基于企业大数据的绩效评价和效率提升系统及方法技术方案

本发明专利技术中公开了一种基于企业大数据的绩效评价和效率提升系统及方法，涉及生产率评价领域，为了解决现有绩效评价方法计算大规模数据组时运行时间过长的问题，本发明专利技术包括企业大数据绩效评价模型与指标构建模块、加速理论提出模块、全局有效点搜索及投影模块和算法实现模块。所述企业评价绩效模型与指标构建模块提出一个评价企业绩效的相关模型以及其所使用的评价指标，所述加速理论提出将基于一个能够迅速搜寻有效点的基础逻辑，该逻辑可迅速搜寻大量有效点。本方法能够大幅提高企业绩效评价方法的计算速度，节省CPU占用率，发挥出更高效的计算能力，大幅节省管理成本，且能为企业提升绩效提供重要参考，具有重要科学意义和应用价值。价值。价值。

【技术实现步骤摘要】
基于企业大数据的绩效评价和效率提升系统及方法


[0001]本专利技术涉及生产率评价领域，尤其涉及针对企业大数据的绩效评价和效率提升系统及方法。

技术介绍

[0002]伴随现代社会的飞速运转，其产生的数据种类及规模出现了爆发式增长。大数据概念应运而生，并引起产业界、科技界和各国政府的高度关注，各学科领域均对该概念开展了深度研究。
[0003]数据包络分析(Data envelopment analysis,DEA)作为线性规划方法的一个重要分支，是一种针对同质决策单元(Decision
‑
making unit,DMU)的数据驱动的非参数组内效率评价方法。该方法Charnes等提出，Banker等拓展，被广泛开发并应用于决策支持、资源分配和成本分析等功能和银行、电力、农业、医院和运输等领域。
[0004]DEA针对n个DMU建立n个具有相同约束条件相同变量个数的线性规划，每个线性规划问题含有至少n个变量个数。通过建立一组生产公理建立有效前沿面，以不同方式度量各DMU到有效前沿面的距离实现对各DMU的效率表现量化。
[0005]当前DEA的计算模式需逐一推进每一个“全尺寸”的线性规划，直到所有单元被计算完毕。而面对大数据时代下动辄百万千万计的信息流，使用经典DEA方法计算一个大规模数据组需用小时或天为单位。若某公司试图了解其组内效率名次，则必须等全部线性规划求解完毕。换句话说，当前DEA的求解模式无法适应新时代下的管理与决策需求。

技术实现思路

[0006]为解决当前针对企业大数据集的计算效率低下问题，本专利技术提出了基于企业大数据的绩效评价和效率提升系统及方法，使得其能够节巨额管理成本与时间。
[0007]本专利技术提出的基于企业大数据的绩效评价和效率提升系统及方法，包括企业大数据的绩效评价模型与指标构建模块、加速理论提出模块、全局有效点搜索及投影模块和算法实现模块。
[0008]优选地，企业大数据的绩效评价模型与指标构建模块，企业相关的投入指标包括：营业总成本/元，产出指标包括：营业收入/元与营业外收入/元。选取企业个数为22932个。假设DMU的个数为n，投入变量个数为m，产出变量个数为s。记第j个DMU
j
为(x
j
；y
j
)，其中记搜集到的企业大数据集为P，选取评价模型为：
[0009]Maxβ
o
[0010]s.t.
[0011][0012][0013][0014]λ
j
≥0,j＝1,...,n
[0015][0016]其中β为效率相关指数，若β
o
＝0，则被评价的第“o”个DMU为有效单元。
[0017]优选地，加速理论提出模块中，提出一个搜寻有效点的基础逻辑，操作为：
[0018]将各个单元按照其各个投入与产出变量在整个数据集中的相对大小顺序排序进行打分(百分制)，给投入相对小以及产出相对大的单元更多分值，最终按照分值进行排序，选取一定数量p的单元认定为特殊集合，将搜集到的点纳入集合Ψ。
[0019]优选地，全局有效点搜索及投影模块中，针对集合Ψ内的第“o”个DMU，考虑全新的生产率参数η
o
，o＝1,...,n表示为：
[0020][0021]针对特殊集合Ψ，对其内部单元进行生产率参数η
o
的计算，并将各个单元的η
o
得分按照降序排序，按照顺序选取一定数量的分值高的点，并认定为初步有效点。将该类点纳入全新集合，命名为Ω，记集合Ω的内部点数量为定值N1。
[0022]优选地，全局有效点搜索及投影模块中进行数据清洗，首先将集合Ω的内部点依次带入以下模型：
[0023]Maxβ
[0024]s.t.
[0025][0026][0027][0028]λ
j
≥0,j＝1,...,n
[0029][0030]若β＞0，则认定集合Ω内的第“o”个DMU为无效点并从集合Ω内剔除，反之，则保留。
[0031]进一步地，使用剔除无效点后的集合Ω依次对数据集P的无效点进行初步认定，认定过程所依据的规划模型为：
[0032]Minα
o
[0033]s.t.
[0034][0035][0036][0037]λ
j
≥0,j＝1,...,n
[0038][0039]若α
o
＝0，则当前从数据集P内待评估的第“o”个DMU可被认定为无效点，并从数据集P中剔除，反之，则保留。
[0040]优选地，对剩余数据集P进行全局的有效点搜寻，过程为：
[0041]S31：从剩余数据集P寻找出一个初始有效点，搜寻依据是任意一个拥有最小投入的单元或拥有任意最大产出的单元。记由其构造的有效点集合为γ，该集合的内部点数量为变量N2，
[0042]S32：将在剩余数据集P内的点依次代入模型：
[0043]Max(
‑
hx
o
)+ty
o
+β
[0044]‑
(X
″
)
T
h
T
+(Y
″
)
T
t
T
+β≤0,
[0045]h
T
＝(h1,h2,...,h
m
)
T
[0046]t
T
＝(t1,t2,...,t
s
)
T
[0047][0048]h,t≥0,β无限制，
[0049][0050]若对于P内第“o”个DMU满足(
‑
hx
o
)+ty
o
+β＞0，则找到当前剩余数据集P内所有DMU中满足argmax(
‑
hx
j
)+ty
j
+β的DMU
j
，并将该点认定成有效点新增到集合γ中，并对应更新集合γ的内部点数量相关变量N2。若(
‑
hx
o
)+ty
o
+β＝0，认定第“o”个DMU为无效点。
[0051]迭代该过程，直到剩余数据集P内的点都得到判定。
[0052]将迭代后的集合γ与集合Ω合并成为全局有效点集合E，记其内部点数量为定量N3。此时，认为所有的全局有效点均被搜寻到。
[0053]优选地，根据全局有效点集合E进行全局投影，将原始数据集P内点依次带入以下模型：
[0054]Maxβ
o
[0055]s.t.
[0056][0057][0058][0059]λ
j
≥0,j＝1,...,n
[0060][0061]依次得到原始数据集P内各个点的对应β
o
值，记第“o”个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于企业大数据的绩效评价和效率提升系统，其特征在于，包括企业绩效评价模型与指标构建模块；加速理论提出模块；全局有效点搜索及投影模块和算法实现模块。2.一种基于企业大数据的绩效评价和效率提升方法，根据权利要求1所述的一种基于企业大数据的绩效评价和效率提升系统，其特征在于，模型选择和指标选取，选取基于方向距离函数作为公司绩效评价模型，假设DMU的个数为n，记第j个DMU
j
为(x
j
；y
j
)，其中记搜集到的公司大数据集为P，其评价模型为：Maxβs.t.s.t.s.t.λ
j
≥0,j＝1,...,n其中β为效率相关指数，若β＝0，则被评价的第“o”个DMU为有效单元；投入指标为营业总成本，产出指标为营业收入与营业外收入。3.根据权利要求2所述的一种基于企业大数据的绩效评价和效率提升方法，其特征在于，计算加速算法的理论基础，提出投入越小越好及产出越大越好的有效点筛选逻辑，将各个单元的各个投入与产出的相对大小进行顺序排序和打分(百分制)，给投入相对小以及产出相对大的单元更多分值，最终按照分值进行总体排序，选取一定数量p的单元认定为特殊集合，并将其纳入特殊集合Ψ。4.根据权利要求3所述的一种基于企业大数据的绩效评价和效率提升方法，其特征在于，一个新的生产率参数，考虑第“o”个DMU的生产率参数η
o
，o＝1,...,n可表示为：针对由权利要求3筛选出的特殊集合Ψ，进行其内部点的生产率参数η
o
的计算，并将各个单元的η
o
得分按照降序排序，选取其内部一定数量的分值高的点，并将该类点纳入全新集合，命名为Ω，记集合Ω的内部点数量为定值N1。5.根据权利要求4所述的一种基于企业大数据的绩效评价和效率提升方法，其特征在于，集合Ω的内部无效点清洗以及全局无效点的清洗，首先将集合Ω的内部点依次带入模
型：Maxβs.t.s.t.s.t.λ
j
≥0,j＝1,...,n若β＞0，则认定集合Ω内的第“o”个DMU为无效点并从集合Ω内剔除，反之，则保留；使用集合Ω依次对数据集P的无效点进行初步认定，认定过程所依据的规划模型为：Minαs.t.s.t.s.t.λ
j
≥0,j＝1,...,n若α＝0，则当前从数据集P内待评估的第“o”个DMU可被认定为无效点，并从数据集中立马清除，反之，则保留。6....

【专利技术属性】
技术研发人员：朱庆缘，徐树奇，潘应浩，吴杰，孙闯，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：