CN116307940A - 一种企业经营管理系统及方法 - Google Patents
一种企业经营管理系统及方法 Download PDFInfo
- Publication number
- CN116307940A CN116307940A CN202310557529.2A CN202310557529A CN116307940A CN 116307940 A CN116307940 A CN 116307940A CN 202310557529 A CN202310557529 A CN 202310557529A CN 116307940 A CN116307940 A CN 116307940A
- Authority
- CN
- China
- Prior art keywords
- target
- enterprise
- level
- targets
- neural network
- 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 21
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000007726 management method Methods 0.000 claims abstract description 27
- 238000013500 data storage Methods 0.000 claims abstract description 10
- 210000002569 neuron Anatomy 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 10
- 230000002068 genetic effect Effects 0.000 claims description 8
- 238000012800 visualization Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 abstract description 12
- 238000005457 optimization Methods 0.000 abstract description 7
- 238000009472 formulation Methods 0.000 abstract description 5
- 239000000203 mixture Substances 0.000 abstract description 5
- 238000013468 resource allocation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000009466 transformation 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种企业经营管理系统及方法,其中系统包括数据存储模块、目标分解模块、神经网络模块;神经网络模块利用数据存储模块中的数据训练出神经网络模型;目标分解模块对设置的企业经营目标进行目标分解,由神经网络模块判断目标分解的合理性,并进行响应调整;所述神经网络模块还用于根据各层级关键指标的实时完成情况进行预测,以进一步对当前目标的数值进行优化调整。本申请解决了现有技术目标决策依赖于人工,且未考虑目标制定合理性导致目标无法实现的问题。本申请避免了被动调整,能够即时给出企业经营目标制定策略,且极大提高了目标制定的准确率。本申请还能够就目标的实时完成情况,提供目标优化功能,提升了资源配置和流动效率。
Description
技术领域
本申请涉及一种经营目标定制系统,属于财务管理领域,尤其涉及一种企业经营管理系统及方法。
背景技术
传统企业目标的确定和分解依赖于人工决策,通常由企业CFO承担这项任务的规划工作,再交由运维商定制实现。而中小企业缺乏有经验的CFO及IT人员,尤其对于企业转型期而言,企业目标的确定和分解是重要的,但却是始终难以解决的一道难题。
现有的企业目标分解缺少对目标分解的合理性以及预期完成情况的考量,无法根据实时的工作完成情况预测能否完成目标。事实上,现有技术通常只能在出现经营问题后,对目标进行被动调整,而调整的手段依赖于人为的判断、预测和决策,不仅需要花费很长时间,而且决策结果的精确性较差,不利于企业的经营。
发明内容
根据本申请的一个方面,提供了一种企业经营管理系统,该系统能够自动化分解得到企业各层级的目标,并判断目标分解结果的合理性。该系统还能够基于企业当前经营情况,对目标分解结果进行预测,根据预测结果判断是否需要对相关部门或人员进行辅导或调整,从而提升企业经营管理的针对性和有效性。
所述企业经营管理系统,包括:
数据存储模块,用于存储企业经营数据,所述经营数据包括企业各层级的目标及其完成情况的历史数据和当前数据;
目标分解模块,用于获取设置的企业经营目标,对其进行分解,得到企业各层级关键指标的目标值;
神经网络模块,用于根据历史企业经营数据训练得到关键指标-经营目标模型,将所述企业各层级关键指标的目标值输入所述关键指标-经营目标模型,输出企业经营目标的预测值,根据所述企业经营目标的预测值判断企业各层级关键指标的目标值设置是否合理,若不合理,则重新调整目标。
优选地,所述目标分解模块对所述企业经营目标进行分解包括:基于价值树分解法确定各层级之间的关系、各层级中对象之间的关系,创建各层级和对象的目标。
优选地,所述目标分解模块还用于获取领导层直接输入的企业各层级关键指标的目标值,以对目标进行确定或调整。
优选地,所述神经网络模块还用于,获取并根据各层级关键指标的实时完成情况,实时预测目标期限内各层级工作完成情况,判断是否达到阶段性目标要求以及照此进度是否能够完成企业各层级关键指标的目标值。
优选地,所述关键指标-经营目标模型的训练集样本包括:企业关键指标及经营目标的历史数据、头部企业的关键指标及经营目标数据。
优选地,所述神经网络模块采用含有一个隐含层的三层多输入单输出的BP网络,其中所述隐含层的神经元个数参照如下经验公式:
其中,n为输入层神经元个数,m为输出层神经元个数,a为[1,10]之间的常数。
优选地,所述神经网络模块的重新调整目标采用遗传算法进行优化。
优选地,该系统还包括可视化模块,用于通过图形化界面,展示各层级和对象的目标分解结果、各层级关键指标的实时完成情况、预测目标期限内各层级工作完成情况。
根据本申请的又一个方面,提供了一种基于上述企业经营管理系统的企业经营管理方法,包括:
将当前企业经营数据输入目标分解模块,确定企业经营目标,并分解得到企业各层级关键指标的目标值;
将所述企业各层级关键指标的目标值输入神经网络模块,输出企业经营目标的预测值,根据所述企业经营目标的预测值判断企业各层级关键指标的目标值设置是否合理,若不合理,则提示重新调整目标。
优选地,所述重新调整目标采用遗传算法。
优选地,所述重新调整目标还包括:目标分解模块获取领导层输入的企业各层级关键指标的目标值,直接对目标进行调整。
优选地,该方法还包括:将各层级关键指标的实时完成情况输入所述神经网络模块,得到目标期限内各层级工作完成情况的预测值,判断是否达到阶段性目标要求以及照此进度是否能够完成企业各层级关键指标的目标值。
本申请能产生的有益效果包括:
1)本申请所提供的神经网络模块,利用历史企业经营数据进行神经网络训练,得到关键指标-经营目标模型,能够实现对目标分解的合理性进行事前判断,解决了企业目标制定不合理导致目标无法达成的问题,不再需要被动调整,便于用户使用,且极大提高了企业目标制定的准确率。
2)本申请所提供的神经网络模块,采用神经网络,较目前常用的多元回归法,其拟合效果和预测精度都更占优,能够提供人力难以完成的目标决策。
3)本申请所提供的神经网络模块,采用遗传算法,能够在复杂空间进行全局优化搜索, 并且具有较强的鲁棒性。由于神经网络模型是通过神经元间的连接权值与阈值来实现的,在解决最优化问题时根本无法用传统的优化方法来实现对已建立的网络模型进行多目标寻优,而本申请的神经网络模块解决了该问题。当预测出目标分解结果不合理时,能够基于遗传算法输出各子目标(即企业各层级关键指标的目标)的最优化结果,在提高了预测精度的同时,对目标分解结果进行了合理优化,提升了针对性和有效性,为企业目标制定提供修正参考。
4)本申请所提供的神经网络模块,还能够根据各层级关键指标的实时完成情况,得到目标完成情况的预测结果,当无法达到关键指标要求或目标期限内无法完成时,能够实时对相关部分或员工进行辅导或调整,提升了资源配置和流动效率。
附图说明
图1为本申请一种实施方式中目标分解模块的分解结果示意图;
图2为本申请一种实施方式中神经网络模块中采用的三层BP神经网络示意图;
图3为本申请一种实施方式中神经网络模块中采用的网络结构示意图;
图4为本申请一种实施方式中企业经营管理方法流程图。
具体实施方式
下面结合实施例详述本申请,但本申请并不局限于这些实施例。
本申请的企业经营管理系统,包括:
数据存储模块,用于存储企业经营数据,所述经营数据包括企业各层级的目标及其完成情况的历史数据和当前数据;
目标分解模块,用于获取设置的企业经营目标,对其进行分解,得到企业各层级关键指标的目标值;
神经网络模块,用于根据历史企业经营数据训练得到关键指标-经营目标模型,将所述企业各层级关键指标的目标值输入所述关键指标-经营目标模型,输出企业经营目标的预测值,根据所述企业经营目标的预测值判断企业各层级关键指标的目标值设置是否合理,若不合理,则重新调整目标。
在一种实施方式中,该系统还包括可视化模块,用于通过图形化界面,展示各层级和对象的目标分解结果、各层级关键指标的实时完成情况、预测目标期限内各层级工作完成情况。
在一种实施方式中,所述数据存储模块主要包括两部分:各层级部门和员工的历史执行数据和实时的工作完成情况。
所述历史执行数据,根据历史企业经营数据直接导入,作为所述神经网络模块的数据训练集。
所述实时的工作完成情况,可按层级关系分配用户账号按一定周期统计工作完成情况(周/月/季),层级部门主管填入部门关键成果数据,部门员工填入员工工作完成情况。
在一种实施方式中,所述目标分解模块基于价值树分解法确定层级关系,并对目标进行分解。
在一种实施方式中,所述目标分解模块的执行步骤如下:
S11:确定并获取企业经营目标,以盈利目标作为企业经营目标的最关键指标,也即最大目标。根据公司经营数据确定利润率。
S12:基于价值树分解法,根据公司财务指标,对所述企业经营目标进行分解。
根据所述盈利目标和利润率确定收入、销售费用、成本、管理费用;其中,销售费用、成本、管理费用占比根据企业历史经营情况进行设定,例如销售费用占收入35%,成本占35%,管理费用占10%。
S13:将财务关系将收入、销售费用、成本、管理费用,目标分解至部门关键成果指标的目标值,得到如图1所示的企业各层级关键指标及其目标值。
对于收入:将收入与销售部门关联,部门关键目标为产品销售收入,先对公司产品进行销售目标分解,然后将目标分解到销售部门,关键成果为产品收入和费用指标,再依次将部门销售目标分解到销售人员。
对于销售费用:根据销售目标按比例分解到销售部门。
对于成本:按照产品进行占比分配。
S14:创建目标分解结果,目标分解可以由领导层通过本模块直接输入确定,或者基于价值树分解法和领导层输入的企业经营目标及关键结果,自动拆分创建。
在一种实施方式中,所述神经网络模块的执行步骤如下:
S21:根据各层级部门和员工的历史执行数据,训练建立神经网络模型,输入目标分解得到的关键指标的目标值,对公司盈利目标进行预测,由下而上对目标分解的合理性进行判断,由神经网络模型输出的预测盈利目标与领导层导入的总目标相差5%范围内视为目标分解合理。
S22:根据各层级部门和员工的历史执行数据训练建立神经网络模型,导入存储模块中的部门层级和员工的实时工作完成情况,预测目标完成情况,输出结果可在可视化模块中显示,为企业目标管理和调整做参考。
在一种实施方式中,所述神经网络模型的采用m*k*n三层BP神经网络模型,如图2所示,通过样本数据的训练不断修正网络权值和阈值使误差函数沿负梯度方向下降,逼近期望输出。
将目标分解得到的公司关键成果、部门级销售费用、公司级生产指标、部门级管理费用作为关键指标,输入到神经网络模型中,输出企业盈利目标的预测值。
进一步地,所述神经网络模型由每组数据的各个关键成果指标作为输入,以公司盈利目标作为输出,设置输入层的节点数为8,输出层的节点数为1,如图3所示。
在一种实施方式中,所述神经网络模型的训练集样本包括:企业关键成果指标及盈利目标的历史数据、头部企业的关键成果指标及盈利目标数据。
所述神经网络模型含有一个隐含层的神经网络。只要隐节点足够多,就可以以任意精度逼近一个非线性函数。因此,本实施例采用含有一个隐含层的三层多输入单输出的BP网络建立预测模型。在网络设计过程中,隐含层神经元数的确定十分重要。隐含层神经元个数过多,会加大网络计算量并容易产生过度拟合问题;神经元个数过少,则会影响网络性能,达不到预期效果。目前,对于隐含层中神经元数目的确定并没有明确的公式,只有一些经验公式,神经元个数的最终确定还是需要根据经验和多次实验来确定。本实施例在选取隐含层神经元个数的问题上参照了以下的经验公式:
其中,n为输入层神经元个数,m为输出层神经元个数,a为[1,10]之间的常数。
根据上式可以计算出神经元个数为4-13个之间,在本次方案中选择隐含层神经元个数为6。
在一种实施方式中,所述企业经营目标的预测值如下表1所示。
表1
在一种实施方式中,所述重新调整目标采用如下遗传算法。
S31:对数据进行标准化处理[ (X -)/S],即数据与均数之差再除以标准差,然后将BP神经网络模型的预测结果的相反数作为适应度函数,关键子目标为8,将相应的维数作为相应的子目标函数,采用二进制编码方式,初始种群大小400,即每个子种群大小50,选择随机遍历抽样(sus),单点交叉(xov sp)概率为0.7,变异(mut)概率为0.07,遗传代数为50代。
S32:将初始群体中的全部个体按子目标函数的数目均等地划分为一些子群体。
S33:对每个子群体分配一个子目标函数,各子目标函数在相应的子群体中独立地进行选择运算,各自选择出一些适应度高的个体组成一个新的子群体。
S34:再将所有新生的子群体合并成一个完整的群体,在这个群体中进行交叉、变异运算,从而生成下一代的完整群体。
在一种实施方式中,所述企业各层级关键指标的目标优化值如下表2所示。
表2
在一种实施方式中,本申请还提供了一种基于上述系统的企业经营管理方法,如图4所示,包括:
(1)将当前企业经营数据输入目标分解模块,确定企业经营目标,并分解得到企业各层级关键指标的目标值;
(2)将所述企业各层级关键指标的目标值输入神经网络模块,输出企业经营目标的预测值,根据所述企业经营目标的预测值判断企业各层级关键指标的目标值设置是否合理,若不合理,则提示重新调整目标。
在一种实施方式中,步骤(1)包括:
目标分解模块基于价值树分解法确定层级关系并对目标进行分解,创建层级以及对象的目标与关键结果。各个层级中至少包括一个对象,基于价值树分解展示了各个层级之间以及层级中的对象之间的关系。
在一种实施方式中,步骤(2)包括:
将企业各个层级以及对象的历史执行数据和实时的工作完成情况导入到数据存储模块中,并提供给神经网络模块进行调用分析。
根据数据存储模块的历史数据,使用神经网络模块判断层级以及对象的目标分解是否合理。如果不合理,则返回目标分解模块展示目标预测结果供领导层进行目标调整。
在一种实施方式中,所述目标调整采用前述的遗传算法。
根据数据存储模块的部门层级和员工的实时工作完成情况,使用神经网络模块预测目标完成情况,基于此目标预测结果可以实时的展示按目前的工作完成情况是否能达到阶段性的目标要求以及照此进度整体目标能否完成,方便企业领导层进行管理。
根据价值树,在可视化模块中展示层级依据的对象的目标分解结果、实时工作情况和预测目标完成情况结果。
利用本申请的系统或方法进行企业目标制定,可达到秒级甚至更快,且准确率可达到90%以上。
以上所述,仅是本申请的几个实施例,并非对本申请做任何形式的限制,虽然本申请以较佳实施例揭示如上,然而并非用以限制本申请,任何熟悉本专业的技术人员,在不脱离本申请技术方案的范围内,利用上述揭示的技术内容做出些许的变动或修饰均等同于等效实施案例,均属于技术方案范围内。
Claims (10)
1.一种企业经营管理系统,其特征在于,该系统包括:
数据存储模块,用于存储企业经营数据,所述经营数据包括企业各层级的目标及其完成情况的历史数据和当前数据;
目标分解模块,用于获取设置的企业经营目标,对其进行分解,得到企业各层级关键指标的目标值;
神经网络模块,用于根据历史企业经营数据训练得到关键指标-经营目标模型,将所述企业各层级关键指标的目标值输入所述关键指标-经营目标模型,输出企业经营目标的预测值,根据所述企业经营目标的预测值判断企业各层级关键指标的目标值设置是否合理,若不合理,则重新调整目标。
2.根据权利要求1所述的企业经营管理系统,其特征在于,所述目标分解模块对所述企业经营目标进行分解包括:基于价值树分解法确定各层级之间的关系、各层级中对象之间的关系,创建各层级和对象的目标。
3.根据权利要求1所述的企业经营管理系统,其特征在于,所述目标分解模块还用于获取领导层直接输入的企业各层级关键指标的目标值,以对目标进行确定或调整。
4.根据权利要求1所述的企业经营管理系统,其特征在于,所述神经网络模块还用于,获取并根据各层级关键指标的实时完成情况,实时预测目标期限内各层级工作完成情况,判断是否达到阶段性目标要求以及照此进度是否能够完成企业各层级关键指标的目标值。
6.根据权利要求1所述的企业经营管理系统,其特征在于,该系统还包括可视化模块,用于通过图形化界面,展示各层级和对象的目标分解结果、各层级关键指标的实时完成情况、预测目标期限内各层级工作完成情况。
7.一种基于权利要求1-6任一项所述企业经营管理系统的企业经营管理方法,其特征在于,该方法包括:
将当前企业经营数据输入目标分解模块,确定企业经营目标,并分解得到企业各层级关键指标的目标值;
将所述企业各层级关键指标的目标值输入神经网络模块,输出企业经营目标的预测值,根据所述企业经营目标的预测值判断企业各层级关键指标的目标值设置是否合理,若不合理,则提示重新调整目标。
8.根据权利要求7所述的企业经营管理方法,其特征在于,所述重新调整目标采用遗传算法。
9.根据权利要求7所述的企业经营管理方法,其特征在于,所述重新调整目标还包括:目标分解模块获取领导层输入的企业各层级关键指标的目标值,直接对目标进行调整。
10.根据权利要求7所述的企业经营管理方法,其特征在于,该方法还包括:将各层级关键指标的实时完成情况输入所述神经网络模块,得到目标期限内各层级工作完成情况的预测值,判断是否达到阶段性目标要求以及照此进度是否能够完成企业各层级关键指标的目标值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310557529.2A CN116307940A (zh) | 2023-05-17 | 2023-05-17 | 一种企业经营管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310557529.2A CN116307940A (zh) | 2023-05-17 | 2023-05-17 | 一种企业经营管理系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116307940A true CN116307940A (zh) | 2023-06-23 |
Family
ID=86827256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310557529.2A Pending CN116307940A (zh) | 2023-05-17 | 2023-05-17 | 一种企业经营管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307940A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116777312A (zh) * | 2023-08-25 | 2023-09-19 | 深圳市领存技术有限公司 | 一种目标分解方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596509A (zh) * | 2018-05-07 | 2018-09-28 | 北京创源微致软件有限公司 | 一种基于kpi和神经网络的作业车间绩效评价方法 |
CN109242558A (zh) * | 2018-08-29 | 2019-01-18 | 黑龙江工业学院 | 一种基于神经网络的经营数据预测方法、可读存储介质和预测系统 |
CN112966973A (zh) * | 2021-03-30 | 2021-06-15 | 建信金融科技有限责任公司 | 一种目标与关键结果的管理系统和方法 |
CN113435638A (zh) * | 2021-06-19 | 2021-09-24 | 森云(天津)科技有限公司 | 一种基于OKRs-E的企业目标管理方法、系统、终端及存储介质 |
CN115375190A (zh) * | 2022-10-18 | 2022-11-22 | 北京北方科诚信息技术股份有限公司 | 一种企业经营管理系统及方法 |
-
2023
- 2023-05-17 CN CN202310557529.2A patent/CN116307940A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596509A (zh) * | 2018-05-07 | 2018-09-28 | 北京创源微致软件有限公司 | 一种基于kpi和神经网络的作业车间绩效评价方法 |
CN109242558A (zh) * | 2018-08-29 | 2019-01-18 | 黑龙江工业学院 | 一种基于神经网络的经营数据预测方法、可读存储介质和预测系统 |
CN112966973A (zh) * | 2021-03-30 | 2021-06-15 | 建信金融科技有限责任公司 | 一种目标与关键结果的管理系统和方法 |
CN113435638A (zh) * | 2021-06-19 | 2021-09-24 | 森云(天津)科技有限公司 | 一种基于OKRs-E的企业目标管理方法、系统、终端及存储介质 |
CN115375190A (zh) * | 2022-10-18 | 2022-11-22 | 北京北方科诚信息技术股份有限公司 | 一种企业经营管理系统及方法 |
Non-Patent Citations (2)
Title |
---|
修玉锋;: "浅议国有企业以平衡计分卡为基础的预算目标设计", 科技视界, no. 32 * |
王新茹;: "企业KPI应用问题研究", 科技致富向导, no. 02, pages 29 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116777312A (zh) * | 2023-08-25 | 2023-09-19 | 深圳市领存技术有限公司 | 一种目标分解方法、装置、设备及存储介质 |
CN116777312B (zh) * | 2023-08-25 | 2023-12-19 | 深圳市领存技术有限公司 | 一种目标分解方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104573106B (zh) | 一种基于案例推理技术的城市建设智能审批方法 | |
US11755976B2 (en) | Method for predicting oxygen load in iron and steel enterprises based on production plan | |
CN108491969A (zh) | 基于大数据的空间负荷预测模型构建方法 | |
Li et al. | A comparative study on prediction methods for China's medium-and long-term coal demand | |
Guo et al. | Electricity wholesale market equilibrium analysis integrating individual risk-averse features of generation companies | |
Lu et al. | Evaluation of energy management system for regional integrated energy system under interval type-2 hesitant fuzzy environment | |
CN105046453A (zh) | 一种引入云模型进行评价选择的建设工程项目群构建方法 | |
CN116307940A (zh) | 一种企业经营管理系统及方法 | |
Han et al. | Construct the prediction model for China agricultural output value based on the optimization neural network of fruit fly optimization algorithm | |
Jing et al. | The application of fuzzy VIKOR for the design scheme selection in lean management | |
Yang et al. | The stochastic decision making framework for long-term multi-objective energy-water supply-ecology operation in parallel reservoirs system under uncertainties | |
CN116862551A (zh) | 一种考虑用户隐私保护的新能源消纳电价决策方法 | |
CN111680452A (zh) | 基于全要素数据挖掘的电网工程精准投资决策仿真方法 | |
Yang et al. | Exploring the dilemma and influencing factors of ecological transformation of resource-based cities in China: Perspective on a tripartite evolutionary game | |
CN111626539A (zh) | 一种基于q强化学习的电网运行断面动态生成方法 | |
CN112348352B (zh) | 基于大数据分析的电力预算建议方案自动生成方法 | |
CN115660234B (zh) | 一种基于混合测算方法的双碳预测优化模型 | |
CN116957869A (zh) | 一种基于资源模式匹配及协同的教育平台 | |
CN117217553A (zh) | 一种热电联产系统低碳运行方法 | |
Fouladgar et al. | Project portfolio selection using VIKOR technique under Fuzzy environment | |
Yi et al. | Construction and index analysis of whole chain linkage talent training system based on fuzzy AHP model | |
CN113011779A (zh) | 一种基于模糊综合评价的能源消费价格补偿方法及装置 | |
Crawford | Productivity Growth in Canada and the G7 | |
CN112633660A (zh) | 一种多角度的失业风险预警装置及方法 | |
Ji et al. | A decision model for public economic environment monitoring and management decision using improved ant colony algorithm |
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: 20230623 |