基于大数据的指标可视化应用研究

冯志宏 李文俊 李晓彬

(南方电网数字电网研究院有限公司,广东广州 510663)

0 引言

指标是企业或者经营活动中形成的一种业务先行指示器。一般情况下,是由名称和数值所组成。名称主要是指反映对象的内容和特性,而数值则是名称价值的体现,因此,指标具有唯一性。近些年,由于我国生产生活的不断发展,使得相关的指标数量剧增,这也给对指标分析研究相关行业提升了一定的难度。随着大数据时代的到来,逐渐出现了指标可视化的相关技术和平台。这在一定程度上也扩大了指标的应用范围和能力。可以利用可视化技术在具有大量高维度指标的农业、工业、金融业以及商业等领域进行应用,以此为其提供更加强大的基础性保障。在大数据的发展环境下,指标可视化技术也逐渐成为人们工作生产的工具,尤其是对于复杂问题的解决,指标可视化技术的效果尤为显著。其实,在现如今的时代背景下企业对于实现智能化制造的需要已经是越来越迫切了,而可视化则不仅在智能化技术中扮演着十分重要的角色,也成为智能制造的关键技术。目前,国内针对制造业、工业的指标可视化技术的相关研究相对较少。因此,本文主要对大数据背景下的指标可视化相关应用进行分析研究,在一定程度上,提高指标可视化的直观性和严谨性,提升相关行业的应用价值[1]。

1 指标可视化应用设计

1.1 建立指标可视化的信息集

企业中的相关指标大致包括:产能指标、库存指标、供应指标以及销售指标等。首先,将这些指标进行分类,并在企业管理系统中将分类添加进去。利用编译码软件对每一种类型的指标编制相对应的可视化指令,需要注意的是,这些指令都是独立的,相互之间不存在任何联系,且每一条都具有特殊的指令编码,在录入系统中时,避免发生指令执行混乱的情况出现[2]。将编制好的可视化指令设定在系统的管理控制区域,利用EDI指令转换模块将添加的指令变更为符合系统执行的对应程序。程序结构如图1所示:

图1 指标可视化指令结构流程图Fig.1 Flow chart of indicator visualization instruction structure

根据图1所示,可以了解到EDI指令转换模块变更的系统执行程序结构。根据以上结构,将企业管理系统中的MES执行指标数进行修改,使其为即将要建立的信息集建立执行环境。将企业的历史指标数据导入本区域中,形成一个新的指标库,利用ERP数据信息处理程序,在新数据库中建立与各类指标相对应的独立信息节点,此节点就是指标可视化的信息集。

1.2 构建指标可视化的量化矩阵

在完成指标可视化的信息集建立之后,要在大数据的辅助下,建立可视化的指标量化矩阵。首先,确立不同指标的量化冗余数值,如表1所示:

从表1 中可以得知相关的量化冗余数值。利用层次分析法将可视量化冗余数值与权重作出有效界定,并通过指标的定性和定量,对指标可视化应用模型进行完善,可以得到一组指标可视化的定向数值,将可视化的指标与数值相结合,形成新的冗余指标。然后,进行可视化矩阵的构建。先对矩阵的归一函数进行计算,如下公式1所示:

表1 指标可视量化冗余数值Tab.1 Visual quantification redundant value of indicators

公式2中:E表示矩阵的指标和数值,x表示最大指标元素频点,y 表示最小指标元素频点。在计算出矩阵的指标和数值后,继续计算指标可视量化数值,计算公式3如下:

公式3中:P表示指标可视量化数值,m表示量化定性值,n表示量化目标距离,k表示惯性指数。通过以上的公式计算,得出指标可视量化数值,最终形成量化矩阵。

1.3 实现大数据的非一致性指标可视化应用

先利用大数据系统编制可视化指标的非一致性应用程序[3],程序结构图如图2所示:

通过对图2的了解,得知非一致性的建立程序,然后利用大数据系统中的大数据库,将矩阵得出指标可视量化数值添加在搜索框中,进行条件搜索,此时会显示出符合标准的数据指标,将这些指标保存,并导入程序之中。打开程序的线性处理模块,将里面的指标属性更改为非一致性,并对指令进行保存。当企业需要对其应用时,打开系统,会直接形成指标可视化的应用界面,便于用户实现大数据的非一致性指标可视化应用。

图2 大数据指标非一致性结构程序图Fig.2 The program diagram of the non-consistent structure of big data indicators

2 方法测试

2.1 测试准备

首先,建立两个初始状态完全相同的指标模型,一个添加传统的指标测试法,设定为传统组,另一个模型添加本文设计的指标可视化方法,将其设定为测试组。选择一家公司,获取公司销售部门的相关指标,分别在两组模型中添加获取到的指标信息,并模拟相关用户建立数据指标的使用情境,开始测试[4]。

2.2 测试过程

首先,对本文设计的指标可视方法进行测试。先将对应的销售部门指标带入到指标模型之中,再对模型进行迭代数值计算,公式4如下:

公式4中:D表示指标的迭代数值,l表示迭代次数,b表示指标的交互分析距离,v表示模型的启让距离,c表示允许出现的误差距离。通过计算,可以得出指标可视化的迭代数值,利用迭代数值计算指标可视化的交互率,公式5如下:

公式5之中:K并表示指标可视化的交互率,D并表示迭代数值,B并表示迭代的最远距离,O表示可差距离。在得出结果之后,在同样的条件下,对传统方法进行指标测试,获得另一组测试结果。

2.3 测试结果

通过测试,得出以下结果,将两组结果进行对比,如图3所示:

图3 指标可视化交互率结果对比图Fig.3 Comparison of the results of indicator visualization interaction rate

由图3可以得知,传统组的交互率明显低于测试组,且它的迭代数值也较低,因此,可以确定测试组的指标可视化方法更好,具有一定的严谨性。

3 结语

目前,指标可视化技术伴随着互联网大数据迅速发展,并推动着相关行业的不断创新进步。因此,本文结合行业发展的主要现状,在智能大数据的时代背景下,对指标可视化技术进行分析研究,发现这项技术不仅具有广泛的应用性,而且它自身所具有的可视化特征也使得相关行业的发展标准得到了很大程度的提升。除此之外,对比于传统的指标管理方法,可视化的指标处理流程可以减少相对应的工作时间,在一定程度上,提高了工作效率和质量,使相关领域朝着更加智能化的方向发展。