基于海量数据的企业决策点挖掘方法及其系统与流程

本发明涉及企业决策点挖掘方法，更具体地说是指基于海量数据的企业决策点挖掘方法及其系统。

背景技术：

经营决策是指企业对未来经营发展的目标及实现目标的战略或手段进行最佳选择的过程，也是企业管理全部工作的核心内容，在企业的全部经营管理工作中，决策的正确与否，直接关系到企业兴衰成败和生存发展。

目前市场上企业数据服务类型的产品都是基于已有产品或服务的供给式思维，虽然有些也是基于体量庞大且复杂的结构化或非结构化数据，但是总体上还是以基于历史数据分析的报表和描述性分析为主，不仅预测性和规范性分析相对较少，而且没有将数据分析技术嵌入业务流程，导致数据分析与企业业务的割裂，无法对企业运营决策提供主动性支持和帮助。

中国专利201310059170.2公开了一种web主题倾向性挖掘与决策支持的方法，包括步骤：s1.网络信息抽取与储存，通过网络挖掘技术，在互联网上获取信息，并将结果存入数据库和本地文件系统；s2.信息的观点主题检测与跟踪，利用专题评论数据，检测识别出感兴趣的具有完整语义信息的观点主题,并持续跟踪和关注该观点主题；s3.观点主题情感倾向性识别，对企业的热点话题进行话题情感倾向性分类，挖掘出观点主题的情感倾向性。

上述专利通过从互联网中获取相关商业资讯，快速有效地从海量网络资讯中挖掘企业相关的主题倾向性走势，实现即时商业智慧，更好地为企业提供决策支持服务，但是并不能将大数据与业务结合，存在对企业需求的把握不准确的现象，决策不准确。

因此，有必要设计一种基于海量数据的企业决策点挖掘方法，实现海量数据与企业实际经营分析结合，为企业经营决策提供主动、动态和及时的数据支持，预测性和规范性分析多，提高对企业需求的把握准确度，使得决策准确。

技术实现要素：

本发明的目的在于克服现有技术的缺陷，提供基于海量数据的企业决策点挖掘方法及其系统。

为实现上述目的，本发明采用以下技术方案：基于海量数据的企业决策点挖掘方法，所述方法包括：

对需要服务的企业进行分类和分层，获取企业子项；

结合企业业务特征，将所述企业子项与企业的各类决策需求关联，形成决策点分类模型；

基于专有数据源和海量数据，对决策点分类模型进行动态调整；

匹配调整后的决策点分类模型和企业经营的产品和服务，获取企业决策点。

其进一步技术方案为：对需要服务的企业进行分类和分层，获取企业子项的步骤，包括以下具体步骤：

获取需要服务的已收录企业；

按照经营对象或经营内容对所述企业的经营活动分类和分层，获取企业子项。

其进一步技术方案为：结合企业业务特征，将所述企业子项与企业的各类决策需求关联，形成决策点分类模型的步骤，包括以下具体步骤：

结合企业业务特征，预测所述企业子项与企业经营中面临的各类决策需求匹配的概率；

结合企业经营中面临的各类决策需求之间的关联关系，整合所述企业子项以及所述概率，形成决策点分类模型。

其进一步技术方案为：基于专有数据源和海量数据，对决策点分类模型进行动态调整的步骤，包括以下具体步骤：

获取专有数据源以及关于企业的各类海量数据；

根据专有数据源以及关于企业的各类海量数据，动态记录企业经营状况的发展趋势；

结合所述发展趋势动态调整决策点分类模型。

其进一步技术方案为：匹配调整后的决策点分类模型和企业经营的产品和服务，获取企业决策点的步骤，包括以下具体步骤：

根据企业经营的产品和服务，分析并获取企业当前的经营活动所处的企业子项；

根据企业子项在所述决策点分类模型内查询对应的决策需求，获取企业决策点。

本发明还提供了基于海量数据的企业决策点挖掘系统，包括企业子项获取单元、模型形成单元、调整单元以及决策点获取单元；

所述企业子项获取单元，用于对需要服务的企业进行分类和分层，获取企业子项；

所述模型形成单元，用于结合企业业务特征，将所述企业子项与企业的各类决策需求关联，形成决策点分类模型；

所述调整单元，用于基于专有数据源和海量数据，对决策点分类模型进行动态调整；

所述决策点获取单元，用于匹配调整后的决策点分类模型和企业经营的产品和服务，获取企业决策点。

其进一步技术方案为：所述企业子项获取单元包括企业获取模块以及分类分层模块；

所述企业获取模块，用于获取需要服务的已收录企业；

所述分类分层模块，用于按照经营对象或经营内容对所述企业的经营活动分类和分层，获取企业子项。

其进一步技术方案为：所述模型形成单元包括概率预测模块以及整合模块；

所述概率预测模块，用于结合企业业务特征，预测所述企业子项与企业经营中面临的各类决策需求匹配的概率；

所述整合模块，用于结合企业经营中面临的各类决策需求之间的关联关系，整合所述企业子项以及所述概率，形成决策点分类模型。

其进一步技术方案为：所述调整单元包括数据获取模块、记录模块以及动态调整模块；

所述数据获取模块，用于获取专有数据源以及关于企业的各类海量数据；

所述记录模块，用于根据专有数据源以及关于企业的各类海量数据，动态记录企业经营状况的发展趋势；

所述动态调整模块，用于结合所述发展趋势动态调整决策点分类模型。

其进一步技术方案为：所述决策点获取单元包括分析获取模块以及查询模块；

所述分析获取模块，用于根据企业经营的产品和服务，分析并获取企业当前的经营活动所处的企业子项；

所述查询模块，用于根据企业子项在所述决策点分类模型内查询对应的决策需求，获取企业决策点。

本发明与现有技术相比的有益效果是：本发明的基于海量数据的企业决策点挖掘方法，通过将企业的经营活动分类和分层，形成企业子项，由企业子项与决策需求匹配，获取决策点分类模型，根据海量数据以及专有数据源对模型进行动态调整，再由企业经营的产品和服务以及调整后的决策点分类模型获取决策点，实现海量数据与企业实际经营分析结合，为企业经营决策提供主动、动态和及时的数据支持，在一定程度上可以预测企业发展需求和经营变化，预测性和规范性分析多，提高对企业需求的把握准确度，使得决策准确，通过对不同行业领域企业的大数据分析和机器学习，决策点分类模型可以有效服务于各种类型的企业。

下面结合附图和具体实施例对本发明作进一步描述。

附图说明

图1为本发明具体实施例提供的基于海量数据的企业决策点挖掘方法的流程图；

图2为本发明具体实施例提供的获取企业子项的具体流程图；

图3为本发明具体实施例提供的形成决策点分类模型的具体流程图；

图4为本发明具体实施例提供的对决策点分类模型进行动态调整的具体流程图；

图5为本发明具体实施例提供的获取企业决策点的具体流程图；

图6为本发明具体实施例提供的基于海量数据的企业决策点挖掘系统的结构框图；

图7为本发明具体实施例提供的企业子项获取单元的结构框图；

图8为本发明具体实施例提供的模型形成单元的结构框图；

图9为本发明具体实施例提供的调整单元的结构框图；

图10为本发明具体实施例提供的决策点获取单元的结构框图；

具体实施方式

为了更充分理解本发明的技术内容，下面结合具体实施例对本发明的技术方案进一步介绍和说明，但不局限于此。

如图1～10所示的具体实施例，本实施例提供的基于海量数据的企业决策点挖掘方法，可以运用在企业经营决策的过程中，实现海量数据与企业实际经营分析结合，为企业经营决策提供主动、动态和及时的数据支持，预测性和规范性分析多，提高对企业需求的把握准确度，使得决策准确。

如图1所示，本实施例提供了基于海量数据的企业决策点挖掘方法，其特征在于，所述方法包括：

s1、对需要服务的企业进行分类和分层，获取企业子项；

s2、结合企业业务特征，将所述企业子项与企业的各类决策需求关联，形成决策点分类模型；

s3、基于专有数据源和海量数据，对决策点分类模型进行动态调整；

s4、匹配调整后的决策点分类模型和企业经营的产品和服务，获取企业决策点。

对于上述的s1步骤，对需要服务的企业进行分类和分层，获取企业子项的步骤，包括以下具体步骤：

s11、获取需要服务的已收录企业；

s12、按照经营对象或经营内容对所述企业的经营活动分类和分层，获取企业子项。

对于上述的s11步骤，只针对已收录的企业进行分类，可以剔除与之无关的企业，提高分类的效率。

对于s12步骤，先对企业的经营活动进行分类后，再进行分层，每一分类可以细分成许多个子项。

上述的经营对象或经营内容可以从专利数据库内提取关键词以及专利类别号，以用于对所述企业的经营活动分类和分层。当然，还可以根据企业的商标类别进行获取经营对象或经营内容。

更进一步的，上述的s2步骤，结合企业业务特征，将所述企业子项与企业的各类决策需求关联，形成决策点分类模型的步骤，包括以下具体步骤：

s21、结合企业业务特征，预测所述企业子项与企业经营中面临的各类决策需求匹配的概率；

s22、结合企业经营中面临的各类决策需求之间的关联关系，整合所述企业子项以及所述概率，形成决策点分类模型。

对于上述的s21步骤，企业经营中面临的各类决策需求在实际中就是企业业务的各个企业子项所面临的不同场景的选择及其可能带来的后果的综合衡量，预测概率时，主要是对每种场景发生的概率的计算和预测。

对于上述的s22步骤，将每种场景发生的概率的计算和预测，结合各场景之间的关联关系，挑选发生概率高且后果良好的决策与子项对应，为企业提供最利于企业的决策建议。

更进一步的，上述的s3步骤，基于专有数据源和海量数据，对决策点分类模型进行动态调整的步骤，包括以下具体步骤：

s31、获取专有数据源以及关于企业的各类海量数据；

s32、根据专有数据源以及关于企业的各类海量数据，动态记录企业经营状况的发展趋势；

s33、结合所述发展趋势动态调整决策点分类模型。

对于上述的s31步骤，具体是通过数据爬取技术，在设定时间内从互联网上采集和爬取企业相关数据，作为海量数据；在获取到海量数据后，还需要对这些海量数据进行定期更新，以此来积累企业数据，海量可靠数据的支持，对企业经营决策实现主动、动态和及时的数据支持，并且在一定程度上可以预测企业发展需求和经营变化。

对于上述的s32步骤，根据设定时间内爬取的数据来记录企业经营状况的发展趋势，随着社会和科技的发展，企业可能会遇到新的决策需求，或者说决策点分类模型中无法完全覆盖企业所有的决策需求，因此，需要实时记录企业经营状况的发展趋势。

对于上述的s33步骤，通过对专有数据源和源自互联网的海量样本采用机器学习的方式，动态调整已有的决策点分类模型以适应企业不同阶段的决策需求，实现可以对企业经营决策实现主动、动态和及时的数据支持，并且在一定程度上可以预测企业发展需求和经营变化。

上述的s31步骤至s33步骤，通过大数据技术与企业实际经营分析的结合，克服了已有大数据分析静态、被动的缺陷，与业务特征的紧密结合，使得对企业需求的把握更加精准，更便于提供有效服务。

获取的决策点分类模型具备可扩展性和移植性，通过对不同行业领域企业的大数据分析和机器学习，可以有效服务于各种类型的企业。

更进一步的，对于上述的s4步骤，匹配调整后的决策点分类模型和企业经营的产品和服务，获取企业决策点的步骤，包括以下具体步骤：

s41、根据企业经营的产品和服务，分析并获取企业当前的经营活动所处的企业子项；

s42、根据企业子项在所述决策点分类模型内查询对应的决策需求，获取企业决策点。

对于上述的s41步骤，在实际运用中，需要先获取企业经营的产品和服务，再分析出企业当前所处的企业子项，依据企业子项获取企业决策点。

对于上述的s42步骤，根据调优后的决策点分类模型匹配与企业经营有关的产品和服务，实现企业服务的定制化和精准化，根据对决策场景的概率和后果的计算和预测，可以使得企业针对具体场景对企业的产品和服务做出最有利于企业的调整，以获得竞争优势。

上述的基于海量数据的企业决策点挖掘方法，通过将企业的经营活动分类和分层，形成企业子项，由企业子项与决策需求匹配，获取决策点分类模型，根据海量数据以及专有数据源对模型进行动态调整，再由企业经营的产品和服务以及调整后的决策点分类模型获取决策点，实现海量数据与企业实际经营分析结合，为企业经营决策提供主动、动态和及时的数据支持，在一定程度上可以预测企业发展需求和经营变化，预测性和规范性分析多，提高对企业需求的把握准确度，使得决策准确，通过对不同行业领域企业的大数据分析和机器学习，决策点分类模型可以有效服务于各种类型的企业。

如图6所示，本实施例还提供了基于海量数据的企业决策点挖掘系统，包括企业子项获取单元1、模型形成单元2、调整单元3以及决策点获取单元4。

企业子项获取单元1，用于对需要服务的企业进行分类和分层，获取企业子项。

模型形成单元2，用于结合企业业务特征，将所述企业子项与企业的各类决策需求关联，形成决策点分类模型。

调整单元3，用于基于专有数据源和海量数据，对决策点分类模型进行动态调整。

决策点获取单元4，用于匹配调整后的决策点分类模型和企业经营的产品和服务，获取企业决策点。

更进一步的，企业子项获取单元1包括企业获取模块11以及分类分层模块12。

企业获取模块11，用于获取需要服务的已收录企业。

分类分层模块12，用于按照经营对象或经营内容对所述企业的经营活动分类和分层，获取企业子项。

上述的企业获取模块11只针对已收录的企业进行分类，可以剔除与之无关的企业，提高分类的效率。

上述的分类分层模块12先对企业的经营活动进行分类后，再进行分层，每一分类可以细分成许多个子项。

更进一步的，上述的模型形成单元2包括概率预测模块21以及整合模块22。

概率预测模块21，用于结合企业业务特征，预测所述企业子项与企业经营中面临的各类决策需求匹配的概率。

整合模块22，用于结合企业经营中面临的各类决策需求之间的关联关系，整合所述企业子项以及所述概率，形成决策点分类模型。

上述的企业经营中面临的各类决策需求在实际中就是企业业务的各个企业子项所面临的不同场景的选择及其可能带来的后果的综合衡量，预测概率时，主要是对每种场景发生的概率的计算和预测。

将每种场景发生的概率的计算和预测，结合各场景之间的关联关系，挑选发生概率高且后果良好的决策与子项对应，为企业提供最利于企业的决策建议。

更进一步的，调整单元3包括数据获取模块31、记录模块32以及动态调整模块33。

数据获取模块31，用于获取专有数据源以及关于企业的各类海量数据。

记录模块32，用于根据专有数据源以及关于企业的各类海量数据，动态记录企业经营状况的发展趋势。

动态调整模块33，用于结合所述发展趋势动态调整决策点分类模型。

上述的数据获取模块31具体是通过数据爬取技术，在设定时间内从互联网上采集和爬取企业相关数据，作为海量数据；在获取到海量数据后，还需要对这些海量数据进行定期更新，以此来积累企业数据，海量可靠数据的支持，对企业经营决策实现主动、动态和及时的数据支持，并且在一定程度上可以预测企业发展需求和经营变化。

上述的记录模块32根据设定时间内爬取的数据来记录企业经营状况的发展趋势，随着社会和科技的发展，企业可能会遇到新的决策需求，或者说决策点分类模型中无法完全覆盖企业所有的决策需求，因此，需要实时记录企业经营状况的发展趋势。

上述的动态调整模块33通过对专有数据源和源自互联网的海量样本采用机器学习的方式，动态调整已有的决策点分类模型以适应企业不同阶段的决策需求，实现可以对企业经营决策实现主动、动态和及时的数据支持，并且在一定程度上可以预测企业发展需求和经营变化。

通过大数据技术与企业实际经营分析的结合，克服了已有大数据分析静态、被动的缺陷，与业务特征的紧密结合，使得对企业需求的把握更加精准，更便于提供有效服务。

获取的决策点分类模型具备可扩展性和移植性，通过对不同行业领域企业的大数据分析和机器学习，可以有效服务于各种类型的企业。

更进一步的，上述的决策点获取单元4包括分析获取模块41以及查询模块42。

分析获取模块41，用于根据企业经营的产品和服务，分析并获取企业当前的经营活动所处的企业子项。

查询模块42，用于根据企业子项在所述决策点分类模型内查询对应的决策需求，获取企业决策点。

上述的分析获取模块41在实际运用中，需要先获取企业经营的产品和服务，再分析出企业当前所处的企业子项，依据企业子项获取企业决策点。

上述查询模块42根据调优后的决策点分类模型匹配与企业经营有关的产品和服务，实现企业服务的定制化和精准化，根据对决策场景的概率和后果的计算和预测，可以使得企业针对具体场景对企业的产品和服务做出最有利于企业的调整，以获得竞争优势。

上述的基于海量数据的企业决策点挖掘系统，通过将企业的经营活动分类和分层，形成企业子项，由企业子项与决策需求匹配，获取决策点分类模型，根据海量数据以及专有数据源对模型进行动态调整，再由企业经营的产品和服务以及调整后的决策点分类模型获取决策点，实现海量数据与企业实际经营分析结合，为企业经营决策提供主动、动态和及时的数据支持，在一定程度上可以预测企业发展需求和经营变化，预测性和规范性分析多，提高对企业需求的把握准确度，使得决策准确，通过对不同行业领域企业的大数据分析和机器学习，决策点分类模型可以有效服务于各种类型的企业。

上述仅以实施例来进一步说明本发明的技术内容，以便于读者更容易理解，但不代表本发明的实施方式仅限于此，任何依本发明所做的技术延伸或再创造，均受本发明的保护。本发明的保护范围以权利要求书为准。