企业绩效管理的数据分析

论文摘要

本课题研究希望找到一种跨行业、跨部门、交互功能的数据分析技术,主要针对一致的、可识别的关键绩效指标,对业务绩效进行衡量和分析,以支持业务绩效的管理。通过数据分析技术在企业绩效管理体系中的应用,即在多维数据库、数据挖掘、数据仓库、决策支持系统、流程管理系统等已经相当成熟的信息技术基础上,更进一步向组织管理领域和战略层次提升企业绩效管理技术。本文介绍了国内外企业信息系统的技术发展、信息管理的基础研究、企业绩效管理技术国内外的发展情况,详细阐述了将BP神经网络原理在以平衡记分卡为基础构建的战略性企业绩效评价指标体系的基础上,通过编程计算与数据仿真,从而切实反映企业的综合绩效情况。针对企业绩效管理需要寻找一种可以平衡财务绩效指标准确性、完整性和未来绩效动因等问题,企业综合绩效BP模型以平衡记分卡为基础构建了战略性企业综合绩效评价指标体系。针对企业综合绩效BP模型中标准BP网络学习算法存在与输入样本的顺序有关、收敛速度缓慢、易陷入局部极小等缺陷问题,在编程计算与数据仿真中采用Levenberg-Marquardt神经网络优化算法,它的优点在于网络权值数目较少时收敛非常迅速,比传统的BP及其他改进算法（如共轭梯度法,附加动量法、自适应调整法及拟牛顿法等）迭代次数少,收敛速度快,精确度高。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 问题的提出
• 1.2 国内外企业信息系统的技术发展及信息管理的基础研究
• 1.2.1 企业信息系统的技术发展
• 1.2.2 企业信息管理的基础
• 1.3 课题研究的目的和意义
• 1.3.1 课题研究的目的
• 1.3.2 课题研究的意义
• 1.4 论文内容的编排
• 第二章 企业绩效管理的数据分析
• 2.1 引言
• 2.2 信息系统的数据问题
• 2.2.1 企业绩效管理的基础——数据仓库
• 2.2.2 数据集市
• 2.2.3 数据仓库应用于企业绩效管理
• 2.3 企业绩效管理技术
• 2.3.1 “A 记分”绩效评价法
• 2.3.2 我国国有企业三层指标评价体系
• 2.3.3 经济增加值（EVA）
• 2.3.4 企业发展潜力评估的3M 理论和CSC 模型
• 2.3.5 平衡记分卡
• 2.3.6 绩效棱柱法
• 2.3.7 ABPA 法
• 2.4 企业绩效数据分析技术
• 2.4.1 联机分析处理（OLAP）
• 2.4.2 数据挖掘
• 2.5 本章小结
• 第三章 人工神经网络原理、模型及学习算法
• 3.1 人工神经网络原理
• 3.2 人工神经网络模型
• 3.2.1 人工神经元模型
• 3.2.2 人工神经网络模型
• 3.3 神经网络的学习
• 3.3.1 学习方式
• 3.3.2 学习算法
• 3.4 神经网络的特点及其应用
• 3.4.1 神经网络的特点
• 3.4.2 神经网络的应用领域
• 3.5 小结
• 第四章 BP 神经网络原理在企业绩效管理中的应用
• 4.1 战略性企业综合绩效管理的信息系统实现
• 4.1.1 信息系统和战略的关系
• 4.1.2 数据流程和信息需求分析
• 4.2 战略性企业综合绩效管理体系的构建
• 4.2.1 传统企业绩效管理体系的局限性
• 4.2.2 以平衡计分卡为基础构建的战略性企业综合绩效评价指标体系
• 4.2.3 分析指标和数据的适用性
• 4.2.4 企业绩效评价中运用BP 神经网络模型的意义
• 4.3 BP 神经网络模型在企业绩效评价中的应用方法及步骤
• 4.3.1 BP 神经网络在企业绩效评价中应用的基本方法
• 4.3.2 基于BP 神经网络的企业绩效评价模型的设定
• 4.4 企业综合绩效BP 模型的算法及步骤
• 4.4.1 网络初始化
• 4.4.2 样本数据标准化处理
• 4.4.3 确定样本输入和输出
• 4.4.4 计算隐含层各神经元的输入和输出
• 4.4.5 计算误差函数对输出层的各神经元的偏导数
• 4.4.6 计算误差函数对隐含层各神经元的偏导数
• 4.4.7 利用输出层修正连接权值和阀值
• 4.4.8 利用输入层修正连接权值和阀值
• 4.4.9 计算全局误差E
• 4.4.10 判断网络误差是否满足要求
• 4.4.11 绩效评价效果的检验和实际应用
• 4.5 神经网络优化算法
• 4.6 编程计算与数据仿真
• 4.7 小结
• 第五章 全文总结
• 5.1 研究结论与创新
• 5.1.1 主要结论
• 5.1.2 几点建议
• 5.1.3 创新点
• 5.2 研究意义
• 5.3 研究展望
• 参考文献
• 致谢
• 攻读硕士学位期间已发表或录用的论文