一种企业优化方法、装置及设备

技术领域

本申请涉及计算机技术领域，尤其涉及一种企业优化方法、装置及设备。

背景技术

在当前复杂的商业环境中，中小企业生存愈发困难。由于信息不对称的问题，中小企业在经营中往往使用传统的经验主义或跟风主义运营。而这些传统的方式往往又因为信息滞后或错误的运营思路不能及时响应市场的需求，对中小企业自身带来严重的伤害。也就是说，传统的经验主义、跟风主义的做法已经不能适应企业当前的发展需要。

对此，目前很多企业通常是通过采购数据的方式进一步分析存在的商业机会，以对自身业务进行优化，但出于成本因素和分析的机构有一定的片面性且响应市场需求滞后等影响，以及中小企业自身又无法承担起类似于咨询项目的预算，导致目前企业进行优化的成本高且优化结果也不够理想，不利于企业的长久、健康发展。

发明内容

有鉴于此，本申请实施例的主要目的在于提供一种企业优化方法、装置及设备，能够给出企业向同行业优质企业在业务上进行演进的优化建议，对企业的良好发展有着至关重要的作用。

为解决上述问题，本申请实施例提供的技术方案如下：

第一方面，本申请实施例提供了一种企业优化方法，包括：

获取待优化的目标企业的企业行为数据；以及获取所述目标企业所属行业中满足预设条件的M家企业的企业行为数据，所述M为大于0的正整数；

利用预先构建的标杆企业识别模型，从所述M家企业中识别出N家标杆企业，所述N为大于0且小于等于M的正整数；

根据所述目标企业的企业行为数据与所述N家标杆企业的企业行为数据之间的差异，对所述目标企业进行优化，得到优化结果。

可选的，构建所述标杆企业识别模型，包括：

获取满足预设条件的企业训练行为数据；

提取所述企业训练行为数据的数据特征；

根据所述企业训练行为数据的数据特征以及所述企业训练行为数据对应的企业识别标签对初始标杆企业识别模型进行训练，生成所述标杆企业识别模型。

可选的，所述方法还包括：

获取企业验证行为数据；

提取所述企业验证行为数据的数据特征；

将所述企业验证行为数据的数据特征输入所述标杆企业识别模型，获得所述企业验证行为数据的企业识别结果；

当所述企业验证行为数据的企业识别结果与所述企业验证行为数据对应的企业标记结果不一致时，将所述企业验证行为数据重新作为所述企业训练行为数据，对所述标杆企业识别模型进行更新。

可选的，在所述获取待优化的目标企业的企业行为数据；以及获取所述目标企业所属行业中满足预设条件的M家企业的企业行为数据之后，所述方法还包括：

提取所述目标企业的企业行为数据的数据特征，以及提取所述M家企业的企业行为数据的数据特征。

可选的，所述根据所述目标企业的企业行为数据与所述N家标杆企业的企业行为数据之间的差异，对所述目标企业进行优化，得到优化结果，包括：

将所述N家企业的企业行为数据的数据特征进行求平均计算，得到第一计算结果；

将所述目标企业的企业行为数据的数据特征与所述第一计算结果进行差量计算，得到第二计算结果；

根据所述第二计算结果，对所述目标企业的企业行为进行优化，得到优化结果。

第二方面，本申请提供一种企业优化装置，包括：

第一获取单元，用于获取待优化的目标企业的企业行为数据；以及获取所述目标企业所属行业中满足预设条件的M家企业的企业行为数据，所述M为大于0的正整数；

第一识别单元，用于利用预先构建的标杆企业识别模型，从所述M家企业中识别出N家标杆企业，所述N为大于0且小于等于M的正整数；

优化单元，用于根据所述目标企业的企业行为数据与所述N家标杆企业的企业行为数据之间的差异，对所述目标企业进行优化，得到优化结果。

可选的，所述装置还包括：

第二获取单元，用于获取满足预设条件的企业训练行为数据；

第一提取单元，用于提取所述企业训练行为数据的数据特征；

生成单元，用于根据所述企业训练行为数据的数据特征以及所述企业训练行为数据对应的企业识别标签对初始标杆企业识别模型进行训练，生成所述标杆企业识别模型。

可选的，所述装置还包括：

第三获取单元，用于获取企业验证行为数据；

第二提取单元，用于提取所述企业验证行为数据的数据特征；

第二识别单元，用于将所述企业验证行为数据的数据特征输入所述标杆企业识别模型，获得所述企业验证行为数据的企业识别结果；

更新单元，用于当所述企业验证行为数据的企业识别结果与所述企业验证行为数据对应的企业标记结果不一致时，将所述企业验证行为数据重新作为所述企业训练行为数据，对所述标杆企业识别模型进行更新。

可选的，所述装置还包括：

第三提取单元，用于提取所述目标企业的企业行为数据的数据特征，以及提取所述M家企业的企业行为数据的数据特征。

可选的，所述优化单元包括：

第一计算子单元，用于将所述N家企业的企业行为数据的数据特征进行求平均计算，得到第一计算结果；

第二计算子单元，用于将所述目标企业的企业行为数据的数据特征与所述第一计算结果进行差量计算，得到第二计算结果；

优化子单元，用于根据所述第二计算结果，对所述目标企业的企业行为进行优化，得到优化结果。

本申请实施例还提供了一种企业优化设备，包括：处理器、存储器、系统总线；

所述处理器以及所述存储器通过所述系统总线相连；

所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述企业优化方法中的任意一种实现方式。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述企业优化方法中的任意一种实现方式。

本申请实施例在进行企业优化时，首先获取待优化的目标企业的企业行为数据；以及获取目标企业所属行业中满足预设条件的M家企业的企业行为数据，其中，M为大于0的正整数，然后，利用预先构建的标杆企业识别模型，从M家企业中识别出N家标杆企业，其中，N为大于0且小于等于M的正整数，接着，根据目标企业的企业行为数据与N家标杆企业的企业行为数据之间的差异，对目标企业进行针对性优化，得到优化结果。可见，本申请实施例是通过将目标企业的行为数据与基于预先构建的标杆企业识别模型识别出的优质标杆企业的行为数据进行差异对比，以根据对比结果将目标企业向同行业优质企业在业务上进行针对性优化，而不再通过采购数据的方式来优化目标企业的自身业务，降低了优化成本的同时，也使得优化结果更加理想，更有利于目标企业的长久、健康发展。

附图说明

为了更清楚地说明本申请实施例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地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种企业优化方法的流程示意图；

图2为本申请实施例提供的构建标杆企业识别模型的流程示意图；

图3为本申请实施例提供的验证标杆企业识别模型的流程示意图；

图4为本申请实施例提供的一种企业优化装置的组成示意图。

具体实施方式

由于传统的经验主义、跟风主义的做法已经不能适应企业当前的发展需要，因此，在一些企业优化方法中，通常是通过采购数据的方式进一步分析存在的商业机会，以对自身业务进行优化，但出于成本因素和分析的机构有一定的片面性且响应市场需求滞后等影响，以及中小企业自身又无法承担起类似于咨询项目的预算，导致目前企业进行优化的成本高且优化结果也不够理想，不利于企业的长久、健康发展。

为解决上述缺陷，本申请实施例提供了一种企业优化方法，在进行企业优化时，首先获取待优化的目标企业的企业行为数据；以及获取目标企业所属行业中满足预设条件的M家企业的企业行为数据，其中，M为大于0的正整数，然后，利用预先构建的标杆企业识别模型，从M家企业中识别出N家标杆企业，其中，N为大于0且小于等于M的正整数，接着，根据目标企业的企业行为数据与N家标杆企业的企业行为数据之间的差异，对目标企业进行针对性优化，得到优化结果。可见，本申请实施例是通过将目标企业的行为数据与基于预先构建的标杆企业识别模型识别出的优质标杆企业的行为数据进行差异对比，以根据对比结果将目标企业向同行业优质企业在业务上进行针对性优化，而不再通过采购数据的方式来优化目标企业的自身业务，降低了优化成本的同时，也使得优化结果更加理想，更有利于目标企业的长久、健康发展。

为使本申请实施例的目的、技术方案和优点更加清楚，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。

参见图1，为本实施例提供的一种企业优化方法的流程示意图，该方法包括以下步骤：

S101：获取待优化的目标企业的企业行为数据；以及获取目标企业所属行业中满足预设条件的M家企业的企业行为数据，其中，M为大于0的正整数。

在本实施例中，将需要进行业务优化的企业定义为目标企业。为了对目标企业的业务进行有效优化，首先需要获取目标企业的企业行为数据，同时，还需要获取目标企业所属行业中满足预设条件的M家企业的企业行为数据，用以执行后续步骤S102-S103，其中，M为大于0的正整数。

其中，目标企业的企业行为数据指的是目标企业在进行买卖业务时产生的交易数据信息。例如，假设目标企业为一家小型外贸企业，则在对其进行优化时，首先需要获取该目标企业的企业行为数据为该目标企业作为买家或卖家时产生的交易数据，如贸易金额、贸易品类、金额波动程度等交易数据信息，同时，还需要获取外贸行业中满足预设条件的M家企业的交易数据信息。需要说明的是，在外贸行业应用中，卖家数据与买家数据来自两个数据源，因此，需要进行精准的匹配，才能整理出准确真实的交易数据信息。

其中，预设条件指的是预先设定的可以作为行业标杆企业的企业需要满足的基本条件。具体取值可根据实际情况进行限定，本申请实施例对此不进行限定。例如，在外贸行业中，根据行业研究结果，可以将预设条件设定为：选取成立3年以上、每季度均有贸易发生且买家复购率在45％以上的外贸企业作为潜在的标杆企业。而在电商行业，由于可以直接从平台得出复购率结果，不需要进行买家和卖家的数据匹配，即可得到准确、真实的交易数据信息，由此，可以对电商行业的预设条件中的复购率标准进行相应的调整，具体调整数额可根据实际情况设定，如调整到65％等。

在本申请实施例的一种可能的实现方式中，在获取到目标企业及其所属行业中满足预设条件的M家企业的企业行为数据后，进一步的，为了降低计算量，并综合考虑各个类型行为数据相互之间的关联关系，可以提取目标企业的企业行为数据的数据特征，以及提取M家企业的企业行为数据的数据特征，并将各家企业各自对应的企业行为数据的数据特征进行复合处理，得到各家企业各自对应P个能够表征其企业行为数据信息的复合特征向量，用以执行后续步骤S102-S103。其中，P为大于0的正整数，具体取值可根据实际情况进行设定，本申请实施例对此不进行限定，比如可以将P取值为5等。

具体来讲，在本实现方式中，在选取了表现目标企业行为特征的28类企业行为数据后，可以对这些数据进行Z值转换，以便利用统一量纲对企业特征信息进行表现，后续可以进行相应的复合处理。其中，采用的Z值转换指的是Z分数，具体公式表示如下：

z＝(x-μ)/σ

其中，z表示标准分数；x表示某一具体分数；μ表示平均数；σ表示标准差。需要说明的是，标准分数是一种不受原始测量单位影响的数值。其作用除了能够表明原数据在其分布中的位置外，还能对未来不能直接比较的各种不同单位的数据进行比较。

S102：利用预先构建的标杆企业识别模型，从M家企业中识别出N家标杆企业，其中，N为大于0且小于等于M的正整数。

在本实施例中，通过步骤S101获取到目标企业的企业行为数据以及目标企业所属行业中满足预设条件的M家企业的企业行为数据后，进一步可以利用预先构建的标杆企业识别模型，对这些企业行为数据进行处理，以从这M家企业中识别出N家标杆企业，用以执行后续步骤S103。其中，N为大于0且小于等于M的正整数。

具体来讲，一种可选的实现方式是，在获取到目标企业的企业行为数据以及目标企业所属行业中满足预设条件的M家企业的企业行为数据后，首先可以利用现有或未来出现的数据特征提取方法对其进行处理，得到各个企业各自对应的企业行为数据的数据特征；然后分别对各个企业各自对应的企业行为数据的数据特征进行复合处理，得到各个企业各自对应P个复合特征向量，接着，可以将这M家企业各自对应P个复合特征向量分别输入至预先构建的标杆企业识别模型，从而能够识别出其中的N家标杆企业，用以执行后续步骤S103。

需要说明的是，为实现本步骤S102，需要预先构建一个标杆企业识别模型，具体构建过程可参见后续第二实施例的相关介绍。

S103：根据目标企业的企业行为数据与N家标杆企业的企业行为数据之间的差异，对目标企业进行优化，得到优化结果。

在本实施例中，通过步骤S102确定出目标企业所属行业中的N家标杆企业后，为便于目标企业的长久、健康发展，可以先计算出目标企业的企业行为数据与这N家标杆企业的企业行为数据之间的差异值，然后再根据目标企业的企业行为数据与这N家标杆企业的企业行为数据之间的差异值，对目标企业进行针对性优化，即，针对有差异的行为数据进行相应的优化，得到优化结果。比如，可以根据目标企业的企业行为数据与这N家标杆企业的企业行为数据之间的差异值，给出目标企业向这N家标杆企业在有差异的业务上进行演进的优化建议，这对目标企业的良好发展有着至关重要的作用。

具体来讲，一种可选的实现方式是，本步骤S103的实现过程具体可以包括下述步骤A-C：

步骤A：将N家企业的企业行为数据的数据特征进行求平均计算，得到第一计算结果。

在本实现方式中，在通过确定出目标企业所属行业中的N家标杆企业后，进一步可以将N家企业的企业行为数据的数据特征进行求平均计算，得到第一计算结果，用以执行后续步骤B。具体的，可以将N家企业各自对应P个复合特征向量按照分类逐个进行求平均计算，得到P个平均复合特征向量，作为第一计算结果。

举例说明：假设N为3，P为5，且这3家标杆企业各自对应的5个复合特征向量分别为：[a1,a2,a3,a4,a5]、[b1,b2,b3,b4,b5]、[c1,c2,c3,c4,c5]，进而可以对这些特征分类进行求平均计算，得到5个平均复合特征向量(即第一计算结果)为：

步骤B：将目标企业的企业行为数据的数据特征与第一计算结果进行差量计算，得到第二计算结果。

在本实现方式中，通过步骤A将N家企业的企业行为数据的数据特征进行求平均计算，得到第一计算结果后，进一步可以将目标企业的企业行为数据的数据特征与第一计算结果进行差量计算，得到第二计算结果。具体的，可以将N家企业各自对应P个复合特征向量与第一计算结果中的P个平均复合特征向量逐个对应进行差量计算，作为第二计算结果。

步骤C：根据第二计算结果，对目标企业的企业行为进行优化，得到优化结果。

在本实现方式中，通过步骤B将目标企业的企业行为数据的数据特征与第一计算结果进行差量计算，得到第二计算结果后，进一步可以通过参数调优的方法，不断调整目标企业对应的P个复合特征向量，以期将目标企业对应的调整后的P个复合特征向量输入至预先构建的标杆企业识别模型后，可以将其识别为标杆企业。

具体来讲，可以选取差异最大的复合特征向量进行调整，通过参数调优的方法，记录目标企业对应的P个复合特征向量的初始绝对值，并不断向正向以0.1个单位进行调整。同时利用标杆企业识别模型识别目标企业是否是优质的标杆企业。这样，通过不断调整循环，找到最终需要调整的复合特征向量的绝对值，并将复合特征向量的最终值与初始值的差作为最终的差量结果。依次调整循环这P个复合特征向量中的不同的复合特征向量，最终选取差量结果最小的L(取值为小于等于P的正整数)个复合特征向量。

进一步的，可以根据P个复合特征向量与目标企业的企业行为数据的数据特征之间的关系，以及差量结果最小的L个复合特征向量，对目标企业的L种企业行为数据进行对应调整，即，对目标企业的L种企业行为进行对应优化，得到优化结果。

举例说明：在外贸行业中，假设P为5，则可以通过5个复合特征向量与目标企业的企业行为数据的数据特征之间的关系，迭代回目标企业的实际企业行为数据的差异的大小，部分示例如下表1所示，据此可以对目标企业的实际企业行为数据进行相应调整和优化。

表1

综上，本实施例提供的一种企业优化方法，在进行企业优化时，首先获取待优化的目标企业的企业行为数据；以及获取目标企业所属行业中满足预设条件的M家企业的企业行为数据，其中，M为大于0的正整数，然后，利用预先构建的标杆企业识别模型，从M家企业中识别出N家标杆企业，其中，N为大于0且小于等于M的正整数，接着，根据目标企业的企业行为数据与N家标杆企业的企业行为数据之间的差异，对目标企业进行针对性优化，得到优化结果。可见，本申请实施例是通过将目标企业的行为数据与基于预先构建的标杆企业识别模型识别出的优质标杆企业的行为数据进行差异对比，以根据对比结果将目标企业向同行业优质企业在业务上进行针对性优化，而不再通过采购数据的方式来优化目标企业的自身业务，降低了优化成本的同时，也使得优化结果更加理想，更有利于目标企业的长久、健康发展。

本实施例将对第一实施例中提及的标杆企业识别模型的具体构建过程进行介绍。利用该预先构建的标杆企业识别模型，可以准确、快速地识别出优质的标杆企业。

参见图2，其示出了本实施例提供的构建标杆企业识别模型的流程示意图，该流程包括以下步骤：

S201：获取满足预设条件的企业训练行为数据。

在本实施例中，为了构建标杆企业识别模型，需要预先进行大量的准备工作，首先，需要收集满足预设条件的企业训练行为数据，比如，可以预先收集10000条满足预设条件的企业训练行为数据，并将收集到的企业的每一条企业训练行为数据分别作为样本行为数据，并预先通过人工标注出这些样本行为数据表征的企业的类型(即标注出企业是否为优质的标杆企业)，用以训练标杆企业识别模型。

预设条件指的是预先设定的可以作为行业标杆企业的企业需要满足的基本条件。具体取值可根据实际情况进行限定，本申请实施例对此不进行限定。

举例说明：在外贸行业中，由于卖家数据与买家数据来自两个数据源，因此，首先需要将全量企业行为数据与买家数据进行映射，进行精准的匹配，才能整理出准确、真实的交易信息，然后，再选取成立3年以上、每季度均有贸易发生、买家复购率在45％以上且玛尔斯评分结果大于80分的外贸企业作为标杆企业，接着，再将获取的这些企业的企业行为数据作为企业训练行为数据。其中，玛尔斯评分模型是根据企业基本面、股权穿透、信贷行为、行政处罚、行为模式等进行综合分析，对外贸企业进行评分的结果。其准确性在玛尔斯其它应用场景中，得到准确的验证反馈。

S202：提取企业训练行为数据的数据特征。

在本实施例中，通过步骤S201获取到企业训练行为数据后，并不能直接用于训练生成标杆企业识别模型，而是需要提取企业训练行为数据的数据特征，其中，企业训练行为数据的数据特征的提取指的是将企业训练行为数据转换成一组具有明显物理的特征向量，实现降维效果，在特征提取过程中，可以利用Z值转换的方法进行提取，进而可以利用提取出的企业训练行为数据的数据特征，训练得到标杆企业识别模型。

S203：根据企业训练行为数据的数据特征以及企业训练行为数据对应的企业识别标签对初始标杆企业识别模型进行训练，生成标杆企业识别模型。

在本实施例中，通过步骤S202提取出企业训练行为数据的数据特征后，进一步的，可以根据该企业训练行为数据的数据特征以及企业训练行为数据对应的企业识别标记结果对初始标杆企业识别模型进行训练，进而生成标杆企业识别模型。其中，初始标杆企业识别模型可以采用现有或未来出现的多元回归模型或深度学习模型等，如卷积神经网络(Convolutional Neural Networks,，简称CNN)、循环神经网络(Recurrent NeuralNetwork，简称RNN)等。

具体来讲，在进行本轮训练时，首先，可以提取出本轮提取的样本行为数据的数据特征，再将其进行复合处理，得到对应P个能够表征该样本行为数据信息的训练复合特征向量，且这P个训练复合特征向量需要解释该样本行为数据的80％以上的信息。例如，假设P为5，则得到的5个训练复合特征向量需要满足以下表2所示条件：

表2

然后，将这P个训练复合特征向量输入当前的初始标杆企业识别模型，便可以识别出该样本行为数据表征的企业是否为优质的标杆企业。具体地，可以通过softmax分类层输出一个在区间[0,1]中的数值，作为识别概率值。

接着，可以将该识别概率值与对应的人工标注结果进行比较，如，越接近1，表明对应企业为标杆企业的概率越大，反正，越接近0，表明对应企业为标杆企业的概率越小。进而可以根据该识别概率值与对应的人工标注结果之间的差异对模型参数进行更新，直至满足预设的条件，比如差值变化幅度很小，则停止模型参数的更新，完成标杆企业识别模型的训练，生成一个训练好的标杆企业识别模型。

通过上述实施例，可以利用满足预设条件的企业训练行为数据训练生成标杆企业识别模型，则进一步的，可以利用企业验证行为数据对生成的标杆企业识别模型进行验证。

下面结合附图对本申请实施例提供的标杆企业识别模型的验证方法进行介绍。

参见图3，其示出了本申请实施例提供的验证标杆企业识别模型的流程示意图，如图3所示，该方法包括：

S301：获取企业验证行为数据。

在实际应用中，为了实现对标杆企业识别模型进行验证，首先需要获取企业验证行为数据，其中，企业验证行为数据指的是可以用来进行标杆企业识别模型验证的企业行为数据，在获取到企业验证行为数据后，可继续执行步骤S302。

S302：提取企业验证行为数据的数据特征。

在实际应用中，通过步骤S301获取到企业验证行为数据后，并不能直接用于验证标杆企业识别模型，而是需要提取企业验证行为数据的数据特征，其中，企业验证行为数据的数据特征提取指的是将企业验证行为数据转换成一组具有明显物理的特征向量，实现降维效果，在特征提取过程中，可以利用Z值转换的方法进行提取，进而可以利用提取出的企业验证行为数据的数据特征，验证得到的标杆企业识别模型。

S303：将企业验证行为数据的数据特征输入标杆企业识别模型，获得企业验证行为数据的企业识别结果。

在具体实现过程中，通过步骤S302提取出企业验证行为数据的数据特征后，进一步的，可以将企业验证行为数据的数据特征(具体为通过复合处理后得到的P个验证复合特征向量)输入标杆企业识别模型，获得企业验证行为数据的企业识别结果，进而可继续执行后续步骤S304。

S304：当企业验证行为数据的企业识别结果与企业验证行为数据对应的企业标记结果不一致时，将企业验证行为数据重新作为企业训练行为数据，对标杆企业识别模型进行更新。

在实际应用中，通过步骤S303获得企业验证行为数据的企业识别结果，其中，当企业验证行为数据的企业识别结果与企业验证行为数据对应的人工标注结果不一致时，可以将该企业验证行为数据重新作为企业训练行为数据，对标杆企业识别模型进行更新。

通过上述实施例，可以利用企业验证行为数据对标杆企业识别模型进行有效验证，当企业验证行为数据的企业识别结果与企业验证行为数据对应的人工标注结果不一致时，可以及时调整更新标杆企业识别模型，进而有助于提高识别模型的识别精度和准确性。

综上，利用本实施例训练而成的标杆企业识别模型，可以利用表征企业的企业行为数据信息的数据特征(具体为通过复合处理后得到的P个复合特征向量)，识别出企业是否为优质的标杆企业，并且，在识别过程中，大幅度降低了参数和计算量，有效提高了对企业品质识别的效率及准确性。

本实施例将对一种企业优化装置进行介绍，相关内容请参见上述方法实施例。

参见图4，为本实施例提供的一种企业优化装置的组成示意图，该装置包括：

第一获取单元401，用于获取待优化的目标企业的企业行为数据；以及获取所述目标企业所属行业中满足预设条件的M家企业的企业行为数据，所述M为大于0的正整数；

第一识别单元402，用于利用预先构建的标杆企业识别模型，从所述M家企业中识别出N家标杆企业，所述N为大于0且小于等于M的正整数；

优化单元403，用于根据所述目标企业的企业行为数据与所述N家标杆企业的企业行为数据之间的差异，对所述目标企业进行优化，得到优化结果。

在本实施例的一种实现方式中，所述装置还包括：

第二获取单元，用于获取满足预设条件的企业训练行为数据；

第一提取单元，用于提取所述企业训练行为数据的数据特征；

生成单元，用于根据所述企业训练行为数据的数据特征以及所述企业训练行为数据对应的企业识别标签对初始标杆企业识别模型进行训练，生成所述标杆企业识别模型。

在本实施例的一种实现方式中，所述装置还包括：

第三获取单元，用于获取企业验证行为数据；

第二提取单元，用于提取所述企业验证行为数据的数据特征；

第二识别单元，用于将所述企业验证行为数据的数据特征输入所述标杆企业识别模型，获得所述企业验证行为数据的企业识别结果；

更新单元，用于当所述企业验证行为数据的企业识别结果与所述企业验证行为数据对应的企业标记结果不一致时，将所述企业验证行为数据重新作为所述企业训练行为数据，对所述标杆企业识别模型进行更新。

在本实施例的一种实现方式中，所述装置还包括：

第三提取单元，用于提取所述目标企业的企业行为数据的数据特征，以及提取所述M家企业的企业行为数据的数据特征。

在本实施例的一种实现方式中，所述优化单元403包括：

第一计算子单元，用于将所述N家企业的企业行为数据的数据特征进行求平均计算，得到第一计算结果；

第二计算子单元，用于将所述目标企业的企业行为数据的数据特征与所述第一计算结果进行差量计算，得到第二计算结果；

优化子单元，用于根据所述第二计算结果，对所述目标企业的企业行为进行优化，得到优化结果。

综上，本实施例提供的一种企业优化装置，在进行企业优化时，首先获取待优化的目标企业的企业行为数据；以及获取目标企业所属行业中满足预设条件的M家企业的企业行为数据，其中，M为大于0的正整数，然后，利用预先构建的标杆企业识别模型，从M家企业中识别出N家标杆企业，其中，N为大于0且小于等于M的正整数，接着，根据目标企业的企业行为数据与N家标杆企业的企业行为数据之间的差异，对目标企业进行针对性优化，得到优化结果。可见，本申请实施例是通过将目标企业的行为数据与基于预先构建的标杆企业识别模型识别出的优质标杆企业的行为数据进行差异对比，以根据对比结果将目标企业向同行业优质企业在业务上进行针对性优化，而不再通过采购数据的方式来优化目标企业的自身业务，降低了优化成本的同时，也使得优化结果更加理想，更有利于目标企业的长久、健康发展。

进一步地，本申请实施例还提供了一种企业优化设备，包括：处理器、存储器、系统总线；

所述处理器以及所述存储器通过所述系统总线相连；

所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述企业优化方法的任一种实现方法。

进一步地，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述企业优化方法的任一种实现方法。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如媒体网关等网络通信设备，等等)执行本申请各个实施例或者实施例的某些部分所述的方法。

需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

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，在其它实施例中实现。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。