CN117422314A - 一种基于大数据分析的企业数据评估方法及设备 - Google Patents
一种基于大数据分析的企业数据评估方法及设备 Download PDFInfo
- Publication number
- CN117422314A CN117422314A CN202311743328.8A CN202311743328A CN117422314A CN 117422314 A CN117422314 A CN 117422314A CN 202311743328 A CN202311743328 A CN 202311743328A CN 117422314 A CN117422314 A CN 117422314A
- Authority
- CN
- China
- Prior art keywords
- trend
- investment
- enterprise
- business
- project
- 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 41
- 238000011157 data evaluation Methods 0.000 title claims abstract description 21
- 238000007405 data analysis Methods 0.000 title claims abstract description 15
- 230000008859 change Effects 0.000 claims abstract description 102
- 238000003062 neural network model Methods 0.000 claims abstract description 54
- 238000005516 engineering process Methods 0.000 claims description 13
- 230000008094 contradictory effect Effects 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000002441 reversible effect Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 11
- 238000012827 research and development Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000001497 healthy food Nutrition 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012356 Product development Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 235000013402 health food Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Accounting & Taxation (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于大数据分析的企业数据评估方法及设备,属于数据处理技术领域,用于解决在针对投资项目的预警监测过程中,企业数据评估准确率低的问题,方法包括:获取投资项目的历史企业数据序列;将历史企业数据序列输入投资项目所属项目类别的神经网络模型,输出投资项目在未来时长的业务变化趋向;将业务变化趋向与投资项目的业务期望趋向进行匹配;若匹配失败,确定投资项目的期望偏离分值;从行业公开信息中提取与投资项目相关的关联信息;根据关联信息确定投资项目的业务引导趋向,确定业务引导趋向与业务变化趋向之间的矛盾系数;根据矛盾系数,对投资项目的期望偏离分值进行补偿。提高企业数据评估准确率。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种基于大数据分析的企业数据评估方法及设备。
背景技术
随着企业的多元化发展,投资也成为了企业成长和发展不可或缺的一个环节。投资企业在对投资项目进行投资之后,通常需要对被投资企业上传的投资项目相关的企业数据进行风险预测,从而根据分析结果对投资项目进行风险预警。
目前,投资企业通常基于简单且通用的评估规则(比如,将被投资企业的项目成果与预设相应项目指标值进行一一对比)对所持有的不同投资项目进行风险预测,但是,由于不同投资项目的项目属性不同,导致所涉及的潜在风险影响关键因子是不同的,最终导致在针对投资项目的预警监测过程中,企业数据的风险评估准确率低。
发明内容
本申请实施例提供一种基于大数据分析的企业数据评估方法及设备,用于解决在针对投资项目的预警监测过程中,企业数据的风险评估准确率低的问题。
本申请实施例采用下述技术方案:
一方面,本申请实施例提供了一种基于大数据分析的企业数据评估方法,该方法包括:接收针对投资项目的企业数据评估请求,获取被投资企业在预设历史时长内与投资项目相关的历史企业数据序列;所述历史企业数据序列包括在不同时间点时,被投资企业每次上传的历史企业数据,历史企业数据类型包括产品技术数据、产品交易数据、产品人员数据;根据所述投资项目所属的项目类别,调用所述项目类别的预先训练的业务变化趋向预测神经网络模型;所述项目类别为技术产品类项目或非技术产品类项目;通过将所述历史企业数据序列输入所述业务变化趋向预测神经网络模型,输出所述投资项目在未来时长内的业务变化趋向;将所述业务变化趋向与预先生成的所述投资项目的业务期望趋向进行匹配;若匹配失败,根据匹配结果,确定所述投资项目的期望偏离分值;获取行业类别的行业公开信息,从所述行业公开信息中提取与所述投资项目相关的关联信息;通过将所述关联信息输入预先训练的业务引导趋向预测神经网络模型,输出所述投资项目的业务引导趋向,确定所述业务引导趋向与所述业务变化趋向之间的矛盾系数;根据所述矛盾系数,对所述投资项目的期望偏离分值进行补偿,以对所述投资项目进行风险预测。
一个示例中,所述获取被投资企业在预设历史时长内与投资项目相关的历史企业数据序列之前,所述方法还包括:获取多个被投资企业分别对应的关联企业;所述被投资企业与关联企业之间具有供应链合作关系、技术合作关系、控股关系;将每个被投资企业与每个关联企业确定为企业节点,以构建由多个企业节点和所述多个企业节点间的关联边构成的关系图谱;在所述关系图谱中,确定所述多个企业节点之间的潜在风险关联度;所述根据所述矛盾系数,对所述投资项目的期望偏离分值进行补偿,以对所述投资项目进行风险预测,具体包括:从所述关系图谱中,检索与所述被投资企业之间的潜在风险关联度超过预设关联阈值的关联企业节点,将所述关联企业节点确定为所述被投资企业的投资关联企业;识别所述投资关联企业是否属于投资企业的被投资企业;
若是,则根据所述投资关联企业的最近一次的历史风险预测结果,确定所述投资关联企业针对所述投资项目的潜在风险影响系数;根据所述潜在风险影响系数与矛盾系数,对所述投资项目的期望偏离分值进行补偿,以对所述投资项目进行风险预测。
一个示例中,所述方法还包括:若所述投资关联企业不属于投资企业的被投资企业,则从互联网平台获取所述投资关联企业的公开信息;通过将所述公开信息输入至预先训练的运营风险预测神经网络模型,输出所述投资关联企业的运营风险等级;在所述预先构建的运营风险等级映射表中,对所述运营风险等级进行匹配,以确定所述投资关联企业针对所述投资项目的潜在风险影响系数。
一个示例中,所述根据所述潜在风险影响系数与矛盾系数,对所述投资项目的期望偏离分值进行补偿,以对所述投资项目进行风险预测,具体包括:确定潜在风险影响系数的影响补偿权重以及矛盾系数的矛盾补偿权重;分别求取潜在风险影响系数与影响补偿权重之间的第一乘积,以及矛盾系数与矛盾补偿权重之间的第二乘积;对第一乘积与第二乘积进行求和,得到投资项目的期望偏离分值的补偿系数;通过求取补偿系数与期望偏离分值之间的乘积,得到投资项目的风险预测结果。
一个示例中,所述确定潜在风险影响系数的影响补偿权重以及矛盾系数的矛盾补偿权重,具体包括:若期望偏离分值低于预设偏离阈值时,求取期望偏离分值与预设偏离阈值之间的差值;求取所述差值与预设偏离阈值之间的比值,将所述比值确定为潜在风险影响系数的影响补偿权重;根据影响补偿权重,确定矛盾系数的矛盾补偿权重;影响补偿权重与矛盾补偿权重之和为1。
一个示例中,所述将所述业务变化趋向与预先生成的所述投资项目的业务期望趋向进行匹配,具体包括:将企业数据确定为空间直角坐标系的y轴,将企业数据的生成时间节点确定为x轴,生成各类型企业数据分别对应的业务期望曲线图;根据投资项目的业务变化趋向与历史企业数据序列,生成各类型企业数据分别对应的业务变化曲线图;将各类型企业数据的业务期望曲线图与业务变化曲线图分别进行拟合;在拟合成功时,将相应类型企业数据的匹配结果确定为匹配成功;在拟合失败时,将相应类型企业数据的匹配结果确定为匹配失败;在具有匹配失败的类型企业数据时,将投资项目的匹配结果确定为匹配失败。
一个示例中,所述根据匹配结果,确定所述投资项目的期望偏离分值,具体包括:将匹配失败类型企业数据的业务变化曲线图确定为偏离业务变化曲线图;确定偏离业务变化曲线图处于相应业务期望曲线图下方的时间区间;求取偏离业务变化曲线图在时间区间内与坐标轴之间的第一围成面积,以及相应业务期望曲线图在时间区间内与坐标轴之间的第二围成面积;求取第一围成面积与第二围成面积之间的面积差值;根据所述投资项目的项目类别,检索所述项目类别对应的期望偏离权重组合;期望偏离权重组合包括各类型企业数据的偏离权重;根据所述期望偏离权重组合对匹配失败类型企业数据的面积差值进行加权求和,得到投资项目的期望偏离分值。
一个示例中,所述确定所述业务引导趋向与所述业务变化趋向之间的矛盾系数,具体包括:为各类型企业数据的业务变化趋向分别确定为第一趋向特征值、第二趋向特征值;所述第一趋向特征值用于反映业务变化趋向为增长,所述第二趋向特征值用于反映业务变化趋向为下降;若所述业务引导趋向为正向引导,则将所述业务引导趋向确定为所述第一趋向特征值,若所述业务引导趋向为反向引导,则将所述业务引导趋向确定为所述第二趋向特征值;通过所述第一趋向特征值与所述第二趋向特征值,将各类型企业数据的业务变化趋向分别与所述业务引导趋向进行对比;根据对比结果,确定各类型企业数据的矛盾系数;将各类型企业数据的矛盾系数进行相加,得到所述业务引导趋向与所述业务变化趋向之间的矛盾系数。
一个示例中,所述根据所述投资项目所属的项目类别,调用所述项目类别的预先训练的业务变化趋向预测神经网络模型之前,所述方法还包括:获取各项目类别的样本投资项目的样本历史企业数据序列;以样本历史企业数据序列作为输入样本,以样本投资项目在未来时长内的业务变化趋向为样本标签,对神经网络模型进行监督训练;直至神经网络模型收敛,得到所述各项目类别的业务变化趋向预测神经网络模型。
另一方面,本申请实施例提供了一种基于大数据分析的企业数据评估设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:接收针对投资项目的企业数据评估请求,获取被投资企业在预设历史时长内与投资项目相关的历史企业数据序列;所述历史企业数据序列包括在不同时间点时,被投资企业每次上传的历史企业数据,历史企业数据类型包括产品技术数据、产品交易数据、产品人员数据;根据所述投资项目所属的项目类别,调用所述项目类别的预先训练的业务变化趋向预测神经网络模型;所述项目类别为技术产品类项目或非技术产品类项目;通过将所述历史企业数据序列输入所述业务变化趋向预测神经网络模型,输出所述投资项目在未来时长内的业务变化趋向;将所述业务变化趋向与预先生成的所述投资项目的业务期望趋向进行匹配;若匹配失败,根据匹配结果,确定所述投资项目的期望偏离分值;获取行业类别的行业公开信息,从所述行业公开信息中提取与所述投资项目相关的关联信息;通过将所述关联信息输入预先训练的业务引导趋向预测神经网络模型,输出所述投资项目的业务引导趋向,确定所述业务引导趋向与所述业务变化趋向之间的矛盾系数;根据所述矛盾系数,对所述投资项目的期望偏离分值进行补偿,以对所述投资项目进行风险预测。
另一方面,本申请实施例提供了一种基于大数据分析的企业数据评估非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:接收针对投资项目的企业数据评估请求,获取被投资企业在预设历史时长内与投资项目相关的历史企业数据序列;所述历史企业数据序列包括在不同时间点时,被投资企业每次上传的历史企业数据,历史企业数据类型包括产品技术数据、产品交易数据、产品人员数据;根据所述投资项目所属的项目类别,调用所述项目类别的预先训练的业务变化趋向预测神经网络模型;所述项目类别为技术产品类项目或非技术产品类项目;通过将所述历史企业数据序列输入所述业务变化趋向预测神经网络模型,输出所述投资项目在未来时长内的业务变化趋向;将所述业务变化趋向与预先生成的所述投资项目的业务期望趋向进行匹配;若匹配失败,根据匹配结果,确定所述投资项目的期望偏离分值;获取行业类别的行业公开信息,从所述行业公开信息中提取与所述投资项目相关的关联信息;通过将所述关联信息输入预先训练的业务引导趋向预测神经网络模型,输出所述投资项目的业务引导趋向,确定所述业务引导趋向与所述业务变化趋向之间的矛盾系数;根据所述矛盾系数,对所述投资项目的期望偏离分值进行补偿,以对所述投资项目进行风险预测。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:
通过为投资项目生成历史企业数据序列,以及划分不同项目类别的业务变化趋向预测神经网络模型,能够考虑到在企业数据之间相互影响时,所导致对各项目类别的不同潜在影响。进一步地,不针对业务变化趋向直接预测投资项目的风险,继续将投资项目在未来时长内的业务变化趋向与业务期望趋向进行匹配,能够准确地识别投资项目是否实现了项目期望,在不符合时,说明此时并没有达到期望结果,存在期望偏离分值,继续结合行业引导趋向作为影响因子,对期望偏离分值进行补偿,以更准确地对投资项目进行风险预测,从而在针对投资项目的预警监测过程中,提高企业数据的风险评估准确率。
附图说明
为了更清楚地说明本申请的技术方案,下面将结合附图来对本申请的部分实施例进行详细说明,附图中:
图1为本申请实施例提供的一种基于大数据分析的企业数据评估方法的流程示意图;
图2为本申请实施例提供的一种基于大数据分析的企业数据评估设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合具体实施例及相应的附图对本申请的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
下面参照附图来对本申请的一些实施例进行详细说明。
图1为本申请实施例提供的一种基于大数据分析的企业数据评估方法的流程示意图。该流程中的某些输入参数或者中间结果允许人工干预调节,以帮助提高准确性。
本申请实施例涉及的分析方法的实现可以为终端设备,也可以为服务器,本申请对此不作特殊限制。为了方便理解和描述,以下实施例均以服务器为例进行详细描述。
需要说明的是,该服务器可以是单独的一台设备,可以是有多台设备组成的系统,即,分布式服务器,本申请对此不做具体限定。
图1中的流程包括以下步骤:
S101:接收针对投资项目的企业数据评估请求,获取被投资企业在预设历史时长内与投资项目相关的历史企业数据序列。
其中,历史企业数据序列包括在不同时间点时,被投资企业每次上传的历史企业数据,历史企业数据的类型包括产品技术数据、产品交易数据、产品人员数据三种类型。
其中,产品技术数据包括产品研发进度,产品质量数据等,产品交易数据包括产品销售数据、产品成本数据、产品利润数据等,产品人员数据包括产品管理人员、产品管理人员数量、产品技术人员、产品技术人员数量等。
需要说明的是,产品技术数据、产品交易数据、产品人员数据是指产品在最近上次上传时间点与当前上传时间点之间所对应的数据,比如,产品在1月份开始投入研发,被投资企业在4月份上传的产品技术数据则包括产品从1月份至4月份为止的研发进度,被投资企业在7月份上传的产品技术数据则包括产品从4月份至7月份为止的研发进度。
需要说明的是,在固定的时间间隔内,被投资企业向企业数据评估系统上传与投资项目相关的历史企业数据,从而将历史企业数据输出至该投资项目对应的历史企业数据序列。比如,被投资企业每隔3个月对投资项目的企业数据进行上传。
需要说明的是,历史企业数据序列能够用于反映投资项目的变化情况,比如,投资项目的变化情况包括投资项目的研发成果呈现稳定上升状态、投资项目的产品利润数据呈现下降状态、投资项目的技术骨干人员离职等等。在不存在突然意外的情况下,投资项目的短期未来企业数据与历史企业数据是息息相关的。
此外,投资项目包括技术产品类项目、非技术产品类项目。技术产品类项目的竞争力主要与技术先进程度相关,比如,技术产品类项目包括汽车无人驾驶项目、快递包裹追踪技术项目、电动车充电设施项目等。但是,非技术产品的竞争力与产品自身技术的关联不大,而是主要与消费服务相关,比如,非技术产品类项目包括新型健康餐饮品牌项目、园林旅游项目等。
需要说明的是,在投资企业对投资项目进行投入时,投资项目的产品状态可能已经研发完成,进入交易阶段,也可能还处于研发过程状态,未进入交易阶段。另外,投资企业在对处于研发过程的投资项目进行投入时,投资项目所处于的研发时长也不同,比如,新型健康餐饮品牌项目从研发阶段到交易阶段的周期较短,而汽车无人驾驶项目从研发阶段到交易阶段的周期相对更长。
S102:根据所述投资项目所属的项目类别,调用所述项目类别的预先训练的业务变化趋向预测神经网络模型。
在本申请的一些实施例中,不同类型的企业数据之间也具有影响,比如,针对技术产品类项目,如果技术骨干人员离职,则极大可能导致产品研发进度缓慢,从而造成投资项目的研发成果出现停滞不前的状态。而针对不同的项目类别,由于企业数据之间的相对影响程度不同,导致即使在投资项目的变化情况相同的前提下,不同项目类别在短期未来的业务变化趋向也可能存在差异性。
比如,针对新型健康餐饮品牌项目,由于是利用目前现有技术设备进行操作,因此,在新型健康餐饮品牌项目的技术人员离职的情况下,对产品技术数据造成的影响,相对于汽车无人驾驶项目的技术人员离职的情况下,对产品技术数据造成的影响,前者影响要比后者影响相对要小的多。
基于此,预先构建不同项目类别各自的业务变化趋向预测神经网络模型。
具体地,首先,获取各项目类别的样本投资项目的样本历史企业数据序列。然后,以样本历史企业数据序列作为输入样本,以样本投资项目在未来时长内的业务变化趋向为样本标签,对神经网络模型进行监督训练,直至神经网络模型收敛,得到各项目类别的业务变化趋向预测神经网络模型。
需要说明的是,神经网络模型可以根据实际需要进行选择,比如,为卷积神经网络时,卷积神经网络可以包括输入层、卷积层、全连接层。
其中,输入层用于对样本历史企业数据序列进行输入,能够将一维样本历史企业数据转换为转换为m行n列d深度二维特征矩阵,m与n之间的乘积为原始输入特征的大小,d为通道数量。
卷积层,能够对样本历史企业数据序列进行卷积,通过激活函数输出,其中,卷积核大小和卷积核数量可以根据实际选择进行设置,比如,卷积核为3*3的窗口,卷积核数量为20,激活函数采用Relu函数。此外,可以采用多层卷积,从而使得学习得到的特征不是局部的。
全连接的softmax预测层,输出样本投资项目的业务变化趋向。
此外,也可以为长短期记忆网络,其中,长短期记忆网络LSTM在处理长序列数据时能够更好地捕捉到长期依赖关系,长短期记忆网络的第一阶段为遗忘门,确定哪些信息需要被遗忘,遗忘门将上一层的输出和本层要输入的样本历史企业数据序列的数据作为输入,通过激活函数sigmoid进行输出。第二阶段为输入门,确定哪些新信息能够被保留,第三阶段为输出门,确定输出样本投资项目的业务变化趋向。
S103:通过将所述历史企业数据序列输入所述业务变化趋向预测神经网络模型,输出所述投资项目在未来时长内的业务变化趋向。
比如,业务变化趋向包括产品在未来时长内的产品技术数据、产品交易数据、产品人员数据,比如,包括产品在未来时长内的研发进度、产品在未来时长内的质量数据、产品在未来时长内的利润数据、产品在未来时长内的销售数据、产品在未来时长内的成本数据、未来时长内的产品技术人员、未来时长内的产品技术人员数量、未来时长内的产品管理人员、未来时长内的产品管理人员数量等。
S104:将所述业务变化趋向与预先生成的所述投资项目的业务期望趋向进行匹配。
在本申请的一些实施例中,在投资过程中,拉取投资的企业将会制作项目可行性报告,在项目可行性报告中包括项目简介、市场分析、项目可行性、投资回报预测。
其中,市场分析包括市场需求、竞争环境。投资回报预测用于展示投资项目在不同时间节点的利润回报。
其中,项目可行性包括技术可行性,针对非技术产品类项目,技术可行性可以用于展示非技术产品类项目所应用的科技设备,针对技术产品类项目,技术可行性可以用于展示产品研发能力、在不同时间节点的产品研发进度信息、产品质量数据以及产品管理人员信息、产品技术人员信息等。
在项目可行性报告通过后,投资企业为该企业投资,从而该企业成为投资企业的被投资企业。
基于此,对项目可行性报告进行关键词语义提取分析,生成投资项目的业务期望趋向,将投资项目的业务期望趋向输出至投资企业的业务期望趋向数据库。
需要说明的是,对项目可行性报告进行关键词语义提取分析可以根据实际需要进行设置,比如,通过LDA主题模型关键词提取,基于项目可行性报告中单词的共现关系,对单词按主题进行聚类,从而得到不同类型的期望企业数据。比如,产品质量数据、产品交易数据。
比如,业务期望趋向中的期望企业数据包括产品在不同时间点的期望研发进度、产品在不同时间点的期望质量数据、产品在不同时间点的期望利润数据、产品在不同时间点的期望销售数据、产品在不同时间点的期望成本数据、产品技术人员的个人简介、产品技术人员数量、产品管理人员的个人简介、产品管理人员数量等。
因此,在将业务变化趋向与投资项目的业务期望趋向进行匹配时,针对每种类型的企业数据分别进行匹配,在投资项目的企业数据所表示的结果符合业务期望趋向中的相应结果时,则确定该类型的企业数据匹配成功,反之,则确定该业务类型的企业数据匹配失败。
比如,在A时间点的产品利润值高于或者等于业务期望趋向中对应A时间点的期望产品利润值时,则确定产品利润数据符合业务期望趋向中的相应结果。
具体地,首先,将企业数据确定为空间直角坐标系的y轴,将企业数据的生成时间节点确定为x轴。基于此,通过业务期望趋向中的期望企业数据,生成各类型企业数据分别对应的业务期望曲线图。即,在业务期望曲线图中,生成时间节点是指企业数据在理论上的生成时间节点。
然后,根据投资项目的业务变化趋向与历史企业数据序列,生成各类型企业数据分别对应的业务变化曲线图。同样,业务变化曲线图的y轴为企业数据,x轴为企业数据的生成时间节点。即,在业务变化曲线图中,生成时间节点包括历史企业数据实际生成的时间节点,以及预测企业数据在理论上的生成时间节点。
需要说明的是,由于业务变化趋向是通过预测得到,因此,为了防止预测数据出现误差,结合历史企业数据序列,对业务期望趋向进行匹配。
最后,将各类型企业数据的业务期望曲线图与业务变化曲线图分别进行拟合,在拟合成功时,将相应类型企业数据的匹配结果确定为匹配成功。反之,在拟合失败时,将相应类型企业数据的匹配结果确定为匹配失败。
需要说明的是,将各类型企业数据的业务期望曲线图与业务变化曲线图分别进行拟合的过程中,通过计算业务变化曲线图上的各数据点与业务期望曲线图之间的距离,并对距离进行求和,得到业务期望曲线图与业务变化曲线图之间的拟合度。其中,数据点处于业务期望曲线图下方时,距离为负,数据点处于业务期望曲线图上方时,距离为正。
在拟合度大于或者等于预设拟合阈值时,则确定拟合成功。在拟合度小于预设拟合阈值时,则确定拟合失败。
进一步地,在产品技术数据、产品交易数据、产品人员数据均匹配成功时,则确定投资项目的业务变化趋向匹配成功,反之,则确定投资项目的业务变化趋向匹配失败。
需要说明的是,由于业务期望趋向肯定是向上发展的,因此,在匹配失败时,则说明投资项目在当前时间点或未来短时长内,极有可能存在低于预先期望的情况,即,出现了期望偏离。
S105:若匹配失败,根据匹配结果,确定所述投资项目的期望偏离分值。
具体地,确定投资项目的期望偏离分值过程如下:
首先,将匹配失败类型企业数据的业务变化曲线图确定为偏离业务变化曲线图。
然后,确定偏离业务变化曲线图处于相应业务期望曲线图下方的时间区间。然后,求取偏离业务变化曲线图在时间区间内与坐标轴之间的第一围成面积,以及相应业务期望曲线图在时间区间内与坐标轴之间的第二围成面积。然后,求取第一围成面积与第二围成面积之间的面积差值。
然后,根据所述投资项目的项目类别,检索所述项目类别对应的期望偏离权重组合。预先设定的期望偏离权重组合包括各类型企业数据的偏离权重。然后,根据期望偏离权重组合对匹配失败类型企业数据的面积差值进行加权求和,得到投资项目的期望偏离分值。
需要说明的是,在不同项目类别下,基于不同类型的企业数据之间影响程度,设置各类型企业数据分别对应的偏离权重。比如,针对技术产品类项目,产品技术数据、产品交易数据、产品人员数据之间的偏离权重相同,针对非技术产品类项目,产品交易数据的偏离权重大于产品人员数据的偏离权重,产品人员数据的偏离权重大于产品技术数据的偏离权重。
S106:获取行业类别的行业公开信息,从所述行业公开信息中提取与所述投资项目相关的关联信息。
在本申请的一些实施例中,在匹配失败时,则说明投资项目没有达到期望结果,比如,针对技术产品类项目的开发阶段,产品研发进度缓慢,或者在交易阶段,产品交易数据差。
但是,由于投资项目与所属行业趋向是具有联系的,比如,在投资项目符合所属行业趋向时,投资项目更有益于符合期望结果,而在投资项目不符合所属行业趋向时,投资项目更容易不符合期望结果。
基于此,在匹配失败时,继续挖掘出行业趋向对企业数据的潜在风险影响,从而挖掘出历史企业数据是否受到行业趋向的影响,以及由于行业趋向所导致企业数据的未来潜在风险。
需要说明的是,可以采用关键词提取方式,从行业公开信息中提取与投资项目相关的关联信息。比如,投资项目为汽车无人驾驶,则将关键词设置为汽车无人驾驶,从而提取出具有汽车无人驾驶的文章信息。
S107:通过将所述关联信息输入预先训练的业务引导趋向预测神经网络模型,输出所述投资项目的业务引导趋向,确定所述业务引导趋向与所述业务变化趋向之间的矛盾系数。
在本申请的一些实施例中,将关联信息输入预先训练的业务引导趋向预测神经网络模型,输出得到投资项目的业务引导趋向。比如,业务引导趋向可以包括正向引导、反向引导两种引导类型。
其中,获取样本投资项目的在行业公开信息中的样本关联信息,将样本关联信息作为输入样本,将业务引导趋向作为样本标签,对业务引导趋向预测神经网络模型进行监督训练,直至业务引导趋向预测神经网络模型收敛,得到业务引导趋向预测神经网络模型。
需要说明的是,业务引导趋向预测神经网络模型的神经网络结构参见业务变化趋向预测神经网络模型的神经网络结构,在此不再进行描述。
基于此,为各类型企业数据的业务变化趋向确定为第一趋向特征值或者第二趋向特征值;第一趋向特征值用于反映业务变化趋向为增长,第二趋向特征值用于业务变化趋向为下降。
比如,产品质量数据的业务变化趋向为增长,产品销售数据的业务变化趋向为下降。
若业务引导趋向为正向引导,则将业务引导趋向确定为第一趋向特征值,若业务引导趋向为反向引导,则将业务引导趋向确定为第二趋向特征值。
然后,将各类型企业数据的业务变化趋向与业务引导趋向进行对比,根据对比结果,确定各类型企业数据的矛盾系数。
需要说明的是,在类型企业数据的业务变化趋向为第一趋向特征值,业务引导趋向为第二趋向特征值时,该类型企业数据的矛盾系数大于1。在业务变化趋向为第二趋向特征值,业务引导趋向为第二趋向特征值时,该类型企业数据的矛盾系数大于1。反之,则矛盾系数大于0且小于1。
然后,将各类型企业数据的矛盾系数进行相加,得到业务引导趋向与业务变化趋向之间的矛盾系数。
S108:根据所述矛盾系数,对所述投资项目的期望偏离分值进行补偿,以对所述投资项目进行风险预测。
在本申请的一些实施例中,由于企业与企业之间是具有关联的,比如,A企业为C企业的分公司,那么此时A公司的运营,对C公司是具有直接影响的。基于此,预先构建投资企业下所有被投资企业的关系图谱。
具体地,首先,获取多个被投资企业分别对应的关联企业。其中,被投资企业与关联企业之间具有供应链合作关系、技术合作关系、控股关系。
然后,将每个被投资企业与每个关联企业确定为企业节点,以构建由多个企业节点和多个企业节点间的关联边构成的关系图谱。
然后,在关系图谱中,确定多个企业节点之间的潜在风险关联度。
其中,边可以表示供应链合作关系、技术合作关系、控股关系,权重可以是边上的一个数据结构,比如,技术合作数量。
基于此,在具有供应链合作数据时,设置第一潜在风险关联值,在不具有供应链合作数据时,设置第二潜在风险关联值,在具有技术合作数据时,设置第三潜在风险关联值,在不具有技术合作数据时,设置第四潜在风险关联值,在具有控股数据时,设置第五潜在风险关联值,在不具有控股数据时,设置第六潜在风险关联值。其中,第一潜在风险关联值大于第二潜在风险关联值,第三潜在风险关联值大于第四潜在风险关联值,第五潜在风险关联值大于第六潜在风险关联值。
基于此,从而将企业节点之间所具有的潜在风险关联值进行求和,基于求和结果,在映射关联表中,匹配对应的潜在风险关联度。
需要说明的是,潜在风险关联度是指A企业节点存在运营风险时,对B企业节点带来的潜在风险。潜在风险关联度越大,说明A企业节点发生运营风险后,给B企业节点带来的潜在危险越大。
基于此,从关系图谱中,检索与被投资企业之间的潜在风险关联度超过预设关联阈值的关联企业节点,将关联企业节点确定为被投资企业的投资关联企业。
然后,识别投资关联企业是否属于投资企业的被投资企业。
若是,则根据投资关联企业的最近一次的历史风险预测结果,确定投资关联企业针对投资项目的潜在风险影响系数。
需要说明的是,基于历史风险预测结果,确定投资关联企业的风险等级,在风险等级映射表中,对风险等级进行匹配,得到对应的潜在风险影响系数。其中,风险等级越高,潜在风险影响系数越高。
最后,根据潜在风险影响系数与矛盾系数,对投资项目的期望偏离分值进行补偿,以对投资项目进行风险预测。
需要说明的是,若所述投资关联企业不属于投资企业的被投资企业,则无法直接获取到投资关联企业的企业数据。
因此,从互联网平台获取投资关联企业的公开信息。然后,通过将公开信息输入至预先训练的运营风险预测神经网络模型,输出投资关联企业的运营风险等级。然后,在预先构建的运营风险等级映射表中,对运营风险等级进行匹配,以确定投资关联企业针对投资项目的潜在风险影响系数。
需要说明的是,运营风险等级越低,则说明投资关联企业的运营风险程度越高,运营风险等级低于预设等级时,潜在风险影响系数大于0且小于1,运营风险等级高于或等于预设等级时,潜在风险影响系数大于1。
其中,获取样本投资关联企业的样本公开信息,将样本公开信息作为输入样本,将运营风险等级作为样本标签,对运营风险预测神经网络模型的架构进行监督训练,直至运营风险预测神经网络模型收敛。
需要说明的是,运营风险预测神经网络模型的神经网络结构参见业务变化趋向预测神经网络模型的神经网络结构,在此不再进行描述。
在本申请的一些实施例中,根据潜在风险影响系数与矛盾系数,对投资项目的期望偏离分值进行补偿的具体过程如下:
首先,确定潜在风险影响系数的影响补偿权重以及矛盾系数的矛盾补偿权重。
然后,分别求取潜在风险影响系数与影响补偿权重之间的第一乘积,以及矛盾系数与矛盾补偿权重之间的第二乘积。
然后,对第一乘积与第二乘积进行求和,得到投资项目的期望偏离分值的补偿系数;
最后,通过求取补偿系数与期望偏离分值之间的乘积,得到投资项目的风险预测结果。即,求取补偿系数与期望偏离分值之间的乘积,得到投资项目的潜在风险分值。补偿系数越高,潜在风险分值越高,潜在风险分值越高,说明投资项目的风险越高。
在本申请的一些实施例中,若期望偏离分值低于预设偏离阈值时,说明此时投资项目相对符合期望结果,抗风险能力比较强,因此,抗风险能力越强,短期内行业引导趋向的变化对投资项目产生的影响相对更小一些。若期望偏离分值高于或等于预设偏离阈值时,说明此时投资项目已经出现不符合预先设定的期望,极有可能对投资企业造成潜在风险,此时应重视行业引导趋向的变化,此外,非技术产品类项目更容易在短期内受行业引导趋向变化的影响,比如,园林旅游项目。
因此,在确定潜在风险影响系数的影响补偿权重以及矛盾系数的矛盾补偿权重时,具体过程如下:
一方面,若期望偏离分值低于预设偏离阈值时,求取期望偏离分值与预设偏离阈值之间的差值。然后,求取差值与预设偏离阈值之间的比值,将比值确定为潜在风险影响系数的影响补偿权重。然后,根据影响补偿权重,确定矛盾系数的矛盾补偿权重。
可见,在投资项目的期望偏离分值越低时,矛盾补偿权重占比越小。需要说明的是,影响补偿权重与矛盾补偿权重之和为1。
另一方面,若期望偏离分值高于或等于预设偏离阈值时,则根据投资项目的项目类别,检索预先生成的补偿权重组合。比如,针对技术产品类项目,影响补偿权重大于矛盾补偿权重,针对非技术产品类项目,影响补偿权重小于或等于矛盾补偿权重。需要说明的是,影响补偿权重与矛盾补偿权重之和为1。
在本申请的一些实施例中,若业务变化趋向与投资项目的业务期望趋向匹配成功,则说明投资项目相对符合期望结果。通常,由于被投资企业大部分具有产业链发展,或者具有多个项目,虽然,被投资企业的运营情况与投资项目之间实际上并没有直接的因果关系,但是,某种程度上也同样会间接影响到投资项目的运行。
基于此,若业务变化趋向与投资项目的业务期望趋向匹配成功,则获取被投资企业的企业公开信息。比如,企业股权变更、企业负面新闻、企业扩大规模等。
然后,通过将所述企业公开信息输入上述运营神经网络模型模型,输出被投资企业在未来时长内的运营风险等级。
然后,在运营风险等级低于预设等级时,则生成投资项目的潜在价值分析报告,在风险等级高于或者等于预设等级时,则根据运营风险等级生成投资项目的潜在风险分值。运营风险等级越高,则潜在风险分值越高。
需要说明的是,虽然本申请实施例是参照图1来对步骤S101至步骤S108依次进行介绍说明的,但这并不代表步骤S101至步骤 S108必须按照严格的先后顺序执行。本申请实施例之所以按照图1中所示的顺序对步骤 S101至步骤 S108依次进行介绍说明,是为了方便本领域技术人员理解本申请实施例的技术方案。换句话说,在本申请实施例中,步骤S101至步骤 S108之间的先后顺序可以根据实际需要进行适当调整。
通过图1的方法,通过为投资项目生成历史企业数据序列,以及划分不同项目类别的业务变化趋向预测神经网络模型,能够考虑到在企业数据之间相互影响时,所导致对各项目类别的不同潜在影响。进一步地,不针对业务变化趋向直接预测投资项目的风险,继续将投资项目在未来时长内的业务变化趋向与业务期望趋向进行匹配,能够准确地识别投资项目是否实现了项目期望,在不符合时,说明此时并没有达到期望结果,存在期望偏离分值,继续结合行业引导趋向作为影响因子,对期望偏离分值进行补偿,以更准确地对投资项目进行风险预测,从而在针对投资项目的预警监测过程中,提高投资项目的企业数据评估准确率。
基于同样的思路,本申请的一些实施例还提供了上述方法对应的设备和非易失性计算机存储介质。
图2为本申请实施例提供的一种基于大数据分析的企业数据评估设备的结构示意图,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
接收针对投资项目的企业数据评估请求,获取被投资企业在预设历史时长内与投资项目相关的历史企业数据序列;所述历史企业数据序列包括在不同时间点时,被投资企业每次上传的历史企业数据,历史企业数据类型包括产品技术数据、产品交易数据、产品人员数据;
根据所述投资项目所属的项目类别,调用所述项目类别的预先训练的业务变化趋向预测神经网络模型;所述项目类别为技术产品类项目或非技术产品类项目;
通过将所述历史企业数据序列输入所述业务变化趋向预测神经网络模型,输出所述投资项目在未来时长内的业务变化趋向;
将所述业务变化趋向与预先生成的所述投资项目的业务期望趋向进行匹配;
若匹配失败,根据匹配结果,确定所述投资项目的期望偏离分值;
获取行业类别的行业公开信息,从所述行业公开信息中提取与所述投资项目相关的关联信息;
通过将所述关联信息输入预先训练的业务引导趋向预测神经网络模型,输出所述投资项目的业务引导趋向,确定所述业务引导趋向与所述业务变化趋向之间的矛盾系数;
根据所述矛盾系数,对所述投资项目的期望偏离分值进行补偿,以对所述投资项目进行风险预测。
本申请的一些实施例提供的一种基于大数据分析的企业数据评估非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
接收针对投资项目的企业数据评估请求,获取被投资企业在预设历史时长内与投资项目相关的历史企业数据序列;所述历史企业数据序列包括在不同时间点时,被投资企业每次上传的历史企业数据,历史企业数据类型包括产品技术数据、产品交易数据、产品人员数据;
根据所述投资项目所属的项目类别,调用所述项目类别的预先训练的业务变化趋向预测神经网络模型;所述项目类别为技术产品类项目或非技术产品类项目;
通过将所述历史企业数据序列输入所述业务变化趋向预测神经网络模型,输出所述投资项目在未来时长内的业务变化趋向;
将所述业务变化趋向与预先生成的所述投资项目的业务期望趋向进行匹配;
若匹配失败,根据匹配结果,确定所述投资项目的期望偏离分值;
获取行业类别的行业公开信息,从所述行业公开信息中提取与所述投资项目相关的关联信息;
通过将所述关联信息输入预先训练的业务引导趋向预测神经网络模型,输出所述投资项目的业务引导趋向,确定所述业务引导趋向与所述业务变化趋向之间的矛盾系数;
根据所述矛盾系数,对所述投资项目的期望偏离分值进行补偿,以对所述投资项目进行风险预测。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备和介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请技术原理之内所作的任何修改、等同替换、改进等,均应落入本申请的保护范围之内。
Claims (10)
1.一种基于大数据分析的企业数据评估方法,其特征在于,所述方法包括:
接收针对投资项目的企业数据评估请求,获取被投资企业在预设历史时长内与投资项目相关的历史企业数据序列;所述历史企业数据序列包括在不同时间点时,被投资企业每次上传的历史企业数据,历史企业数据类型包括产品技术数据、产品交易数据、产品人员数据;
根据所述投资项目所属的项目类别,调用所述项目类别的预先训练的业务变化趋向预测神经网络模型;所述项目类别为技术产品类项目或非技术产品类项目;
通过将所述历史企业数据序列输入所述业务变化趋向预测神经网络模型,输出所述投资项目在未来时长内的业务变化趋向;
将所述业务变化趋向与预先生成的所述投资项目的业务期望趋向进行匹配;
若匹配失败,根据匹配结果,确定所述投资项目的期望偏离分值;
获取行业类别的行业公开信息,从所述行业公开信息中提取与所述投资项目相关的关联信息;
通过将所述关联信息输入预先训练的业务引导趋向预测神经网络模型,输出所述投资项目的业务引导趋向,确定所述业务引导趋向与所述业务变化趋向之间的矛盾系数;
根据所述矛盾系数,对所述投资项目的期望偏离分值进行补偿,以对所述投资项目进行风险预测。
2.根据权利要求1所述的方法,其特征在于,所述获取被投资企业在预设历史时长内与投资项目相关的历史企业数据序列之前,所述方法还包括:
获取多个被投资企业分别对应的关联企业;所述被投资企业与关联企业之间具有供应链合作关系、技术合作关系、控股关系;
将每个被投资企业与每个关联企业确定为企业节点,以构建由多个企业节点和所述多个企业节点间的关联边构成的关系图谱;
在所述关系图谱中,确定所述多个企业节点之间的潜在风险关联度;
所述根据所述矛盾系数,对所述投资项目的期望偏离分值进行补偿,以对所述投资项目进行风险预测,具体包括:
从所述关系图谱中,检索与所述被投资企业之间的潜在风险关联度超过预设关联阈值的关联企业节点,将所述关联企业节点确定为所述被投资企业的投资关联企业;
识别所述投资关联企业是否属于投资企业的被投资企业;
若是,则根据所述投资关联企业的最近一次的历史风险预测结果,确定所述投资关联企业针对所述投资项目的潜在风险影响系数;
根据所述潜在风险影响系数与矛盾系数,对所述投资项目的期望偏离分值进行补偿,以对所述投资项目进行风险预测。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
若所述投资关联企业不属于投资企业的被投资企业,则从互联网平台获取所述投资关联企业的公开信息;
通过将所述公开信息输入至预先训练的运营风险预测神经网络模型,输出所述投资关联企业的运营风险等级;
在预先构建的运营风险等级映射表中,对所述运营风险等级进行匹配,以确定所述投资关联企业针对所述投资项目的潜在风险影响系数。
4.根据权利要求2所述的方法,其特征在于,所述根据所述潜在风险影响系数与矛盾系数,对所述投资项目的期望偏离分值进行补偿,以对所述投资项目进行风险预测,具体包括:
确定潜在风险影响系数的影响补偿权重以及矛盾系数的矛盾补偿权重;
分别求取潜在风险影响系数与影响补偿权重之间的第一乘积,以及矛盾系数与矛盾补偿权重之间的第二乘积;
对第一乘积与第二乘积进行求和,得到投资项目的期望偏离分值的补偿系数;
通过求取补偿系数与期望偏离分值之间的乘积,得到所述投资项目的风险预测结果。
5.根据权利要求4所述的方法,其特征在于,所述确定潜在风险影响系数的影响补偿权重以及矛盾系数的矛盾补偿权重,具体包括:
若期望偏离分值低于预设偏离阈值时,求取期望偏离分值与预设偏离阈值之间的差值;
求取所述差值与预设偏离阈值之间的比值,将所述比值确定为潜在风险影响系数的影响补偿权重;
根据影响补偿权重,确定矛盾系数的矛盾补偿权重;影响补偿权重与矛盾补偿权重之和为1。
6.根据权利要求1所述的方法,其特征在于,所述将所述业务变化趋向与预先生成的所述投资项目的业务期望趋向进行匹配,具体包括:
将企业数据确定为空间直角坐标系的y轴,将企业数据的生成时间节点确定为x轴,生成各类型企业数据分别对应的业务期望曲线图;
根据投资项目的业务变化趋向与历史企业数据序列,生成各类型企业数据分别对应的业务变化曲线图;
将各类型企业数据的业务期望曲线图与业务变化曲线图分别进行拟合;
在拟合成功时,将相应类型企业数据的匹配结果确定为匹配成功;
在拟合失败时,将相应类型企业数据的匹配结果确定为匹配失败;
在具有匹配失败的类型企业数据时,将投资项目的匹配结果确定为匹配失败。
7.根据权利要求6所述的方法,其特征在于,所述根据匹配结果,确定所述投资项目的期望偏离分值,具体包括:
将匹配失败类型企业数据的业务变化曲线图确定为偏离业务变化曲线图;
确定偏离业务变化曲线图处于相应业务期望曲线图下方的时间区间;
求取偏离业务变化曲线图在时间区间内与坐标轴之间的第一围成面积,以及相应业务期望曲线图在时间区间内与坐标轴之间的第二围成面积;
求取第一围成面积与第二围成面积之间的面积差值;
根据所述投资项目的项目类别,检索所述项目类别对应的期望偏离权重组合;期望偏离权重组合包括各类型企业数据的偏离权重;
根据所述期望偏离权重组合对匹配失败类型企业数据的面积差值进行加权求和,得到投资项目的期望偏离分值。
8.根据权利要求1所述的方法,其特征在于,所述确定所述业务引导趋向与所述业务变化趋向之间的矛盾系数,具体包括:
为各类型企业数据的业务变化趋向分别确定为第一趋向特征值或第二趋向特征值;所述第一趋向特征值用于反映业务变化趋向为增长,所述第二趋向特征值用于反映业务变化趋向为下降;
若所述业务引导趋向为正向引导,则将所述业务引导趋向确定为所述第一趋向特征值,若所述业务引导趋向为反向引导,则将所述业务引导趋向确定为所述第二趋向特征值;
通过所述第一趋向特征值与所述第二趋向特征值,将各类型企业数据的业务变化趋向与所述业务引导趋向分别进行对比;
根据对比结果,确定各类型企业数据的矛盾系数;
将各类型企业数据的矛盾系数进行相加,得到所述业务引导趋向与所述业务变化趋向之间的矛盾系数。
9.根据权利要求1所述的方法,其特征在于,所述根据所述投资项目所属的项目类别,调用所述项目类别的预先训练的业务变化趋向预测神经网络模型之前,所述方法还包括:
获取各项目类别的样本投资项目的样本历史企业数据序列;
以样本历史企业数据序列作为输入样本,以样本投资项目在未来时长内的业务变化趋向为样本标签,对神经网络模型进行监督训练;
直至神经网络模型收敛,得到所述各项目类别的业务变化趋向预测神经网络模型。
10.一种基于大数据分析的企业数据评估设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
接收针对投资项目的企业数据评估请求,获取被投资企业在预设历史时长内与投资项目相关的历史企业数据序列;所述历史企业数据序列包括在不同时间点时,被投资企业每次上传的历史企业数据,历史企业数据类型包括产品技术数据、产品交易数据、产品人员数据;
根据所述投资项目所属的项目类别,调用所述项目类别的预先训练的业务变化趋向预测神经网络模型;所述项目类别为技术产品类项目或非技术产品类项目;
通过将所述历史企业数据序列输入所述业务变化趋向预测神经网络模型,输出所述投资项目在未来时长内的业务变化趋向;
将所述业务变化趋向与预先生成的所述投资项目的业务期望趋向进行匹配;
若匹配失败,根据匹配结果,确定所述投资项目的期望偏离分值;
获取行业类别的行业公开信息,从所述行业公开信息中提取与所述投资项目相关的关联信息;
通过将所述关联信息输入预先训练的业务引导趋向预测神经网络模型,输出所述投资项目的业务引导趋向,确定所述业务引导趋向与所述业务变化趋向之间的矛盾系数;
根据所述矛盾系数,对所述投资项目的期望偏离分值进行补偿,以对所述投资项目进行风险预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311743328.8A CN117422314B (zh) | 2023-12-19 | 2023-12-19 | 一种基于大数据分析的企业数据评估方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311743328.8A CN117422314B (zh) | 2023-12-19 | 2023-12-19 | 一种基于大数据分析的企业数据评估方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117422314A true CN117422314A (zh) | 2024-01-19 |
CN117422314B CN117422314B (zh) | 2024-04-12 |
Family
ID=89530554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311743328.8A Active CN117422314B (zh) | 2023-12-19 | 2023-12-19 | 一种基于大数据分析的企业数据评估方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117422314B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020174049A1 (en) * | 2001-05-14 | 2002-11-21 | Yasutomi Kitahara | Apparatus and method for supporting investment decision making, and computer program |
RU158417U1 (ru) * | 2014-09-23 | 2015-12-27 | Екатерина Валентиновна Шевченко | Система моделирования инвестиционного риска для предприятий горной отрасли |
US9754219B1 (en) * | 2016-07-01 | 2017-09-05 | Intraspexion Inc. | Using classified text and deep learning algorithms to identify entertainment risk and provide early warning |
CN109492945A (zh) * | 2018-12-14 | 2019-03-19 | 深圳壹账通智能科技有限公司 | 企业风险识别监控方法、装置、设备及存储介质 |
CN109800976A (zh) * | 2019-01-07 | 2019-05-24 | 平安科技(深圳)有限公司 | 项目投资决策方法、装置、计算机设备和存储介质 |
CN112767008A (zh) * | 2020-12-31 | 2021-05-07 | 平安科技(深圳)有限公司 | 企业营收趋势的预测方法、装置、计算机设备及存储介质 |
CN113139705A (zh) * | 2020-01-17 | 2021-07-20 | 中国移动通信集团浙江有限公司 | 业务项目的风险识别方法及装置 |
CN113537796A (zh) * | 2021-07-22 | 2021-10-22 | 大路网络科技有限公司 | 一种企业风险评估方法、装置及设备 |
CN114022053A (zh) * | 2022-01-05 | 2022-02-08 | 鲁信科技股份有限公司 | 一种基于风险因子的审计系统及设备 |
CN114358950A (zh) * | 2021-12-24 | 2022-04-15 | 谢祥添 | 一种研发投资决策系统及投资决策方法 |
CN115601148A (zh) * | 2022-11-07 | 2023-01-13 | 中国银行股份有限公司(Cn) | 银行项目的风险预警方法及装置 |
-
2023
- 2023-12-19 CN CN202311743328.8A patent/CN117422314B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020174049A1 (en) * | 2001-05-14 | 2002-11-21 | Yasutomi Kitahara | Apparatus and method for supporting investment decision making, and computer program |
RU158417U1 (ru) * | 2014-09-23 | 2015-12-27 | Екатерина Валентиновна Шевченко | Система моделирования инвестиционного риска для предприятий горной отрасли |
US9754219B1 (en) * | 2016-07-01 | 2017-09-05 | Intraspexion Inc. | Using classified text and deep learning algorithms to identify entertainment risk and provide early warning |
CN109492945A (zh) * | 2018-12-14 | 2019-03-19 | 深圳壹账通智能科技有限公司 | 企业风险识别监控方法、装置、设备及存储介质 |
CN109800976A (zh) * | 2019-01-07 | 2019-05-24 | 平安科技(深圳)有限公司 | 项目投资决策方法、装置、计算机设备和存储介质 |
CN113139705A (zh) * | 2020-01-17 | 2021-07-20 | 中国移动通信集团浙江有限公司 | 业务项目的风险识别方法及装置 |
CN112767008A (zh) * | 2020-12-31 | 2021-05-07 | 平安科技(深圳)有限公司 | 企业营收趋势的预测方法、装置、计算机设备及存储介质 |
CN113537796A (zh) * | 2021-07-22 | 2021-10-22 | 大路网络科技有限公司 | 一种企业风险评估方法、装置及设备 |
CN114358950A (zh) * | 2021-12-24 | 2022-04-15 | 谢祥添 | 一种研发投资决策系统及投资决策方法 |
CN114022053A (zh) * | 2022-01-05 | 2022-02-08 | 鲁信科技股份有限公司 | 一种基于风险因子的审计系统及设备 |
CN115601148A (zh) * | 2022-11-07 | 2023-01-13 | 中国银行股份有限公司(Cn) | 银行项目的风险预警方法及装置 |
Non-Patent Citations (3)
Title |
---|
DENG, LIMEI,ET AL.: "Risk Management of Investment Projects Based on Artificial Neural Network", WIRELESS COMMUNICATIONS & MOBILE COMPUTING, vol. 2022, 9 May 2022 (2022-05-09) * |
徐继金主编: "《私募基金管理人设立登记实操指引》", 31 January 2019, 北京:中国市场出版社, pages: 139 * |
梁红侠: "基于大数据分析技术的企业财务投资风险研究", 贵阳学院学报(自然科学版), vol. 18, no. 71, 30 September 2023 (2023-09-30), pages 11 - 16 * |
Also Published As
Publication number | Publication date |
---|---|
CN117422314B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Baryannis et al. | Supply chain risk management and artificial intelligence: state of the art and future research directions | |
Sahu et al. | Evaluating the impact of prediction techniques: Software reliability perspective. | |
Cheung et al. | A multi-perspective knowledge-based system for customer service management | |
Bai et al. | Supply-chain performance-measurement system management using neighbourhood rough sets | |
Azadeh et al. | An integrated support vector regression–imperialist competitive algorithm for reliability estimation of a shearing machine | |
US20230297037A1 (en) | Intellectual quality management method, electronic device and computer readable storage medium | |
CN117787569B (zh) | 一种智能辅助评标方法及系统 | |
CN113743615A (zh) | 简化机器学习的特征移除框架 | |
CN108596765A (zh) | 一种金融电子资源推荐方法和装置 | |
CN111221881B (zh) | 用户特征数据合成方法、装置及电子设备 | |
Noori | Developing a CBR system for marketing mix planning and weighting method selection using fuzzy AHP | |
CN113672797A (zh) | 一种内容推荐方法及装置 | |
CN118134630A (zh) | 信用风险等级评估方法、装置及电子设备 | |
Badakhshan et al. | Deploying hybrid modelling to support the development of a digital twin for supply chain master planning under disruptions | |
Asemi et al. | Investment Recommender System Model Based on the Potential Investors' Key Decision Factors | |
CN109829115B (zh) | 搜索引擎关键词优化方法 | |
CN117422314B (zh) | 一种基于大数据分析的企业数据评估方法及设备 | |
CN113537731B (zh) | 基于强化学习的设计资源能力评估方法 | |
Al-Ahmari | A methodology for selection and evaluation of advanced manufacturing technologies | |
US11803464B2 (en) | System for automatic identification and selection of optimization metrics and accompanying models in experimentation platforms | |
CN115719194A (zh) | 一种基于大数据预测物资采购方法和系统 | |
CN115330490A (zh) | 一种产品推荐方法、装置、存储介质及设备 | |
CN110956528B (zh) | 一种电商平台的推荐方法及系统 | |
Daniati et al. | TOPSIS in Decision-Making Framework Based on Twitter Sentiment Analysis | |
Boyko et al. | Methodology for Estimating the Cost of Construction Equipment Based on the Analysis of Important Characteristics Using Machine Learning Methods |
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 |