时，通过神经引擎模型进行并行处理，所述第二分析模块包括：特征提取单元、特征识别单元和分析比较单元；所述特征提取单元，用于获取用户的特征特点；所述特征识别单元，用于针对所述用户的特征特点进行用户特征识别，获得用户特征属性；所述分析比较单元，用于根据所述用户特征属性分别针对所述用户进行相同业务和不同业务分析，确定所述用户在相同业务和不同业务中的效能比对，得到所述用户的效能分析结果。
6.根据权利要求5所述的智能效能分析系统，其特征在于，所述数据监测模块通过AI平台进行监测与信息获取，并且在所述AI平台中，针对所述办公过程建立人工智能监测模型，利用所述人工智能监测模型监测所述办公过程，同时实时采集所述办公过程中的数据信息，得到全面数据信息。
7.根据权利要求6所述的智能效能分析系统，其特征在于，所述数据监测模块在针对所述办公过程建立人工智能监测模型时，包括：分析所述办公过程，确定所述办公过程的流程，并在所述流程中确定监测关键信息以及关键点位，得到监测方案；按照所述监测方案进行监测部署，构建监测采集模块；搭建数据信息传输路径以及确定数据处理方法，构建数据传输模块和分析处理模块；根据所述监测采集模块、数据传输模块和分析处理模块建立人工智能监测模型初始模型；针对所述人工智能监测模型初始模型通过模型训练进行优化与改进，得到人工智能监测模型。
8.根据权利要求5所述的智能效能分析系统，其特征在于，所述第一分析模块包括：数据筛选单元、第一分析单元、第二分析单元、第三分析单元和结果确定单元；所述数据筛选单元，用于在所述全面数据信息中筛选与所述用户相关的数据信息，得到用户关联信息；所述第一分析单元，用于根据所述用户关联信息确定所述用户在办公过程中的参与任务，并确定用户的参与度；所述第二分析单元，用于针对所述参与任务结合所述业务流程信息确定任务的状态信息，并确定所述参与任务的完成率；所述第三分析单元，用于在所述业务流程信息中追踪所述参与任务的状态，获取参与任务执行信息，并根据所述参与任务执行信息确定所述参与任务的完成时效；所述结果确定单元，用于根据所述第一分析单元、第二分析单元、第三分析单元中的参与度、完成率和完成时效，得到用户的效能分析数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211601302.5A CN115907674B (zh) | 2022-12-13 | 2022-12-13 | 一种基于ai算法和神经引擎的智能效能分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211601302.5A CN115907674B (zh) | 2022-12-13 | 2022-12-13 | 一种基于ai算法和神经引擎的智能效能分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115907674A CN115907674A (zh) | 2023-04-04 |
| CN115907674B true CN115907674B (zh) | 2023-12-01 |
Family
ID=86493163
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211601302.5A Active CN115907674B (zh) | 2022-12-13 | 2022-12-13 | 一种基于ai算法和神经引擎的智能效能分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115907674B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102419833A (zh) * | 2011-09-23 | 2012-04-18 | 方欣科技有限公司 | 工作流引擎系统和工作流处理方法 |
| CN104123326A (zh) * | 2013-04-28 | 2014-10-29 | 成都勤智数码科技股份有限公司 | 业务组织评估分析专家系统 |
| WO2018024057A1 (zh) * | 2016-08-01 | 2018-02-08 | 华为技术有限公司 | 用于访问业务的方法和装置 |
| CN108122063A (zh) * | 2016-11-28 | 2018-06-05 | 宁波有哒云商务服务有限公司 | 企业电子商务信息流程管理系统 |
| CN110489749A (zh) * | 2019-08-07 | 2019-11-22 | 北京航空航天大学 | 智能办公自动化系统业务流程优化 |
| CN110610346A (zh) * | 2019-08-07 | 2019-12-24 | 北京航空航天大学 | 智能办公自动化系统工作流实例时间预测分析 |
| CN111027921A (zh) * | 2019-11-19 | 2020-04-17 | 山东中创软件商用中间件股份有限公司 | 一种业务处理方法、装置及电子设备和存储介质 |
| CN112017007A (zh) * | 2020-08-31 | 2020-12-01 | 中国平安财产保险股份有限公司 | 用户行为数据的处理方法及装置、计算机设备、存储介质 |
| KR20220036135A (ko) * | 2020-09-15 | 2022-03-22 | 현대오토에버 주식회사 | 인간행동분석 기반 스마트오피스 업무생산성 평가시스템 |
| CN114548915A (zh) * | 2022-01-26 | 2022-05-27 | 北京金和网络股份有限公司 | 基于流程引擎实现业务跨组织流转的方法及系统 |
| WO2022160707A1 (zh) * | 2021-01-29 | 2022-08-04 | 北京来也网络科技有限公司 | 结合rpa和ai的人机互动方法、装置、存储介质及电子设备 |
| US11481553B1 (en) * | 2022-03-17 | 2022-10-25 | Mckinsey & Company, Inc. | Intelligent knowledge management-driven decision making model |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080184231A1 (en) * | 2007-01-31 | 2008-07-31 | Alexander Dreiling | Method and system for analyzing process models |
| US20120078674A1 (en) * | 2010-09-27 | 2012-03-29 | Infosys Technologies Limited | Method and system for end-to-end process execution |
| US10380233B2 (en) * | 2012-07-26 | 2019-08-13 | International Business Machines Corporation | Launching workflow processes based on annotations in a document |
| US20140278640A1 (en) * | 2013-03-15 | 2014-09-18 | Companyons, Inc. | Business workflow management systems and methods |
| US20200104723A1 (en) * | 2018-09-28 | 2020-04-02 | Rockwell Automation Technologies, Inc. | Industrial automation compute engine syndication |
| US20210334718A1 (en) * | 2020-04-27 | 2021-10-28 | Richard Catalano | System for managing enterprise dataflows |
-
2022
- 2022-12-13 CN CN202211601302.5A patent/CN115907674B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102419833A (zh) * | 2011-09-23 | 2012-04-18 | 方欣科技有限公司 | 工作流引擎系统和工作流处理方法 |
| CN104123326A (zh) * | 2013-04-28 | 2014-10-29 | 成都勤智数码科技股份有限公司 | 业务组织评估分析专家系统 |
| WO2018024057A1 (zh) * | 2016-08-01 | 2018-02-08 | 华为技术有限公司 | 用于访问业务的方法和装置 |
| CN108122063A (zh) * | 2016-11-28 | 2018-06-05 | 宁波有哒云商务服务有限公司 | 企业电子商务信息流程管理系统 |
| CN110489749A (zh) * | 2019-08-07 | 2019-11-22 | 北京航空航天大学 | 智能办公自动化系统业务流程优化 |
| CN110610346A (zh) * | 2019-08-07 | 2019-12-24 | 北京航空航天大学 | 智能办公自动化系统工作流实例时间预测分析 |
| CN111027921A (zh) * | 2019-11-19 | 2020-04-17 | 山东中创软件商用中间件股份有限公司 | 一种业务处理方法、装置及电子设备和存储介质 |
| CN112017007A (zh) * | 2020-08-31 | 2020-12-01 | 中国平安财产保险股份有限公司 | 用户行为数据的处理方法及装置、计算机设备、存储介质 |
| KR20220036135A (ko) * | 2020-09-15 | 2022-03-22 | 현대오토에버 주식회사 | 인간행동분석 기반 스마트오피스 업무생산성 평가시스템 |
| WO2022160707A1 (zh) * | 2021-01-29 | 2022-08-04 | 北京来也网络科技有限公司 | 结合rpa和ai的人机互动方法、装置、存储介质及电子设备 |
| CN114548915A (zh) * | 2022-01-26 | 2022-05-27 | 北京金和网络股份有限公司 | 基于流程引擎实现业务跨组织流转的方法及系统 |
| US11481553B1 (en) * | 2022-03-17 | 2022-10-25 | Mckinsey & Company, Inc. | Intelligent knowledge management-driven decision making model |
Non-Patent Citations (1)
| Title |
|---|
| 基于Drools规则引擎的业务规则管理平台的设计与实现;陈逸聪;中国优秀硕士学位论文全文数据库信息科技辑(第4期);I138-327 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115907674A (zh) | 2023-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107239538B (zh) | 具有自学习功能的平行客服机器人系统及其自学习方法 | |
| CN106846361A (zh) | 基于直觉模糊随机森林的目标跟踪方法及装置 | |
| CN109872052A (zh) | 一种法院案件智能化分案辅助方法及系统 | |
| CN109615616A (zh) | 一种基于abc-pcnn的裂缝识别方法及系统 | |
| CN112367273A (zh) | 基于知识蒸馏的深度神经网络模型的流量分类方法及装置 | |
| CN112580536A (zh) | 一种高位视频车辆及车牌的检测方法及装置 | |
| CN109615615A (zh) | 一种基于abc—bp神经网络的裂缝识别方法及系统 | |
| CN116612386A (zh) | 基于分级检测双任务模型的辣椒病虫害识别方法及系统 | |
| CN116824626A (zh) | 一种动物异常状态人工智能识别的方法 | |
| CN115907674B (zh) | 一种基于ai算法和神经引擎的智能效能分析方法及系统 | |
| CN110796090A (zh) | 基于循环神经网络的人机协作人体行为意图判别方法 | |
| CN113349188A (zh) | 一种基于云端杀草谱的草坪及牧草精准除草方法 | |
| CN117455724A (zh) | 基于多级网络节点的建筑能耗分析方法及系统 | |
| CN116822754A (zh) | 一种基于企业服务项目模块化分类的数据规范分析系统 | |
| CN115186935A (zh) | 一种机电设备非线性故障预测方法及系统 | |
| CN111589284A (zh) | 一种针对喷氨控制系统的逐步回归数据处理方法 | |
| CN112581504A (zh) | 基于神经网络的圈养家畜多目标追踪方法及装置 | |
| CN109634743A (zh) | 一种基于大数据的智能制造故障诊断方法及装置 | |
| CN114343676B (zh) | 基于自适应层次图神经网络的脑电情感识别方法及装置 | |
| CN117648477B (zh) | 基于ai分析的服务信息管理系统及其方法 | |
| CN117880471B (zh) | 一种基于ai技术的电力生产作业视频监控系统 | |
| CN118520360B (zh) | 一种频谱博弈决策的智能迭代方法和装置 | |
| CN117555696B (zh) | 一种多模型并发执行的数据交互方法及系统 | |
| CN115643059B (zh) | 基于深度学习的电力网络恶意攻击防护系统及其控制方法 | |
| CN116720002A (zh) | 一种人工智能大数据的信息处理装置 |
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 |