CN117172557A - 企业监督管理系统及方法 - Google Patents
企业监督管理系统及方法 Download PDFInfo
- Publication number
- CN117172557A CN117172557A CN202311448349.7A CN202311448349A CN117172557A CN 117172557 A CN117172557 A CN 117172557A CN 202311448349 A CN202311448349 A CN 202311448349A CN 117172557 A CN117172557 A CN 117172557A
- Authority
- CN
- China
- Prior art keywords
- module
- target object
- supervision
- risk
- related 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000007726 management method Methods 0.000 claims description 72
- 238000012937 correction Methods 0.000 claims description 36
- 238000012550 audit Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 20
- 238000003058 natural language processing Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000007689 inspection Methods 0.000 description 22
- 230000004048 modification Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 235000013305 food Nutrition 0.000 description 5
- 230000008676 import Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000007792 addition Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 235000012054 meals Nutrition 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 235000013361 beverage Nutrition 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000013604 expression vector Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005587 bubbling Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例公开了一种企业监督管理系统及方法,该系统包括:监督模块、决策模块和画像模块,监督模块用于获取各个目标对象在指定统计时限内的相关数据,提取相关数据中关键词,将关键词与预设的标签集中的标签进行匹配,得到匹配结果;根据各个目标对象的匹配结果确定各个目标对象的风险等级,并将相关数据及对应的风险等级发送至决策模块;决策模块用于根据各个目标对象的风险等级执行对应的决策;画像模块用于根据各个目标对象的相关数据及各个目标对象对应的决策确定各个目标对象对应的风险评分。
Description
技术领域
本公开涉及计算机技术领域,具体涉及一种企业监督管理系统及方法。
背景技术
在企业管理领域,管理被视为企业生存和发展的关键。为了实现企业的壮大,管理创新变得至关重要。然而,传统的企业周期管理系统存在一系列问题:
低效率,许多纪律监察工作和个人报备事项需要传统的“人找人”和“面对面”程序,涉及多级报告和签批流程。此外,受到非工作时间和地点的限制,工作流程的连贯性大幅降低,整体效率下降。
数据流动不畅:专业团队如巡查、监察、审计和监事部门发现的问题呈碎片化,散落在多个地方,形成信息壁垒。这导致数据难以及时流通、共享、整合和利用,使数据的作用和价值无法有效发挥。
工作治理不够严密,在某些企业中,规范建设存在问题,主体责任传导逐级减弱,呈现出“上热中温下冷”的情况,企业中下层员工未能贯彻执行上层的规范建设。
风险管理不智能化,一些企业平台具有大规模投资、广泛领域覆盖和高标准监管的特点,任务繁重,形势复杂。由于人力不足和科学灵活性不足,缺乏能够集识别、处置和预防于一体的长期联动体系,导致风险防控工作显得笨拙和迟缓。
企业的工作形态不够具体,工作形态在一定程度反映企业的现状和发展情况,建立工作形态评价系统,明确定义评价指标,发挥正向引导作用,有助于塑造透明和规范的工作氛围。
发明内容
本公开实施例的目的是提供一种企业监督管理系统及方法,可以更全面地了解各个子公司或员工在纪律维度、规范维度、巡查维度和风险维度方面的状况,帮助公司管理层做出更明智的决策和风险管理策略。
为解决上述技术问题,本公开实施例是这样实现的:
第一方面,提供一种企业监督管理系统,包括监督模块、决策模块和画像模块,
所述监督模块用于获取各个目标对象在指定统计时限内的相关数据,提取所述相关数据中关键词,将所述关键词与预设的标签集中的标签进行匹配,得到匹配结果;其中,所述匹配结果中包括所述预设的标签集中的每个标签的匹配成功的次数;所述相关数据为各个目标对象的档案、项目、财产、事件、物品及采购相关的数据;
所述监督模块用于根据所述各个目标对象的匹配结果确定所述各个目标对象的风险等级,并将所述相关数据及对应的风险等级发送至所述决策模块;
所述决策模块用于根据所述各个目标对象的风险等级执行对应的决策;
所述画像模块用于根据所述各个目标对象的相关数据及所述各个目标对象对应的决策确定所述各个目标对象对应的风险评分。
第二方面,提出了一种企业监督管理方法,包括:
获取各个目标对象在指定统计时限内的相关数据,提取所述相关数据中关键词,将所述关键词与预设的标签集中的标签进行匹配,得到匹配结果;其中,所述匹配结果中包括所述预设的标签集中的每个标签的匹配成功的次数;所述相关数据为各个目标对象的档案、项目、财产、事件、物品及采购相关的数据;
根据所述各个目标对象的匹配结果确定所述各个目标对象的风险等级,并将所述相关数据及对应的风险等级发送至所述决策模块;
根据所述各个目标对象的风险等级执行对应的决策;
根据所述各个目标对象的相关数据及所述各个目标对象对应的决策确定所述各个目标对象对应的风险评分。
由以上本公开实施例提供的技术方案可见,本公开实施例方案至少具备如下一种技术效果:
监督模块可以有效地监督各个目标对象的档案、项目、财产、事件、物品及采购相关的数据,并提取相关数据中关键词,将关键词与预设的标签集中的标签进行匹配,记录预设的标签集中的每个标签的匹配成功的次数,根据这些相关的数据快速确定各个目标对象的风险等级,实现了高效监督与风险评估,有助于及时发现潜在问题和风险;决策模块根据目标对象的风险等级执行相应的决策,提高了决策的针对性和效率,有助于快速应对风险和问题;画像模块根据目标对象的数据和决策,为每个目标对象生成个性化的风险评分,提供了更全面的风险洞察;实现了高效、智能、个性化的风险管理和问题解决,从而提高了企业管理的效率和可操作性,降低了潜在风险的影响。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本公开一个实施例提供的一种企业监督管理系统的示意图。
图2是本公开一个实施例提供的另一种企业监督管理系统的示意图。
图3是本公开一个实施例提供的一种企业监督管理系统的监督模块的示意图。
图4是本公开一个实施例提供的一种企业监督管理方法的流程示意图。
具体实施方式
为使本文件的目的、技术方案和优点更加清楚,下面将结合本公开具体实施例及相应的附图对本公开技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,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,都属于本文件保护的范围。
以下结合附图,详细说明本公开各实施例提供的技术方案。
请参阅图1,图1是本公开一个实施例提供的一种企业监督管理系统的示意图,企业管理系统包括:监督模块、决策模块和画像模块;
监督模块用于获取各个目标对象在指定统计时限内的相关数据,提取相关数据中关键词,将关键词与预设的标签集中的标签进行匹配,得到匹配结果。
一种实施方式中,监督模块用于通过自然语言处理NLP技术提取相关数据中关键词,将关键词与预设的标签集中的标签进行匹配,通过预训练的词向量模型计算关键词与预设的标签集中的标签之间的相似度,在关键词与预设的标签集中的标签之间的相似度大于指定阈值的情况下确定匹配成功,记录预设的标签集中的每个标签的匹配成功的次数。
其中,目标对象至少包含多个第一层级目标对象和多个第二层级目标对象,其中,第一层级目标对象为包含多个第二层级目标对象的集合;即,目标对象可以是集团公司的子公司,也可以是集团的员工或各子公司的员工,例如,第一层级目标对象可以是集团公司的子公司,第二层级目标对象可以是集团的员工或子公司的员工。
指定统计时限可以是近一个月,也可以是近一周,本公开对此不做限制;相关数据为各个目标对象的档案、项目、财产、事件、物品及采购相关的数据,相关数据可以是图像数据或文本数据,对于图像数据可以通过一些卷积神经网络提取图像中的文本数据,在对文本数据进行预处理,然后通过NLP技术对预处理后的文本数据进行关键词提取;
关键词与预设的标签集中的标签之间的相似度可以通过计算关键词与标签之间的余弦相似度得到,在关键词与标签之间的余弦相似度大于相似度阈值的情况下,确定关键词与预设的标签集中的标签之间的相似度大于指定阈值,关键词与预设的标签集中的标签语义相同或相近;相似度阈值基于经验数据取得,或是其他可行的方式取得,本公开对此不做限制。
需要说明的是,自然语言处理(NLP)技术是一种人工智能领域的技术,用于处理和理解人类语言,它包括文本分析、语言翻译、情感分析、文本生成等任务,使计算机能够与人类语言进行交互和理解;
NLP技术包括TF-IDF、词向量模型或深度学习模型,可以用于来识别文本中的关键词,其中,词向量模型可以是但不限于Word2Vec、GloVe或FastText,通过NLP技术提取相关数据中关键词包括:
(1)收集目标对象在过去一个月内的各种数据,包括员工档案、项目报告、财产清单、事件记录、物品清单以及采购记录,这些数据可以来自不同的部门和系统;
(2)整合收集到的数据,将其统一存储在一个数据仓库中,以便后续处理和分析,对于每个数据类型(档案、项目、财产、事件、物品、采购),提取相关文本数据,可以包括文档描述、报告摘要、事件描述、物品名称等文本信息;
(3)对提取的文本数据进行预处理,包括数据清洗、分词、去除停用词、词性标注等,以便更好地理解文本内容;
(4)使用NLP技术,例如TF-IDF、词向量模型或深度学习模型,来识别与纪律监督相关的关键词,这些关键词可能包括“违法”,“违规”,“纪律”等;存储提取的关键词以及与这些关键词相关的文本数据,以备后续的监督、分析和报告使用。
监督模块用于根据各个目标对象的相关数据匹配成功的标签对应的等级确定各个目标对象的风险等级,并将相关数据及对应的风险等级发送至决策模块;
决策模块用于根据各个目标对象的风险等级执行对应的决策;
画像模块用于根据各个目标对象的相关数据及各个目标对象对应的决策确定各个目标对象对应的风险评分,将各个目标对象对应的风险评分发送至决策模块。
通过预训练的词向量模型计算关键词与预设的标签集中的标签之间的相似度,在关键词与预设的标签集中的标签之间的相似度大于指定阈值的情况下表明关键词与标签语义相同或相近,关键词与标签语义相同或相近的情况下确认关键词与标签匹配成功;其中,指定阈值基于经验数据取得,或是其他可行的方式取得,本公开对此不做限制。
一种实施方式中,监督模块将相关数据存储至Hive开源数据仓库工具中,Hive开源数据仓库用于长期存储和管理大规模数据;将预设的标签集存储在Apache Flink引擎中,Apache Flink是一个流处理引擎,用于实时处理和分析数据流,Apache Flink支持事件时间处理和状态管理,可用于构建实时数据处理应用程序。使用Hive提供的与SQL类似的查询语言HiveQL,监督模块基于HiveQL检索预设的标签集中的标签,在关键词与预设的标签集中的标签语义相同或相近的情况下确定匹配成功,例如,可以将关键词与标签分别转换为对应的表示向量,然后基于表示向量计算关键词与标签的余弦相似度,在该余弦相似度大于相似度阈值的情况下,确定关键词与标签的语义相同,并确认关键词与标签匹配成功;关键词与标签之间的余弦相似度的计算公式包括:
,
其中,Cos(A,B)为关键词与标签之间的余弦相似度,为向量A和向量B的点积,A为关键词的表示向量,B为标签的表示向量,/>为关键词的词序列,/>为标签的词序列,n为词数目。
余弦相似度的计算结果是一个介于-1和1之间的值,其中,如果结果为1,表示向量A和向量B完全相似,如果结果为-1,表示向量A和向量B完全不相似,如果结果为0,表示向量A和向量B无相关性;若结果介于0-1之间,则数值越大表明向量A和向量B的相似度越高,数值越小表明向量A和向量B的相似度越低。
监督模块用于根据相关数据以及标签对应的等级,将各个目标对象的风险等级确定为轻微风险等级或严重风险等级,标签对应的等级包括轻微风险等级或严重风险等级;例如,根据各子公司或员工的档案、项目、财产、事件、物品及采购相关的数据进行分析,确定各子公司或员工存在的问题属于轻微风险等级还是严重风险等级。
一种实施方式中,决策模块用于问责各个子公司或个人,画像模块用于形成各个子公司或个人的风险评分,风险评分用于衡量各子公司或员工存在的问题的风险等级,如图2所示,图2是本公开一个实施例提供的一种企业监督管理系统的示意图,图2中企业监督管理系统包括监督模块、决策模块和画像模块,从该系统中可以获取被监督的全体员工人数、监察对象人数、中层干部人数及具备特殊属性的员工人数,该系统还可以展示工作状态周期刻画模块、融合监督全过程周期落实模块以及纪律问责全生命周期管理模块。
其中,工作状态周期刻画模块用于展示各个子公司的风险评分的分数,并将风险评分大于或等于第一阈值的子公司视为工作状态健康的公司,将风险评分小于第一阈值且大于第二阈值的子公司视为工作状态亚健康的公司,将风险评分小于或等于第二阈值的子公司视为工作状态不健康的公司,并分别展示处于处于健康状态、亚健康状态以及不健康状态的子公司的数目;其中,第一阈值和第二阈值基于经验数据确定,或是其他可行的方式确定,并且第一阈值大于第二阈值。
融合监督全过程周期落实模块用于展示监督模块的各个子模块发现问题数以及已经解决的问题数;监督模块的各个子模块包括巡查监督模块、监事监督模块、审计监督模块、监察监督模块及智慧监督模块;
纪律问责全生命周期管理模块用于展示智慧监督模块发现问题数以及已经解决的问题数,例如,展示发现的车辆出行问题。
如图1所示,决策模块包括检举控告模块、案件线索模块及提醒建议模块。案件线索模块用于获取提供案件线索的用户上传的案件线索数据,并发出提醒信息和/或建议信息至相关人员;提醒建议模块用于接收监督模块发送的轻微风险等级相关的数据,并发出提醒信息和/或建议信息至相关人员;
案件线索模块用于处理纪律部门接收到的案件线索。
提醒建议模块用于在预设的标签集中的标签的匹配成功次数大于或等于对应的标签阈值的情况下,发送提醒令和/或整改令至相关人员,和/或在风险评分低于对应的风险阈值的情况下发送建议书、提醒令或整改令至对应的目标对象。
建议书包括监察建议书、纪律检查建议书、工作建议书,针对不同类型问题,采用不同的建议书,填写标题、内容、对象,并上传相应附件;提醒令记录用于记录各模块发送的提醒令数据,包括发送对象、所属公司、提醒内容、是否已读等内容;整改令记录,记录各模块发送的提醒令记录数据,包括发送对象、所属公司、提醒内容、是否回复等内容,用户可查看整改对象的反馈内容。
监督模块还用于将轻微风险等级的相关数据发送至提醒建议模块;提醒建议模块接收到监督模块发送的轻微风险等级的相关数据后,发出提醒信息和/或建议信息至相关人员,并将提醒记录和建议记录发送至画像模块;
监督模块还用于将严重风险等级的相关数据发送至案件线索模块模块;案件线索模块接收到监督模块发送的严重风险等级的相关数据后,对对应的目标对象进行处理,并将处理结果发送至画像模块;检举控告模块是企业内部或外部人员对企业反馈投诉入口,用户可通过二维码扫码或管理员主动录入的方式添加检举控告内容,主要包括投诉人信息、投诉时间、投诉内容等。检举控告内容需经由管理员核实确认,认定是否属实及实际投诉的对象和类型。认定后,相关检举控告可依据实际情况转入案件线索模块中进行下一步处理。
检举控告模块用于接受群众用户上传的风险问题,并对风险问题进行分析处理,根据分析处理结果将风险问题发送至案件线索模块或提醒建议模块,示例性的,若分析处理结果表明该风险为轻微风险等级,则表明该风险为轻微问题,可以将该处理结果发送至提醒建议模块,提醒建议模块根据该处理结果发出提醒信息和/或建议信息至相关人员;若分析处理结果表明该风险为严重风险等级,则表明该风险为严重问题,可以将该处理结果发送至案件线索模块,案件线索模块根据该处理结果发送至画像模块,并发出提醒信息和/或建议信息至相关人员。
其中,监督模块包括巡查监督模块、监事监督模块、审计监督模块、监察监督模块及智慧监督模块;如图3所示,图3是本公开一个实施例提供的一种企业监督管理系统的监督模块的示意图。
巡查监督模块用于检查各个目标对象的档案相关数据及项目相关数据中存在的问题,并记录针对档案和项目中存在的问题的整改结果,将检查到的问题与预设的标签集进行匹配,在关键词与预设的标签集中的标签语义相同或相近的情况下确定匹配成功,记录预设的标签集中的每个标签的匹配成功的次数;在巡查监督模块实时显示发现问题数以及已经解决的问题。
示例性的,巡查监督模块用于记录集团各子公司的项目巡查、专项巡查中发现的问题及整改结果,巡查监督模块分为四个步骤:录入巡查方案、获取用户上传的巡查报告、发送整改报告、录入整改结果。
步骤一:录入巡查方案以及巡查计划,巡查计划包括计划巡查时间段、巡查类型、巡查公司及巡查方案的附件文本,录入完成后发送至相关的管理人员审核;
步骤二:获取用户上传的巡查报告,实际巡查后,获取相关责任人填写的实际巡查时间段、总体评价,录入巡查中发现的问题,包括问题类型、标题、对象、整改期限等,获取用户上传的巡查报告后,录入完成后发送至相关的管理人员审核;
步骤三:发送整改报告,巡查对象或相关责任人可针对巡查提出的问题进行反馈,录入整改措施及整改报告,录入所有问题后,发送至相关的管理人员审核,相关的管理人员在审核的过程中,管理人员可通过巡查监督模块向巡查对象负责人发起提醒建议模块的提醒令、整改令,相关问题也可移交至案件线索模块中;
步骤四:录入整改结果,巡查对象或相关责任人依据整改报告反馈的措施,对实际整改情况进行反馈,巡查监督模块录入整改结果,在所有问题整改完成后,发送至相关的管理人员审核。
监事监督模块用于监督各个目标对象的监事管理、列席会议及监事台账;其中,监事管理配置包括监事岗位人员、监督对象、监督开始时间及结束时间,列席会议包括监事参与的会议议题信息、录入会议类型、监事姓名、监督对象、议题数、会议时间及主要议题内容,监事台账包括监事提出的问题或建议、监事姓名、监督对象、性质及事项描述;在监事监督模块实时显示发现问题数以及已经解决的问题数。
示例性的,集团总公司通过监事监督模块参与下级子公司或员工的事件决策、监督,并将监督情况录入至系统。监事监督模块包括监事管理、列席会议、监事台账三个子模块;
监事管理模块用于监督监事岗位人员、监督对象、监督开始时间及结束时间;监督对象包括子公司或员工;
列席会议模块记录监事参与的会议议题情况,并记录会议类型、监事姓名、监督对象、议题数及会议时间等内容,系统自动生成会议统计台账;
监事台账模块记录监事提出的问题或建议,并记录监事姓名、监督对象、性质、事项描述、监事建议等内容,通过提醒令、整改令向相关人员发送提醒建议,若为严重问题的情况下,可将相关数据移交至案件线索模块。
审计监督模块用于记录集团内部财务收支审计、经济责任审计、经济管理审计、上级审计、其他审计中发现的问题及整改结果。审计监督模块分为四个步骤:录入审计方案、上传审计报告、提交整改报告、录入整改结果,该流程与巡查监督模块相同,但审计监督中检查到的问题可分多次进行提交;如图3所示,在审计监督模块实时显示发现问题数以及已经解决的问题数。
监察监督模块主要包括工作出函、状态监督、正风肃纪三个子模块;如图3所示,在监察监督模块实时显示发现问题数以及已经解决的问题数。
工作出函模块用于记录各部门出函文书记录和来函文书记录。其中,出函文书记录及来函文书记录包括选择档案人员、函标题、出函单位、函号、落款日期等内容,系统与案件线索模块连接,在出函文书记录及来函文书记录中存在违反法律、法规的问题的情况下,工作出函模块将自动获取个人的案件线索信息,将个人的案件线索信息发送至案件线索模块或提醒建议模块。工作出函模块还可以获取个人的案件线索信息,根据案件线索信息以及预设的模板,自动生成出函文件。
状态监督模块以及正风肃纪模块是为监督部门监督相应主题监督的记录,主要用于记录监督主题、被监督单位、检查时间、是否存在问题、问题描述等内容。存在问题的监督项需要提交整改结果,上传整改内容及整改报告,可发起提醒令、整改令或移入案件线索模块。
智慧监督模块用于从各个目标对象的办公自动化系统、GPS系统、人事系统、工程项目管理系统、财务系统以及资产系统中获取财产、事件、物品及采购相关的数据;
财产相关的数据包括公务接待费用、商务接待费用、会议费用报销、接待人数、陪同人数;示例性的,可以获取集团的办公自动化(Office Automation,OA)系统财务报销流程中的数据,如公务接待费用报销、商务接待费用报销、会议费用报销等,并在OA系统内设置各报销的预警规则,对于不符合预警规则内的报销数据,进行预警。以公务接待费用报销为例,监督部门设置餐费超标预警、饮料费超标预警、招待人数超标预警、陪同人数超标预警四项预警,从OA系统定期获取对应报销的数据,包括申请人的公司部门、招待单位、招待人数、陪同人数、餐费、饮料费等字段。企业监督管理系统根据获取的数据与标准进行比较,例如,标准可以是餐费不能超过100元每人,招待人数在10人以内的,陪餐人数不得超过3人,招待人数超过10人的,陪餐人数不得超过招待人数的三分之一,超出标准后,获取的数据超出标准后,系统自动预警,并统计超出金额总数。预警项可在验证查核后转为问题,管理员可针对相关问题,发送提醒令、整改令或移交至案件线索模块。
事件相关的数据包括事件决策、申请对象部门、议题状态内容;物品相关的数据包括车辆出行、加油及保养相关的数据;采购相关的数据包括采购的生活用品信息、办公用品信息;示例性的,可以对各个重要会议的议题退回、暂缓情况进行统计、预警,企业监督管理系统获取OA系统中各子公司上传的各个重要会议的议题详细信息,包括监督项、申请公司部门、议题状态等内容,获取议题管理员对议题的判定数据,并在系统内设置相应的预警规则,对子公司各个重要会议的议题退会数超过一定数量,或暂缓议题数超过一定数量的单位进行预警。例如,某公司各个重要会议的议题在1个月内被集团议题审核员退回2次,说明子公司对于议题的上会未充分考虑,没有做好前期的准备工作,在这种情况下进行预警;
以会议费用支出为例,企业监督管理系统设置人员超标预警和伙食费超标预警,从OA系统定期获取对应报销的数据,包括会议参会人员、会议工作人员、会议伙食费等字段,系统根据获取的数据与标准进行比较,如一类会议参会人员超过150人的进行预警;二类会议参会人员超过100人或者工作人员人数超过参会人数的15%时进行预警;三类会议参会人员超过80人或者工作人员超过参会人数的15%时进行预警;又如一类会议人均伙食费金额超过150元时进行预警;二类会议人均伙食费金额超过130元时进行预警;三类会议人均伙食费超过120元*时进行预警。
物品及采购相关的数据包括但不限于车辆出行、加油及保养相关的数据,在物品及采购数据超出预设阈值的情况下进行预警。数据来源包括车辆GPS定位系统、OA系统、石油相关公司提供的线下数据,并在企业监督管理系统内设置相应的预警阈值,对于超出预设阈值的数据,进行预警。如车辆出行预警,系统获取车辆GPS定位系统中离开电子围栏的时间,与OA系统获取的用车申请记录做比对,若未经车辆管理员审批,私自用车则进行预警。又如车辆加油预警,根据车辆基本加油数据,该车辆应当在加油时加92#汽油,但加油数据显示,该车存在加95#汽油的情况,企业监督管理系统判断可能存在私车公养的违纪问题,在存在违纪问题的情况下进行预警。
如车辆加油预警,主要基于加油站提供的车辆加油离线数据,采用多分支判断方法,对加油中出现可能存在问题的内容进行自动预警,车辆加油模块主要包括:
(1)油卡配置模块,属于智慧监督的配置模块,企业监督管理系统通过油卡将加油记录与车辆进行关联,可录入油卡和车辆信息,包括车牌号、车辆品牌、所属公司、油卡、油品等信息;
(2)加油记录模块,属于智慧监督的数据源输入模块,用于导入加油站提供的加油离线数据,包括油卡卡号、加油时间、品种、单价、金额、地点等信息;
(3)定时任务模块,企业监督管理系统自动执行的任务,当用户导入加油记录后,任务队列触发启动条件,遍历导入的加油记录,触发预警规则判断条件,并进行预警;
(4)风险预警模块,属于智慧监督的预警输出模块,该模块为车辆预警的汇总集模块,主要展示所有触发预警算法形成的预警值;
具体预警过程如下:
(1)用户在油卡配置模块中录入油卡信息并绑定关联公司;
(2)用户将获取的离线数据导入加油记录模块,用于录入原始数据,录入原始数据后,原始数据被存储记录至云服务器,存储介质为数据库;
(3)企业监督管理系统会定时执行预警任务,检测到存在新增的车辆加油数据后,启动预警判断,共分为三项预警:油品混加预警、无派车记录加油预警及高频加油预警。企业监督管理系统遍历新增的车辆加油数据,获取其中关键数据,并引入油卡配置、OA中获取的用车申请数据,调用预警算法规则,若产生预警,会将返回的预警结果记入风险清单中。
对车辆加油的具体预警规则表现为:
企业监督管理系统的管理员预先录入完成油卡信息,企业监督管理系统记录并获取关键信息,如A表示油卡卡号,B表示车牌号,C表示所属公司,D表示规定油品品种,且与加油站约定,企业监督管理系统通过数据接口方式对接OA系统,每日获取OA系统用车申请记录,并记录关键数据车牌号E,用车时间段F;
每隔2个月,加油站提供一次2个月内所有加油的记录,有管理员导入至企业监督管理系统,管理员导入离线数据后,企业监督管理系统记录并获取关键信息,油卡卡号G,加油时间H,加油品种I,导入当晚,系统基于导入的数据自动触发判断规则:
(1)通过模糊匹配技术,将本系统、离线数据与OA系统三种不同数据源数据进行数据清洗,实现数据统一匹配。基于一车一卡制度,若油卡卡号A与油卡卡号G比对一致,则认为属于同一辆车;若车牌号B与车牌号E比对一致,则认为属于同一辆车;
(2)在同一辆车辆的标准下,比较:规定油品品种D与加油品种I,若存在不一致,即D≠I,则触发预警,根据该预警设置的预警等级,则输出油品混加预警:油品混加则触发红色预警a,或黄色预警b,或蓝色预警c。其中,由于加油站提供的品类更为细分,如自助95号车用汽油(VI A)、95号车用汽油(VIA),故建立油品标准映射关系表,用于比对,即D:95号=I:自助95号车用汽油(VI A),D:95号=I:95号车用汽油(VIA);
(3)比较加油时间H与用车时间段F,H与F存在1:n的关系,匹配出车辆记录后,遍历查找范围内的用车申请数据,若H¢F,即加油时间不属于任何用车的时间段内,则输出无派车记录加油预警;
(4)针对高频加油情况,系统首先对本次导入的数据依据加油时间进行冒泡排序,依次遍历各条数据,与后置位记录进行比较,若时间间隔=前置位时间-后置位时间≤2天,则输出高频加油预警;
又如采购物品费用预警,若品目单价*申请数量>预算金额,则申请预警。
画像模块用于根据各个目标对象的档案、项目、财产、事件、物品及采购相关的数据,监督模块产生的记录,以及所述各个目标对象的相关数据匹配成功的标签,从至少两个维度对各个目标对象进行用户画像,并确定各个目标对象对应的风险评分。
示例性的,从纪律维度、规范维度、巡查维度、风险维度确定各个目标对象对应的风险评分的计算公式包括:
,
其中,M为目标对象j对应的风险评分,为目标对象j的初始分值,j为目标对象的性质,j=1时表明目标对象为个人,j=1时表明目标对象为子公司,一种实施方式中,个人的初始分值为100分,子公司的初始分值为30分;
N表示目标对象j匹配成功的标签总数,i表示目标对象j匹配成功的标签,为基于标签i的标签属性确定的权重系数;
为目标对象j与标签i匹配成功对应的分值,/>,S为标签i对应的分值,/>为基于目标对象j的属性确定的预设常数,n为目标对象j与标签i匹配成功的次数;例如,目标对象j在近一年内从未与任何标签匹配成功的情况下,/>的取值可以为2,目标对象j在近一年内与3个以内的标签匹配成功的情况下,/>的取值可以为1.5,目标对象j在近一年内与3个及以上的标签匹配成功的情况下,/>的取值可以为1;
为纪律维度、规范维度、巡查维度及风险维度的权重系数,k为维度在求和的算子中的编号,例如,k=1时代表纪律维度,k=2时代表规范维度,k=3时代表巡查维度,k=4时代表风险维度,T为维度总数,例如,纪律维度、规范维度、巡查维度及风险维度的权重系数均可设置为1。
示例性的,预设的标签集中包括“作风不良”、“礼仪不规范”、“公车私用”、“作风不良”、“谈话提醒”及“批评教育”等标签,每个标签对应一个分值,以及根据标签属性确定的权重系数,该权重系数可以根据用户需求或实际情况进行修改;例如,“作风不良”标签对应的分值为-1分,权重系数为1,“谈话提醒”标签对应的分值为-2分,权重系数为2。
示例性的,在目标对象为个人的情况下,将个人的初始分值设置为100分,其中,纪律维度的总分值为25分,规范维度的总分值为20分,风险维度的总分值为20分,巡查维度的总分值为35分,并将纪律维度、规范维度、巡查维度及风险维度的权重系数均设置为1,那么该个人的扣分规则可以如下表所示:
需要说明的是,上表仅示出部分标签,用于示例说明,并非本公开的全部标签。基于上表所示的每个标签对应的单次分值,可以计算出目标对象对应的风险评分。
在计算出目标对象对应的风险评分后,画像模块还用于将目标对象对应的风险评分发送至决策模块;在风险评分低于对应的风险阈值的情况下发送提醒令和/或整改令至对应的目标对象。
画像模块还用于从纪律维度评估各个目标对象在纪律方面的影响力和关联度,从规范维度评估各个目标对象的行为是否符合预设的规则和政策,从巡查维度评估各个目标对象是否存在不合法行为,从风险维度评估各个目标对象是否存在财务风险或法律风险;
画像模块用于从纪律维度、规范维度、巡查维度及风险维度对各个目标对象进行用户画像,并将生成的用户画像和风险评分可视化呈现,将用户画像和风险评分发送至便管理层或决策者。
一种实施方式中,风险评分可以包括个人风险评分和企业风险评分;下面分别阐述如何确定个人风险评分和企业风险评分;确定个人风险评分的方法包括,获取个人档案信息,根据个人档案信息确定个人风险评分;其中,个人档案信息包括基本信息、家庭信息、资产信息、其他信息四大类信息,包括教育经历、工作经历、家庭主要成员及主要社会关系、配偶、子女移居国(境)外的情况本人、配偶、共同生活的子女在国(境)外的投资情况等。获取个人档案信息的途径包括:打通人事管理系统,从人事管理系统获取组织、人员基本信息;支持直接添加或批量导入档案信息;通过手机验证,登录固定网址完善个人档案信息。企业监督管理系统可以基于已有数据,统计分析集团整体情况,包括监察对象数、中层干部数、特殊属性的员工人数等。
确定企业风险评分的方法包括,获取巡查监督模块、监事监督模块、审计监督模块、监察监督模块、智慧监督模块、案件线索模块以及提醒建议模块等的数据,如巡查监督模块的巡查报告、整改报告及整改结果等数据,监事监督模块的监事管理等数据,审计监督模块的审计方案、审计报告、整改报告以及整改结果等数据,监察监督模块的出函文书记录和来函文书记录,智慧监督模块的各种费用报销数据;将从各个模块获取的数据分为纪律维度、规范维度、巡查维度、风险维度四类,每类维度占一定的权重分值,例如,纪律维度的权重分值为20分,规范维度的权重分值为20分,巡查维度的权重分值为20分,风险维度的权重分值为40分,基于获取到的企业数据,按照不同维度分别进行评分,最后将各个维度的评分相加得到企业风险评分。
需要说明的是,巡查监督模块用于提取各个目标对象的档案及项目相关数据中的关键词,基于档案及项目相关数据中的关键词确定档案及项目中存在的问题,并记录针对档案和项目中存在的问题的整改结果;
监事监督模块用于提取各个目标对象对各事件的监事问题及监事建议中的关键词,基于监事问题及监事建议中的关键词确定监事问题及监事建议中存在的问题;
审计监督模块用于提取各个目标对象的财务数据中的关键词,基于财务数据中的关键词确定财务数据中存在的问题;财务数据包括财务收支审计数据、经济责任审计数据、经济管理审计数据、上级审计数据、其他审计数据及整改结果数据;
监察监督模块用于提取各个目标对象的出函文书记录和来函文书记录中的关键词,基于出函文书记录和来函文书记录中的关键词确定出函文书记录和来函文书记录中存在的问题;
智慧监督模块用于对接多个不同的业务系统,获取各个目标对象的档案、项目、财产、事件、物品及采购相关的数据;其中,业务系统包括办公自动化系统、GPS系统、人事系统、工程项目管理系统、财务系统以及资产系统;
决策模块用于在预设的标签集中的标签的匹配成功次数大于或等于对应的标签阈值的情况下,发送提醒令和/或整改令至相关人员,和/或在风险评分低于对应的风险阈值的情况下发送提醒令和/或整改令至对应的目标对象。
一种实施方式中,预设的标签集X{x1,x2,x3... xn}中包括但不限于列支科目混乱、超标报销、项目进度缓慢、项目整改不到位、审计方案不合规、商务接待超标或商务报销不符合规范等,针对标签集中的每一个标签,设定一个标签阈值分别记为a{a1,a2,a3...an},巡查监督模块用于检查各个目标对象的档案相关数据及项目相关数据中存在的问题,并记录针对档案和项目中存在的问题的整改结果,将检查到的问题与预设的标签集进行匹配,在检查到的问题与预设的标签集中至少一个标签匹配成功的情况下,将匹配成功的标签的添加次数增加一次;
例如,巡查监督模块检查出项目进度缓慢和项目整改不到位两项问题,那么项目进度缓慢和项目整改不到位两个标签的匹配成功次数将分别增加一次;又例如,审计监督模块检查出审计方案不合规的问题,那么审计方案不合规标签的匹配成功次数将增加一次。记录每个子公司或员工的各个标签的匹配成功次数,当存在匹配成功次数超过对应的标签阈值的标签时,通过决策模块发送提醒令和/或整改令至相关人员,以使得相关人员进行整改,如,项目整改不到位的标签阈值为2次,当某个子公司的项目整改不到位标签的添加次数大于或等于2次时,可以通过决策模块发送提醒令和/或整改令至该子公司,旨在提醒该子公司进行整改。同时,企业监督管理系统的管理员还可以随时查看标签集及预警信息,并依据规则变化或其他临时规定及时调整预警阈值,修改标签体系。
请参阅图4,图4是本公开一个实施例提供的一种企业监督管理方法的流程示意图,该方法应用于图1-图3所示的企业监督管理系统,企业监督管理方法由计算机设备来执行,例如,由终端或服务器来执行。图4所示的企业监督管理方法包括以下步骤:
在步骤S101中,获取各个目标对象在指定统计时限内的相关数据,提取相关数据中关键词,将关键词与预设的标签集中的标签进行匹配,得到匹配结果;
在步骤S102中,根据各个目标对象的匹配结果确定各个目标对象的风险等级,并将相关数据及对应的风险等级发送至决策模块;
步骤S101-S102均由图1所示的企业监督管理系统中的监督模块执行,具体内容可以参见图1中的描述,在此不再赘述。
在步骤S103中,根据各个目标对象的风险等级执行对应的决策。
步骤S103由图1所示的企业监督管理系统中的决策模块执行,具体内容可以参见图1中的描述,在此不再赘述。
在步骤S104中,根据各个目标对象的相关数据及各个目标对象对应的决策确定各个目标对象对应的风险评分。
步骤S104由图1所示的企业监督管理系统中的画像模块执行,具体内容可以参见图1中的描述,在此不再赘述。
综上所述,本公开提供的企业监督管理系统,包括监督模块、决策模块和画像模块,监督模块可以有效地监督各个目标对象的档案、项目、财产、事件、物品及采购相关的数据,并提取所述相关数据中关键词,将所述关键词与预设的标签集中的标签进行匹配,记录所述预设的标签集中的每个标签的匹配成功的次数,根据这些相关的数据快速确定各个目标对象的风险等级,实现了高效监督与风险评估,有助于及时发现潜在问题和风险;决策模块根据目标对象的风险等级执行相应的决策,提高了决策的针对性和效率,有助于快速应对风险和问题;画像模块根据目标对象的数据和决策,为每个目标对象生成个性化的风险评分,提供了更全面的风险洞察;监督模块包括多个子模块,涵盖了不同领域的监督,如巡查、监事、审计、监察监督和智慧监督,确保了全面的监督覆盖;标签匹配机制有助于自动识别问题并与标签集中的标签进行匹配,记录各标签的匹配成功次数,一旦匹配成功次数达到对应的标签阈值,企业监督管理系统会自动发送提醒和整改通知,确保问题得到及时解决;企业监督管理系统通过整合监督模块、决策模块和画像模块,实现了高效、智能、个性化的风险管理和问题解决,从而提高了企业管理的效率和可操作性,降低了潜在风险的影响。
应该理解,在本公开的权利要求书、说明书中,所有“包括……”均应理解为开放式的含义,也就是其含义等同于“至少含有……”,而不应理解为封闭式的含义,即其含义不应该理解为“仅包含……”。
文中所描述的具体实施例仅仅是对本公开精神作举例说明。本公开所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本公开的精神或者。
Claims (9)
1.一种企业监督管理系统,其特征在于,所述系统包括:监督模块、决策模块和画像模块;
所述监督模块用于获取各个目标对象在指定统计时限内的相关数据,提取所述相关数据中关键词,将所述关键词与预设的标签集中的标签进行匹配,得到匹配结果;其中,所述匹配结果中包括所述预设的标签集中的每个标签的匹配成功的次数;所述相关数据为各个目标对象的档案、项目、财产、事件、物品及采购相关的数据;
所述监督模块用于根据所述各个目标对象的匹配结果确定所述各个目标对象的风险等级,并将所述相关数据及对应的风险等级发送至所述决策模块;
所述决策模块用于根据所述各个目标对象的风险等级执行对应的决策;
所述画像模块用于根据所述各个目标对象的相关数据及所述各个目标对象对应的决策确定所述各个目标对象对应的风险评分。
2.如权利要求1所述的系统,其特征在于,
所述决策模块用于在所述预设的标签集中的标签的匹配成功次数大于或等于对应的标签阈值的情况下,发送提醒令和/或整改令至相关人员,和/或在所述风险评分低于对应的风险阈值的情况下发送提醒令和/或整改令至对应的目标对象。
3.如权利要求1所述的系统,其特征在于,所述决策模块包括检举控告模块、案件线索模块及提醒建议模块;
所述标签对应的等级包括轻微风险等级或严重风险等级;
所述监督模块用于在所述目标对象的相关数据匹配成功的标签对应的等级为轻微风险等级的情况下,将所述目标对象的风险等级确定为轻微风险等级,
在所述目标对象的相关数据匹配成功的标签对应的等级为严重风险等级的情况下,将所述目标对象的风险等级确定为严重风险等级;
所述监督模块还用于将轻微风险等级的相关数据发送至所述提醒建议模块;所述提醒建议模块接收到所述监督模块发送的轻微风险等级的相关数据后,发出提醒信息和/或建议信息至相关人员,并将提醒记录和建议记录发送至画像模块;
所述监督模块还用于将严重风险等级的相关数据发送至所述案件线索模块;所述案件线索模块接收到所述监督模块发送的严重风险等级的相关数据后,对对应的目标对象进行处理,并将处理结果发送至画像模块;
所述检举控告模块用于接受群众用户上传的风险问题,并对所述风险问题进行分析处理,根据分析处理结果将所述风险问题发送至所述案件线索模块或所述提醒建议模块。
4.根据权利要求1所述的系统,其特征在于,
所述画像模块还用于根据所述各个目标对象的档案、项目、财产、事件、物品及采购相关的数据,所述监督模块产生的记录,以及所述各个目标对象的相关数据匹配成功的标签,从至少两个维度对所述各个目标对象进行用户画像,并确定所述各个目标对象对应的风险评分;
所述目标对象至少包含多个第一层级目标对象和多个第二层级目标对象,其中,每个所述第一层级目标对象为包含多个第二层级目标对象的集合;
所述各个目标对象对应的风险评分的计算公式包括:,
其中,M为目标对象j对应的风险评分,为目标对象j的初始分值,j为目标对象的性质,N表示目标对象j匹配成功的标签总数,/>为不同维度的权重系数,k为维度在求和的算子中的编号,T为维度总数,i表示目标对象j匹配成功的标签,/>为基于标签i的标签属性确定的权重系数;/>为目标对象j与标签i匹配成功对应的分值,/>,S为标签i对应的分值,/>为基于目标对象j的属性确定的预设常数,n为目标对象j匹配成功与标签i匹配成功的次数。
5.根据权利要求2所述的系统,其特征在于,
所述监督模块用于通过自然语言处理NLP技术提取所述相关数据中关键词,将所述关键词与预设的标签集中的标签进行匹配,通过预训练的词向量模型计算所述关键词与预设的标签集中的标签之间的相似度,在所述关键词与预设的标签集中的标签之间的相似度大于指定阈值的情况下确定匹配成功,记录所述预设的标签集中的每个标签的匹配成功的次数。
6.根据权利要求2所述的系统,其特征在于,
所述监督模块用于获取所述各个目标对象上传的审计方案、审计报告、整改报告及整改结果相关的数据。
7.根据权利要求2所述的系统,其特征在于,
所述监督模块用于获取纪律部门出函文书记录和来函文书记录中的函标题、出函单位、函号、落款日期信息,并将获取到的所述出函文书记录和所述来函文书记录中的函标题、出函单位、函号、落款日期信息发送至相关人员进行审核。
8.根据权利要求2所述的系统,其特征在于,
所述监督模块用于从所述各个目标对象的办公自动化系统、GPS系统、人事系统、工程项目管理系统、财务系统以及资产系统中获取财产、事件、物品及采购相关的数据。
9.一种企业监督管理方法,其特征在于,应用于权利要求1-8任意一项所述的系统,包括
获取各个目标对象在指定统计时限内的相关数据,提取所述相关数据中关键词,将所述关键词与预设的标签集中的标签进行匹配,得到匹配结果;其中,所述匹配结果中包括所述预设的标签集中的每个标签的匹配成功的次数;所述相关数据为各个目标对象的档案、项目、财产、事件、物品及采购相关的数据;
根据所述各个目标对象的匹配结果确定所述各个目标对象的风险等级,并将所述相关数据及对应的风险等级发送至所述决策模块;
根据所述各个目标对象的风险等级执行对应的决策;
根据所述各个目标对象的相关数据及所述各个目标对象对应的决策确定所述各个目标对象对应的风险评分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311448349.7A CN117172557A (zh) | 2023-11-02 | 2023-11-02 | 企业监督管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311448349.7A CN117172557A (zh) | 2023-11-02 | 2023-11-02 | 企业监督管理系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117172557A true CN117172557A (zh) | 2023-12-05 |
Family
ID=88932123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311448349.7A Pending CN117172557A (zh) | 2023-11-02 | 2023-11-02 | 企业监督管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117172557A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135724A (zh) * | 2019-05-10 | 2019-08-16 | 苏州睿沃信息科技有限公司 | 基于coso内部控制框架的企业全面风险管理系统与方法 |
CN110782123A (zh) * | 2019-09-18 | 2020-02-11 | 中国平安财产保险股份有限公司 | 决策方案的匹配方法、装置、计算机设备及存储介质 |
CN111507687A (zh) * | 2020-04-16 | 2020-08-07 | 杭州真内控科技有限公司 | 一种国有资产的监管系统 |
CN113918707A (zh) * | 2021-12-14 | 2022-01-11 | 中关村科技软件股份有限公司 | 一种政策汇聚与企业画像匹配推荐的方法 |
-
2023
- 2023-11-02 CN CN202311448349.7A patent/CN117172557A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135724A (zh) * | 2019-05-10 | 2019-08-16 | 苏州睿沃信息科技有限公司 | 基于coso内部控制框架的企业全面风险管理系统与方法 |
CN110782123A (zh) * | 2019-09-18 | 2020-02-11 | 中国平安财产保险股份有限公司 | 决策方案的匹配方法、装置、计算机设备及存储介质 |
CN111507687A (zh) * | 2020-04-16 | 2020-08-07 | 杭州真内控科技有限公司 | 一种国有资产的监管系统 |
CN113918707A (zh) * | 2021-12-14 | 2022-01-11 | 中关村科技软件股份有限公司 | 一种政策汇聚与企业画像匹配推荐的方法 |
Non-Patent Citations (1)
Title |
---|
伍卫芳;: "基于风险管理的医院内控模式研究与推广", 今日财富, no. 09 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107705020A (zh) | 一种全过程智能工程监理信息管控系统 | |
US20070219967A1 (en) | Patent Invalidation | |
Oard et al. | Overview of the TREC 2008 Legal Track. | |
CN110633316A (zh) | 一种多场景融合双随机市场监管方法 | |
Whitaker | Basic issues in police performance | |
Borden et al. | Finding the signal in the noise: information governance, analytics, and the future of legal practice | |
Cheng et al. | Development and application of tender evaluation decision-making and risk early warning system for water projects based on KDD | |
Rikhardsson et al. | Artificial intelligence and auditing in small-and medium-sized firms: Expectations and applications | |
CN110033191B (zh) | 一种商业人工智能的分析方法及系统 | |
CN114628007A (zh) | 一种情绪信息处理系统和方法 | |
Gottschalk et al. | Stages of knowledge management technology in the value shop: the case of police investigation performance | |
CN117172557A (zh) | 企业监督管理系统及方法 | |
Fay | Contemporary security management | |
Sivaranjani et al. | A broad view of automation in legal prediction technology | |
Chiang et al. | The influence of digital standardization on administrative efficiency in e‐government: A view of standards development organizations | |
Khandelwal et al. | A knowledge management survey of Australian law firms | |
Bettahar et al. | The role of big data analysis and strategic vigilance in decision-making | |
Fei et al. | A Study on Internal Control over Inventories—Taking Jiangxi Zhengxinchu Health Food Co., Ltd. as an Example | |
CN114897316B (zh) | 基于云计算与物联网的智能后勤管理系统 | |
US20220237198A1 (en) | System and method for creating and managing actionable data | |
Palantu | Criminal Policy Against The Criminal Action Of Subsidized Fuel Hooking In Bongo Zero Village | |
Groff et al. | Identifying and Measuring the Effects of Information Technologies on Law Enforcement Agencies:. | |
Astuti et al. | Web-based correspondence management information system at BPKAD Magelang City | |
Leibfried | Anita Stefanie Gierbl | |
ISO. et al. | Information and documentation-Library performance indicators |
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 |