本发明涉及机器学习和经销商业绩大数据，具体地说，是一种利用机器学习对业绩大数据进行线性拟合，从而对汽车经销商的经营计划进行自动预算的系统。
背景技术：
目前传统的经销商财务预算系统大多基于现成的财务运算逻辑，采用从财务数据的细项开始，逐层向上计算，直到财务数据顶端的总毛利、总净利等。在进行预算编制的时候，一般可以有两种技术解决方案：
一为试算，试算系统可以调节各项数据来查看总毛利、总净利等顶级指标的变化，从而调节出需要的各项运营数据预算目标来达成毛利、净利的总目标。
二为控制计算，控制计算系统可以通过对被调节数据项进行条件控制，对于汽车经销商来说，可以是设定新车销售、二手车销售、售后维修的收入比例限制，然后设定总毛利目标，然后得到各个盈利模块的预算目标。
现有技术通过计算树的方式进行数据的汇总计算，采用自下而上由多至少的方式获得顶级指标，计算过程是不可逆的。采用试算方式时，无法通过预设盈利目标而只能通过不断试算来接近盈利目标，而采用控制计算时，又必须对参与的数据细项进行比例的限制，而这个限制通常都不会非常灵活，无法较好地帮助预算人员进行工作，还是需要大量的体力脑力劳动。
本发明针对现有技术的上述不足，采用从更节省人力的控制计算方案出发，结合大数据和机器学习技术，对需要进行预算估计的数据项组在大数据中进行线性拟合，获取数据项的关系方程，从而避免人力去设置数据间关系的限制，实现输入顶级数据目标和需要预算的数据项，即可通过拟合方程获取一组或几组推荐数据项预算。
技术实现要素：
本发明的目的正是为了克服上述现状存在的缺陷和不足，采用从更节省人力的控制计算方案出发，结合大数据和机器学习技术，对需要进行预算估计的数据项组在大数据中进行线性拟合，获取数据项的关系方程，从而避免人力去设置数据间关系的限制，实现输入顶级数据目标和需要预算的数据项，即可通过拟合方程获取一组或几组推荐数据项预算。
本发明最重要的创新点在于：采用机器学习和大数据联合的方式，在海量数据中发掘数据间关系，用客观的拟合方程代替人手动设定的逻辑限制，从而在提供更高准确度的同时解放人的脑力和体力，实现智能化的预算编制。
本发明是这样实现的：
为解决以上技术问题，本发明是通过如下技术方案实现的：
一种基于线性拟合的汽车经销商预算编制系统，系统核心由三部分组成，一为经销商业绩分析计算模型，该工具对汽车经销商的运营进行建模，集成了汽车经销商运营所需的各项数据，并能通过这些数据运算得到业绩分析所需要的各类指标。
二为机器学习线性拟合工具，该工具采用多元线性回归拟合算法，采用逐步回归的方式对大数据中各个需预算的数据进行拟合，最终获得拟合的直线方程。
第三为经营业绩大数据，该大数据将大量经销商的经营数据保存为业绩分析模型，从而可以为线性拟合工具提供数据源支持；同时这些模型将由专家进行标签和分类处理(如品牌、地域、档次、国别等)，可由用户在获取拟合方程时进行选择，能更好地契合用户的数据场景。
具体工作流程如下：
第一步，选择需要进行预算编制的数据项，如销售车辆台数，售后进场台数等。
第二步，选择需要达成的目标值，如净利提升5％、毛利提升10％等(只能选择一项)，系统自动生成一条从已选择的预算编制数据项到目标值的计算通路。
第三步，选取自己所需的大数据标签，对数据进行机器学习，获取拟合方程。
第四步，系统根据拟合方程遍历可能解，应用计算通路获取能达成目标的方程解，从而得到预算目标
本发明的优点：
本发明的优点在于：使用机器学习加大数据的方式，使基于数据的人工智能代替了基于经验的手工规则制定，使汽车经销商行业的预算编制人员摆脱了经验这一门槛，大大提升了预算编制这项工作的费效比。
具体实施方式
下面详细描述本发明的实施例，所述实施例仅用于解释本发明，而不能理解为对本发明的限制。
实施例
一种基于线性拟合的汽车经销商预算编制系统，系统核心由三部分组成，一为经销商业绩分析计算模型，该工具对汽车经销商的运营进行建模，集成了汽车经销商运营所需的各项数据，并能通过这些数据运算得到业绩分析所需要的各类指标。
二为机器学习线性拟合工具，该工具采用多元线性回归拟合算法，采用逐步回归的方式对大数据中各个需预算的数据进行拟合，最终获得拟合的直线方程。
第三为经营业绩大数据，该大数据将大量经销商的经营数据保存为业绩分析模型，从而可以为线性拟合工具提供数据源支持；同时这些模型将由专家进行标签和分类处理(如品牌、地域、档次、国别等)，可由用户在获取拟合方程时进行选择，能更好地契合用户的数据场景。
具体工作流程如下：
第一步，选择需要进行预算编制的数据项，如销售车辆台数，售后进场台数等。
第二步，选择需要达成的目标值，如净利提升5％、毛利提升10％等(只能选择一项)，系统自动生成一条从已选择的预算编制数据项到目标值的计算通路。
第三步，选取自己所需的大数据标签，对数据进行机器学习，获取拟合方程。
第四步，系统根据拟合方程遍历可能解，应用计算通路获取能达成目标的方程解，从而得到预算目标。
更为具体的，可以是用户选择需要进行预算编制的数据项，如销售车辆台数，售后进场台数等。然后选择需要达成的目标值，如净利提升5％、毛利提升10％等(只能选择一项)，系统自动生成一条从已选择的预算编制数据项到目标值的计算通路。继续选取自己所需的大数据标签，对数据进行机器学习，获取拟合方程。最终，系统根据拟合方程遍历可能解，应用计算通路获取能达成目标的方程解，从而得到预算目标。
需要说明的是，以上所述仅为本发明的优选具体的实施例，若依本发明的构想所作变动，其产生的功能作用，仍未超出说明书所涵盖的精神时，均应在本发明的范围内。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。