CN117852921A - 基于数字效益评估的智能决策方法及系统 - Google Patents
基于数字效益评估的智能决策方法及系统 Download PDFInfo
- Publication number
- CN117852921A CN117852921A CN202410044471.6A CN202410044471A CN117852921A CN 117852921 A CN117852921 A CN 117852921A CN 202410044471 A CN202410044471 A CN 202410044471A CN 117852921 A CN117852921 A CN 117852921A
- Authority
- CN
- China
- Prior art keywords
- data
- decision
- evaluation
- determining
- deviation
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000008901 benefit Effects 0.000 title claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 33
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims description 37
- 238000011157 data evaluation Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 30
- 238000007781 pre-processing Methods 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000010206 sensitivity analysis Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 abstract description 7
- 238000007418 data mining Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了基于数字效益评估的智能决策方法及系统,涉及数据挖掘技术领域,所述方法包括:进行数据孤岛互联,确定数字拓扑网络,然后建立数据端口与第三方平台的通道连接,然后读取预决策任务,遍历数据拓扑网络并确定数据系统整合数据传输至第三方平台,筛选决策影响特征值,然后对任务源数据执行单项评估与协同评估,确定目标决策方案,然后实时追踪监测并进行偏离决策,回传趋势偏离数据,最后进行校准补偿,确定补偿方案并更新。本申请主要解决了现有方法数据关联和整合问题较差,会出现数据孤岛问题,缺乏实时的方案执行监测,不能及时发现决策偏离的情况。通过智能决策支持和及时校准补偿,提高了决策质量、增强了决策科学性和客观性。
Description
技术领域
本申请涉及数据挖掘技术领域,具体涉及基于数字效益评估的智能决策方法及系统。
背景技术
随着数字化时代的到来,数据已经成为企业决策的重要依据。传统的决策方法往往基于经验和直觉,难以应对复杂多变的市场环境。在生产力较低下、社会活动较为简单的时代,由于领导者个人经验和智慧的局限性,他们主要依靠个人的阅历、经验、知识和思维方式进行决策。这种决策方式在社会生产力较低下、社会活动较为简单的时代是可行的。然而,随着社会的发展和科技的进步,决策环境变得越来越复杂,决策问题也变得越来越多样化。传统决策方法的局限性逐渐显现出来,它缺乏科学性和系统性,且主要基于经验和直觉进行决策。
但在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有方法数据关联和整合问题较差,会出现数据孤岛问题,缺乏实时的方案执行监测,不能及时发现决策偏离的情况。
发明内容
本申请主要解决了现有方法数据关联和整合问题较差,会出现数据孤岛问题,缺乏实时的方案执行监测,不能及时发现决策偏离的情况。
鉴于上述问题,本申请提供了基于数字效益评估的智能决策方法及系统,第一方面,本申请提供了基于数字效益评估的智能决策方法,所述方法包括:对多数据系统进行关联评定,进行数据孤岛互联,确定数字拓扑网络;基于所述数字拓扑网络,建立各数据端口与第三方平台的通道连接,其中,所述第三方平台置有智能决策模型;读取预决策任务,遍历所述数字拓扑网络确定目标数据系统,整合任务源数据并传输至所述第三方平台;读取市场驱动因素与量化变量,筛选决策影响特征值;基于所述第三方平台的智能决策模型,结合所述决策影响特征值,对所述任务源数据执行单项评估与协同评估,确定数据评估结果并进行智能决策,确定目标决策方案;对所述目标决策方案进行下放执行,实时追踪监测并进行偏离决策,回传趋势偏离数据;结合所述智能决策模型,对所述目标决策方案执行基于所述趋势偏离数据的校准补偿,确定场景决策补偿方案并更新。
第二方面,本申请提供了基于数字效益评估的智能决策系统,所述系统包括:数字拓扑网络确定模块,所述数字拓扑网络确定模块用于对多数据系统进行关联评定,进行数据孤岛互联,确定数字拓扑网络;通道连接建立模块,所述通道连接建立模块是基于所述数字拓扑网络,建立各数据端口与第三方平台的通道连接,其中,所述第三方平台置有智能决策模型;数据传输模块,所述数据传输模块用于读取预决策任务,遍历所述数字拓扑网络确定目标数据系统,整合任务源数据并传输至所述第三方平台;影响特征值筛选模块,所述影响特征值筛选模块用于读取市场驱动因素与量化变量,筛选决策影响特征值;目标决策方案确定模块,所述目标决策方案确定模块是基于所述第三方平台的智能决策模型,结合所述决策影响特征值,对所述任务源数据执行单项评估与协同评估,确定数据评估结果并进行智能决策,确定目标决策方案;偏离数据回传模块,所述偏离数据回传模块用于对所述目标决策方案进行下放执行,实时追踪监测并进行偏离决策,回传趋势偏离数据;数据校准补偿模块,所述数据校准补偿模块用于结合所述智能决策模型,对所述目标决策方案执行基于所述趋势偏离数据的校准补偿,确定场景决策补偿方案并更新。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供了基于数字效益评估的智能决策方法及系统,涉及数据挖掘技术领域,所述方法包括:进行数据孤岛互联,确定数字拓扑网络,然后建立数据端口与第三方平台的通道连接,然后读取预决策任务,遍历数据拓扑网络并确定数据系统整合数据传输至第三方平台,筛选决策影响特征值,然后对任务源数据执行单项评估与协同评估,确定目标决策方案,然后实时追踪监测并进行偏离决策,回传趋势偏离数据,最后进行校准补偿,确定补偿方案并更新。
本申请主要解决了现有方法数据关联和整合问题较差,会出现数据孤岛问题,缺乏实时的方案执行监测,不能及时发现决策偏离的情况。通过智能决策支持和及时校准补偿,提高了决策质量、增强了决策科学性和客观性。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本申请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的介绍,显而易见地,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供了基于数字效益评估的智能决策方法流程示意图;
图2为本申请实施例提供了基于数字效益评估的智能决策方法中确定调整后的任务源数据的方法流程示意图;
图3为本申请实施例提供了基于数字效益评估的智能决策方法中趋势偏离数据获取的方法流程示意图;
图4为本申请实施例提供了基于数字效益评估的智能决策系统的结构示意图。
附图标记说明:数字拓扑网络确定模块10,通道连接建立模块20,数据传输模块30,影响特征值筛选模块40,目标决策方案确定模块50,偏离数据回传模块60,数据校准补偿模块70。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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。
本申请主要解决了现有方法数据关联和整合问题较差,会出现数据孤岛问题,缺乏实时的方案执行监测,不能及时发现决策偏离的情况。通过智能决策支持和及时校准补偿,提高了决策质量、增强了决策科学性和客观性。
为了更好地理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述方案进行详细介绍:
实施例一
如图1所示基于数字效益评估的智能决策方法,所述方法包括:
对多数据系统进行关联评定,进行数据孤岛互联,确定数字拓扑网络;
具体而言,首先,收集各个数据系统的数据。可以从数据库、数据仓库、云计算平台等进行收集。在收集完数据后,对数据进行清洗和整合。包括处理缺失值、异常值、重复值等,通过分析数据的内在联系和规律,可以发现数据之间的关联性。通过关联规则挖掘、聚类分析、相关性分析等进行分析。根据数据关联分析的结果,可以将数据孤岛进行分类。不同类别的数据孤岛可以代表不同的数据集或数据子集。根据数据孤岛的分类和关联性,可以构建数字拓扑网络。数字拓扑网络可以表示数据之间的逻辑关系和拓扑结构,通过建立适当的连接和通道,将各个数据孤岛进行互联。这可以通过数据集成、数据交换等方式实现,使得不同数据孤岛之间能够进行数据交换和共享。
基于所述数字拓扑网络,建立各数据端口与第三方平台的通道连接,其中,所述第三方平台置有智能决策模型;
具体而言,明确数字拓扑网络中的各数据端口,包括数据库、API接口、数据文件等。识别各数据端口的类型、格式、访问权限等信息。根据业务需求和目标,选择合适的第三方平台,这些平台应具备智能决策模型的集成能力。与第三方平台建立连接,确保数据端口的互操作性。基于数据端口和第三方平台的特性,设计合适的通道连接方式。这可以包括API对接、数据文件传输、数据库链接等。建立通道时需确保数据传输的效率、安全性和稳定性。在第三方平台上,集成智能决策模型。包括模型部署、配置和优化等步骤,确保模型能够正常运行并提供准确的决策支持。通过建立的通道连接,从各数据端口获取数据,供智能决策模型使用。模型使用这些数据进行训练和优化,提高决策的准确性和有效性。建立监控机制,实时监测通道连接和智能决策模型的运行状态。根据监控结果进行必要的调整和优化,确保整个系统的稳定性和性能。假设某企业希望通过智能决策模型优化其销售策略,该企业具有多个数据端口,包括销售数据库、市场调研数据等。企业选择与第三方平台进行合作,该平台拥有先进的智能决策模型。企业通过API接口与第三方平台建立连接,将销售数据和市场调研数据传输至第三方平台的智能决策模型中进行训练和优化。同时,第三方平台也提供了一些其他相关的市场信息和数据分析工具,帮助企业更好地理解和应用这些数据。通过持续的数据交互和模型优化,企业的销售策略得到了显著提升,实现了更好的业务效果。
读取预决策任务,遍历所述数字拓扑网络确定目标数据系统,整合任务源数据并传输至所述第三方平台;
具体而言,从任务管理系统中读取预决策任务。包括任务的描述、目标、要求等详细信息。根据预决策任务的需求,通过遍历数字拓扑网络,确定与任务相关的目标数据系统。这可能涉及多个数据孤岛的识别和选择。基于数字拓扑网络的关联关系和拓扑结构,选择最适合完成任务的目标数据系统。从目标数据系统中提取与预决策任务相关的源数据。包括对数据进行清洗、筛选、转换等处理,以确保数据的准确性和完整性。将整合后的任务源数据通过适当的通道连接传输至第三方平台。通过API接口、文件传输协议或其他数据传输方式实现。确保数据传输的安全性和稳定性。
读取市场驱动因素与量化变量,筛选决策影响特征值;
具体而言,从数字拓扑网络中读取市场相关数据,包括市场趋势、竞争对手情况、客户需求等。通过分析收集到的数据,识别出影响市场变化的主要驱动因素。包括经济、技术、政策等方面。将识别出的市场驱动因素进行量化,将定性的市场信息转化为可度量的数值。例如,将市场趋势分为增长、稳定、下降等不同状态,并为每个状态赋予相应的数值。根据决策的需求和目标,筛选出对决策具有显著影响的特征值。这可以通过分析特征值与决策结果之间的相关性来实现。保留与决策结果高度相关的特征值,去除无关或影响较小的特征值。对于筛选出的特征值,进行必要的处理,如归一化、标准化或转换等,以确保它们在相同的量级上。
基于所述第三方平台的智能决策模型,结合所述决策影响特征值,对所述任务源数据执行单项评估与协同评估,确定数据评估结果并进行智能决策,确定目标决策方案;
具体而言,对任务源数据进行预处理和清洗,确保数据的准确性和完整性。对缺失值、异常值等进行处理,基于筛选出的决策影响特征值,对每个特征值进行单独的评估。包括计算每个特征值的权重、相关性、贡献度等指标,以了解每个特征值对决策的影响程度。除了单项评估外,还需要进行协同评估。协同评估考虑了特征值之间的相互作用和关系,通过分析特征值之间的关联性和协同效应,综合评估其对决策的影响。根据单项评估和协同评估的结果,确定每个特征值的数据评估结果。这可以是一个具体的数值、排名或优先级,表示该特征值在决策中的重要性和影响程度。基于数据评估结果和智能决策模型,进行智能决策。利用模型的分析和预测能力,综合考虑所有特征值的评估结果,制定出最优的决策方案。根据智能决策的结果,确定目标决策方案。目标决策方案应该是基于数据评估结果和模型预测的综合考虑,能够最大化决策效果和业务目标。
对所述目标决策方案进行下放执行,实时追踪监测并进行偏离决策,回传趋势偏离数据;
具体而言,将确定的目标决策方案下放给相关部门或执行团队。确保决策方案的清晰传达和准确理解,在决策方案执行过程中,建立实时追踪监测机制。通过数据监控、指标跟踪等方式,实时收集方案的执行数据和效果反馈。根据追踪监测的数据,判断决策方案的执行是否出现偏离。对于发现的偏离情况,及时回传趋势偏离数据。将这些数据反馈给决策制定者和相关团队,以便进行必要的调整和干预。
结合所述智能决策模型,对所述目标决策方案执行基于所述趋势偏离数据的校准补偿,确定场景决策补偿方案并更新。
具体而言,结合所述智能决策模型,对所述目标决策方案执行基于所述趋势偏离数据的校准补偿,确定场景决策补偿方案并更新,首先,根据回传的趋势偏离数据,分析实际执行情况与目标决策方案的差异,确定需要进行校准补偿的领域和方面。利用智能决策模型对趋势偏离数据进行深入分析。模型可以基于历史数据、市场趋势和其他相关因素,基于智能决策模型的分析结果和实际业务需求,制定场景决策补偿方案。包括调整目标、优化执行策略、补充资源等方面的措施。将场景决策补偿方案与原有的目标决策方案进行整合,形成更新的决策方案。确保更新后的方案能够更好地适应实际情况,提高决策的准确性和有效性。将更新后的决策方案下放给相关部门或执行团队,确保方案的顺利执行。同时,继续进行实时追踪监测,以确保方案的实施效果与预期目标一致。
进一步而言,本申请发明,所述对多数据系统进行关联评定,进行数据孤岛互联,包括:
以系统相关性为基准,对所述多数据系统进行关联标识,确定第一互联层;
以数据相关性为基准,对所述多数据系统进行关联标识,确定第二互联层,其中,数据相关性评定标准至少包括顺序影响关联、同频影响关联;
融合所述第一互联层与所述第二互联层,生成所述数字拓扑网络。
具体而言,收集关于多个数据系统的相关信息,包括它们之间的连接、交互和数据传输等。通过使用网络抓取工具、从企业资源规划(ERP)系统获取数据,或者直接从数据系统的管理员或所有者那里获取。集到数据后,使用系统相关性分析工具或算法来分析这些数据系统之间的相关性。包括使用图论、复杂网络分析或依赖性分析等方法来确定系统之间的依赖关系、共同的功能领域或业务流程等。例如,可以通过分析数据系统之间的通信频率、数据共享的频率和数量,或者它们在业务流程中的角色和位置来评估系统相关性。根据系统相关性分析结果,对多数据系统进行关联标识。通过创建一个系统间的关系矩阵或网络图来实现,其中每个节点代表一个数据系统,每条边代表它们之间的相关性或连接。具有较强系统相关性的数据系统将被归为第一互联层。然后考虑数据之间的逻辑关系、时间序列关系或其他相关因素。例如,如果两个数据系统的变化趋势在时间上具有一致性,或者一个数据系统的变化能预测另一个数据系统的变化,那么它们之间就存在数据相关性。制定至少包括顺序影响关联和同频影响关联的数据相关性评定标准。顺序影响关联是指数据之间按照一定顺序产生的关联关系,例如因果关系。这可以通过分析时间序列数据或事件之间的先后顺序来确定。同频影响关联是指数据之间在相同频率或周期内产生的关联关系。这可以通过分析数据的周期性变化或频率分布来评估。根据数据相关性评定标准,对多数据系统进行关联标识。创建一个数据间的关系矩阵或网络图,其中每个节点代表一个数据系统,每条边代表它们之间的数据相关性。具有较强数据相关性的数据系统将被归为第二互联层。将确定的第一互联层和第二互联层的数据系统进行融合。综合考虑系统相关性和数据相关性两个方面,分析各个数据系统之间的整体关联关系。通过合并两个层次的网络结构来实现,形成一个更全面的数字拓扑网络模型。数字拓扑网络将展示各个数据系统之间的层次结构和连接关系。它可以根据需要使用不同的可视化工具或软件来实现,例如使用网络可视化软件包或图形库来创建交互式的数字拓扑网络图。这个网络模型可以用于进一步的数据处理、分析和决策支持等应用。例如,它可以用于识别关键的数据系统、发现潜在的数据流动路径、预测数据的未来趋势,以及制定针对特定数据的优化策略或措施等。
进一步而言,如图2所示,本申请发明,所述整合任务源数据之后,包括:
对所述任务源数据进行数据敏感性分析,标记多级敏感数据组;
针对所述多级敏感数据组,结合密钥数据库匹配数据加密方式并进行敏感数据处理,确定加密敏感数据;
基于所述加密敏感数据,替换所述多级敏感数据组,确定调整后的所述任务源数据。
具体而言,对任务源数据进行数据敏感性分析。数据敏感性分析是指评估数据的重要性和敏感程度的过程,以确定哪些数据需要额外的保护措施。收集任务源数据的详细信息,包括数据的类型、内容、用途和存储方式等。然后,使用数据敏感性分析工具或算法来评估这些数据的敏感程度。包括数据的机密性、完整性、可用性和可追溯性等因素。根据数据敏感性分析结果,标记多级敏感数据组。这些数据组可能包括高度敏感的数据、中度敏感的数据和低度敏感的数据等不同级别。每个敏感数据组将根据其敏感程度进行相应的标记和分类。针对所述多级敏感数据组,结合密钥数据库匹配数据加密方式并进行敏感数据处理,确定加密敏感数据;针对标记的多级敏感数据组进行处理。结合密钥数据库来确定适当的加密方式来保护这些敏感数据。密钥数据库将包含用于加密和解密的密钥信息。在多级敏感数据组中筛选出需要加密的敏感数据。这些数据可能包括高度敏感的数据、涉及个人隐私或商业机密的数据等。对于每个敏感数据组,根据其敏感程度和加密需求选择合适的加密算法和密钥。使用加密后的敏感数据来替换原始任务源数据中的相应部分。通过直接替换或使用加密后的值来实现,以确保原始敏感数据得到保护和隐藏。通过替换多级敏感数据组中的加密敏感数据,可以生成调整后的任务源数据。这些调整后的数据将包含经过加密处理后的敏感信息,同时保持数据的完整性和可用性。
进一步而言,本申请发明,对所述任务源数据执行单项评估与协同评估之前,包括:
识别所述任务源数据的数据量,判定是否满足处理时限约束;
若不满足,均衡数据价值与处理效率,基于所述数据量确定预处理标准;
基于所述预处理标准,对所述任务源数据进行有效数据信息提取与归一化处理,确定预处理源数据。
具体而言,收集任务源数据的总量、数据类型和结构等信息。然后,评估数据量是否满足处理时限约束。通过比较数据量与可用的处理资源(如计算能力、存储容量等)来进行。如果数据量不满足处理时限约束,将面临数据价值与处理效率之间的权衡。数据价值是指数据的重要性和对业务目标的贡献程度。处理效率是指在满足时限约束下完成数据处理的速度和效果。为了平衡数据价值与处理效率,将基于数据量确定预处理标准。预处理标准可能包括对数据进行筛选、降维、压缩或近似处理等操作,以减少数据量并优化处理效率。基于所述预处理标准,对任务源数据进行有效数据信息提取与归一化处理。有效数据信息提取是指从原始数据中提取出对后续处理和分析有价值的信息。归一化处理是指将数据进行标准化,使其在同一尺度上,以便进行比较和分析。通过有效数据信息提取与归一化处理,可以确定预处理源数据。预处理源数据将包含经过筛选、标准化和整理的有效数据信息,用于后续的处理和分析工作。
进一步而言,本申请发明,对所述任务源数据执行单项评估与协同评估,包括:
其中,所述智能决策模型包括数据评价层与决策分析层;
基于所述数据评价层,识别所述预处理源数据,以归属数据系统为基准,进行数据单项评估,确定单项评估结果;
识别基于所述数字拓扑网络的数据关联标识,基于所述数据相关性评定标准进行数据协同评估,确定协同评估结果;
将所述单项评估结果与所述协同评估结果添加进数据评估结果。
具体而言,智能决策模型包括数据评价层与决策分析层。数据评价层负责对预处理源数据进行评估,而决策分析层则基于数据评价结果进行任务决策。在数据评价层中,首先需要识别预处理源数据。这些数据可能来自不同的数据系统或来源。基于归属数据系统的基准,对每个数据项进行单项评估。单项评估可以包括完整性检查、准确性验证、合规性检查等方面。通过单项评估,可以确定每个数据项的质量和可靠性,并得出相应的单项评估结果。这些结果将为后续的决策分析提供基础数据。在数据评价层中,还需要进行数据协同评估。通过识别基于数字拓扑网络的数据关联标识,可以分析不同数据项之间的关联性和相互影响。基于数据相关性评定标准,对多个数据项之间的协同关系进行评估。协同评估关注不同数据项之间的关联性和一致性。通过协同评估,可以进一步了解数据的整体质量和可靠性,并得出相应的协同评估结果。这些结果将为决策分析提供更为全面的数据支持。在完成单项评估和协同评估后,将单项评估结果与协同评估结果合并为一个综合的数据评估结果。这个结果将全面反映预处理源数据的整体质量和可靠性,为后续的决策分析提供重要依据。在决策分析层中,将基于综合数据评估结果进行任务决策。结合补偿预测趋势和其他相关因素,制定最终的目标决策方案。
进一步而言,本申请发明,将所述单项评估结果与所述协同评估结果添加进数据评估结果之后,包括:
进行预定时区的市场趋势预测,确定趋势预测结果;
基于所述决策影响特征值,对所述趋势预测结果进行补偿调整,确定补偿预测趋势;
将所述数据评估结果流转至所述决策分析层,以所述补偿预测趋势为约束,进行任务决策确定所述目标决策方案。
具体而言,收集与市场趋势相关的历史数据和实时数据,包括销售数据、消费者行为数据、竞争对手数据等。对收集到的数据进行清洗和整理,去除异常值和缺失值,确保数据质量和准确性。使用合适的分析方法(如时间序列分析、回归分析等)对数据进行处理和分析,以识别市场趋势和预测未来走向。基于历史数据和当前市场动态,建立预测模型或算法,用于预测未来市场的趋势。通过预测模型得出趋势预测结果,包括未来一段时间内的市场走势、增长率等关键指标。识别出对决策结果具有显著影响的特征或因素,例如市场需求、竞争对手动态、政策法规等。分析决策影响特征值对决策结果的影响程度,以便进行合理的补偿调整。根据决策影响特征值的影响程度,对初步的趋势预测结果进行补偿调整。通过调整预测模型参数、引入新的变量等方式实现。经过补偿调整后,重新评估市场趋势,得出更为精确的补偿预测趋势。将数据评估结果(包括单项评估结果和协同评估结果)流转至决策分析层,为任务决策提供关键信息。在决策分析层中,基于补偿预测趋势和其他相关因素,进行任务决策以确定目标决策方案。这可能包括选择不同的策略、制定行动计划等。将最终的目标决策方案输出并进一步优化。
进一步而言,如图3所示,本申请发明,所述实时追踪监测并进行偏离决策,包括:
执行所述目标决策方案,同步监测确定实时响应数据;
对方案执行范围进行时空网格划分,读取并整合网格监测数据;
识别所述网格监测数据,进行单网格数据的偏离趋势分析,确定多个单项分析结果;
联合所述多个单项分析结果,确定偏离决策结果;
筛选所述偏离决策结果中不满足偏离宽容区间的数据,作为所述趋势偏离数据。
具体而言,响应数据可以通过各种传感器、监控系统或实时数据库等工具进行收集。例如,网站的点击率、转化率、用户活跃度等。用户反馈:通过调查、评论或实时聊天收集的用户意见和评价。业务数据:例如,销售额、订单量、退货率等。系统日志:服务器、数据库或其他软件的运行日志,可能包含错误信息、访问记录等。然后可以将方案执行的范围划分为不同的时空网格。对网格监测数据进行识别和分析。对于每个网格的数据,可以进行偏离趋势分析,以确定是否存在异常或偏离预期的情况。例如,可以使用统计学方法或机器学习算法来检测数据的异常值或趋势变化。如果某个网格的数据出现异常增长或下降,可以将其识别为偏离趋势。可以确定多个单项分析结果。这些结果可能包括每个网格单元的异常检测结果、趋势预测等。基于各个网格的单项分析结果,将这些结果联合起来,以确定整体的偏离决策结果。然后进行综合分析和判断,以识别出主要的偏离趋势和影响因素。例如,可以使用数据可视化工具(如热力图、散点图等)来展示各个网格的异常值和趋势变化。通过对比不同网格的数据和历史数据,可以发现异常区域和潜在问题点。基于这些信息,可以制定相应的调整措施和应对策略。筛选出那些不满足偏离宽容区间的数据作为趋势偏离数据。
实施例二
基于与前述实施例基于数字效益评估的智能决策方法相同的发明构思,如图4所示,本申请提供了基于数字效益评估的智能决策系统,所述系统包括:
数字拓扑网络确定模块10,所述数字拓扑网络确定模块10用于对多数据系统进行关联评定,进行数据孤岛互联,确定数字拓扑网络;
通道连接建立模块20,所述通道连接建立模块20是基于所述数字拓扑网络,建立各数据端口与第三方平台的通道连接,其中,所述第三方平台置有智能决策模型;
数据传输模块30,所述数据传输模块30用于读取预决策任务,遍历所述数字拓扑网络确定目标数据系统,整合任务源数据并传输至所述第三方平台;
影响特征值筛选模块40,所述影响特征值筛选模块40用于读取市场驱动因素与量化变量,筛选决策影响特征值;
目标决策方案确定模块50,所述目标决策方案确定模块50是基于所述第三方平台的智能决策模型,结合所述决策影响特征值,对所述任务源数据执行单项评估与协同评估,确定数据评估结果并进行智能决策,确定目标决策方案;
偏离数据回传模块60,所述偏离数据回传模块60用于对所述目标决策方案进行下放执行,实时追踪监测并进行偏离决策,回传趋势偏离数据;
数据校准补偿模块70,所述数据校准补偿模块70用于结合所述智能决策模型,对所述目标决策方案执行基于所述趋势偏离数据的校准补偿,确定场景决策补偿方案并更新。
进一步,该系统还包括:
数字拓扑网络生成模块,用于以系统相关性为基准,对所述多数据系统进行关联标识,确定第一互联层;以数据相关性为基准,对所述多数据系统进行关联标识,确定第二互联层,其中,数据相关性评定标准至少包括顺序影响关联、同频影响关联;融合所述第一互联层与所述第二互联层,生成所述数字拓扑网络。
进一步,该系统还包括:
任务源数据确定模块,用于对所述任务源数据进行数据敏感性分析,标记多级敏感数据组;针对所述多级敏感数据组,结合密钥数据库匹配数据加密方式并进行敏感数据处理,确定加密敏感数据;基于所述加密敏感数据,替换所述多级敏感数据组,确定调整后的所述任务源数据。
进一步,该系统还包括:
预处理源数据确定模块,用于识别所述任务源数据的数据量,判定是否满足处理时限约束;若不满足,均衡数据价值与处理效率,基于所述数据量确定预处理标准;基于所述预处理标准,对所述任务源数据进行有效数据信息提取与归一化处理,确定预处理源数据。
进一步,该系统还包括:
协同评估结果确定模块,其中,所述智能决策模型包括数据评价层与决策分析层;基于所述数据评价层,识别所述预处理源数据,以归属数据系统为基准,进行数据单项评估,确定单项评估结果;识别基于所述数字拓扑网络的数据关联标识,基于所述数据相关性评定标准进行数据协同评估,确定协同评估结果;将所述单项评估结果与所述协同评估结果添加进数据评估结果。
进一步,该系统还包括:
任务决策模块,用于进行预定时区的市场趋势预测,确定趋势预测结果;基于所述决策影响特征值,对所述趋势预测结果进行补偿调整,确定补偿预测趋势;将所述数据评估结果流转至所述决策分析层,以所述补偿预测趋势为约束,进行任务决策确定所述目标决策方案。
进一步,该系统还包括:
趋势偏离数据获取模块,用于执行所述目标决策方案,同步监测确定实时响应数据;对方案执行范围进行时空网格划分,读取并整合网格监测数据;识别所述网格监测数据,进行单网格数据的偏离趋势分析,确定多个单项分析结果;联合所述多个单项分析结果,确定偏离决策结果;筛选所述偏离决策结果中不满足偏离宽容区间的数据,作为所述趋势偏离数据。
说明书通过前述基于数字效益评估的智能决策方法的详细描述,本领域技术人员可以清楚地知识本实施例中基于数字效益评估的智能决策系统,对于实施例公开的系统而言,由于其与实施例公开方法相对应,所以描述得比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其他实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.基于数字效益评估的智能决策方法,其特征在于,所述方法包括:
对多数据系统进行关联评定,进行数据孤岛互联,确定数字拓扑网络;
基于所述数字拓扑网络,建立各数据端口与第三方平台的通道连接,其中,所述第三方平台置有智能决策模型;
读取预决策任务,遍历所述数字拓扑网络确定目标数据系统,整合任务源数据并传输至所述第三方平台;
读取市场驱动因素与量化变量,筛选决策影响特征值;
基于所述第三方平台的智能决策模型,结合所述决策影响特征值,对所述任务源数据执行单项评估与协同评估,确定数据评估结果并进行智能决策,确定目标决策方案;
对所述目标决策方案进行下放执行,实时追踪监测并进行偏离决策,回传趋势偏离数据;
结合所述智能决策模型,对所述目标决策方案执行基于所述趋势偏离数据的校准补偿,确定场景决策补偿方案并更新。
2.如权利要求1所述的方法,其特征在于,所述对多数据系统进行关联评定,进行数据孤岛互联,包括:
以系统相关性为基准,对所述多数据系统进行关联标识,确定第一互联层;
以数据相关性为基准,对所述多数据系统进行关联标识,确定第二互联层,其中,数据相关性评定标准至少包括顺序影响关联、同频影响关联;
融合所述第一互联层与所述第二互联层,生成所述数字拓扑网络。
3.如权利要求1所述的方法,其特征在于,所述整合任务源数据之后,包括:
对所述任务源数据进行数据敏感性分析,标记多级敏感数据组;
针对所述多级敏感数据组,结合密钥数据库匹配数据加密方式并进行敏感数据处理,确定加密敏感数据;
基于所述加密敏感数据,替换所述多级敏感数据组,确定调整后的所述任务源数据。
4.如权利要求2所述的方法,其特征在于,对所述任务源数据执行单项评估与协同评估之前,包括:
识别所述任务源数据的数据量,判定是否满足处理时限约束;
若不满足,均衡数据价值与处理效率,基于所述数据量确定预处理标准;
基于所述预处理标准,对所述任务源数据进行有效数据信息提取与归一化处理,确定预处理源数据。
5.如权利要求4所述的方法,其特征在于,对所述任务源数据执行单项评估与协同评估,包括:
其中,所述智能决策模型包括数据评价层与决策分析层;
基于所述数据评价层,识别所述预处理源数据,以归属数据系统为基准,进行数据单项评估,确定单项评估结果;
识别基于所述数字拓扑网络的数据关联标识,基于所述数据相关性评定标准进行数据协同评估,确定协同评估结果;
将所述单项评估结果与所述协同评估结果添加进数据评估结果。
6.如权利要求5所述的方法,其特征在于,将所述单项评估结果与所述协同评估结果添加进数据评估结果之后,包括:
进行预定时区的市场趋势预测,确定趋势预测结果;
基于所述决策影响特征值,对所述趋势预测结果进行补偿调整,确定补偿预测趋势;
将所述数据评估结果流转至所述决策分析层,以所述补偿预测趋势为约束,进行任务决策确定所述目标决策方案。
7.如权利要求1所述的方法,其特征在于,所述实时追踪监测并进行偏离决策,包括:
执行所述目标决策方案,同步监测确定实时响应数据;
对方案执行范围进行时空网格划分,读取并整合网格监测数据;
识别所述网格监测数据,进行单网格数据的偏离趋势分析,确定多个单项分析结果;
联合所述多个单项分析结果,确定偏离决策结果;
筛选所述偏离决策结果中不满足偏离宽容区间的数据,作为所述趋势偏离数据。
8.基于数字效益评估的智能决策系统,其特征在于,所述系统包括:
数字拓扑网络确定模块,所述数字拓扑网络确定模块用于对多数据系统进行关联评定,进行数据孤岛互联,确定数字拓扑网络;
通道连接建立模块,所述通道连接建立模块是基于所述数字拓扑网络,建立各数据端口与第三方平台的通道连接,其中,所述第三方平台置有智能决策模型;
数据传输模块,所述数据传输模块用于读取预决策任务,遍历所述数字拓扑网络确定目标数据系统,整合任务源数据并传输至所述第三方平台;
影响特征值筛选模块,所述影响特征值筛选模块用于读取市场驱动因素与量化变量,筛选决策影响特征值;
目标决策方案确定模块,所述目标决策方案确定模块是基于所述第三方平台的智能决策模型,结合所述决策影响特征值,对所述任务源数据执行单项评估与协同评估,确定数据评估结果并进行智能决策,确定目标决策方案;
偏离数据回传模块,所述偏离数据回传模块用于对所述目标决策方案进行下放执行,实时追踪监测并进行偏离决策,回传趋势偏离数据;
数据校准补偿模块,所述数据校准补偿模块用于结合所述智能决策模型,对所述目标决策方案执行基于所述趋势偏离数据的校准补偿,确定场景决策补偿方案并更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410044471.6A CN117852921A (zh) | 2024-01-11 | 2024-01-11 | 基于数字效益评估的智能决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410044471.6A CN117852921A (zh) | 2024-01-11 | 2024-01-11 | 基于数字效益评估的智能决策方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117852921A true CN117852921A (zh) | 2024-04-09 |
Family
ID=90541661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410044471.6A Pending CN117852921A (zh) | 2024-01-11 | 2024-01-11 | 基于数字效益评估的智能决策方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117852921A (zh) |
-
2024
- 2024-01-11 CN CN202410044471.6A patent/CN117852921A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
You et al. | A decision-making framework for precision marketing | |
Aomar | A combined ahp-entropy method for deriving subjective and objective criteria weights | |
Ayrim et al. | A new stochastic MCDM approach based on COPRAS | |
Lagerström et al. | Visualizing and measuring enterprise architecture: an exploratory biopharma case | |
KR102499181B1 (ko) | 인공지능을 이용한 대출 상시감사지원시스템 | |
CN114757448B (zh) | 一种基于数据空间模型的制造环节间最优价值链构建方法 | |
CN117172641A (zh) | 基于区块链与数字孪生的生产物流管理平台及实现方法 | |
CN117852921A (zh) | 基于数字效益评估的智能决策方法及系统 | |
KR102499182B1 (ko) | 인공지능을 이용한 가계대출 사기/부실 상시감사지원시스템 | |
Elhadad | Insurance Business Enterprises' Intelligence in View of Big Data Analytics | |
US20100100410A1 (en) | Systems and Methods for Ecological Evaluation and Analysis of an Enterprise | |
Mutschler et al. | An approach to quantify the costs of business process intelligence | |
JP7015725B2 (ja) | データ利活用に係るデータ準備方法及びデータ利活用システム | |
MARKOVIĆ et al. | A contribution to continual software service improvement based on the six-step service improvement method | |
Dakova et al. | A Pluralistic Approach to Information Valuation. | |
Borissova et al. | Selection of ERP via cost-benefit analysis under uncertainty conditions | |
Santos et al. | Diagnostic assessment of product lifecycle management based on Industry 4.0 requirements | |
KR102499183B1 (ko) | 인공지능을 이용한 기업대출 사기/사기의심 상시감사지원시스템 | |
Niebel et al. | BIG Data–BIG Gains? Empirical Evidence on the Link Between Big Data Analytics and Innovation | |
Ashrafi et al. | Analytics in Supply Change Management: Is There a Dark Side? | |
dos Santos et al. | Diagnostic assessment of product lifecycle management based on Industry 4.0 requirements | |
Kocbek et al. | Using advanced business intelligence methods in business process management | |
Santos | Sistema Inteligente de Manutenção Preditiva | |
Pereira dos Santos et al. | Diagnostic assessment of product lifecycle management based on Industry 4.0 requirements. | |
Nasab et al. | The Mediating Effect of Supply Chain Agility on the Relationship Between SCOR Business Analytic Solution and Supply Chain Performance |
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 |