【技術實現步驟摘要】
本專利技術涉及智能化戰略管理，特別是一種企業經營戰略的智能化評估方法及系統。
技術介紹
1、數字化、人工智能技術正在大范圍應用于經濟管理活動當中。商務智能(bi)與企業數字化組織與資源管理是未來企業管理的必然趨勢。企業在經營過程中，必然存在實際經營情況與最初戰略規劃出現分歧偏差的情況。這種偏差不僅出現在經營的結果績效上，更發端于企業規劃的戰略定位與實際優勢范圍之間的偏差，以及企業規劃的關鍵資源與實際經營過程中起關鍵貢獻的資源之間的偏差。其中對企業關鍵資源的實時動態識別、分析與問題診斷是企業經營戰略管理中最為關鍵、又最難以實現的管理環節。傳統企業由于對實際關鍵資源的掌握不夠精準和動態，導致決策背離實際情況，錯失市場機遇。目前的bi系統解決方案更多針對企業數據和數據庫治理升級。專利技術專利cn117592561a基于核心本體數據，對實例化文本數據進行實體抽取，獲得實體關系實例數據集合，進而生成企業局部和全局知識圖譜實例。專利專利技術cn117235040a建立了一個數據統一治理平臺，將治理好的的高質量資產和主數據集中儲存并開發應用供客戶使用。另一方面，現有的專利側重與企業數字化轉型能力評估。專利cn117495201a通過形成企業數字化能力指標庫并將各項指標按照重要度賦予權重，得到企業數字化能力系數及其與標準系數的差距，由此判斷企業成熟度。同時，有的專利則著重于戰略目標的分析模型細化。專利cn117575355a提出一種集成llm和b?i的戰略分析系統及實施方法，解決了戰略分析階段缺乏系統、數據無法集成和流程專業化程度低等問題。現有
技術實現思路
1、針對上述缺陷，本專利技術的目的在于提出一種企業經營戰略的智能化評估方法及系統，實現了目前企業戰略資源管理的精準化管理需求，解決了現有企業實際的關鍵資源與戰略規劃情況不一致、無法滿足現有企業戰略資源管理的精準化需求的技術問題。
2、為達此目的，本專利技術采用以下技術方案：
3、一種企業經營戰略的智能化評估方法，包括以下步驟：
4、獲取企業各細分市場的價值鏈資源的歷史數據和營收數據，形成建模數據；
5、根據建模數據定義模型的學習目標函數和回歸樹生成參數，構造用于預測企業各細分市場利潤的xgboost模型；
6、將建模數據分為訓練集和測試集，進行xgboost模型的訓練和驗證，經過誤差評估后得到預測模型；
7、基于預測模型的特征重要性屬性，輸出預測模型中每個輸入變量的重要性，得到對預測結果重要的特征資源，用帕累托分析圖展示結果，并繪制得到企業已有細分市場的實際資源圈層圖；
8、基于企業各細分市場的實際資源圈層，使用杰卡德距離公式計算分析各細分市場間的實際資源圈層距離，輸出并劃分不同杰卡德距離為企業資源偏差程度，得到不同細分市場的資源貢獻實際差異；
9、基于企業經營發展計劃輸入影響企業目標市場總營收的核心資源列表，填寫對比各個核心資源貢獻性的層次分析法對稱矩陣，對目標市場關鍵資源重要性進行排序；
10、使用層次分析法分析，輸出影響企業目標市場總體營收的資源貢獻度，用帕累托分析圖展示結果，并繪制得到企業目標市場的實際資源圈層圖；
11、基于企業目標市場的實際資源圈層，使用杰卡德距離公式計算分析企業目標市場與現有細分市場資源圈層的距離，得到資源貢獻認知差異；
12、根據企業已有細分市場的實際資源圈層、企業目標市場的實際資源圈層、資源貢獻認知差異與不同細分市場的資源貢獻實際差異進行戰略計劃的制定。
13、更進一步說明，使用xgboost的工具包定義模型的學習目標函數和回歸樹生成參數，構造用于預測企業各細分市場利潤的xgboost模型，其中模型學習目標函數采用以均方差損失函數為最小化的回歸問題任務。
14、更進一步說明，在建模數據中，劃分80％作為訓練集，劃分20％作為驗證集對xgboost模型進行訓練和驗證。
15、更進一步說明，在訓練和驗證的過程中，計算每次預測的誤差值以找到最佳的參數，并通過交叉驗證優化參數，確定xgboost模型的booster參數為：樹的最大深度為3，學習速率為0.1，迭代次數為2000次。
16、更進一步說明，所述誤差評估為采用平均絕對誤差和均方誤差對預測模型進行評估。
17、更進一步說明，使用以下的杰卡德距離公式計算分析各細分市場間的實際資源圈層距離jδ：
18、
19、其中企業的n個細分市場的實際資源圈層集合記為集合a1，a2......an，m，u代指企業的其中兩個細分市場，該兩個細分市場的實際資源圈層集合記為am，au。
20、更進一步說明，使用以下的杰卡德距離公式計算分析企業目標市場與現有細分市場資源圈層的距離j′δ：
21、
22、其中am表示企業某細分市場的實際資源圈層，b為企業目標市場的資源圈層集合，集合am中的元素為企業在第m個細分市場中貢獻率前8的資源指標，集合b中的元素為企業目標市場中貢獻率前8的資源指標。
23、一種企業經營戰略的智能化評估系統，用于執行所述的企業經營戰略的智能化評估方法，包括：
24、數據獲取模塊，用于獲取企業各細分市場的價值鏈資源的歷史數據和營收數據，形成建模數據；
25、預測模型建立模塊，用于根據建模數據定義模型的學習目標函數和回歸樹生成參數，構造用于預測企業各細分市場利潤的xgboost模型；
26、模型訓練模塊，用于將建模數據分為訓練集和測試集，進行xgboost模型的訓練和驗證，經過誤差評估后得到預測模型；
27、實際資源圈層輸出模塊，用于輸出預測模型中每個輸入變量的重要性，得到對預測結果重要的特征資源，用帕累托分析圖展示結果，并繪制得到企業已有細分市場的實際資源圈層圖；
28、實際資源圈層距離計算模塊，用于基于企業各細分市場的實際資源圈層，使用杰卡德距離公式計算分析各細分市場間的實際資源圈層距離，輸出并劃分不同杰卡德距離為企業資源偏差程度，得到不同細分市場的資源貢獻實際差異；
29、目標市場關鍵資源重要性排序模塊，用于基于企業經營發展計劃輸入影響企業目標市場總營收的核心資源列表，填寫對比各個核心資源貢獻性的層次分析法對稱矩陣，對目標市場關鍵資源重要性進行排序；
30、企業目標市場的實際資源圈層輸出模塊，用于基于企業目標市場的實際資源圈層，使用杰卡德距離公式計算分析企業目標市場與現有細分市場資源圈層的距離，得到資源貢獻認知差異；
【技術保護點】
1.一種企業經營戰略的智能化評估方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的企業經營戰略的智能化評估方法，其特征在于，使用XGBoost的工具包定義模型的學習目標函數和回歸樹生成參數，構造用于預測企業各細分市場利潤的XGBoost模型，其中模型學習目標函數采用以均方差損失函數為最小化的回歸問題任務。
3.根據權利要求1所述的企業經營戰略的智能化評估方法，其特征在于，在建模數據中，劃分80％作為訓練集，劃分20％作為驗證集對XGBoost模型進行訓練和驗證。
4.根據權利要求1所述的企業經營戰略的智能化評估方法，其特征在于，在訓練和驗證的過程中，計算每次預測的誤差值以找到最佳的參數，并通過交叉驗證優化參數，確定XGBoost模型的booster參數為：樹的最大深度為3，學習速率為0.1，迭代次數為2000次。
5.根據權利要求1所述的企業經營戰略的智能化評估方法，其特征在于，所述誤差評估為采用平均絕對誤差和均方誤差對預測模型進行評估。
6.根據權利要求1所述的企業經營戰略的智能化評估方法，其特征在于，使用以下
7.根據權利要求1所述的企業經營戰略的智能化評估方法，其特征在于，使用以下的杰卡德距離公式計算分析企業目標市場與現有細分市場資源圈層的距離J′δ：
8.一種企業經營戰略的智能化評估系統，其特征在于，用于執行如權利要求1～7任意一項所述的企業經營戰略的智能化評估方法，包括：
...【技術特征摘要】
1.一種企業經營戰略的智能化評估方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的企業經營戰略的智能化評估方法，其特征在于，使用xgboost的工具包定義模型的學習目標函數和回歸樹生成參數，構造用于預測企業各細分市場利潤的xgboost模型，其中模型學習目標函數采用以均方差損失函數為最小化的回歸問題任務。
3.根據權利要求1所述的企業經營戰略的智能化評估方法，其特征在于，在建模數據中，劃分80％作為訓練集，劃分20％作為驗證集對xgboost模型進行訓練和驗證。
4.根據權利要求1所述的企業經營戰略的智能化評估方法，其特征在于，在訓練和驗證的過程中，計算每次預測的誤差值以找到最佳的參數，并通過交叉驗證優化參數，確定xgboo...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。