CN116452340A - 一种投资管理方法、装置及储存介质 - Google Patents

Abstract

本发明涉及数据处理技术领域，公开了一种投资管理方法、装置及储存介质，在投资管理方法中，方法包括建立黑名单机制；获取采购数据并基于黑名单机制对所述采购数据进行筛选剔除，黑名单机制包括预设剔除项、计算剔除项和反馈剔除项，其中，预设剔除项基于预设的标签信息对采购数据进行过滤，计算剔除项基于计算机算法对采购数据进行过滤，反馈剔除项基于往期评价结果对采购数据进行过滤。本发明基于黑名单机制对需要处理的采购数据进行删减，减少了企业采购过程中，在数据筛选、对比及评价上所需花费的巨大时间，并且有效降低人工参与过程中带来的勘误。进一步地，本申请基于绝对中位差离群值处理方式，提高了数据处理过程中的鲁棒性。

Description

一种投资管理方法、装置及储存介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种投资管理方法、装置及储存介质。

背景技术

伴随着互联网技术和硬件技术的不断发展，我们有能力处理越来越多的数据，数据也呈现几何状增长态势，互联网技术和金融行业的进一步结合，推动互联网金融市场的繁荣发展。互联网充当着基础的金融数据存储和传播的作用，两者的结合更加高效完成了金融信息传播，以及资源优化配置。大数据技术的不断完善。传统的金融业务数据不断搬上网络，使得数据量剧增，伴随着金融大数据的接入，基于云计算技术的金融数据的挖掘和使用潜藏着巨大的价值。

现有技术中，很多采购系统只是简单地完成物料、价格、供应商等的信息的提供，由于这些信息内容较为庞大，从业人员需要花费大量的时间进行数据的比对和筛选，且筛选结果的准确度也基于从业者业务熟练度的改变而变化。

因此，如何提供一种投资的管理方案，能够方便从业人员对信息和数据获取的同时，协助用户进行投资数据分析管理是本领域技术人员亟待解决的技术问题。

发明内容

有鉴于此，本发明的目的是提供一种投资管理方法、装置及储存介质，用以解决现有投资数据处理过程冗长且效率不高的问题。

本发明通过以下技术手段解决上述技术问题：

第一方面，本申请提供一种投资管理方法，包括以下步骤：

S110，建立黑名单机制；

S120，获取采购数据并基于黑名单机制对所述采购数据进行筛选剔除。

其中，所述黑名单机制包括预设剔除项、计算剔除项和反馈剔除项，其中，所述预设剔除项基于预设的标签信息对所述采购数据进行过滤，所述计算剔除项基于计算机算法对所述采购数据进行过滤，所述反馈剔除项基于往期评价结果对所述采购数据进行过滤。

结合第一方面，在一些可选的实施方案中，所述计算机算法为绝对差离中位数处理方法，所述计算机算法基于观测值与平均数之间的距离总和对所述采购数据中的异常值进行筛选排除。

结合第一方面，在一些可选的实施方案中，所述方法还包括：

下发和回收每次采购结束的调查问卷，基于所述调查问卷的结果获取采购数据内目标公司和/或目标产品序列的满意度等级，其中，满意度等级基于每一次调查问卷的结果进行叠加。

结合第一方面，在一些可选的实施方案中，当所述采购数据中的异常值被所述黑名单机制剔除时，所述异常值关联的横向数据也会被所述黑名单机制剔除。

结合第一方面，在一些可选的实施方案中，所述方法还包括：建立黑名单数据库，用于将被所述黑名单机制筛选剔除的异常值和横向数据进行储存，所述异常值和所述横向数据在被储存至实施黑名单数据之前预设回归值，当所述预设回归值满足时将所述异常值和所述横向数据加入所述采购数据。

结合第一方面，在一些可选的实施方案中，所述满意度等级与满意度分值关联，所述满意度分值获取过程如下：

S＝C₁G₁+C₂G₂+C₃G₃+…+C_NG_N

式中，S为满意度分值，C₁、C₂、C₃、...C_N为不同调查问卷填写对象的加权系数，总和为1，G₁、G₂、G₃、...G_N为不同调查问卷填写对象的分数，其中，所述加权系数为预设值。

结合第一方面，在一些可选的实施方案中，方法还包括，基于长时间序列预测模型对所述采购数据进行剔除，所述长时间序列预测模型包括：

yt＝Q*W*E*R

其中：Q，序列的长时间趋势值；W，序列季节变动数值；E，序列循环变动数值；R，序列不规则变动数值。

第二方面，本申请提供一种投资管理装置，包括数据库、处理模块和储存模块，所述数据库、所述处理模块和所述储存模块之间相互电连接，其中，

数据库，储存有采购数据，所述采购数据至少包括目标公司和/或目标产品序列；

处理模块，内部储存有黑名单机制，用于对所述数据库中的采购数据进行筛选剔除。

结合第二方面，在一些可选的实施方案中，所述处理模块内耦合有预设剔除单元、计算剔除单元和反馈剔除单元。

结合第二方面，在一些可选的实施方案中，所述储存模块内耦合有预设回归单元，所述预设回归单元用于设定所述异常值和所述横向数据的预设回归值。

第三方面，本申请提供一种计算机储存介质，其特征在于，所述计算机储存介质内储存有计算机程序，当所述计算机程序在计算机上运行时，能够执行如上所述的投资管理方法。

本发明的有益效果：

1、减少了企业采购过程中，在数据筛选、对比及评价上所需花费的巨大时间，并且有效降低人工参与过程中带来的勘误。

2、本申请基于绝对中位差离群值处理方式，提高了数据处理过程中的鲁棒性。

附图说明

本发明可以通过附图给出的非限定性实施例进一步说明；

图1是本发明实施例中投资管理装置示意图；

图2是本发明实施例中投资管理方法示意图；

其中，

10：数据库；20：处理模块；21：预设剔除单元；22：计算剔除单元；23：反馈剔除单元；30：储存模块；31：预设回归单元。

具体实施方式

下面将结合本发明实施例中的附图，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。

如图2所示，本发明的投资管理方法，包括以下步骤：

S110，建立黑名单机制；

S120，获取采购数据并基于黑名单机制对所述采购数据进行筛选剔除。

在步骤S110中，建立黑名单机制。在对数据进行使用前，利用黑名单机制减少采购数据的体量，以便于减少后续的数据处理时间。黑名单机制包括预设剔除项、计算剔除项和反馈剔除项。任意采购数据满足上述三项中的至少一项条件就会被剔除，不参与本次采购数据处理的后续流程。

预设剔除项用于将满足预设的标签信息的采购数据剔除。预设的标签信息可以是公司名称、项目名称、公司所在地区等。预设剔除项的目的在于，将不符合招投标规则的公司、项目进行排除。例如，本公司的敌对公司、生产质量受所在地环境影响较大的项目厂区、或指定不使用的供应商等。

计算剔除项用于将同一类产品中报价波动幅度较大的采购数据删除。例如，1#铜的普遍报价在66400元/吨，计算剔除项能够将报价为50000元/吨或80000元/吨等远离中位数达到一定比例的异常值进行剔除。当然，本申请主要用于卷烟原材料采购数据的筛选，以上描述并不应当视为对本发明用途的限定。具体地，基于绝对离差中位数MAD对数据进行筛选处理的步骤如下：

对于单变量数据集X₁，X₂....X_n，MAD的定义为数据点到中位数的绝对偏差的中位数，

MAD＝median(|X_i—median(X)|)

先计算出每个数据和它们中位数之间的差值，然后再求这些差值绝对值的中位数。例如：

对于数据集(1,1,2,2,4,6,9)，它的中位数为2。数据点到2的绝对偏差为(1,1,0,0,2,4,7)，该偏差列表的中位数为1(因为排序后的绝对偏差为(0,0,1,1,2,4,7))。所以该数据的绝对中位差为1。

设定采购数据服从正态分布，我们让异常值(outliers)落在两侧的50％的面积里，让正常值落在中间的50％的区域里：

其中，将采购数据中同一类的数据基于绝对离差中位数则可以得出异常值并进行剔除，在对异常值进行剔除时还会对相关联的横向数据进行剔除。横向数据包括异常值所对应的厂家、型号、规格等。

反馈剔除项基于往期评价结果对采购数据进行过滤。基于所述调查问卷的结果获取采购数据内目标公司和/或目标产品序列的满意度等级。反馈剔除项在于基于以往采购完成后的调查问卷的结果对相应的供应商进行满意度等级排序。所述满意度等级与满意度分值关联，所述满意度分值获取过程如下：

S＝C₁G₁+C₂G₂+C₃G₃+…+C_NG_N

式中，S为满意度分值，C₁、C₂、C₃、...C_N为不同调查问卷填写对象的加权系数，总和为1，G₁、G₂、G₃、...G_N为不同调查问卷填写对象的分数，其中，所述加权系数为预设值。

在对调查问卷进行结果汇总时，应对调查问卷填写对象进行分类，例如竞争对手、合作伙伴、无利益相关人；向不同的填写对象赋予不同的加权系数从而提高调查问卷结果的可靠性，例如向无利益相关人对应的加权系数调节为0.6；合作伙伴和竞争对手的加权系数调节为0.2等。

调查问卷的内容可以包括：售后态度、物流速度、售后响应速度、物料质量、延退率等。调查问卷的结果直接影响到供应商下层资料的分数。每一次的分数进行叠加，展示目标物料时从分数高的物料对应的供应商到分数低的物料对应的供应商进行排序。便于从业者顺序挑选。进一步地，反馈剔除项在读取往期评价结果完成采购后也会下发相应的调查问卷至本次采购工作的相关人员，从而为下一次的采购剔除提供进一步的判断依据。

在步骤S120中，获取采购数据并基于黑名单机制对上述采购数据进行筛选剔除。满足黑名单机制中的一种或多种的组合的采购数据会被筛选剔除。筛选剔除的数据会被储存备用。筛选剔除的数据至少不参与当期的采购数据。

方法还包括，建立黑名单数据库，用于将被所述黑名单机制筛选剔除的异常值和横向数据进行储存，所述异常值和所述横向数据在被储存至所述黑名单数据库之前预设回归值，当所述预设回归值满足时将所述异常值和所述横向数据加入所述采购数据。

具体地，在对满足黑名单机制的采购数据进行剔除筛选时，对采购数据进行预设回归值。预设回归值指被剔除筛选的采购数据在经历多少个采购周期、或时长后能够重新回到可以选择的采购数据中。回归值可以是3个采购周期、10个采购周期、一年或永久等。其中对于一些由于情节严重的异常值和所述横向数据则可以将回归值设置为永久，既永不合作。对于一些偶尔出现低分的高满意度的采购数据则可以不设置回归值或设置短期的回归值。

进一步地，对于一些容易受季节变化影响的项目，例如受季节影响产量变化较大的原料项目等，产品的销售受季节影响较大，这种时候需要对采购数据的季节性波动做出调整。本申请中采用季节调整技术度量时间序列中季节变动指数，并利用这些指数剔除时间序列中季节波动对应的采购数据。一个项目的长时间序列预测模型可以表示为：

y_t＝Q*W*E*R

其中：

Q，序列的长时间趋势值；

W，序列季节变动数值；

E，序列循环变动数值；

R，序列不规则变动数值；

为了消除W因素，可以先消除Q*E，令由于y′_t是12个月的数值平均，可认为已经消除了季节变动和循环变动的影响，可以用y′_t作为Q*E的估算值。

令X_t＝W*R＝(Q*W*E*R)/(Q*E)＝y_t/y′_t；

式中，y_t为实际观测值，则我们可以获得W*R，对X_t中不同年份的同一月数据进行平均。计算X_t的平均值X_t’

.....

则X_t’则是不同月份各个预测中的季节调整指数，调整后的预测值为

其中，y″_t为剔除季节因素后的采购数据。

本申请实施例还提供一种投资管理装置，装置包括至少一个以软件或固件(Firmware)的形式储存于储存模块中或固化在电子设备中的操作系统(OperatingSystem，OS)中的软件功能模块。处理模块用于执行储存模块中储存的可执行模块，例如投资管理装置所包括的软件功能模块及计算机程序模块等。

如图1所示，装置包括数据库10、处理模块20和储存模块30，数据库10、处理模块20和储存模块30之间相互电连接。各模块具有的功能如下：

数据库10，储存有采购数据。采购数据至少包括目标公司和/或目标产品序列。目标公司指供应商名称，目标产品序列可以是产品名称、价格、规格、颜色等。

处理模块20用于执行黑名单机制，对满足条件的采购数据进行剔除筛选。处理模块20内耦合有预设剔除单元21、计算剔除单元22和反馈剔除单元，用以分别完成预设剔除项、计算剔除项和反馈剔除项对应的方法。

储存模块30内耦合有预设回归单元31。预设回归单元31用于设定被剔除筛选的异常值及横向数据的回归值。当异常值及横向数据的回归值达成时，预设回归单元会将对应的异常值及横向数据放回数据库10中参与采购筛选流程。

装置内数据的筛选、回归过程可参照上文中的投资管理方法，此处不再过多赘述。

本申请实施例还提供一种计算机储存介质，计算机可读存储介质中存储有计算机程序，当计算机程序在计算机上运行时，使得计算机执行如上述实施例中所述的投资管理方法。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现，基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)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，电子设备，或者网络设备等)执行本申请各个实施场景所述的方法。

综上所述，本申请提供一种投资管理方法、装置及储存介质，在企业采购过程中，减少数据筛选、对比及评价所需花费的巨大时间，并且有效降低人工参与过程中带来的勘误。进一步地，本申请基于绝对中位差离群值处理方式，提高了数据处理过程中的鲁棒性。

在本申请所提供的实施例中，应该理解到，所揭露的装置、系统和方法，也可以通过其它的方式实现。以上所描述的装置、系统和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

以上对本发明提供的一种投资管理方法、装置及储存介质进行了详细介绍。具体实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种投资管理方法，其特征在于，包括以下步骤：

S110，建立黑名单机制；

S120，获取采购数据并基于黑名单机制对所述采购数据进行筛选剔除，

其中，所述黑名单机制包括预设剔除项、计算剔除项和反馈剔除项，其中，所述预设剔除项基于预设的标签信息对所述采购数据进行过滤，所述计算剔除项基于计算机算法对所述采购数据进行过滤，所述反馈剔除项基于往期评价结果对所述采购数据进行过滤。

2.根据权利要求1所述的投资管理方法，其特征在于，所述计算机算法为绝对差离中位数处理方法，所述计算机算法基于观测值与平均数之间的距离总和对所述采购数据中的异常值进行筛选排除。

3.根据权利要求2所述的投资管理方法，其特征在于，所述方法还包括：

下发和回收每次采购结束的调查问卷，基于所述调查问卷的结果获取所述采购数据内目标公司和/或目标产品序列的满意度等级，其中，满意度等级基于每一次调查问卷的结果进行叠加。

4.根据权利要求3所述的投资管理方法，其特征在于，所述满意度等级与满意度分值关联，所述满意度分值获取过程如下：

S＝C₁G₁+C₂G₂+C₃G₃+…+C_NG_N

式中，S为满意度分值，C₁、C₂、C₃、...C_N为不同调查问卷填写对象的加权系数，总和为1，G₁、G₂、G₃、...G_N为不同调查问卷填写对象的分数，其中，所述加权系数为预设值。

5.根据权利要求4所述的投资管理方法，其特征在于，当所述采购数据中的异常值被所述黑名单机制剔除时，所述异常值关联的横向数据也会被所述黑名单机制剔除。

6.根据权利要求5所述的投资管理方法，其特征在于，所述方法还包括：建立黑名单数据库，用于将被所述黑名单机制筛选剔除的异常值和横向数据进行储存，所述异常值和所述横向数据在被储存至所述黑名单数据库之前预设回归值，当所述回归值达成时将所述异常值和所述横向数据加入所述采购数据。

7.根据权利要求6所述的投资管理方法，其特征在于，所述方法还包括，基于长时间序列预测模型对所述采购数据进行剔除，所述长时间序列预测模型包括：

yt＝Q*W*E*R

其中：Q，序列的长时间趋势值；W，序列季节变动数值；E，序列循环变动数值；R，序列不规则变动数值。

8.一种基于权利要求7所述的投资管理方法的投资管理装置，其特征在于，包括数据库(10)、处理模块(20)和储存模块(30)，所述数据库(10)、所述处理模块(20)和所述储存模块(30)之间相互电连接，其中，

数据库(10)，储存有采购数据，所述采购数据至少包括目标公司和/或目标产品序列；

处理模块(20)，内部储存有黑名单机制，用于对所述数据库中的采购数据进行筛选剔除。

9.根据权利要求8所述的投资管理装置，其特征在于，所述处理模块(20)内耦合有预设剔除单元(21)、计算剔除单元(22)和反馈剔除单元(23)，所述储存模块(30)内耦合有预设回归单元(31)，所述预设回归单元(31)用于设定所述异常值和所述横向数据的回归值。

10.一种计算机储存介质，其特征在于，所述计算机储存介质内储存有计算机程序，当所述计算机程序在计算机上运行时，能够执行如权利要求1-7中所述的投资管理方法。