CN117541103A - 基于指标管理系统的业务kpi指标智能实现方法 - Google Patents
基于指标管理系统的业务kpi指标智能实现方法 Download PDFInfo
- Publication number
- CN117541103A CN117541103A CN202311362808.XA CN202311362808A CN117541103A CN 117541103 A CN117541103 A CN 117541103A CN 202311362808 A CN202311362808 A CN 202311362808A CN 117541103 A CN117541103 A CN 117541103A
- Authority
- CN
- China
- Prior art keywords
- data
- business
- index
- calculation
- service
- 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 40
- 238000004364 calculation method Methods 0.000 claims abstract description 82
- 238000004458 analytical method Methods 0.000 claims abstract description 63
- 238000007726 management method Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000013500 data storage Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 4
- 230000002688 persistence Effects 0.000 claims description 3
- 238000009877 rendering Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000013468 resource allocation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013524 data verification Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000007619 statistical method 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于指标管理系统的业务KPI指标智能实现方法,涉及指标计算分析技术领域。本发明基于计算机系统实现,包括数据采集配置模块、数据定时或实时采集模块、数据预处理与校验模块、数据存储与入库模块、指标计算分析模块、指标数据模块、业务洞察分析模块;本发明提供了高效智能的指标计算分析引擎以及在业务KPI指标的智能算法模型的实现;通过计算模型,可智能化、科学化地解决企业经营管理中的运营指标分配问题,同时也可以进一步基于相关的指标数据,可量化地评价企业的不同分公司或门店的管理者的经营管理能力,并且是首次在指标管理系统提出该智能算法模型,具备一定的领先性。
Description
技术领域
本发明属于指标计算分析技术领域,特别是涉及基于指标管理系统的业务KPI指标智能实现方法。
背景技术
本发明主要基于两个方面的背景:(1)基于现在企业的数字化转型发展趋势,在企业数据治理工作基础上,加强业务数据指标化应用,实现数据对企业精细化经营的价值。因此,当前市场上同类的指标管理系统主要是以企业运营中的各项指标的管理为基础核心功能;(2)目前现有的指标加工计算需要大量开发存储过程,需要通过后台编码的方式进行指标加工运算,导致指标加工的口径维护困难,指标定义变动后指标的加工计算不能同步更新响应。
目前,在指标计算中,基于SQL的ETL技术方案是常用的方法之一;ETL代表数据的抽取extract、转换transform、载入load,是将数据整合加载到数据仓库的过程;然而,基于SQL的STL方案存在一些不足之处;(1)依赖众多组件,需要精通各个组件的团队进行专门维护,导致运维成本较高;(2)SQL在代码段复用方面存在不足,开发人员常常需要处理成本上千的SQL,导致开发、测试和维护成本都很高;(3)系统缺乏原生的血缘关系透视能力,数据一致性只能依赖数据开发人员的经验来保证,维持数据的可靠性成本较高;(4)同时,业务指标不仅仅需要被计算出来,更重的是指标需要加以分析为业务决策服务。
因此,在指标分析的过程中,由于计算分析引擎的缺失和指标智能算法的不足,成为目前市场上同类指标管理系统的共同缺陷。总体而言,市面上同类指标管理系统的不足之处在于:(1)指标的分析计算需要大量人工介入,缺失高效智能的自动化指标分析计算引擎的实现;(2)指标管理系统的实现更偏重于技术实现,在业务上,尤其是智能化地对业务的支持上,缺乏业务KPI指标智能方法的实现;数据指标更多地在于罗列展现,缺失对业务发展有重大意义的数据洞察和决策建议;若对企业来说,如何科学及可量化地为企业下属的不同门店或分公司与分配年度或月度的业绩指标在目前同类指标管理系统中严重缺失。
发明内容
本发明提供了基于指标管理系统的业务KPI指标智能实现方法,该方法提供了高效智能的指标计算分析引擎以及在业务KPI指标的智能算法模型的实现;通过计算模型,可智能化、科学化地解决企业经营管理中的运营指标分配问题,同时也可以进一步基于相关的指标数据,可量化地评价企业的不同分公司或门店的管理者的经营管理能力,并且是首次在指标管理系统提出该智能算法模型,具备一定的领先性;解决了背景技术中的问题。
为解决上述技术问题,本发明是通过以下技术方案实现的:
本发明的基于指标管理系统的业务KPI指标智能实现方法,基于计算机系统实现,该计算机系统包括:
数据采集配置模块:针对业务数据来源的多样性、业务数据的采集周期以及数据采集的字段实现个性化配置;通过配置值,业务数据采集既能够来自企业内部,也能够来自企业外部;
数据定时或实时采集模块:根据数据采集的配置定义,定期或实时完成对包括数据库表数据、文件数据、消息队列数据、API接口数据的采集;
数据预处理与校验模块:完成对采集数据的规范校验及预处理,以保证数据的质量及准确性;采集的特征数据中,因涉及到非结构化数据,该数据预处理与校验模块对该非结构化数据进一步地采集编码向量化的处理,以使得该类数据能够作为业务模型的核心特征分析业务;
数据存储与入库模块:将预处理及清洗完毕的数据存入数据库中,为后续计算业务指标提供原始数据服务;
指标计算分析模块:依赖于数据库中指标计算的原始数据,结合指标特征算法库和业务模型算法库,计算并分析出业务指标和对业务基于指标的洞察分析,为整体业务经营决策服务;
指标数据模块:用于在指标数据被加工的基础上,存储于数据库及不同的业务应用场景指标数据被组合渲染,以服务特定场景的业务解读;
业务洞察分析模块:是在指标数据被业务模型洞察的基础上,存储于数据库并对外输出业务洞察结果为不同业务场景服务。
进一步地,所述指标特征算法库为定义的一些列关于不同指标的计算口径、方法及公式。
进一步地,所述业务模型算法库为定义的一系列关于不同指标数据的业务特征,围绕业务特征,如何洞察业务的算法库。
进一步地,所述数据采集配置模块、数据定时或实时采集模块、数据预处理与校验模块是基于Java、Kafka、Flink及Oceanbase分布式数据库读写组件实现,并完成所有构件业务指标数据的采集、预处理及持久化;采集及预处理完毕后的数据以原始基础数据和业务特征数据存储于Oceanbase分布式数据库。
进一步地,所述指标计算分析模块依赖于Python Dask库实现,通过Dask能够多主机、多线程地执行门店的计算任务,计算任务的执行是由定时调度模块触发。
进一步地,所述指标计算分析模块包括分配计算模型:全国营业部总年新开户数量m万,通过分配计算模型合理分配至全国n家营业部;
营业部A的新开户指标=营业部A预测值+营业部A修正值*营业部A能力系数;
营业部A预测值=基于营业部历史开户时间序列数据对新一年的预测计算值;通过预测,全国n家营业部均可得出预测值:y1,y2,……,yn预测值总和y=y1+y2+……+yn;因此,指标完成100%=y1/y+y2/y+……+yn/y;如果:y<m万,则差值△=m–y;所以各营业部修正值分别为:△*(y1/y),△*(y2/y),……△*(yn/y);依据以下各视角,分析计算各营业部的能力系数β1,β2,。。。。,βn;因此,营业部A在新一年开户指标=y1+β1*△*(y1/y)。
进一步地,指标数据模块、业务洞察分析模块是在指标计算分析模块的基础上,采用Java和Python语言,实现对包括业务决策的服务的应用模块;经指标计算和业务洞察分析的结果写入Mysql数据库或Redis缓存,并通过业务服务模块直接查询等服务于各业务端口。
本发明相对于现有技术包括有以下有益效果:
(1)数据采集配置的灵活多样性,可以采集结构化数据,又能够采集非结构化数据,结构化数据通过数据验证与校验,以及归一化和标准化处理,可形成计算业务指标的原始数据;同时,非结构化的数据也可通过映射编码算法实现特征数据向量化,成为业务洞察分析的重要变量;因此,本发明增强了结构化数据和非结构化数据的处理,丰富了数据采集维度,扩大了业务洞察分析的特征变量,使得业务洞察的更加准确与全面;
(2)高效的并行化指标计算引擎:在实际应用中,企业涉及的业务指标数量可能非常多,不同的企业业务部门关心的业务指标也不同,因此,无论是指标的实时计算还是定时计算,均会产生巨大的计算量;本发明的并行化模型计算引擎,从海量计算、并行计算效率以及系统成本等方面综合考虑,通过智能化的计算任务调度和队列式任务的并行化计算设计机制高效地解决了大规模指标分析计算;
(3)通过可量化的指标数据计算,通过本方案中的计算模型,能够智能化、科学化地解决企业经营管理中的运营指标分配问题,同时也可以进一步基于相关的指标数据,可量化地评价企业的不同分公司或门店的管理者的经营管理能力。并且是首次在指标管理系统提出该智能算法模型,具备一定的领先性。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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附图。
图1为本发明基于指标管理系统的业务KPI指标智能实现方法的工作步骤图;
图2为本发明基于指标管理系统的业务KPI指标智能实现方法对应的计算机程序模块结构图;
图3为本发明的系统对应的计算机硬件结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明涉及一种基于指标管理系统的业务KPI指标智能算法实现,尤其是基于指标管理系统中的指标计算分析引擎对业务KPI指标智能算法模型实现。此外,本发明还涉及上述指标管理系统中指标计算分析引擎及业务KPI指标智能算法模型的详细实现方法。
因此,本发明解决的第一个问题就是:高效智能的指标计算分析引擎;
基于SQL的ETL技术的问题和挑战:
(1)组件依赖和维护成本高:这种技术方案需要依赖多个组件,需要专业团队来进行维护,增加了运维成本。
(2)SQL代码复杂度高:SQL在代码段复用方面有限,开发人员需要处理大量复杂的SQL代码,导致开发、测试和维护成本居高不下。
(3)缺乏血缘关系透视能力:系统缺乏原生的数据血缘关系追踪能力,导致数据一致性的维护依赖于数据开发人员的经验,维持数据可靠性的成本高。
基于单点关系型数据库的数据存储技术的问题和挑战:
(1)吞吐量限制:基于单点关系型数据库的技术方案在处理大规模数据和高维度数据时存在性能限制,无法满足现代大数据分析需求。
(2)不适用于平行扩展:传统关系型数据库难以进行平行扩展,这在要求高吞吐量和复杂分析场景下限制了其应用。
(3)无法满足大数据分析需求:在大数据背景下,强调海量数据分析,而传统关系型数据库在这方面不能提供足够的性能和能力,无法满足需求。
(4)不适用于数据价值挖掘:对于联机分析处理(OLAP)强调数据价值挖掘的情境,需要具备处理复杂分析场景下的计算能力,传统技术方案在这方面存在不足。
在建立高效智能的指标计算分析引擎基础上,本发明解决的第二个问题是业务KPI指标的智能算法模型的实现。在实际业务场景中,经常会遇到这样一些问题:如企业在全国有许许多多的门店或分公司,每家门店或分公司所处的城市不同,地理位置不同,面向的客户群体不同,由此所产生的经营业绩也会大不相同。因此,企业经营管理者面对的问题就是:
1)如何科学有效地对全国门店或分公司定义KPI指标?
2)对每家门店或分公司,如何科学地评价每家门店或分公司负责人的经营管理能力?
针对以上两个核心问题,本发明是采用以下智能算法模型来解决的:
如何科学有效地对全国门店或分公司定义KPI指标?
1、分配计算模型:
以企业的每家营业部新开户指标分配为例。假定2024年度全国营业部总新开户数量为1000万,如何合理地分配到全国300家营业部;营业部A的新开户指标=营业部A预测值+营业部A修正值*营业部A能力系数;营业部A预测值=基于营业部历史开户时间序列数据对2024年的预测计算值;通过预测,全国300家营业部均可得出预测值:y1,y2,……,y300预测值总和y=y1+y2+……+y300因此:100%=y1/y+y2/y+……+y300/y;如果:y<1000万,则差值△=1000–y所以各营业部修正值分别为:△*(y1/y),△*(y2/y),……,△*(y300/y);依据以下各视角,分析计算各营业部的能力系数β1,β2,β3,。。。。,β300;因此,营业部A在2024年开户指标=y1+β1*△*(y1/y);本发明的关键点在于如何量化地基于数据指标地确认β1以及门店修正值。
对每家门店或分公司,如何科学地评价每家门店或分公司负责人的经营管理能力?
矩阵分析法:是一种定量分析问题的方法,通过运用主成分分析等计算方法,准确地整理和分析在矩阵图上用数据定量化表示的各元素间关系的一种方法。
矩阵分析法的逻辑非常简单:比平均值高就算好。可以通过两个指标的交叉(与均值比较),构造四个象限的分析矩阵,从而产生四种可能的结果。本发明中围绕以下指标进行智能算法分析:(其中x,y可以为任意潜在关联的业务指标,这里以2022年为例);
x:2022年新开客户数y:营业部位置等级(或客流量)
x:2022年新开客户数y:营业部区域位置本地人口数
x:2022年新开客户数y:营业部区域位置外地人口数
x:2022年新开客户数y:营业部区域人口消费力
x:2022年新开客户数y:营业部区域人口年龄中位数
x:2022年新开客户数y:营业部区域人口理财人数
相关分析:各综合因素对每年开户人数的影响力。
雷达图能力分析:营业部各综合因素的能力值。
为帮助企业经营管理者解决业务KPI指标的合理分配及科学评价分析下属的经营能力,本发明实现了如下计算程序工作步骤如图1示:
围绕上述图1的计算机程序工作处理步骤,该发明的程序模块结构实现如图2所示;可以通过虚拟机复制的方式,另外搭建一套相同配置的服务器集群到灾备中,这样的架构能支持两地三中心;
数据采集配置模块的功能主要是针对业务数据来源的多样性、业务数据的采集周期及数据采集的字段等实现个性化的配置。通过配置,业务数据采集既可以来自企业的内部,也可以来自企业的外部。
数据定时或实时采集模块根据数据采集的配置定义,定期或实时地完成对数据库表数据、文件数据、消息队列数据、API接口数据等采集。
数据预处理与校验模块的功能是完成对采集数据的规范校验及预处理,以保证数据的质量和准确性。采集的特征数据中,因涉及到非结构化数据等,该模块对该类数据进一步地采取了编码向量化的处理,以使得该类数据亦可作为业务模型的核心特征分析业务。
数据存储与入库模块主要是将预处理及清洗完毕的数据存入数据库中,为后续计算业务指标等提供原始数据服务。
指标计算分析模块的功能是依赖于数据库中的指标计算的原始数据,结合指标特征算法库和业务模型算法库,计算并分析出业务指标和对业务基于指标的洞察分析,为整体业务经营决策服务。
其中指标特征算法库是定义的一系列关于不同指标的计算口径、方法及公式。
业务模型算法库是定义的一系列关于不同指标数据的业务特征,围绕业务特征,如何洞察业务的算法库。
指标数据模块的功能是在指标数据被加工的基础上,存储于数据库及在不同的业务应用场景指标数据被组合渲染,以服务特定场景的业务解读。
业务洞察分析模块是在指标数据被业务模型洞察的基础上,存储于数据库并对外输出业务洞察结果为不同业务场景服务。
本发明的计算机装置的硬件结构如图3所示:
其中,数据采集配置模块、数据定时或实时采集模块、数据预处理与校验模块、定时调度模块、指标计算分析引擎、指标数据模块及业务洞察分析模块组成了本发明的核心基础。
数据采集配置模块、数据实时采集模块、数据预处理校验模块是基于Java、Kafka、Flink及Oceanbase分布式数据库读写组件实现,并完成了所有构建业务指标数据的采集、预处理及持久化。采集及预处理完毕后的数据以原始基础数据和业务特征数据存储于Oceanbase分布式数据库。本发明的指标计算分析引擎是依赖于Python Dask库实现,通过Dask可多主机、多线程地执行门店的计算任务,计算任务的执行是由定时调度模块触发。
指标数据模块、业务洞察分析模块是在指标计算分析引擎的基础上,采用Java和Python语言,实现对业务决策等服务的应用模块。指标计算和业务洞察分析的结果会写入Mysql数据库或Redis缓存,并通过业务服务模块直接查询等服务于各业务端口。
本发明与现有技术实现方式相比,有如下优点:
1)数据采集配置的灵活多样性,即可以采集结构化数据,亦可采集非结构化数据。结构化数据通过数据验证与校验,以及归一化和标准化处理,可形成计算业务指标的原始数据。同时,非结构化的数据也可通过映射编码算法实现特征数据向量化,成为业务洞察分析的重要变量。因此,本发明增强了结构化数据和非结构化数据的处理,丰富了数据采集维度,扩大了业务洞察分析的特征变量,使得业务洞察的更加准确与全面。
2)高效的并行化指标计算引擎。在实际应用中,企业涉及的业务指标数量可能非常多,不同的企业业务部门关心的业务指标也不同。因此,无论是指标的实时计算还是定时计算,均会产生巨大的计算量。因此,本发明的并行化模型计算引擎,从海量计算、并行计算效率以及系统成本等方面综合考虑,通过智能化的计算任务调度和队列式任务的并行化计算设计机制高效地解决了大规模指标分析计算。
3)本发明通过可量化的指标数据计算,通过下述的计算模型,可智能化、科学化地解决企业经营管理中的运营指标分配问题,同时也可以进一步基于相关的指标数据,可量化地评价企业的不同分公司或门店的管理者的经营管理能力。并且是首次在指标管理系统提出该智能算法模型,具备一定的领先性。
具体计算模型说明如下,以企业的全国营业部开户指标分配为例:
分配计算模型:
以每家营业部新开户指标分配为例。假定2024年度全国营业部总新开户数量为1000万,如何合理地分配到全国300家营业部。营业部A的新开户指标=营业部A预测值+营业部A修正值*营业部A能力系数营业部A预测值=基于营业部历史开户时间序列数据对2024年的预测计算值。通过预测,全国300家营业部均可得出预测值:y1,y2,……,y300;预测值总和y=y1+y2+……+y300;因此:100%=y1/y+y2/y+……+y300/y;如果:y<1000万,则差值△=1000–y;所以各营业部修正值分别为:△*(y1/y),△*(y2/y),……,△*(y300/y)依据以下各视角,分析计算各营业部的能力系数β1,β2,。。。。,β300;因此,营业部A在2024年开户指标=y1+β1*△*(y1/y)
对营业部时间序列趋势的修正:
通过历史数据,判断营业部历史开户指标的稳定性等。
历史数据:通过分析历史数据,可以了解不同营业部的新开户数量趋势、季节性变化等因素,从而更加准确地分配任务指标。历史新增每月开户数据。从历史数据中,洞察各营业部任务指标的稳定性。从历史数据中,洞察各营业部任务指标的成长趋势。从历史数据中,洞察各营业部任务指标的周期性。通过上述特性对营业部时间序列趋势的修正。
对各个营业部能力系数的修正:
视角一:营业部所在城市中的区域之间比对相似经济环境的营业部聚类。经济环境条件与开户能力的关系。
GDP总量:比较两个城市区域的GDP总量,如果两个城市区域的GDP总量差不多,说明两个城市区域的经济水平相当。
人均GDP:比较两个城市区域的人均GDP,如果两个城市区域的人均GDP差不多,说明两个城市区域的经济水平相当。
产业结构:比较两个城市区域的产业结构,如果两个城市区域的产业结构相似,说明两个城市区域的经济水平相当。
消费水平:比较两个城市区域的消费水平,如果两个城市区域的消费水平差不多,说明两个城市区域的经济水平相当。
就业率:比较两个城市区域的就业率,如果两个城市区域的就业率相近,说明两个城市区域的经济水平相当。
1)对营业部所在城市中的区域聚类分析,发现相似营业部。
2)在城市区域下,各相似营业部的开户能力分析。(各营业部下的开户能力与城市区域指标:GDP总量,人均GDP,产业结构,消费水平,就业率的相关分析)(各相似营业部下的开户能力与城市区域指标:GDP总量,人均GDP,产业结构,消费水平,就业率的差异对比分析)
3)如果数据可得,分析同一城市的区域下,其他证券公司的营业部的2023年新开客户能力。差异对比分析。
无差距的营业部,XX营业部A与光大证券营业部D,是否其他比较因子接近?
有差距的营业部,XX营业部B与光大证券营业部E,是否其他比较因子有较大差距?
视角二:地理位置与流量
选择一个便于客户到达和交通便利的位置。(基于客流量维度,与地理位置相关)。营业部位置与开户能力的关系。
相似营业部定义:基于城市的区域经济条件下的聚类分析得出相似营业部的地理位置与营业部开户数量相关分析矩阵分析
相似营业部 |相似营业部地理位置|2022年营业部开户数量
漕河泾营业部 |A级地理位置 |10万
曹路营业部 |A级地理位置 |5万
视角三:地域人口特征因素,人口属性特征与营业部关系。
1)某营业部A的零售客户特征数据分布分析及对比分析:现有客户数量,2022年新开客户数量及特征【年龄、性别、收入、职业、教育程度、家庭状况等相关数据分布情况】
某营业部A的新开零售客户属性分类(属性分布,并分类):【A类】【B类】【C类】等等
2)某三线城市营业部A区域内,营业部周围人口潜在客户属性分类【A类】【B类】【C类】
某三线城市营业部A的新开零售客户与某三线城市营业部A区域内的周围人口潜在客户对比分析某三线城市营业部A区域内,营业部周围人口经济能力调查(仅潜在客户特征维度)
收集数据:可以通过调查问卷、人口普查、社会经济统计数据等方式收集该区域的人口数量、年龄、性别、收入、职业、教育程度、家庭状况等相关数据。
分析数据:将收集到的数据进行分析,可以使用统计学方法,例如均值、中位数、标准差、频率分布等,来了解该区域的人们的经济状况。
制作画像:根据数据分析结果,可以制作出该区域的经济能力画像,包括人口结构、收入水平、职业分布、教育水平等信息。可以使用图表、表格等方式呈现。
比较分析:将该区域的经济能力画像与其他区域进行比较,可以了解该区域的人口经济水平与其他区域的差异,为KPI制定等方面提供参考依据。
视角四:市场竞争
不同营业部的市场竞争情况、竞争对手数量、市场份额等因素会影响新开户数量。市场竞争情况与营业部的关系。
同行业竞争对手的数量和实力:需要了解当地同行业竞争对手的数量、规模、品牌知名度、市场份额等情况,以便更好地评估自身在市场中的竞争优势和劣势。
竞争对手的产品和服务:需要了解竞争对手的产品和服务特点,以便更好地制定差异化的营销策略和服务方案。
竞争对手的定价策略:需要了解竞争对手的定价策略和价格水平,以便更好地制定自身的定价策略和销售策略。
竞争对手的营销策略:需要了解竞争对手的营销策略和推广方式,以便更好地制定自身的营销策略和推广方案。
#内部之间比
相似营业部之间|营业部的竞争对手的数量|营业部的竞争对手的市场份额|营业部的竞争对手的品牌知名度|竞争对手的产品和服务特点|竞争对手的定价策略和价格水平|竞争对手的营销策略和推广方式|2023年营业部开户数量
漕河泾营业部 |
曹路营业部 |
#内外部之间比
典型营业部之间|营业部的市场份额|营业部的品牌知名度|营业部的产品和服务特点|营业部的定价策略和价格水平|营业部的营销策略和推广方式|2022年营业部开户数量
我司营业部(同一区域)
他司营业部(同一区域)
视角五,人力资源情况与开户能力的关系
人力资源:不同营业部的人力资源情况、员工素质、销售能力等因素也会影响新开户数量的分配。
与公司内部相似的营业部对比
与营业部附近的竞争对手对比
视角六,资源分配投入与开户能力的关系
资源分配:不同营业部的资源分配情况(如人力、财力、物力等)也会影响新开户数量的分配。
营业部 2022年投入资源 2022年新开户数量
漕河泾营业部 | |
曹路营业部 | |
视角七,客户服务质量与开户能力的关系
客户服务:不同营业部的客户服务质量、客户满意度等因素也会影响新开户数量的分配。
综合以上视角,确定各营业部的能力系数β:
(假定单位人力资源投入,单位资源分配均衡)
各营业部的能力系数β与以下数据的关系模型:
区域内潜在客户流量(与营业部位置有关),中位收入水平(与当地经济环境有关),竞争态势,客户服务水平,员工营销能力,潜在理财总人数等。
能力系数可以按照如下序列进行分布(可以通过人工进行分析,观察比对后得出):
1.5-->能力系数最高值
1.4-->能力系数次高值
1.3。。。
1.2。。。
1.1。。。
1-->基础能力系数值。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (7)
1.基于指标管理系统的业务KPI指标智能实现方法,其特征在于,基于计算机系统实现,该计算机系统包括:
数据采集配置模块:针对业务数据来源的多样性、业务数据的采集周期以及数据采集的字段实现个性化配置;通过配置值,业务数据采集既能够来自企业内部,也能够来自企业外部;
数据定时或实时采集模块:根据数据采集的配置定义,定期或实时完成对包括数据库表数据、文件数据、消息队列数据、API接口数据的采集;
数据预处理与校验模块:完成对采集数据的规范校验及预处理,以保证数据的质量及准确性;采集的特征数据中,因涉及到非结构化数据,该数据预处理与校验模块对该非结构化数据进一步地采集编码向量化的处理,以使得该类数据能够作为业务模型的核心特征分析业务;
数据存储与入库模块:将预处理及清洗完毕的数据存入数据库中,为后续计算业务指标提供原始数据服务;
指标计算分析模块:依赖于数据库中指标计算的原始数据,结合指标特征算法库和业务模型算法库,计算并分析出业务指标和对业务基于指标的洞察分析,为整体业务经营决策服务;
指标数据模块:用于在指标数据被加工的基础上,存储于数据库及不同的业务应用场景指标数据被组合渲染,以服务特定场景的业务解读;
业务洞察分析模块:是在指标数据被业务模型洞察的基础上,存储于数据库并对外输出业务洞察结果为不同业务场景服务。
2.根据权利要求1所述的基于指标管理系统的业务KPI指标智能实现方法,其特征在于,所述指标特征算法库为定义的一些列关于不同指标的计算口径、方法及公式。
3.根据权利要求1所述的基于指标管理系统的业务KPI指标智能实现方法,其特征在于,所述业务模型算法库为定义的一系列关于不同指标数据的业务特征,围绕业务特征,如何洞察业务的算法库。
4.根据权利要求1所述的基于指标管理系统的业务KPI指标智能实现方法,其特征在于,所述数据采集配置模块、数据定时或实时采集模块、数据预处理与校验模块是基于Java、Kafka、Flink及Oceanbase分布式数据库读写组件实现,并完成所有构件业务指标数据的采集、预处理及持久化;采集及预处理完毕后的数据以原始基础数据和业务特征数据存储于Oceanbase分布式数据库。
5.根据权利要求1所述的基于指标管理系统的业务KPI指标智能实现方法,其特征在于,所述指标计算分析模块依赖于Python Dask库实现,通过Dask能够多主机、多线程地执行门店的计算任务,计算任务的执行是由定时调度模块触发。
6.根据权利要求5所述的基于指标管理系统的业务KPI指标智能实现方法,其特征在于,所述指标计算分析模块包括分配计算模型:全国营业部总年新开户数量m万,通过分配计算模型合理分配至全国n家营业部;
营业部A的新开户指标=营业部A预测值+营业部A修正值*营业部A能力系数;
营业部A预测值=基于营业部历史开户时间序列数据对新一年的预测计算值;通过预测,全国n家营业部均可得出预测值:y1,y2,……,yn预测值总和y=y1+y2+……+yn;因此,指标完成100%=y1/y+y2/y+……+yn/y;如果:y<m万,则差值△=m–y;所以各营业部修正值分别为:△*(y1/y),△*(y2/y),……△*(yn/y);依据以下各视角,分析计算各营业部的能力系数β1,β2,。。。。,βn;因此,营业部A在新一年开户指标=y1+β1*△*(y1/y)。
7.根据权利要求1所述的基于指标管理系统的业务KPI指标智能实现方法,其特征在于,所述指标数据模块、业务洞察分析模块是在指标计算分析模块的基础上,采用Java和Python语言,实现对包括业务决策的服务的应用模块;经指标计算和业务洞察分析的结果写入Mysql数据库或Redis缓存,并通过业务服务模块直接查询等服务于各业务端口。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311362808.XA CN117541103A (zh) | 2023-10-20 | 2023-10-20 | 基于指标管理系统的业务kpi指标智能实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311362808.XA CN117541103A (zh) | 2023-10-20 | 2023-10-20 | 基于指标管理系统的业务kpi指标智能实现方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117541103A true CN117541103A (zh) | 2024-02-09 |
Family
ID=89785069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311362808.XA Pending CN117541103A (zh) | 2023-10-20 | 2023-10-20 | 基于指标管理系统的业务kpi指标智能实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117541103A (zh) |
-
2023
- 2023-10-20 CN CN202311362808.XA patent/CN117541103A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dickinson et al. | The economic evaluation of implementing a GIS | |
Khan et al. | Business intelligence: an integrated approach | |
US7840428B2 (en) | Method, system and apparatus for measuring and analyzing customer business volume | |
CN101916422A (zh) | 一种用于银行的多维度绩效评价系统及方法 | |
Pieptea et al. | Price and value of decision support systems | |
Chen et al. | A practical approach to determining critical macroeconomic factors in air-traffic volume based on K-means clustering and decision-tree classification | |
Hsu et al. | Does industry competition influence analyst coverage decisions and career outcomes? | |
Hamdan et al. | Effect of business intelligence system on organizational agility: evidence from Syria | |
CN112256681A (zh) | 一种空管数字化指标应用系统及方法 | |
Özkan et al. | A GIS-based DANP-VIKOR approach to evaluate R&D performance of Turkish cities | |
US20090187412A1 (en) | Correlation/relationship and forecasting generator | |
Zhalezka et al. | Multy-criteria fuzzy analysis of regional development | |
Zhang et al. | Dynamic time warp-based clustering: Application of machine learning algorithms to simulation input modelling | |
Le et al. | An integrated multiple objective decision making approach for exploring the competitiveness of pharmaceutical multinational enterprises | |
Tytenko et al. | Software and information support for business analysis in enterprise management | |
CN117541103A (zh) | 基于指标管理系统的业务kpi指标智能实现方法 | |
Met et al. | Branch efficiency and location forecasting: Application of Ziraat bank | |
Bartoloni et al. | Urban non-urban agglomeration divide: is there a gap in productivity and wages? | |
Tangsripairoj et al. | A Business Intelligence System for Radio Communication Licensing: A Case Study of the National Broadcasting and Telecommunications Commission of Thailand | |
Serasinghe et al. | Design and Implementation of Data Warehouse for a Higher Educational Institute in Sri Lanka | |
CN117171145B (zh) | 一种企业管理系统数据的分析处理方法、设备及存储介质 | |
Bakula et al. | Application of Business Intelligence System in Company Restructuring Process: The Case of Croatia. | |
Curley et al. | The Rationale for Developing a Corporate Data Warehouse and the Development of a Model for Sharing Data in a Data Warehouse Environment | |
Yusnita et al. | An Analysis On The Factors Which Influence Financial Statement Quality Of The Langkat District Administration With Managerial Commitment As Moderating Variable | |
Gul et al. | The effects of environmental uncertainty, computer usage, and management accounting systems on small business |
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 |