CN117252446A - 一种过程指标萃取及指标智能运行的方法及系统 - Google Patents
一种过程指标萃取及指标智能运行的方法及系统 Download PDFInfo
- Publication number
- CN117252446A CN117252446A CN202311515590.7A CN202311515590A CN117252446A CN 117252446 A CN117252446 A CN 117252446A CN 202311515590 A CN202311515590 A CN 202311515590A CN 117252446 A CN117252446 A CN 117252446A
- Authority
- CN
- China
- Prior art keywords
- index
- value
- process index
- monitoring
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 329
- 230000008569 process Effects 0.000 title claims abstract description 289
- 238000000605 extraction Methods 0.000 title claims abstract description 49
- 238000012544 monitoring process Methods 0.000 claims abstract description 86
- 238000009960 carding Methods 0.000 claims abstract description 12
- 238000007405 data analysis Methods 0.000 claims abstract description 12
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000000007 visual effect Effects 0.000 claims description 11
- 238000012800 visualization Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 5
- 238000012217 deletion Methods 0.000 description 12
- 230000037430 deletion Effects 0.000 description 12
- 230000009286 beneficial effect Effects 0.000 description 9
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种过程指标萃取及指标智能运行的方法及系统,涉及指标管理技术领域,包括:基于战略‑客户诉求到指标战略分解,建立过程指标维度与过程指标梳理路径,来对过程指标智能萃取;建立过程指标监控规则;利用指标智能应用,结合所述过程指标监控规则对过程指标可视化展示以及指标风险智能判断与警示;通过大数据分析及机器学习方法对指标参数智能调整后,再利用过程指标监控,实现指标自动上架下架管理。有效支持处于不同发展阶段企业建立过程指标库以及对过程指标的智能运维管理,提高效率的同时确保管控灵活有效。
Description
技术领域
本发明涉及指标管理技术领域,特别涉及一种过程指标萃取及指标智能运行的方法及系统。
背景技术
目前现有BI指标管理的技术中,在指标维度选择方面,在指标智能运营方面均存在重要缺陷。主要体现在:一是不能动态实现过程指标能上能下,做不到管理不僵化;二是指标的目标值不能动态调整。三是人力浪费效率不高。
故而,如何提升指标目标值动态自动调整的数字化程度,减少人工统计、人工分析,对于过程指标自动上下架、指标参数智能调整、指标问题高效聚合、指标问题聚合展示等建立体系化的智能运营是目前有待解决的技术问题。
因此,本发明提供一种过程指标萃取及指标智能运行的方法及系统。
发明内容
本发明提供一种过程指标萃取及指标智能运行的方法及系统,用以通过建立过程指标维度对过程指标智能萃取;利用指标智能应用基于建立的过程指标监控规则对过程指标可视化展示以及风险智能警示;通过大数据分析及机器学习方法对指标参数智能调整,再利用过程指标监控实现指标自动上架下架管理。
解决了现有技术中指标考虑维度及要素缺失、指标策略缺失动态管理以及指标目标值缺失动态及时调整的问题,提高过程指标的智能运维管理效率的同时确保管控灵活有效。
本发明提供一种过程指标萃取及指标智能运行的方法,包括:
步骤1:基于战略-客户诉求到指标战略分解,建立过程指标维度与过程指标梳理路径,来对过程指标智能萃取;
步骤2:建立过程指标监控规则;
步骤3:利用指标智能应用,结合所述过程指标监控规则对过程指标可视化展示以及指标风险智能判断与警示;
步骤4:通过大数据分析及机器学习方法对指标参数智能调整后,再利用过程指标监控,实现指标自动上架下架管理。
优选的,基于战略-客户诉求到指标战略分解,建立过程指标维度与过程指标梳理路径,来对过程指标智能萃取,包括:
步骤11:基于战略-目标客户诉求解耦目标核心指标,并根据系统端到端的目标流程过程对目标核心指标进行分解支撑,形成指标支撑链路;
步骤12:基于目标理论知识类比生成目标维度;
步骤13:解析目标维度下的指标元素得到过程指标,形成过程指标库;
步骤14:基于所述过程指标库中每个过程指标的维度、元素以及每个过程指标基于指标支撑链路的位置所匹配的流程,向对应过程指标建立标签;
步骤15:基于标签建立结果与流程-指标稀缺关系,对过程指标智能萃取;
步骤16:根据智能萃取结果,形成新的可用过程指标库,再结合匹配的流程、维度以及元素形成目标过程指标矩阵。
优选的,基于标签建立结果与流程-指标稀缺关系,对过程指标智能萃取,包括:
步骤21:基于标签建立结果萃取三个目标维度标签均具备的过程指标;
步骤22:基于标签建立结果萃取包含两个目标维度标签的过程指标;
步骤23:基于标签建立结果将只有单个目标维度标签的过程指标与最匹配流程进行自动对应,对所述最匹配流程下对应过程指标数唯一的优先萃取;
若对应过程指标数并非唯一,对所述最匹配流程下的所有过程指标按照预设指标权重进行排序,且结合流程-指标稀缺关系在排序结果中进行双过程指标萃取;
步骤24:将指标库中的剩余未被萃取过程指标在过程指标库中标记为监控但不显示状态。
优选的,建立过程指标监控规则,包括:
配置指标目标值范围,并确定与监控指标实际值的第一对比结果;
建立第一对比结果与问题指标红灯显示的对应关系,形成指标问题可视化规则;
配置并建立指标风险特征参数与指标风险警示的对应关系,形成指标风险警示规则;
配置指标监控特征参数,并建立所述指标监控特征参数与指标参数智能调整的对应关系,形成指标智能调参规则:
配置指标上架、下架特征参数,并对连续稳态、连续达标、指标数量大于预设数量以及业务频次低于预设频次的指标状态特征进行分析;
建立所述指标状态特征的分析结果与指标上架下架的对应关系,形成指标智能上下架规则;
将指标问题可视化规则、指标风险警示规则、指标智能调参规则以及指标智能上下架规则相结合得到过程指标监控规则。
优选的,利用指标智能应用,结合所述过程指标监控规则对过程指标可视化展示以及指标风险智能判断与警示,包括:
通过指标智能应用且结合所述目标过程指标矩阵对每个维度下对应到具体流程的指标信息进行矩阵式可视化展示;
同时,基于所述指标问题可视化规则,将监控指标实际值与目标值范围对比,对于超出目标值范围的区间进行亮灯显示,并监控历史值;
根据历史值监控结果,若存在单一过程指标满足预设风险判定规则,则将所述单一过程指标标定为重点风险,并予以重点风险警示;
若存在相邻流程下相同维度的多个指标均满足预设风险判定规则,则将对应指标视为重点风险,并予对应指标维度风险重点警示;
若单一流程下出现超过2个维度的指标满足预设风险判定规则,则将对应目标值视为重点风险,并予以对应业务流程风险重点警示。
优选的,通过大数据分析及机器学习方法对指标参数智能调整后,再利用过程指标监控,实现指标自动上架下架管理,包括:
从指标标准数据库中提取预设时间长度下的历史数据,并进行数据筛选与处理后得到每个萃取的过程指标下的历史时间数据;
将每个萃取的过程指标下的历史时间数据的平均值与相应目标值对比,且结合对应值偏离区间,对相应萃取的过程指标的当前参数是否可调整进行判定;
当判定为可调整时,将相应的萃取的过程指标的监控指标有效值与有效阈值进行对比,得到当前调整方向;
在对应值偏离区间的基础上按照标准试算调整倍数进行依次范围试算,得到不同倍数下的试算当前范围;
基于每个萃取的过程指标下历史时间数据对目标值的匹配时刻的数据进行预测分析,且结合预测误差,得到所述匹配时刻下的有效预测值;
将不同倍数下的试算当前范围、有效预测值分别与目标值进行匹配分析,若存在任何一个不匹配,则取当前调整m倍最小单元的前面一个m-1倍最小单元倍数值;
当所述当前调整方向为调高时,结合试算平衡指数确定调整后标准值,其中,B0表示为标准原值,/>表示为(m-1)倍调整最小单位值;
当所述当前调整方向为调低时,确定调整后标准值;将计算得到的调整后标准值与预设调整阈值进行对比分析,若调整后标准值不大于预设调整阈值,则将对应调整后标准值传送给自动调整模式对相应萃取的过程指标下的目标值进行调整;
否则,对个m-1倍最小单元倍数值调节重新计算调整后标准值;
当调整完成后,运行过程指标监控按照新参数管理目标的达成情况;
对未达到预期的目标,按照预设时间周期对指标或参数回滚,以实现自动再调优;
利用过程指标监控对指标参数调整后的过程指标进行上下架的特征自动识别,得到特征识别结果;
对所述特征识别结果进行判定,若满足预设条件则将对应过程指标暂时列入后台监测与暂时下架;
对后台监控的过程指标进行特征识别,若存在监控的过程指标的特征与下架的过程指标的特征相反,则将对应监控的过程指标自动转为上架监控,并由后台转为前台可视化监控。
优选的,基于每个萃取的过程指标下历史时间数据对目标值的匹配时刻的数据进行预测分析,且结合预测误差,得到所述匹配时刻下的有效预测值,包括:
步骤31:筛选所述历史时间数据中离所述匹配时刻t最近的n个数据作为分析数据进行趋势分析,得到第一预测趋势;
步骤32:计算匹配时刻t之前与分析数据中最后一个数据所对应时刻中间时间段下的所有数据的历史平均值;
步骤33:基于平滑预测算法对第一预测趋势以及历史平均值进行分析得到匹配时刻t的初始预测值以及t-1时刻的初始预测值/>,同时,获取t-1时刻的实际值/>;
步骤34:结合误差因子确定历史误差/>,并得到匹配时刻t的预测范围/>;步骤35:将预测范围与匹配时刻t的初始预测值/>结合得到预测最大值与预测最小值,其公式如下:
;式中,/>表示为预测最大值;/>表示为调整预测因子;/>表示为预测最小值;/>表示历史平均值;/>表示基于/>以及/>的方差;/>表示基于第一预测趋势下的所有预测值的平均值;max表示最大值符号;min表示最小值符号;n表示为分析数据总个数;
步骤36:基于预测最大值与预测最小值,且结合所述第一预测趋势获取有效预测值,其计算公式如下:
式中,/>表示为匹配时刻t的有效预测值;/>以及/>表示为预测影响系数,且/>,,且/>是根据第一预测趋势确定的;/>表示为综合影响因子;/>表示为分析数据中大于预测最大值的数据个数;/>表示为分析数据中小于预测最小值的数据个数;/>表示基于第一预测趋势下的所有预测值的个数。
本发明提供一种过程指标萃取及指标智能运行的系统,包括:
指标萃取模块:用于基于战略-客户诉求到指标战略分解,建立过程指标维度与过程指标梳理路径,来对过程指标智能萃取;
指标处理模块:建立过程指标监控规则;
风险警示模块:利用指标智能应用,结合所述过程指标监控规则对过程指标可视化展示以及指标风险智能判断与警示;
参数调整模块:通过大数据分析及机器学习方法对指标参数智能调整后,再利用过程指标监控,实现指标自动上架下架管理。
与现有技术相比,本申请的有益效果如下:
解决了现有技术中指标考虑维度及要素缺失、指标策略缺失动态管理以及指标目标值缺失动态及时调整的问题,提高过程指标的智能运维管理效率的同时确保管控灵活有效。
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为本发明实施例中一种过程指标萃取及指标智能运行的方法的流程图;
图2为本发明实施例中一种过程指标萃取及指标智能运行的系统的结构图;
图3为本发明实施例中用于过程指标梳理的目标模具的结构图;
图4为本发明实施例中过程指标反应问题大小判断和风险预警方法的结构图。
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。
本发明实施例提供一种过程指标萃取及指标智能运行的方法,如图1所示,包括:
步骤1:基于战略-客户诉求到指标战略分解,建立过程指标维度与过程指标梳理路径,来对过程指标智能萃取;
步骤2:建立过程指标监控规则;
步骤3:利用指标智能应用,结合所述过程指标监控规则对过程指标可视化展示以及指标风险智能判断与警示;
步骤4:通过大数据分析及机器学习方法对指标参数智能调整后,再利用过程指标监控,实现指标自动上架下架管理。
该实施例中,战略-目标客户诉求指的是企业战略需求与目标客户诉求;目标核心指标指的是企业战略目的指标,比如经济指标、客户满意度指标。
该实施例中,过程指标梳理路径指的是按照目标模具进行指标梳理,其中目标模具如图3所示,包含业务价值流时序、端到端价值流节点、业务支撑要素、业务过程价值点、业务支撑子流程、业务支撑系统等要素组成,其中业务过程价值点表现形式即为过程指标。
该实施例中,过程指标监控规则包括有指标问题可视化规则、指标风险警示规则、指标智能调参规则以及指标智能上下架规则。
该实施例中,指标智能应用用于实现问题聚合展示基础上,并结合实现指标按主题链路呈现,有效对于单一流程、单一维度、业务流程对应的业务风险大小进行判断,并提示或警示风险。
上述技术方案的有益效果是:解决了现有技术中指标考虑维度及要素缺失、指标策略缺失动态管理以及指标目标值缺失动态及时调整的问题,提高过程指标的智能运维管理效率的同时确保管控灵活有效。
本发明实施例提供一种过程指标萃取及指标智能运行的方法,基于战略-客户诉求到指标战略分解,建立过程指标维度与过程指标梳理路径,来对过程指标智能萃取,包括:
步骤11:基于战略-目标客户诉求解耦目标核心指标,并根据系统端到端的目标流程过程对目标核心指标进行分解支撑,形成指标支撑链路;
步骤12:基于目标理论知识类比生成目标维度;
步骤13:解析目标维度下的指标元素得到过程指标,形成过程指标库;
步骤14:基于所述过程指标库中每个过程指标的维度、元素以及每个过程指标基于指标支撑链路的位置所匹配的流程,向对应过程指标建立标签;
步骤15:基于标签建立结果与流程-指标稀缺关系,对过程指标智能萃取;
步骤16:根据智能萃取结果,形成新的可用过程指标库,再结合匹配的流程、维度以及元素形成目标过程指标矩阵。
该实施例中,战略-目标客户诉求指的是企业战略需求与目标客户诉求;目标核心指标指的是企业战略目的指标,比如经济指标、客户满意度指标;指标支撑链路是根据系统端到端的目标流程过程对目标核心指标进行分解支撑得到的,其中指标分解就是将目标核心指标向下分解的过程,通过指标分解可以将公司级指标分解至最基层的岗位。
该实施例中,目标理论包括有马斯洛需求层次理论、平衡计分卡理论以及流程指标解析,其中马斯洛需求层次理论知识指的是是心理学中的激励理论,包括人类需求的五级模型,通常被描绘成金字塔内的等级,平衡计分卡理论是常见的绩效考核方式之一。
该实施例中,目标维度包括有管理层次维度、流程指标特征值维度、平衡计分卡指标维度,其中管理层次维度是借用马斯洛需求5个层次的理论,转译为需求层次所生成的维度;流程指标特征值维度是基于流程指标解析理论生成的维度;平衡计分卡指标维度是基于平衡计分卡理论生成的维度。
该实施例中,过程指标是对目标维度下的指标元素解析得到的,其中管理层次维度的指标元素有业务效率、运营成本等;流程指标特征值维度的指标元素有客户、财务、流程等;流程指标特征值维度包括时间、数量、质量、成本;过程指标库是过程指标按照指标维度、要素丰富并汇总得到的。
该实施例中,以采购供应链为例,指标管理层次维度可以为:采购效率、采购成本、采购质量、采购系统性风险、供应链产业机遇,平衡计分卡指标维度可以为技术、质量、服务、订单满足、成本、资金、效率、质量、合规、流程线上化等指标元素。
该实施例中,标签建立结果指的是对过程指标的指标维度与要素建立标签的结果;流程-指标稀缺关系指的是流程下指标稀缺度;智能萃取结果指的是对过程指标先按维度筛选,再按流程下指标稀缺度排序萃取两步萃取后的结果;可用过程指标库指的是利用智能萃取结果形成的新指标库;目标过程指标矩阵是过程指标结合匹配的流程、维度以及元素形成的矩阵。
上述技术方案的有益效果是:通过基于战略-目标客户诉求解耦目标核心指标,到利用指标多维度标签与流程-指标稀缺度实现了过程指标的有效萃取,从而有效形成过程指标库与目标过程指标矩阵,有效改善现有技术指标考虑维度及要素缺失状况。
本发明实施例提供一种过程指标萃取及指标智能运行的方法,基于标签建立结果与流程-指标稀缺关系,对过程指标智能萃取,包括:
步骤21:基于标签建立结果萃取三个目标维度标签均具备的过程指标;
步骤22:基于标签建立结果萃取包含两个目标维度标签的过程指标;
步骤23:基于标签建立结果将只有单个目标维度标签的过程指标与最匹配流程进行自动对应,对所述最匹配流程下对应过程指标数唯一的优先萃取;
若对应过程指标数并非唯一,对所述最匹配流程下的所有过程指标按照预设指标权重进行排序,且结合流程-指标稀缺关系在排序结果中进行双过程指标萃取;
步骤24:将指标库中的剩余未被萃取过程指标在过程指标库中标记为监控但不显示状态。
该实施例中,标签建立结果指的是对过程指标的指标维度与要素建立标签的结果;流程-指标稀缺关系指的是流程下指标稀缺度。
该实施例中,基于标签建立结果萃取过程指标具体为先按照指标维度及要素,将端到端流程对应的具体过程指标与流程指标维度以及要素一一对应。然后先自动筛选三个维度均符合的过程指标,其次筛选两个维度均符合的过程指标。剩余部分流转至下一道萃取工序。
该实施例中,按照流程下过程指标的稀缺性进行排序并进行萃取。具体包含按照第一步萃取流转下来的过程指标与流程进行自动对应,并按流程对应此部分过程指标数进行排序萃取,流程下对应过程指标数唯一的优先萃取;
第二步进一步萃取,萃取流程下对应过程指标数虽并非唯一,但处于后20%分位的过程指标;两步萃取结束后,剩余的过程指标前台暂不显示、转后台统计监控。其中转后台统计监控的过程指标依然属于过程指标库的指标。
上述技术方案的有益效果是:通过利用标签建立结果与流程-指标稀缺关系对过程指标进行两步智能萃取,有效建立过程指标库与目标过程指标矩阵的同时改善现有技术指标考虑维度及要素缺失状况。
本发明实施例提供一种过程指标萃取及指标智能运行的方法,建立过程指标监控规则,包括:
配置指标目标值范围,并确定与监控指标实际值的第一对比结果;
建立第一对比结果与问题指标红灯显示的对应关系,形成指标问题可视化规则;
配置并建立指标风险特征参数与指标风险警示的对应关系,形成指标风险警示规则;
配置指标监控特征参数,并建立所述指标监控特征参数与指标参数智能调整的对应关系,形成指标智能调参规则:
配置指标上架、下架特征参数,并对连续稳态、连续达标、指标数量大于预设数量以及业务频次低于预设频次的指标状态特征进行分析;
建立所述指标状态特征的分析结果与指标上架下架的对应关系,形成指标智能上下架规则;
将指标问题可视化规则、指标风险警示规则、指标智能调参规则以及指标智能上下架规则相结合得到过程指标监控规则。
该实施例中,第一对比结果指的是指标目标值范围与监控指标实际值的大小比较;指标风险特征参数包括有指标连续异常月份数,配置指标追溯月份数、判定异常比例参数;指标监控特征参数包括有指标监控阈值、指标目标值偏离范围区间、指标试算最小单元、追溯月份数、业务达标比例参数等等;指标上架、下架特征参数包括有业务发生频次排序位次、连续正常月份数、监控月份数等等。
上述技术方案的有益效果是:通过构建指标问题可视化规则、指标风险警示规则、指标智能调参规则以及指标智能上下架规则,并结合得到过程指标监控规则,为后续指标运营奠定有效基础。
本发明实施例提供一种过程指标萃取及指标智能运行的方法,利用指标智能应用,结合所述过程指标监控规则对过程指标可视化展示以及指标风险智能判断与警示,包括:
通过指标智能应用且结合所述目标过程指标矩阵对每个维度下对应到具体流程的指标信息进行矩阵式可视化展示;
同时,基于指标问题可视化规则,将监控指标实际值与目标值范围对比,对于超出目标值范围的区间进行亮灯显示,并监控历史值;
根据历史值监控结果,若存在单一过程指标满足预设风险判定规则,则将所述单一过程指标标定为重点风险,并予以重点风险警示;
若存在相邻流程下相同维度的多个指标均满足预设风险判定规则,则将对应指标视为重点风险,并予对应指标维度风险重点警示;
若单一流程下出现超过2个维度的指标满足预设风险判定规则,则将对应目标值视为重点风险,并予以对应业务流程风险重点警示。
该实施例中,指标智能应用用于实现问题聚合展示基础上,并结合实现指标按主题链路呈现,有效对于单一流程、单一维度、业务流程对应的业务风险大小进行判断,并提示或警示风险;指标信息指的是每个维度下对应到具体流程的指标名称、指标值、指标目标值范围;预设风险判定规则指的是历史值连续3个月偏离目标值范围以及追溯12个月存在超过80%的月份处于偏离目标值范围。
该实施例中,在对指标值支持按照三个维度以及维度下元素结合流程进行端到端矩阵式可视化呈现基础上,对于过程指标反应问题大小判断和风险预警方法参考附图4,包括:
第1种,针对单一过程指标,如果监控指标出现连续3个月偏离目标值范围,且向前追溯12个月存在超过80%的月份处于偏离目标值范围,则被视为重点风险,予以单一过程指标的风险提示;
第2种,针对相邻流程相同维度多个指标预警,如果相邻流程下相同维度多个指标,均出现连续3个月偏离目标值范围,且向前追溯12个月存在超过80%的月份处于偏离目标值范围,则被视为重点风险,予以针对该指标维度下风险重点警示;
第3种,对于单一流程下,出现超过2个维度的指标出现连续3个月偏离范围,且向前追溯12个月存在超过80%的月份处于偏离目标值范围,则目标值被视为重点风险,予以针对该业务流程风险重点警示。
上述技术方案的有益效果是:通过指标智能应用,结合过程指标监控规则有效支持指标按业务链路和按维度主题清晰结构化展示,以及对于指标风险问题可视化呈现。
本发明实施例提供一种过程指标萃取及指标智能运行的方法,通过大数据分析及机器学习方法对指标参数智能调整后,再利用过程指标监控,实现指标自动上架下架管理,包括:
从指标标准数据库中提取预设时间长度下的历史数据,并进行数据筛选与处理后得到每个萃取的过程指标下的历史时间数据;
将每个萃取的过程指标下的历史时间数据的平均值与相应目标值对比,且结合对应值偏离区间,对相应萃取的过程指标的当前参数是否可调整进行判定;
当判定为可调整时,将相应的萃取的过程指标的监控指标有效值与有效阈值进行对比,得到当前调整方向;
在对应值偏离区间的基础上按照标准试算调整倍数进行依次范围试算,得到不同倍数下的试算当前范围;
基于每个萃取的过程指标下历史时间数据对目标值的匹配时刻的数据进行预测分析,且结合预测误差,得到所述匹配时刻下的有效预测值;
将不同倍数下的试算当前范围、有效预测值分别与目标值进行匹配分析,若存在任何一个不匹配,则取当前调整m倍最小单元的前面一个m-1倍最小单元倍数值;
当所述当前调整方向为调高时,结合试算平衡指数确定调整后标准值,其中,B0表示为标准原值,/>表示为(m-1)倍调整最小单位值;
当所述当前调整方向为调低时,确定调整后标准值;将计算得到的调整后标准值与预设调整阈值进行对比分析,若调整后标准值不大于预设调整阈值,则将对应调整后标准值传送给自动调整模式对相应萃取的过程指标下的目标值进行调整;
否则,对个m-1倍最小单元倍数值调节重新计算调整后标准值;
当调整完成后,运行过程指标监控按照新参数管理目标的达成情况;
对未达到预期的目标,按照预设时间周期对指标或参数回滚,以实现自动再调优;
利用过程指标监控对指标参数调整后的过程指标进行上下架的特征自动识别,得到特征识别结果;
对所述特征识别结果进行判定,若满足预设条件则将对应过程指标暂时列入后台监测与暂时下架;
对后台监控的过程指标进行特征识别,若存在监控的过程指标的特征与下架的过程指标的特征相反,则将对应监控的过程指标自动转为上架监控,并由后台转为前台可视化监控。
该实施例中,指标标准数据库由过程指标与对应有效值构成;预设时间长度是提前确定好的;历史数据指的是历史有效值;历史时间数据是对历史数据进行筛选与处理后得到的数据;当前调整方向包括调高与调低;标准试算调整倍数指的是1倍、2倍、…N倍。
该实施例中,比如存在过程指标a1的监控指标有效值大于有效阈值,则判定当前调整方向为调低。
该实施例中,预设调整阈值是提前设定好的;自动调整模式用于根据调整后标准值对相应萃取的过程指标下的目标值进行调整。
该实施例中,对于过程指标,利用过程指标监控对上下架的特征自动识别可存在以下特征:
特征一、监控的连续12个月中,超过80%月份符合目标值或超过目标值(或预期向好);
特征二、监控的最近3个月连续符合目标值或超过目标值;
特征三、业务发生频次,连续半年以上均为所有业务监控指标的后20%。
特征四、从流程标签辨识到并非该流程下唯一指标、并非某一指标维度下唯一指标。
该实施例中,预设条件指的是同时具有上述特征一、二、四或同时具有上述特征二、三、四。
上述技术方案的有益效果是:通过利用大数据分析及机器学习方法对指标参数智能调整对指标预警阈值监控与分析有效性,并自动试算和自动调整参数,确保指标监控有效性持续有效提升以及指标上下架有序。
本发明实施例提供一种过程指标萃取及指标智能运行的方法,基于每个萃取的过程指标下历史时间数据对目标值的匹配时刻的数据进行预测分析,且结合预测误差,得到所述匹配时刻下的有效预测值,包括:
步骤31:筛选所述历史时间数据中离所述匹配时刻t最近的n个数据作为分析数据进行趋势分析,得到第一预测趋势;
步骤32:计算匹配时刻t之前与分析数据中最后一个数据所对应时刻中间时间段下的所有数据的历史平均值;
步骤33:基于平滑预测算法对第一预测趋势以及历史平均值进行分析得到匹配时刻t的初始预测值以及t-1时刻的初始预测值/>,同时,获取t-1时刻的实际值/>;
步骤34:结合误差因子确定历史误差/>,并得到匹配时刻t的预测范围/>;步骤35:将预测范围与匹配时刻t的初始预测值结合得到预测最大值与预测最小值,其公式如下:
;式中,/>表示为预测最大值;/>表示为调整预测因子;/>表示为预测最小值;/>表示历史平均值;表示基于/>以及/>的方差;/>表示基于第一预测趋势下的所有预测值的平均值;max表示最大值符号;min表示最小值符号;n表示为分析数据总个数;
步骤36:基于预测最大值与预测最小值,且结合所述第一预测趋势获取有效预测值,其计算公式如下:
式中,/>表示为匹配时刻t的有效预测值;/>以及/>表示为预测影响系数,且/>,,且/>是根据第一预测趋势确定的;/>表示为综合影响因子;/>表示为分析数据中大于预测最大值的数据个数;/>表示为分析数据中小于预测最小值的数据个数;/>表示基于第一预测趋势下的所有预测值的个数。
该实施例中,分析数据指的是历史时间数据中离所述匹配时刻t最近的n个数据;第一预测趋势包括有增长型、衰减型以及无规律型;历史平均值指的是匹配时刻t之前与分析数据中最后一个数据所对应时刻中间时间段下的所有数据的平均值;预测最大值与预测最小值是匹配时刻t的初始预测值与预测范围相结合得到的。
上述技术方案的有益效果是:通过分析每个萃取的过程指标下历史时间数据得到第一预测趋势,再结合利用平滑预测算法获取的预测最大值、预测最小值计算得到有效预测值,为指标参数智能调整提供数据支撑。
本发明实施例提供一种过程指标萃取及指标智能运行的系统,如图2所示,包括:
指标萃取模块:用于基于战略-客户诉求到指标战略分解,建立过程指标维度与过程指标梳理路径,来对过程指标智能萃取;
指标处理模块:建立过程指标监控规则;
风险警示模块:利用指标智能应用,结合所述过程指标监控规则对过程指标可视化展示以及指标风险智能判断与警示;
参数调整模块:通过大数据分析及机器学习方法对指标参数智能调整后,再利用过程指标监控,实现指标自动上架下架管理。
上述技术方案的有益效果是:解决了现有技术中指标考虑维度及要素缺失、指标策略缺失动态管理以及指标目标值缺失动态及时调整的问题,提高过程指标的智能运维管理效率的同时确保管控灵活有效。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种过程指标萃取及指标智能运行的方法,其特征在于,包括:
步骤1:基于战略-客户诉求到指标战略分解,建立过程指标维度与过程指标梳理路径,来对过程指标智能萃取;
步骤2:建立过程指标监控规则;
步骤3:利用指标智能应用,结合所述过程指标监控规则对过程指标可视化展示以及指标风险智能判断与警示;
步骤4:通过大数据分析及机器学习方法对指标参数智能调整后,再利用过程指标监控,实现指标自动上架下架管理。
2.根据权利要求1所述的一种过程指标萃取及指标智能运行的方法,其特征在于,基于战略-客户诉求到指标战略分解,建立过程指标维度与过程指标梳理路径,来对过程指标智能萃取,包括:
步骤11:基于战略-目标客户诉求解耦目标核心指标,并根据系统端到端的目标流程过程对目标核心指标进行分解支撑,形成指标支撑链路;
步骤12:基于目标理论知识类比生成目标维度;
步骤13:解析目标维度下的指标元素得到过程指标,形成过程指标库;
步骤14:基于所述过程指标库中每个过程指标的维度、元素以及每个过程指标基于指标支撑链路的位置所匹配的流程,向对应过程指标建立标签;
步骤15:基于标签建立结果与流程-指标稀缺关系,对过程指标智能萃取;
步骤16:根据智能萃取结果,形成新的可用过程指标库,再结合匹配的流程、维度以及元素形成目标过程指标矩阵。
3.根据权利要求2所述的一种过程指标萃取及指标智能运行的方法,其特征在于,基于标签建立结果与流程-指标稀缺关系,对过程指标智能萃取,包括:
步骤21:基于标签建立结果萃取三个目标维度标签均具备的过程指标;
步骤22:基于标签建立结果萃取包含两个目标维度标签的过程指标;
步骤23:基于标签建立结果将只有单个目标维度标签的过程指标与最匹配流程进行自动对应,对所述最匹配流程下对应过程指标数唯一的优先萃取;
若对应过程指标数并非唯一,对所述最匹配流程下的所有过程指标按照预设指标权重进行排序,且结合流程-指标稀缺关系在排序结果中进行双过程指标萃取;
步骤24:将指标库中的剩余未被萃取过程指标在过程指标库中标记为监控但不显示状态。
4.根据权利要求2所述的一种过程指标萃取及指标智能运行的方法,其特征在于,建立过程指标监控规则,包括:
配置指标目标值范围,并确定与监控指标实际值的第一对比结果;
建立第一对比结果与问题指标红灯显示的对应关系,形成指标问题可视化规则;
配置并建立指标风险特征参数与指标风险警示的对应关系,形成指标风险警示规则;
配置指标监控特征参数,并建立所述指标监控特征参数与指标参数智能调整的对应关系,形成指标智能调参规则:
配置指标上架、下架特征参数,并对连续稳态、连续达标、指标数量大于预设数量以及业务频次低于预设频次的指标状态特征进行分析;
建立所述指标状态特征的分析结果与指标上架下架的对应关系,形成指标智能上下架规则;
将指标问题可视化规则、指标风险警示规则、指标智能调参规则以及指标智能上下架规则相结合得到过程指标监控规则。
5.根据权利要求2所述的一种过程指标萃取及指标智能运行的方法,其特征在于,利用指标智能应用,结合所述过程指标监控规则对过程指标可视化展示以及指标风险智能判断与警示,包括:
通过指标智能应用且结合所述目标过程指标矩阵对每个维度下对应到具体流程的指标信息进行矩阵式可视化展示;
同时,基于指标问题可视化规则,将监控指标实际值与目标值范围对比,对于超出目标值范围的区间进行亮灯显示,并监控历史值;
根据历史值监控结果,若存在单一过程指标满足预设风险判定规则,则将所述单一过程指标标定为重点风险,并予以重点风险警示;
若存在相邻流程下相同维度的多个指标均满足预设风险判定规则,则将对应指标视为重点风险,并予对应指标维度风险重点警示;
若单一流程下出现超过2个维度的指标满足预设风险判定规则,则将对应目标值视为重点风险,并予以对应业务流程风险重点警示。
6.根据权利要求1所述的一种过程指标萃取及指标智能运行的方法,其特征在于,通过大数据分析及机器学习方法对指标参数智能调整后,再利用过程指标监控,实现指标自动上架下架管理,包括:
从指标标准数据库中提取预设时间长度下的历史数据,并进行数据筛选与处理后得到每个萃取的过程指标下的历史时间数据;
将每个萃取的过程指标下的历史时间数据的平均值与相应目标值对比,且结合对应值偏离区间,对相应萃取的过程指标的当前参数是否可调整进行判定;
当判定为可调整时,将相应的萃取的过程指标的监控指标有效值与有效阈值进行对比,得到当前调整方向;
在对应值偏离区间的基础上按照标准试算调整倍数进行依次范围试算,得到不同倍数下的试算当前范围;
基于每个萃取的过程指标下历史时间数据对目标值的匹配时刻的数据进行预测分析,且结合预测误差,得到所述匹配时刻下的有效预测值;
将不同倍数下的试算当前范围、有效预测值分别与目标值进行匹配分析,若存在任何一个不匹配,则取当前调整m倍最小单元的前面一个m-1倍最小单元倍数值;
当所述当前调整方向为调高时,结合试算平衡指数确定调整后标准值/>,其中,B0表示为标准原值,/>表示为(m-1)倍调整最小单位值;
当所述当前调整方向为调低时,确定调整后标准值;将计算得到的调整后标准值与预设调整阈值进行对比分析,若调整后标准值不大于预设调整阈值,则将对应调整后标准值传送给自动调整模式对相应萃取的过程指标下的目标值进行调整;
否则,对个m-1倍最小单元倍数值调节重新计算调整后标准值;
当调整完成后,运行过程指标监控按照新参数管理目标的达成情况;
对未达到预期的目标,按照预设时间周期对指标或参数回滚,以实现自动再调优;
利用过程指标监控对指标参数调整后的过程指标进行上下架的特征自动识别,得到特征识别结果;
对所述特征识别结果进行判定,若满足预设条件则将对应过程指标暂时列入后台监测与暂时下架;
对后台监控的过程指标进行特征识别,若存在监控的过程指标的特征与下架的过程指标的特征相反,则将对应监控的过程指标自动转为上架监控,并由后台转为前台可视化监控。
7.根据权利要求6所述的一种过程指标萃取及指标智能运行的方法,其特征在于,基于每个萃取的过程指标下历史时间数据对目标值的匹配时刻的数据进行预测分析,且结合预测误差,得到所述匹配时刻下的有效预测值,包括:
步骤31:筛选所述历史时间数据中离所述匹配时刻t最近的n个数据作为分析数据进行趋势分析,得到第一预测趋势;
步骤32:计算匹配时刻t之前与分析数据中最后一个数据所对应时刻中间时间段下的所有数据的历史平均值;
步骤33:基于平滑预测算法对第一预测趋势以及历史平均值进行分析得到匹配时刻t的初始预测值以及t-1时刻的初始预测值/>,同时,获取t-1时刻的实际值/>;
步骤34:结合误差因子确定历史误差/>,并得到匹配时刻t的预测范围/>;步骤35:将预测范围与匹配时刻t的初始预测值结合得到预测最大值与预测最小值,其公式如下:
;式中,/>表示为预测最大值;/>表示为调整预测因子;/>表示为预测最小值;/>表示历史平均值;/>表示基于/>以及/>的方差;/>表示基于第一预测趋势下的所有预测值的平均值;max表示最大值符号;min表示最小值符号;n表示为分析数据总个数;
步骤36:基于预测最大值与预测最小值,且结合所述第一预测趋势获取有效预测值,其计算公式如下:
式中,/>表示为匹配时刻t的有效预测值;/>以及/>表示为预测影响系数,且/>,,且/>是根据第一预测趋势确定的;/>表示为综合影响因子;/>表示为分析数据中大于预测最大值的数据个数;/>表示为分析数据中小于预测最小值的数据个数;/>表示基于第一预测趋势下的所有预测值的个数。
8.一种过程指标萃取及指标智能运行的系统,其特征在于,包括:
指标萃取模块:用于基于战略-客户诉求到指标战略分解,建立过程指标维度与过程指标梳理路径,来对过程指标智能萃取;
指标处理模块:建立过程指标监控规则;
风险警示模块:利用指标智能应用,结合所述过程指标监控规则对过程指标可视化展示以及指标风险智能判断与警示;
参数调整模块:通过大数据分析及机器学习方法对指标参数智能调整后,再利用过程指标监控,实现指标自动上架下架管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311515590.7A CN117252446B (zh) | 2023-11-15 | 2023-11-15 | 一种过程指标萃取及指标智能运行的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311515590.7A CN117252446B (zh) | 2023-11-15 | 2023-11-15 | 一种过程指标萃取及指标智能运行的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117252446A true CN117252446A (zh) | 2023-12-19 |
CN117252446B CN117252446B (zh) | 2024-02-13 |
Family
ID=89126686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311515590.7A Active CN117252446B (zh) | 2023-11-15 | 2023-11-15 | 一种过程指标萃取及指标智能运行的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117252446B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070156508A1 (en) * | 2006-01-05 | 2007-07-05 | Gilpin Brian M | Capacity management index system and method |
CN111105043A (zh) * | 2019-12-19 | 2020-05-05 | 浙江邦盛科技有限公司 | 一种基于指标维度实施银行业案件和操作风险防控的方法 |
CN112631258A (zh) * | 2020-12-29 | 2021-04-09 | 南京富岛信息工程有限公司 | 一种工业过程关键指标的故障预警方法 |
CN113369979A (zh) * | 2021-06-12 | 2021-09-10 | 杭州职业技术学院 | 一种基于云计算的在线监测数控车床冷却系统 |
CN114819654A (zh) * | 2022-04-29 | 2022-07-29 | 深圳供电局有限公司 | 一种企业运营监控预警方法及系统 |
WO2023004838A1 (zh) * | 2021-07-26 | 2023-02-02 | 大连理工大学 | 一种风电出力区间预测方法 |
CN115794532A (zh) * | 2021-09-09 | 2023-03-14 | 上海宝信软件股份有限公司 | 多指标智能动态阈值监控方法及系统 |
CN116415840A (zh) * | 2023-02-02 | 2023-07-11 | 北京三维天地科技股份有限公司 | 一种基于机器学习模型的指标自动预警方法及系统 |
CN116431997A (zh) * | 2023-04-19 | 2023-07-14 | 上海中通吉网络技术有限公司 | 一种运维监控领域的动态阈值计算方法、装置及设备 |
CN116739669A (zh) * | 2023-08-16 | 2023-09-12 | 成都一心航科技有限公司 | 一种ocpx广告实时监控系统以及监控方法 |
-
2023
- 2023-11-15 CN CN202311515590.7A patent/CN117252446B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070156508A1 (en) * | 2006-01-05 | 2007-07-05 | Gilpin Brian M | Capacity management index system and method |
CN111105043A (zh) * | 2019-12-19 | 2020-05-05 | 浙江邦盛科技有限公司 | 一种基于指标维度实施银行业案件和操作风险防控的方法 |
CN112631258A (zh) * | 2020-12-29 | 2021-04-09 | 南京富岛信息工程有限公司 | 一种工业过程关键指标的故障预警方法 |
CN113369979A (zh) * | 2021-06-12 | 2021-09-10 | 杭州职业技术学院 | 一种基于云计算的在线监测数控车床冷却系统 |
WO2023004838A1 (zh) * | 2021-07-26 | 2023-02-02 | 大连理工大学 | 一种风电出力区间预测方法 |
CN115794532A (zh) * | 2021-09-09 | 2023-03-14 | 上海宝信软件股份有限公司 | 多指标智能动态阈值监控方法及系统 |
CN114819654A (zh) * | 2022-04-29 | 2022-07-29 | 深圳供电局有限公司 | 一种企业运营监控预警方法及系统 |
CN116415840A (zh) * | 2023-02-02 | 2023-07-11 | 北京三维天地科技股份有限公司 | 一种基于机器学习模型的指标自动预警方法及系统 |
CN116431997A (zh) * | 2023-04-19 | 2023-07-14 | 上海中通吉网络技术有限公司 | 一种运维监控领域的动态阈值计算方法、装置及设备 |
CN116739669A (zh) * | 2023-08-16 | 2023-09-12 | 成都一心航科技有限公司 | 一种ocpx广告实时监控系统以及监控方法 |
Non-Patent Citations (1)
Title |
---|
万倩;谢峰;赵明;: "基于大数据的设备故障预测", 广播电视信息, no. 11, 15 November 2016 (2016-11-15), pages 71 - 73 * |
Also Published As
Publication number | Publication date |
---|---|
CN117252446B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105847598B (zh) | 呼叫中心多因子话务预测方法 | |
US20210073695A1 (en) | Production scheduling system and method | |
CN110889466B (zh) | 一种基于线损分类器的台区线损分析方法 | |
CN117151345A (zh) | 一种基于ai技术的企业管理智能决策平台 | |
CN114169766A (zh) | 一种工业产能分配的生产管理方法及系统 | |
CN115809794B (zh) | 基于瓶颈设备能力评估的生产计划管理方法、设备及介质 | |
US20230297037A1 (en) | Intellectual quality management method, electronic device and computer readable storage medium | |
JP2005085178A (ja) | 設備運用計画作成システム | |
CN111311132A (zh) | 一种运维服务质量数据分析决策支持系统 | |
CN116934043A (zh) | 一种动漫设计任务精细化管理系统 | |
CN115186964A (zh) | 计及主观评估数据的配电网线路风险预测系统及方法 | |
CN115796614A (zh) | 一种工业大脑处理系统、方法、电子设备及存储介质 | |
CN115860694A (zh) | 一种基于即时消息技术的业扩流程管控方法及系统 | |
CN113452852B (zh) | 机器外呼的数量调控方法、装置、电子设备及存储介质 | |
CN117252446B (zh) | 一种过程指标萃取及指标智能运行的方法及系统 | |
CN116739332B (zh) | 一种基于大数据的产业链智能管理方法、系统及介质 | |
CN116258280B (zh) | 一种基于时间序列聚类的短期负荷预测方法 | |
CN116308494A (zh) | 供应链需求预测方法 | |
CN114389962B (zh) | 宽带流失用户确定方法、装置、电子设备和存储介质 | |
CN110826829A (zh) | 一种基于大数据的智能计分排产的方法 | |
CN113988661A (zh) | 一种专变终端的用电分配方法、装置和设备 | |
CN112633660A (zh) | 一种多角度的失业风险预警装置及方法 | |
JP2003330523A (ja) | 生産ロス削減システム、生産ロス削減方法、およびコンピュータが読取可能な記録媒体 | |
CN112053026B (zh) | 一种船舶维修资源配置验证方法及装置 | |
CN113537760A (zh) | 一种故障处理预案智能推荐方法及系统 |
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 |