CN117474407A - 一种评价企业的方法、系统、设备和存储介质 - Google Patents
一种评价企业的方法、系统、设备和存储介质 Download PDFInfo
- Publication number
- CN117474407A CN117474407A CN202311548761.6A CN202311548761A CN117474407A CN 117474407 A CN117474407 A CN 117474407A CN 202311548761 A CN202311548761 A CN 202311548761A CN 117474407 A CN117474407 A CN 117474407A
- Authority
- CN
- China
- Prior art keywords
- value
- enterprise
- dimension
- score
- evaluated
- 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 50
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 94
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000010801 machine learning Methods 0.000 claims abstract description 25
- 238000013507 mapping Methods 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000004590 computer program Methods 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 9
- 239000008186 active pharmaceutical agent Substances 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000012795 verification Methods 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Strategic Management (AREA)
- Pure & Applied Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种评价企业的方法、系统、设备和存储介质,方法包括:获取待评价企业的数据,设置单指标得分映射分位值,并将所述数据中的单指标值划分到对应的分位值区间中;根据单指标值的分位值计算所述待评价企业的第一维度评分;建立机器学习算法模型,对第一维度的特征权重进行调整;根据所述第一维度评分和所述第一维度的特征权重计算得到所述待评价企业的总得分,并根据所述总得分对所述待评价企业进行评价。本发明在分位值矩阵中增加多主业权重因子,使得不同主业企业可以在同一评价体系内进行比较,并在一级评价维度上应用机器算法获得权重因子,使得对一级指标权重的计算也更加准确。
Description
技术领域
本发明涉及数据处理领域,更具体地,特别是指一种评价企业的方法、系统、设备和存储介质。
背景技术
企业综合评价所需数据涉及的范围大,目前相关评价一般基于数据中台,根据企业自身现有评价体系、评价公式计算评价结果进行企业绩效考核。也见有基于大数据等技术进行关键指标筛选、指标权重拟合的评价系统或方法。现有评价方式在实施过程中至少存在以下不足:评价体系的建立依赖于企业自身经验,合理性和正确性自解释,面对公司组织级次多、行业范围广的集团企业,难以建立一个通用的评价体系;评价系统的建立依赖于数据中台能力,对数据分析师能力要求较高,不同的企业评价体系同样千变万化,规划、咨询和定制开发的成本较高;直接应用大数据和机器学习相关算法对数据建立评价体系,对数据质量要求较高,数据清洗难度大,建立起的指标体系通常没有层次,无法利用现有通用经验降低数据计算成本。
这些问题的产生原因有以下几点:指标对企业最终评价结果的好坏影响程度是黑盒状态,具体到每个指标对最终结果的影响无法解释;不同的企业行业不同、主业不同,对应的指标影响也不一样;缺少一个通用的指标定义平台。
发明内容
有鉴于此,本发明实施例的目的在于提出一种评价企业的方法、系统、电子设备及计算机可读存储介质,本发明在分位值矩阵中增加多主业权重因子,最终通过多级指标逐级汇总,在一级评价维度上应用机器算法获得权重因子,进而计算企业评价总得分,其中分位值矩阵充分利用了现有的评价经验和不同行业的影响因素,使得不同主业企业可以在同一评价体系内进行比较,应用机器学习算法也提高了计算一级指标权重的准确性。
基于上述目的,本发明实施例的一方面提供了一种评价企业的方法,包括如下步骤:获取待评价企业的数据,设置单指标得分映射分位值,并将所述数据中的单指标值划分到对应的分位值区间中;根据单指标值的分位值计算所述待评价企业的第一维度评分;建立机器学习算法模型,对第一维度的特征权重进行调整;根据所述第一维度评分和所述第一维度的特征权重计算得到所述待评价企业的总得分,并根据所述总得分对所述待评价企业进行评价。
在一些实施方式中,所述获取待评价企业的数据,设置单指标得分映射分位值,并将所述数据中的单指标值划分到对应的分位值区间中的步骤包括:获取所述待评价企业的财报数据,将所述财报数据排序后按照最小值、第一比例最大值、第二比例最大值、第三比例最大值和最大值划分较差值、较低值、平均值、良好值和优秀值点位,其中,所述第一比例小于第二比例,第二比例小于第三比例。
在一些实施方式中,所述获取待评价企业的数据,设置单指标得分映射分位值,并将所述数据中的单指标值划分到对应的分位值区间中的步骤包括:根据所述较差值、较低值、平均值、良好值和优秀值点位划分多个区间,并给每个区间赋予不同的分值。
在一些实施方式中,所述根据单指标值的分位值计算所述待评价企业的第一维度评分的步骤包括:拆分所述待评价企业各行业的单指标并计算各个行业下各单指标的表现值,并通过所述表现值得到按行业及单指标维度的分值映射表。
在一些实施方式中,所述根据单指标值的分位值计算所述待评价企业的第一维度评分的步骤包括:取第一维度中的各维度下所有单指标分值的算术平均值作为对应行业下对应维度的评价分值。
在一些实施方式中,所述根据单指标值的分位值计算所述待评价企业的第一维度评分的步骤包括:根据各行业的评价分值得到所述待评价企业基于行业的绩效评价矩阵;以所述待评价企业下各行业的资产规模占比作为权重系数,加权计算所述待评价企业各维度评价分值;以及根据所述待评价企业各维度评价分值取算数平均值得到所述待评价企业的第一维度评分表。
在一些实施方式中,所述建立机器学习算法模型,对第一维度的特征权重进行调整的步骤包括:运用随机森林模型的机器学习算法计算每个第一维度的重要度,并根据所述重要度调整每个第一维度的权重。
本发明实施例的另一方面,提供了一种评价企业的系统,包括:划分模块,配置用于获取待评价企业的数据,设置单指标得分映射分位值,并将所述数据中的单指标值划分到对应的分位值区间中;计算模块,配置用于根据单指标值的分位值计算所述待评价企业的第一维度评分;调整模块,配置用于建立机器学习算法模型,对第一维度的特征权重进行调整;执行模块,配置用于根据所述第一维度评分和所述第一维度的特征权重计算得到所述待评价企业的总得分,并根据所述总得分对所述待评价企业进行评价。
本发明实施例的又一方面,还提供了一种电子设备,包括:至少一个处理器;以及存储器,所述存储器存储有可在所述处理器上运行的计算机指令,所述指令由所述处理器执行时实现如上方法的步骤。
本发明实施例的再一方面,还提供了一种计算机可读存储介质,计算机可读存储介质存储有被处理器执行时实现如上方法步骤的计算机程序。
本发明具有以下有益技术效果:在分位值矩阵中增加多主业权重因子,最终通过多级指标逐级汇总,在一级评价维度上应用机器算法获得权重因子,进而计算企业评价总得分,其中分位值矩阵充分利用了现有的评价经验和不同行业的影响因素,使得不同主业企业可以在同一评价体系内进行比较,应用机器学习算法也提高了计算一级指标权重的准确性。
附图说明
为了更清楚地说明本发明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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的实施例。
图1为本发明提供的评价企业的方法的实施例的示意图;
图2为本发明提供的区间分值映射示意图;
图3为本发明提供的评价结果示意图;
图4为本发明提供的评价企业的系统的实施例的示意图;
图5为本发明提供的评价企业的电子设备的实施例的硬件结构示意图;
图6为本发明提供的评价企业的计算机存储介质的实施例的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明实施例进一步详细说明。
需要说明的是,本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量,可见“第一”“第二”仅为了表述的方便,不应理解为对本发明实施例的限定,后续实施例对此不再一一说明。
本发明实施例的第一个方面,提出了一种评价企业的方法的实施例。图1示出的是本发明提供的评价企业的方法的实施例的示意图。如图1所示,本发明实施例包括如下步骤:
S1、获取待评价企业的数据,设置单指标得分映射分位值,并将所述数据中的单指标值划分到对应的分位值区间中;
S2、根据单指标值的分位值计算所述待评价企业的第一维度评分;
S3、建立机器学习算法模型,对第一维度的特征权重进行调整;以及
S4、根据所述第一维度评分和所述第一维度的特征权重计算得到所述待评价企业的总得分,并根据所述总得分对所述待评价企业进行评价。
企业综合评价又称为企业多变量综合评价、企业多指标综合评估,它是根据评价的目的,采用适当的方法,把反映企业生产经营活动各环节或某个环节诸方面的指标综合起来,从总体上对企业生产经营状况进行的全面评价。评价的主要过程为:1、根据企业综合评价的目的,选择若干个指标,建立综合评价指标体系。2、根据评价指标体系要求,做好基础资料和基础数据的收集、核实和整理工作。3、对不同计量单位的指标数值进行同度量处理。4、确定指标体系中各指标的权数,以保证评价的科学性。
传统模型依赖于企业自身的经验和相关专业研究知识,指标一般为相关行业研究领域统计出的在企业间具有共性的一般性指标,最终的评价模型只能得到特定场景下的企业评价得分,对没有专业研究的领域、不同主业企业间的对比缺乏依据。对不同计量单位的指标数值进行同度量处理也只是考虑了指标层级的统一度量,不同行业企业的相同指标也不具有可对比性。指标权重的设置依赖于专家经验,主观因素较多,且面临日渐增加的评价指标和范围,受限于专家经验,也不能无限对各种评价体系进行权重打分。
本发明实施例建立多层级评价模型指标体系。模型指标体系应至少包含总评分、第一评分维度两级汇总指标以及其余一至多层级的单指标结构。第一评分维度下包含明细单指标(可多级按权重汇总,本发明实施例以一层单指标说明)。第一评分维度指标包括但不限于盈利能力状况、资产质量状况、债务安全状况、经营增长状况和产业布局情况等。
获取待评价企业的数据,设置单指标得分映射分位值,并将所述数据中的单指标值划分到对应的分位值区间中。
在一些实施方式中,所述获取待评价企业的数据,设置单指标得分映射分位值,并将所述数据中的单指标值划分到对应的分位值区间中的步骤包括:获取所述待评价企业的财报数据,将所述财报数据排序后按照最小值、第一比例最大值、第二比例最大值、第三比例最大值和最大值划分较差值、较低值、平均值、良好值和优秀值点位,其中,所述第一比例小于第二比例,第二比例小于第三比例。获取单指标得分映射分位值,而后将指标值根据分位值区间落入对应评分区间赋分。其中,分位值可采取正态分布法、等分法等方法。筛选部分对应行业公司财报数据,将数据排序后按照最小值、第一比例最大值、第二比例最大值、第三比例最大值和最大值作为较差值、较低值、平均值、良好值和优秀值点位,第一比例可以是25%,第二比例可以是50%,第三比例可以是75%。下表为单指标分位值示例:
较差 | 较低 | 平均 | 良好 | 优秀 | |
净资产收益率 | -2.2 | 0.2 | 5.3 | 8.6 | 13 |
总资产报酬率 | -1.6 | -0.1 | 5.9 | 6.5 | 11.6 |
总资产周转率 | 0.2 | 0.3 | 0.4 | 0.5 | 0.8 |
...... | ... | ... | ... | ... | ... |
在一些实施方式中,所述获取待评价企业的数据,设置单指标得分映射分位值,并将所述数据中的单指标值划分到对应的分位值区间中的步骤包括:根据所述较差值、较低值、平均值、良好值和优秀值点位划分多个区间,并给每个区间赋予不同的分值。图2为本发明提供的区间分值映射示意图,如图2所示,比较差值更低的值赋予0分值,在较差值和较低值之间的值赋予0.2分值,在较低值和平均值之间的值赋予0.4分值,在平均值和良好值之间的值赋予0.6分值,在良好值和优秀值之间的值赋予0.8分值,比优秀值更高的值赋予1.0分值。
根据单指标值的分位值计算所述待评价企业的第一维度评分。
在一些实施方式中,所述根据单指标值的分位值计算所述待评价企业的第一维度评分的步骤包括:拆分所述待评价企业各行业的单指标并计算各个行业下各单指标的表现值,并通过所述表现值得到按行业及单指标维度的分值映射表。对第一评价维度按行业进行拆解。拆分企业项下各行业的指标并测算行业下各指标的表现值,下表为某企业行业维度指标拆解示例:
在一些实施方式中,所述根据单指标值的分位值计算所述待评价企业的第一维度评分的步骤包括:取第一维度中的各维度下所有单指标分值的算术平均值作为对应行业下对应维度的评价分值。
通过单指标评分,可得按行业及指标维度的分值映射表;以各维度为统计范围,取该维度项下所有指标分值的算术平均值作为某行业下该维度的评价分值。在评价体系中,每个单项指标均能在行业分位表中找到对应的位置并将原始数值转换为对应分值,为后续模型测算提供统一的评价基础。
在一些实施方式中,所述根据单指标值的分位值计算所述待评价企业的第一维度评分的步骤包括:根据各行业的评价分值得到所述待评价企业基于行业的绩效评价矩阵;以所述待评价企业下各行业的资产规模占比作为权重系数,加权计算所述待评价企业各维度评价分值;以及根据所述待评价企业各维度评价分值取算数平均值得到所述待评价企业的第一维度评分表。
对各行业分别测算,可得单企业基于行业的绩效评价矩阵,下表为单企业行业维度一级评分维度分值表(绩效评价矩阵):
行业 | 盈利能力状况PB | 资产质量状况AQ | 债务安全状况DS | 经营增长状况RG |
行业D1 | AVG(D1_PB) | AVG(D1_AQ) | AVG(D1_DS) | AVG(D1_RG) |
行业D2 | AVG(D2_PB) | AVG(D2_AQ) | AVG(D2_DS) | AVG(D2_RG) |
行业D3 | AVG(D3_PB) | AVG(D3_AQ) | AVG(D3_DS) | AVG(D3_RG) |
... | ... | ... | ... | ... |
行业Dn | AVG(Dn_PB) | AVG(Dn_AQ) | AVG(Dn_DS) | AVG(Dn_RG) |
以该企业项下各行业的资产规模占比为权重系数,加权计算该企业绩效评价各维度的评价分值,下表为单企业评价第一维度评分(以盈利能力状况为例):
对所有一级评价项下的维度,取算数平均值汇集,结合形成企业一级维度评分表,下表为单企业第一维度评分表:
建立机器学习算法模型,对第一维度的特征权重进行调整。
在一些实施方式中,所述建立机器学习算法模型,对第一维度的特征权重进行调整的步骤包括:运用随机森林模型的机器学习算法计算每个第一维度的重要度,并根据所述重要度调整每个第一维度的权重。
在得出企业一级维度的评价分值后,采用以评分卡为主、机器学习模型为辅的方法设定并调整第一维度的权重,得出企业总评分值。测算步骤具体如下:第一步,初始化权重。假定各第一维度对企业最终评价分值的重要程度一致,各第一维度以初始权重分值,形成评分卡初始模型。第二步,构建机器学习算法以调整初始权重。1)运用随机森林模型的机器学习算法,测算输出各维度特征重要度排序表,2)结合前述机器学习算法输出的特征重要度权重进行综合考量,对第一步的初始评分卡进行调整,形成评价维度的最终权重表。各维度特征重要度排序表如下表所示:
序号 | 一级维度 | 重要度 |
1 | 盈利能力状况PB | 0.213458629 |
2 | 资产质量状况AQ | 0.182873634 |
3 | 债务安全状况DS | 0.132039456 |
4 | 经营增长状况RG | 0.083457385 |
5 | 产业布局情况IL | 0.061293848 |
根据所述第一维度评分和所述第一维度的特征权重计算得到所述待评价企业的总得分,并根据所述总得分对所述待评价企业进行评价。
图3为本发明提供的评价结果示意图。
本发明实施例中,企业信息用于维护待评价企业基本信息以及相关工商财报数据,可通过工商大数据平台对接获取也可使用企业自有数据。评价行业、评价标准用于接收前述通过公司数据集测算的分行业指标分位值数据。模型设置功能,可以对指标层级、第一评价维度以及权重、多级单指标进行表达式设置和取数公式设置,并支持发布评价功能。企业评价模块用于评价执行,通过选取评价模型和评价范围,对待评价企业进行全自动化、智能化的综合评价,并输出评价结果。
需要特别指出的是,上述评价企业的方法的各个实施例中的各个步骤均可以相互交叉、替换、增加、删减,因此,这些合理的排列组合变换之于评价企业的方法也应当属于本发明的保护范围,并且不应将本发明的保护范围局限在实施例之上。
基于上述目的,本发明实施例的第二个方面,提出了一种评价企业的系统。如图4所示,系统200包括如下模块:划分模块,配置用于获取待评价企业的数据,设置单指标得分映射分位值,并将所述数据中的单指标值划分到对应的分位值区间中;计算模块,配置用于根据单指标值的分位值计算所述待评价企业的第一维度评分;调整模块,配置用于建立机器学习算法模型,对第一维度的特征权重进行调整;执行模块,配置用于根据所述第一维度评分和所述第一维度的特征权重计算得到所述待评价企业的总得分,并根据所述总得分对所述待评价企业进行评价。
在一些实施方式中,所述划分模块还配置用于:获取所述待评价企业的财报数据,将所述财报数据排序后按照最小值、第一比例最大值、第二比例最大值、第三比例最大值和最大值划分较差值、较低值、平均值、良好值和优秀值点位,其中,所述第一比例小于第二比例,第二比例小于第三比例。
在一些实施方式中,所述划分模块还配置用于:根据所述较差值、较低值、平均值、良好值和优秀值点位划分多个区间,并给每个区间赋予不同的分值。
在一些实施方式中,所述计算模块还配置用于:拆分所述待评价企业各行业的单指标并计算各个行业下各单指标的表现值,并通过所述表现值得到按行业及单指标维度的分值映射表。
在一些实施方式中,所述计算模块还配置用于:取第一维度中的各维度下所有单指标分值的算术平均值作为对应行业下对应维度的评价分值。
在一些实施方式中,所述计算模块还配置用于:根据各行业的评价分值得到所述待评价企业基于行业的绩效评价矩阵;以所述待评价企业下各行业的资产规模占比作为权重系数,加权计算所述待评价企业各维度评价分值;以及根据所述待评价企业各维度评价分值取算数平均值得到所述待评价企业的第一维度评分表。
在一些实施方式中,所述调整模块还配置用于:运用随机森林模型的机器学习算法计算每个第一维度的重要度,并根据所述重要度调整每个第一维度的权重。
基于上述目的,本发明实施例的第三个方面,提出了一种电子设备,包括:至少一个处理器;以及存储器,存储器存储有可在处理器上运行的计算机指令,指令由处理器执行以实现如下步骤:S1、获取待评价企业的数据,设置单指标得分映射分位值,并将所述数据中的单指标值划分到对应的分位值区间中;S2、根据单指标值的分位值计算所述待评价企业的第一维度评分;S3、建立机器学习算法模型,对第一维度的特征权重进行调整;以及S4、根据所述第一维度评分和所述第一维度的特征权重计算得到所述待评价企业的总得分,并根据所述总得分对所述待评价企业进行评价。
在一些实施方式中,所述获取待评价企业的数据,设置单指标得分映射分位值,并将所述数据中的单指标值划分到对应的分位值区间中的步骤包括:获取所述待评价企业的财报数据,将所述财报数据排序后按照最小值、第一比例最大值、第二比例最大值、第三比例最大值和最大值划分较差值、较低值、平均值、良好值和优秀值点位。
在一些实施方式中,所述获取待评价企业的数据,设置单指标得分映射分位值,并将所述数据中的单指标值划分到对应的分位值区间中的步骤包括:根据所述较差值、较低值、平均值、良好值和优秀值点位划分多个区间,并给每个区间赋予不同的分值。
在一些实施方式中,所述根据单指标值的分位值计算所述待评价企业的第一维度评分的步骤包括:拆分所述待评价企业各行业的单指标并计算各个行业下各单指标的表现值,并通过所述表现值得到按行业及单指标维度的分值映射表。
在一些实施方式中,所述根据单指标值的分位值计算所述待评价企业的第一维度评分的步骤包括:取第一维度中的各维度下所有单指标分值的算术平均值作为对应行业下对应维度的评价分值。
在一些实施方式中,所述根据单指标值的分位值计算所述待评价企业的第一维度评分的步骤包括:根据各行业的评价分值得到所述待评价企业基于行业的绩效评价矩阵;以所述待评价企业下各行业的资产规模占比作为权重系数,加权计算所述待评价企业各维度评价分值;以及根据所述待评价企业各维度评价分值取算数平均值得到所述待评价企业的第一维度评分表。
在一些实施方式中,所述建立机器学习算法模型,对第一维度的特征权重进行调整的步骤包括:运用随机森林模型的机器学习算法计算每个第一维度的重要度,并根据所述重要度调整每个第一维度的权重。
如图5所示,为本发明提供的上述评价企业的电子设备的一个实施例的硬件结构示意图。
以如图5所示的装置为例,在该装置中包括一个处理器301以及一个存储器302。
处理器301和存储器302可以通过总线或者其他方式连接,图5中以通过总线连接为例。
存储器302作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的评价企业的方法对应的程序指令/模块。处理器301通过运行存储在存储器302中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现评价企业的方法。
存储器302可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据评价企业的方法的使用所创建的数据等。此外,存储器302可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器302可选包括相对于处理器301远程设置的存储器,这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个评价企业的方法对应的计算机指令303存储在存储器302中,当被处理器301执行时,执行上述任意方法实施例中的评价企业的方法。
执行上述评价企业的方法的电子设备的任何一个实施例,可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
本发明还提供了一种计算机可读存储介质,计算机可读存储介质存储有被处理器执行时执行评价企业的方法的计算机程序。
如图6所示,为本发明提供的上述评价企业的计算机存储介质的一个实施例的示意图。以如图6所示的计算机存储介质为例,计算机可读存储介质401存储有被处理器执行时执行如上方法的计算机程序402。
最后需要说明的是,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关硬件来完成,评价企业的方法的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,程序的存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。上述计算机程序的实施例,可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
以上是本发明公开的示例性实施例,但是应当注意,在不背离权利要求限定的本发明实施例公开的范围的前提下,可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外,尽管本发明实施例公开的元素可以以个体形式描述或要求,但除非明确限制为单数,也可以理解为多个。
应当理解的是,在本文中使用的,除非上下文清楚地支持例外情况,单数形式“一个”旨在也包括复数形式。还应当理解的是,在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本发明实施例公开实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子;在本发明实施例的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,并存在如上的本发明实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。因此,凡在本发明实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明实施例的保护范围之内。
Claims (10)
1.一种评价企业的方法,其特征在于,包括如下步骤:
获取待评价企业的数据,设置单指标得分映射分位值,并将所述数据中的单指标值划分到对应的分位值区间中;
根据单指标值的分位值计算所述待评价企业的第一维度评分;
建立机器学习算法模型,对第一维度的特征权重进行调整;
根据所述第一维度评分和所述第一维度的特征权重计算得到所述待评价企业的总得分,并根据所述总得分对所述待评价企业进行评价。
2.根据权利要求1所述的评价企业的方法,其特征在于,所述获取待评价企业的数据,设置单指标得分映射分位值,并将所述数据中的单指标值划分到对应的分位值区间中的步骤包括:
获取所述待评价企业的财报数据,将所述财报数据排序后按照最小值、第一比例最大值、第二比例最大值、第三比例最大值和最大值划分较差值、较低值、平均值、良好值和优秀值点位,其中,所述第一比例小于第二比例,第二比例小于第三比例。
3.根据权利要求2所述的评价企业的方法,其特征在于,所述获取待评价企业的数据,设置单指标得分映射分位值,并将所述数据中的单指标值划分到对应的分位值区间中的步骤包括:
根据所述较差值、较低值、平均值、良好值和优秀值点位划分多个区间,并给每个区间赋予不同的分值。
4.根据权利要求1所述的评价企业的方法,其特征在于,所述根据单指标值的分位值计算所述待评价企业的第一维度评分的步骤包括:
拆分所述待评价企业各行业的单指标并计算各个行业下各单指标的表现值,并通过所述表现值得到按行业及单指标维度的分值映射表。
5.根据权利要求4所述的评价企业的方法,其特征在于,所述根据单指标值的分位值计算所述待评价企业的第一维度评分的步骤包括:
取第一维度中的各维度下所有单指标分值的算术平均值作为对应行业下对应维度的评价分值。
6.根据权利要求5所述的评价企业的方法,其特征在于,所述根据单指标值的分位值计算所述待评价企业的第一维度评分的步骤包括:
根据各行业的评价分值得到所述待评价企业基于行业的绩效评价矩阵;
以所述待评价企业下各行业的资产规模占比作为权重系数,加权计算所述待评价企业各维度评价分值;以及
根据所述待评价企业各维度评价分值取算数平均值得到所述待评价企业的第一维度评分表。
7.根据权利要求1所述的评价企业的方法,其特征在于,所述建立机器学习算法模型,对第一维度的特征权重进行调整的步骤包括:
运用随机森林模型的机器学习算法计算每个第一维度的重要度,并根据所述重要度调整每个第一维度的权重。
8.一种评价企业的系统,其特征在于,包括:
划分模块,配置用于获取待评价企业的数据,设置单指标得分映射分位值,并将所述数据中的单指标值划分到对应的分位值区间中;
计算模块,配置用于根据单指标值的分位值计算所述待评价企业的第一维度评分;
调整模块,配置用于建立机器学习算法模型,对第一维度的特征权重进行调整;
执行模块,配置用于根据所述第一维度评分和所述第一维度的特征权重计算得到所述待评价企业的总得分,并根据所述总得分对所述待评价企业进行评价。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
存储器,所述存储器存储有可在所述处理器上运行的计算机指令,所述指令由所述处理器执行时实现权利要求1-7任意一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311548761.6A CN117474407A (zh) | 2023-11-20 | 2023-11-20 | 一种评价企业的方法、系统、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311548761.6A CN117474407A (zh) | 2023-11-20 | 2023-11-20 | 一种评价企业的方法、系统、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117474407A true CN117474407A (zh) | 2024-01-30 |
Family
ID=89634709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311548761.6A Pending CN117474407A (zh) | 2023-11-20 | 2023-11-20 | 一种评价企业的方法、系统、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117474407A (zh) |
-
2023
- 2023-11-20 CN CN202311548761.6A patent/CN117474407A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564286B (zh) | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 | |
Samoilenko et al. | Using Data Envelopment Analysis (DEA) for monitoring efficiency-based performance of productivity-driven organizations: Design and implementation of a decision support system | |
Lu et al. | Exploring the efficiency and effectiveness in global e-retailing companies | |
CN109858740A (zh) | 企业风险的评估方法、装置、计算机设备及存储介质 | |
US10839334B2 (en) | Evaluating performance of organizational units using human capital values | |
CN107729519A (zh) | 基于多源多维数据的评估方法及装置、终端 | |
CN108446291A (zh) | 用户信用的实时评分方法及评分系统 | |
CN110751355A (zh) | 一种科技成果评估方法和装置 | |
CN115577152B (zh) | 基于数据分析的在线图书借阅管理系统 | |
CN113537807B (zh) | 一种企业智慧风控方法及设备 | |
CN109583782B (zh) | 支持多数据源的汽车金融风控方法 | |
Deng et al. | A smooth coefficient quantile regression approach to the social capital–economic growth nexus | |
CN111598457B (zh) | 一种电力无线网络质量的确定方法及装置 | |
CN111882198A (zh) | 一种项目绩效评价方法及系统 | |
CN111178957B (zh) | 一种用电客户电量突增预警的方法 | |
CN114154672A (zh) | 一种用于客户流失预测的数据挖掘方法 | |
CN113222326A (zh) | 一种科技资源服务平台成熟度评估方法及装置 | |
CN114638498A (zh) | Esg评价方法、系统、电子设备及存储设备 | |
Shnorr | Integral assessment of retail digitalization | |
CN103970651A (zh) | 基于组件安全属性的软件体系结构安全性评估方法 | |
CN116361759B (zh) | 一种基于量化权限指引的智能合规控制方法 | |
CN117056323A (zh) | 一种基于数据访问行为的数据质量评估方法 | |
CN116341653A (zh) | 一种层次分析模型权重获得方法及相关设备 | |
CN117474407A (zh) | 一种评价企业的方法、系统、设备和存储介质 | |
CN115796585A (zh) | 一种企业经营风险评估方法及系统 |
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 |