CN117670221A - 一种erp与电商平台双向信息流集成方法及系统 - Google Patents
一种erp与电商平台双向信息流集成方法及系统 Download PDFInfo
- Publication number
- CN117670221A CN117670221A CN202311612088.8A CN202311612088A CN117670221A CN 117670221 A CN117670221 A CN 117670221A CN 202311612088 A CN202311612088 A CN 202311612088A CN 117670221 A CN117670221 A CN 117670221A
- Authority
- CN
- China
- Prior art keywords
- data
- erp
- commerce platform
- electronic commerce
- information
- 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 42
- 230000002457 bidirectional effect Effects 0.000 title claims abstract description 11
- 230000010354 integration Effects 0.000 title claims description 15
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000003058 natural language processing Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 230000008451 emotion Effects 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000013075 data extraction Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电商技术领域，尤其是涉及一种ERP与电商平台双向信息流集成方法及系统。所述方法，包括获取ERP产品信息；将获取的ERP产品信息作为数据同步并转化到电商平台；对转化到电商平台的数据进行数据预处理；对预处理后的数据利用机器学习方法进行分析，得到数据的关键信息；根据得到的数据的关键信息生成数据报告。本发明通过实时数据同步和匹配有助于减少数据错误和冲突，确保数据的准确性和一致性。这意味着您可以更加信任您的数据，并且不需要花费额外的时间和精力来解决数据问题。
Description
技术领域
本发明涉及电商技术领域，尤其是涉及一种ERP与电商平台双向信息流集成方法及系统。
背景技术
在现代企业管理中，ERP（企业资源计划）系统和电商平台是两个不可或缺的组成部分。然而，它们通常是独立运作的，导致信息孤岛和低效率的数据流。传统的信息集成方法常常复杂且昂贵，需要大量的人力和资源。因此，需要一种更加智能、高效且实时的ERP与电商平台信息流双向集成系统。
在现有技术中，确实存在一些集成系统用于将ERP系统与电商平台连接在一起，以实现数据共享和交互。然而，这些系统可能存在以下缺点和限制：
复杂性和昂贵性: 传统的ERP与电商平台集成解决方案通常非常复杂，需要大量的定制开发和配置，以满足特定企业的需求。这导致了高昂的开发成本和维护费用。
延迟和不实时性: 一些现有的集成系统可能存在数据同步的延迟，数据不是实时更新的。这可能导致订单处理和库存管理等关键业务方面的问题。
局限性: 一些现有系统可能仅支持有限的数据类型和格式的集成，难以应对多样化的业务需求。这可能导致某些信息无法有效地传递或处理。
安全性和隐私问题: 在一些情况下，数据的安全性和隐私问题可能存在挑战，特别是在跨不同系统的数据传输和存储方面。
发明内容
为了解决上述提到的问题，本发明提供一种ERP与电商平台双向信息流集成方法及系统。以实现实时数据共享和交互，提高运营效率，降低成本，增强竞争力。
第一方面，本发明提供的一种ERP与电商平台双向信息流集成方法，采用如下的技术方案：
一种ERP与电商平台双向信息流集成方法，包括：
获取ERP产品信息；
将获取的ERP产品信息作为数据同步并转化到电商平台；
对转化到电商平台的数据进行数据预处理；
对预处理后的数据利用机器学习方法进行分析，得到数据的关键信息；
根据得到的数据的关键信息生成数据报告。
进一步地，所述将获取的ERP产品信息作为数据同步并转化到电商平台，包括采用自然语言处理对数据进行处理，处理后利用模糊匹配算法对数据进行匹配到电商平台。
进一步地，所述采用自然语言处理对数据进行处理，包括将ERP产品信息中的数据进行文本解析、实体识别和情感分析，将得到的分析结果进行数据转化和标准化。
进一步地，所述利用模糊匹配算法对数据进行匹配到电商平台，包括通过字符串相似度计算得到ERP产品信息中的商品名称与电商平台商品名称之间的相似度。
进一步地，所述利用模糊匹配算法对数据进行匹配到电商平台,还包括根据计算得到的相似度，通过设定匹配阈值确定是否进行匹配。
进一步地，所述对转化到电商平台的数据进行数据预处理，包括数据清洗和处理，其中包括去除重复数据、填充缺失值和处理异常值操作。
进一步地，所述对预处理后的数据利用机器学习方法进行分析，得到数据的关键信息，包括对预处理后的数据利用机器学习模型对预处理后的数据进行分类、回归和聚类，得到数据的关键信息。
第二方面，一种ERP与电商平台双向信息流集成系统，包括：
数据获取模块，被配置为，获取ERP产品信息；
转化模块，被配置为，将获取的ERP产品信息作为数据同步并转化到电商平台；
预处理模块，被配置为，对转化到电商平台的数据进行数据预处理；
分析模块，被配置为，对预处理后的数据利用机器学习方法进行分析，得到数据的关键信息；
报告模块，被配置为，根据得到的数据的关键信息生成数据报告。
第三方面，本发明提供一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种ERP与电商平台双向信息流集成方法。
第四方面，本发明提供一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种ERP与电商平台双向信息流集成方法。
综上所述，本发明具有如下的有益技术效果：
1. 提高数据准确性和一致性：实时数据同步和匹配有助于减少数据错误和冲突，确保数据的准确性和一致性。这意味着您可以更加信任您的数据，并且不需要花费额外的时间和精力来解决数据问题。
2. 提高运营效率：自动化数据处理和交互可以极大地提高运营效率。通过使用自动化工具和系统，您可以减少人工干预的需求，从而节省时间和资源。这意味着您的团队可以更加专注于核心业务活动，而不是繁琐的数据处理任务。
3. 降低成本：采用实时数据同步和匹配方法可以帮助您降低成本。通过减少重复工作和数据不一致问题，您可以提高资源的利用率并降低额外的开支。这意味着您可以在运营过程中更加高效地利用有限的资源，并节省成本。
4. 提升竞争力：实时数据共享能够帮助您更快地响应市场变化，提高竞争力。通过及时获取和共享数据，您可以更好地了解市场趋势和客户需求，从而调整您的业务策略并提供更好的客户体验。这将使您在竞争激烈的市场中处于优势地位，并为您的业务带来更多的机会和成功。
附图说明
图1是本发明实施例1的一种ERP与电商平台双向信息流集成方法的示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
实施例1
参照图1，本实施例的一种ERP与电商平台双向信息流集成方法，包括：
获取ERP产品信息；
将获取的ERP产品信息作为数据同步并转化到电商平台；
对转化到电商平台的数据进行数据预处理；
对预处理后的数据利用机器学习方法进行分析，得到数据的关键信息；
根据得到的数据的关键信息生成数据报告。
具体的，包括以下步骤：
S1. 获取ERP产品信息；
采用ETL（抽取、转化、加载）工具，通过定制的数据抽取模块，将ERP系统中的结构化数据提取出来，随后通过数据转化模块，数据将被格式化并映射到适合电商平台的标准数据模型。这一过程包括数据类型转换、单位转换、字段映射等操作。数据加载模块会将处理后的数据加载到电商平台的数据库中。
数字化案例: ERP系统中的产品信息，例如产品名称、规格、价格、库存数量等，经过ETL流程，将被转化为电商平台所需的XML或JSON格式。此过程是高度自动化的，减少了手动干预。
S2.将获取的ERP产品信息作为数据同步并转化到电商平台
将获取的ERP产品信息作为数据同步并转化到电商平台，包括采用自然语言处理对数据进行处理，处理后利用模糊匹配算法对数据进行匹配到电商平台。
采用自然语言处理对数据进行处理，包括将ERP产品信息中的数据进行文本解析、实体识别和情感分析，将得到的分析结果进行数据转化和标准化。
具体的，在数据同步和转化模块中，用于对ERP产品信息进行自然语言处理（NLP）和模糊匹配的具体步骤如下：
数据抽取和准备:
ERP系统数据抽取：首先，从ERP数据库中抽取产品信息，包括产品名称、描述、规格、价格等数据。这些数据通常以结构化形式存储在数据库中。
自然语言处理 (NLP):
文本解析: ERP产品信息中的文本数据需要被解析，以便提取有用的信息。这包括使用NLP技术分析产品描述、名称和其他文本字段，以识别和提取关键信息，如产品特性、用途等。
实体识别: NLP可以用于识别文本中的实体，例如产品名称、品牌、规格等。这有助于将ERP数据中的不同字段映射到电商平台所需的相应字段。
情感分析 (可选): 情感分析可以用于了解文本中的情感色彩，例如产品描述中的积极或消极情感。这可以在电商平台上为商品提供更多信息。
数据转化和标准化:
在NLP处理后，ERP数据中的文本信息被转化成标准化的格式，以确保与电商平台的数据模型相匹配。这包括字段的命名、单位的统一等。
模糊匹配:
字符串相似度计算: 通过计算文本字段之间的字符串相似度，可以识别ERP产品名称与电商平台的商品名称之间的关联度。常见的字符串相似度算法包括编辑距离、余弦相似度等。
匹配阈值设定: 设定匹配阈值，以确定何时认为两个文本字段匹配。例如，当字符串相似度超过特定阈值时，可以视为匹配。
关键字匹配: 使用关键字或词汇表，对产品描述等文本进行关键词匹配，以确保产品信息的正确匹配。
通过以上步骤，ERP产品信息首先经过NLP处理，其中包括文本解析、实体识别、情感分析等，以提取有用的信息。然后，这些信息经过数据转化和标准化，以适应电商平台的数据模型。最后，采用模糊匹配算法，将ERP产品信息与电商平台的相应信息进行匹配。核心的计算过程包括字符串相似度计算和匹配阈值的设定，以确保正确的数据匹配。
这些步骤和计算过程是数据处理的关键核心部分，确保了ERP与电商平台之间的数据正确匹配和同步。
S3.利用模糊匹配算法对数据进行匹配到电商平台，
包括通过字符串相似度计算得到ERP产品信息中的商品名称与电商平台商品名称之间的相似度，根据计算得到的相似度，通过设定匹配阈值确定是否进行匹配。
具体的，在数据同步和转化模块中，使用模糊匹配算法来将ERP产品信息与电商平台的相应信息进行匹配。核心的模糊匹配算法内容包括以下步骤：
字符串相似度计算：
使用编辑距离算法（Levenshtein距离）或其他字符串相似度度量来计算ERP产品名称与电商平台商品名称之间的相似度。编辑距离算法衡量两个字符串之间的编辑操作（插入、删除、替换）次数，以将一个字符串转换为另一个字符串。
例如，考虑ERP产品名称为"Widget A"和电商平台商品名称为"Widget Alpha"。编辑距离算法可以计算出它们之间的距离，然后将距离与预设的匹配阈值进行比较。
匹配阈值设定：
设定匹配阈值，确定何时认为两个字符串匹配。阈值的设定通常基于编辑距离的百分比或其他相似性指标。例如，当编辑距离小于等于10%的平均字符串长度时，可以视为匹配。
阈值的选择根据具体需求进行调整，以平衡准确性和召回率（匹配的全面性）。
关键字匹配：
在模糊匹配过程中，可以使用关键字匹配，即基于事先定义的关键词或词汇表来验证匹配。如果匹配的字符串包含了一组关键词，则可能更有可能认为匹配是正确的。
例如，如果ERP产品描述包含了与电商平台关键词匹配的术语，例如"Widget"和"Alpha"，则可以增加匹配的置信度。
算法返回匹配结果：
根据以上计算，模糊匹配算法返回匹配的结果，指示ERP产品信息是否与电商平台信息匹配。
通过以上核心计算步骤和算法内容，模糊匹配算法可以识别ERP产品信息与电商平台信息之间的相似性，以确定是否进行匹配。这一过程是自动化的，有助于确保正确的数据同步和信息匹配。
需要注意的是，模糊匹配算法的具体实现可以根据系统的需求和数据特点进行优化和调整。例如，可以选择不同的相似度度量方法或调整匹配阈值，以满足特定场景的匹配要求。
S4.对转化到电商平台的数据进行数据预处理，包括数据清洗和处理，其中包括去除重复数据、填充缺失值和处理异常值操作。
去除重复数据：通过对数据集进行去重操作，识别和删除重复的记录。这可以通过比较各个字段的数值或文本内容来实现。例如，如果多个记录具有相同的产品名称和规格，我们可以将它们视为重复数据并将其删除。
填充缺失值：识别数据集中的缺失值，并采取适当的方法来填充这些缺失值。常见的方法包括使用平均值、中位数或众数来填充数值型数据的缺失值，使用最常见的类别值来填充分类型数据的缺失值。
处理异常值：检测和处理数据集中的异常值，以确保数据的准确性和一致性。异常值可能是由于测量错误、录入错误或其他异常情况引起的。我们可以使用统计方法来识别异常值，并对其进行修正或排除。
统计分析和数据挖掘：应用各种统计分析和数据挖掘技术来揭示数据中的有价值信息。这包括描述性统计分析、相关性分析、聚类分析和预测建模等。通过这些分析，我们可以了解数据的分布、趋势和关联性，并发现潜在的业务见解和机会。
通过数据清洗和处理，我们可以确保数据的质量和准确性，为后续的数据分析和报告提供可靠的基础。这些工作将帮助企业更好地理解和利用其数据资产，从而做出更明智的决策，并提升业务绩效和竞争力。
S5.对预处理后的数据利用机器学习方法进行分析，得到数据的关键信息，包括对预处理后的数据利用机器学习模型对预处理后的数据进行分类、回归和聚类，得到数据的关键信息。
在数据同步和转化模块中，对转化到电商平台的数据进行数据预处理，包括数据清洗和处理，然后利用机器学习方法进行分析的步骤如下：
机器学习模型选择：
根据任务和数据性质选择适当的机器学习模型。例如，如果任务是分类，可以选择决策树、支持向量机（SVM）、随机森林等分类模型。
如果任务是回归，可以选择线性回归、岭回归、神经网络等回归模型。
也可以采用聚类、降维等无监督学习方法，根据分析目标选择适当的模型。
数据拆分：
将数据集划分为训练集和测试集。训练集用于模型训练，测试集用于模型性能评估。
模型训练：
使用训练集对所选的机器学习模型进行训练。模型会根据数据学习模式和规律。
模型评估：
使用测试集对训练好的模型进行性能评估。常见的评估指标包括准确度、精确度、召回率、F1分数等，根据任务的性质选择适当的指标。
模型优化：
如果模型性能不满足要求，可以进行模型参数调整和优化，以提高模型的准确性和泛化能力。
结果解释和应用：
解释模型的结果，分析关键特征对结果的影响。根据分析结果，可以做出决策或采取行动，例如优化产品定价策略、库存管理等。
以上步骤构成了对预处理后的数据利用机器学习方法进行分析的全过程。这一过程有助于从数据中提取关键信息，支持决策制定和业务优化。需要根据具体的应用场景和问题调整和优化每个步骤，以满足特定需求。
S6.根据得到的数据的关键信息生成数据报告。
应用各种数据分析技术，如统计分析、机器学习和数据可视化，以揭示数据中的趋势、模式和关联性。我们还可以生成各种类型的报告，如销售报告、库存报告和用户行为报告等。
数字化案例: 通过数据分析和报告，我们可以深入了解产品销售趋势、库存状况和用户行为。我们可以发现热销产品、滞销产品和潜在的市场机会。这些洞察可以帮助电商平台制定更有效的营销策略和库存管理策略，提升业务绩效和竞争力。
实施例2
本实施例提供一种ERP与电商平台双向信息流集成系统，包括：
数据获取模块，被配置为，获取ERP产品信息；
转化模块，被配置为，将获取的ERP产品信息作为数据同步并转化到电商平台；
预处理模块，被配置为，对转化到电商平台的数据进行数据预处理；
分析模块，被配置为，对预处理后的数据利用机器学习方法进行分析，得到数据的关键信息；
报告模块，被配置为，根据得到的数据的关键信息生成数据报告。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种ERP与电商平台双向信息流集成方法。
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种ERP与电商平台双向信息流集成方法。
以上均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。
Claims (10)
1.一种ERP与电商平台双向信息流集成方法，其特征在于，包括：
获取ERP产品信息；
将获取的ERP产品信息作为数据同步并转化到电商平台；
对转化到电商平台的数据进行数据预处理；
对预处理后的数据利用机器学习方法进行分析，得到数据的关键信息；
根据得到的数据的关键信息生成数据报告。
2.根据权利要求1所述的一种ERP与电商平台双向信息流集成方法，其特征在于，所述将获取的ERP产品信息作为数据同步并转化到电商平台，包括采用自然语言处理对数据进行处理，处理后利用模糊匹配算法对数据进行匹配到电商平台。
3.根据权利要求2所述的一种ERP与电商平台双向信息流集成方法，其特征在于，所述采用自然语言处理对数据进行处理，包括将ERP产品信息中的数据进行文本解析、实体识别和情感分析，将得到的分析结果进行数据转化和标准化。
4.根据权利要求3所述的一种ERP与电商平台双向信息流集成方法，其特征在于，所述利用模糊匹配算法对数据进行匹配到电商平台，包括通过字符串相似度计算得到ERP产品信息中的商品名称与电商平台商品名称之间的相似度。
5.根据权利要求4所述的一种ERP与电商平台双向信息流集成方法，其特征在于，所述利用模糊匹配算法对数据进行匹配到电商平台,还包括根据计算得到的相似度，通过设定匹配阈值确定是否进行匹配。
6.根据权利要求5所述的一种ERP与电商平台双向信息流集成方法，其特征在于，所述对转化到电商平台的数据进行数据预处理，包括数据清洗和处理，其中包括去除重复数据、填充缺失值和处理异常值操作。
7.根据权利要求6所述的一种ERP与电商平台双向信息流集成方法，其特征在于，所述对预处理后的数据利用机器学习方法进行分析，得到数据的关键信息，包括对预处理后的数据利用机器学习模型对预处理后的数据进行分类、回归和聚类，得到数据的关键信息。
8.一种ERP与电商平台双向信息流集成系统，其特征在于，包括：
数据获取模块，被配置为，获取ERP产品信息；
转化模块，被配置为，将获取的ERP产品信息作为数据同步并转化到电商平台；
预处理模块，被配置为，对转化到电商平台的数据进行数据预处理；
分析模块，被配置为，对预处理后的数据利用机器学习方法进行分析，得到数据的关键信息；
报告模块，被配置为，根据得到的数据的关键信息生成数据报告。
9.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行如权利要求1所述的一种ERP与电商平台双向信息流集成方法。
10.一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行如权利要求1所述的一种ERP与电商平台双向信息流集成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311612088.8A CN117670221A (zh) | 2023-11-29 | 2023-11-29 | 一种erp与电商平台双向信息流集成方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311612088.8A CN117670221A (zh) | 2023-11-29 | 2023-11-29 | 一种erp与电商平台双向信息流集成方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117670221A true CN117670221A (zh) | 2024-03-08 |
Family
ID=90065438
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311612088.8A Pending CN117670221A (zh) | 2023-11-29 | 2023-11-29 | 一种erp与电商平台双向信息流集成方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117670221A (zh) |
-
2023
- 2023-11-29 CN CN202311612088.8A patent/CN117670221A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103154991B (zh) | 信用风险采集 | |
| US7930242B2 (en) | Methods and systems for multi-credit reporting agency data modeling | |
| US20170109657A1 (en) | Machine Learning-Based Model for Identifying Executions of a Business Process | |
| CN110020660A (zh) | 使用人工智能（ai）技术的非结构化过程的完整性评估 | |
| CN111324602A (zh) | 一种实现面向金融大数据分析可视化方法 | |
| US20170109636A1 (en) | Crowd-Based Model for Identifying Executions of a Business Process | |
| US11921737B2 (en) | ETL workflow recommendation device, ETL workflow recommendation method and ETL workflow recommendation system | |
| WO2020257782A1 (en) | Factory risk estimation using historical inspection data | |
| US20170109639A1 (en) | General Model for Linking Between Nonconsecutively Performed Steps in Business Processes | |
| CN112241805A (zh) | 使用历史检验数据进行缺陷预测 | |
| CN110619462A (zh) | 一种基于ai模型的项目质量评估方法 | |
| CN110414806B (zh) | 员工风险预警方法及相关装置 | |
| CN114997916A (zh) | 潜在用户的预测方法、系统、电子设备和存储介质 | |
| CN116861924A (zh) | 基于人工智能的项目风险预警方法及系统 | |
| CN115689334A (zh) | 仓库管理系统的效率分析方法、系统及计算机设备 | |
| CN111626331B (zh) | 一种自动化行业分类装置及其工作方法 | |
| CN113221570A (zh) | 基于线上问诊信息的处理方法、装置、设备及存储介质 | |
| CN113592512A (zh) | 一种线上商品身份唯一性识别确认系统 | |
| CN117453764A (zh) | 一种数据挖掘分析方法 | |
| Jeyaraman et al. | Practical Machine Learning with R: Define, build, and evaluate machine learning models for real-world applications | |
| Lo et al. | An emperical study on application of big data analytics to automate service desk business process | |
| US10360239B2 (en) | Automated definition of data warehouse star schemas | |
| CN111694957A (zh) | 基于图神经网络的问题单分类方法、设备及存储介质 | |
| CN117670221A (zh) | 一种erp与电商平台双向信息流集成方法及系统 | |
| CN113627997A (zh) | 数据处理方法、装置、电子设备及存储介质 |
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 |