CN120258481A 一种基于数据挖掘的企业数字化管理方法及系统 （北京北纬三十度网络科技有限公司）

(19)国家知识产权局(22)申请日2025.06.05地址100000北京市朝阳区广渠东路3号院中水电国际大厦12层1201事务所(普通合伙)44850一种基于数据挖掘的企业数字化管理方法本发明公开了一种基于数据挖掘的企业数数据，进行分析，得到初始网络图；根据初始网络图，进行聚类分析，并进行路径优化，得到动态网测分析数据；根据动态网络图和预测分析数据，识别网络的节点，得到关键节点和高风险节点；结合关键节点和高风险节点，识别关键传播路径，得到关键传播路径；基于关键节点、高风险节根据所述信息流动数据和所述资源分配数据，进行依赖性关系分根据所述初始网络图，进行部门依赖关系特征分析，并基于路径采用非线性回归分析方法，对所述动态网络图进行交互作用的非线,得到判断节点影响力的预测分析数据根据所述动态网络图和所述预测分析数据，识别网络中影响资源根据所述关键节点和所述高风险节点，识别网络中的关键传播路基于所述关键节点、所述高风险节点和所述关键传播路径，预测21.一种基于数据挖掘的企业数字化管理方法，其特征在于包括：获取部门间的信息流动数据和资源分配数据；根据所述信息流动数据和所述资源分配数据，进行依赖性关系分析，得到部门间依赖关系的初始网络图；根据所述初始网络图，进行聚类分析连接强度及路径长度，并动态重构网络并融合社区挖掘与路径优化识别关键节点，得到部门间信息流动的动态网络图；对所述动态网络图进行交互作用的非线性特征提取，得到判断节点影响力的预测分析根据所述动态网络图和所述预测分析数据，识别网络中影响资源分配和信息传递的节根据所述关键节点和所述高风险节点，识别网络中的关键传播路径，得到影响资源分配和信息传递的关键传播路径；基于所述关键节点、所述高风险节点和所述关键传播路径，预测资源瓶颈和资源冲突发生的关键位置，并生成资源优化建议。2.根据权利要求1所述的基于数据挖掘的企业数字化管理方法，其特征在于，所述根据所述信息流动数据和所述资源分配数据，进行依赖性关系分析，得到部门间依赖关系的初根据所述信息流动数据和所述资源分配数据，计算部门间的支持度和置信度；当所述支持度和所述置信度分别大于预设支持度阈值和预设置信度阈值时，基于图论方法，建立部门间的依赖关系网络结构图，得到部门间依赖关系的初始网络图。3.根据权利要求1所述的基于数据挖掘的企业数字化管理方法，其特征在于，所述根据所述初始网络图，进行聚类分析连接强度及路径长度，并动态重构网络并融合社区挖掘与路径优化识别关键节点，得到部门间信息流动的动态网络图，包括：提取所述初始网络图中的连接强度数据和路径长度数据；根据所述连接强度数据和所述路径长度数据进行资源分配模式分析，得到部门间依赖关系的主要传递路径；对所述主要传递路径进行依赖趋势分析，得到部门间的依赖趋势；当所述依赖趋势大于预设趋势范围时，基于图论方法对所述初始网络图进行网络结构更新，得到部门间依赖关系的更新网络图；根据所述更新网络图进行资源分配关键节点识别，得到需要优先资源分配的优先节对所述优先节点进行路径权重分析，得到反映部门间信息传递重要性的权重因子；根据所述权重因子，进行更新部门间的依赖关系操作，得到部门间信息流动的动态网络图。4.根据权利要求1所述的基于数据挖掘的企业数字化管理方法，其特征在于，所述\对所述动态网络图进行交互作用的非线性特征提取，得到判断节点影响力的预测分析数据，提取所述动态网络图中的节点连接关系、权重数据和时间序列数据；根据所述节点连接关系和所述权重数据，计算每个节点的影响力指数；3当所述影响力指数大于预设影响力阈值时，将所述影响力指数对应的节点确定为具有放大效应的主要节点；当所述影响力指数小于预设影响力阈值时，将所述影响力指数对应的节点确定为具有削弱效应的次要节点；基于所述时间序列数据，对所述主要节点和次要节点进行演化趋势分析，得到节点影响力演化趋势的预测分析数据。5.根据权利要求1所述的基于数据挖掘的企业数字化管理方法，其特征在于，所述根据所述动态网络图和所述预测分析数据，识别网络中影响资源分配和信息传递的节点，得到提取所述动态网络图中的节点连接数据、最短路径数据、网络拓扑变化趋势、聚类系数和社区归属数据；基于所述预测分析数据，结合所述节点连接数据、所述最短路径数据和所述网络拓扑变化趋势，进行修正中心性指标动态权重操作，得到评估节点在信息传播中重要程度的中心性指标；基于所述预测分析数据，结合所述聚类系数和所述社区归属数据，进行修正脆弱性指标动态权重，得到评估节点在信息传播中依赖程度的脆弱性指标；根据所述中心性指标，构建各个节点特征向量，得到中心性特征向量；采用K-means聚类算法对所述中心性特征向量进行重要性排列筛选，得到高重要性、中重要性和低重要性的初步关键节点；对所述初步关键节点进行重要性排名，得到高中心性的关键节点；根据所述脆弱性指标，分析各个节点的连接特征和负载能力指标，得到脆弱性评估值；当所述脆弱性评估值小于预设脆弱性阈值时，将所述脆弱性评估值对应的节点确定为潜在高风险节点；采用支持向量机算法对所述潜在高风险节点进行节点失效预测，得到节点失效概率；提取所述节点失效概率大于预设概率阈值的节点集合，并将所述节点集合中所有节点确定为高风险节点。6.根据权利要求1所述的基于数据挖掘的企业数字化管理方法，其特征在于，所述根据所述关键节点和所述高风险节点，识别网络中的关键传播路径，得到影响资源分配和信息根据所述关键节点和所述高风险节点，采用图论方法构建风险网络图；对所述风险网络图进行路径参数计算，得到路径上节点的传播性数据和稳定性数据；根据所述传播性数据和稳定性数据，评估节点重要性和路径稳定性，得到路径评估结对所述路径评估结果按照路径传播优先级、资源影响力、决策链条权重进行分组，得到影响资源分配和信息传递的关键传播路径。7.根据权利要求1所述的基于数据挖掘的企业数字化管理方法，其特征在于，所述基于所述关键节点、所述高风险节点和所述关键传播路径，预测资源瓶颈和资源冲突发生的关根据所述关键节点、所述高风险节点和所述关键传播路径，分析资源分配状态，得到关4键节点的资源使用情况、高风险节点的资源压力和关键传播路径的流量负载；根据所述资源使用情况、所述资源压力和所述流量负载，结合预设历史资源调度数据，预测资源瓶颈和资源冲突发生的关键位置；对所述关键位置进行资源分配策略调整，生成资源优化建议。8.一种基于数据挖掘的企业数字化管理系统，其特征在于，包括：数据获取模块，用于获取部门间的信息流动数据和资源分配数据；依赖分析模块，用于根据所述信息流动数据和所述资源分配数据，进行依赖性关系分析，得到部门间依赖关系的初始网络图；路径优化模块，用于根据所述初始网络图，进行聚类分析连接强度及路径长度，并动态重构网络并融合社区挖掘与路径优化识别关键节点，得到部门间信息流动的动态网络图；预测分析模块，用于对所述动态网络图进行交互作用的非线性特征提取，得到判断节点影响力的预测分析数据；节点识别模块，用于根据所述动态网络图和所述预测分析数据，识别网络中影响资源分配和信息传递的节点，得到关键节点和高风险节点；关键路径模块，用于根据所述关键节点和所述高风险节点，识别网络中的关键传播路径，得到影响资源分配和信息传递的关键传播路径；资源优化模块，用于基于所述关键节点、所述高风险节点和所述关键传播路径，预测资源瓶颈和资源冲突发生的关键位置，并生成资源优化建议。9.一种电子设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的基于数据挖掘的企业数字化管理方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的基于数据挖掘的企业数字化管理方法。5一种基于数据挖掘的企业数字化管理方法及系统技术领域[0001]本发明涉及企业数字化管理技术领域，尤其涉及一种基于数据挖掘的企业数字化管理方法及系统。背景技术[0002]目前，在企业数字化管理过程中，传统管理方式依赖静态组织架构图、流程管理系统(BPM)或基于规则的资源调配方案来描述部门间的协作模式。然而，这些方法无法准确反映企业内部资源流动的动态变化，也难以适应企业环境的快速调整。[0003]在一种现有技术中，采用图论分析或社会网络分析(SNA)等方法对企业内部依赖关系进行建模。例如，通过构建网络图描述部门间的资源分配模式，并利用中心性指标分析关键节点。然而，现有技术主要基于静态网络模型，难以捕捉企业内部依赖关系的动态变化，导致分析结果的实时性和适应性较低。[0004]现有技术无法准确识别和分析企业内部隐性依赖关系的动态变化，导致高风险节点和关键传播路径的定位不精准，影响企业的资源优化。发明内容[0005]本发明提供了一种基于数据挖掘的企业数字化管理方法及系统，本发明能识别企业隐性依赖关系动态变化，定位高风险节点和关键传播路径，优化资源配置。[0006]第一方面，为了解决上述技术问题，本发明提供了一种基于数据挖掘的企业数字[0007]获取部门间的信息流动数据和资源分配数据；[0008]根据所述信息流动数据和所述资源分配数据，进行依赖性关系分析，得到部门间依赖关系的初始网络图；[0009]根据所述初始网络图，进行聚类分析连接强度及路径长度，并动态重构网络并融合社区挖掘与路径优化识别关键节点，得到部门间信息流动的动态网络图；[0010]对所述动态网络图进行交互作用的非线性特征提取，得到判断节点影响力的预测分析数据；[0011]根据所述动态网络图和所述预测分析数据，识别网络中影响资源分配和信息传递[0012]根据所述关键节点和所述高风险节点，识别网络中的关键传播路径，得到影响资源分配和信息传递的关键传播路径；[0013]基于所述关键节点、所述高风险节点和所述关键传播路径，预测资源瓶颈和资源冲突发生的关键位置，并生成资源优化建议。[0014]优选地，所述根据所述信息流动数据和所述资源分配数据，进行依赖性关系分析，得到部门间依赖关系的初始网络图，包括：[0015]根据所述信息流动数据和所述资源分配数据，计算部门间的支持度和置信度；6[0016]当所述支持度和所述置信度分别大于预设支持度阈值和预设置信度阈值时，基于图论方法，建立部门间的依赖关系网络结构图，得到部门间依赖关系的初始网络图。[0017]优选地，所述根据所述初始网络图，进行聚类分析连接强度及路径长度，并动态重构网络并融合社区挖掘与路径优化识别关键节点，得到部门间信息流动的动态网络图，包[0018]提取所述初始网络图中的连接强度数据和路径长度数据；[0019]根据所述连接强度数据和所述路径长度数据进行资源分配模式分析，得到部门间依赖关系的主要传递路径；[0020]对所述主要传递路径进行依赖趋势分析，得到部门间的依赖趋势；[0021]当所述依赖趋势大于预设趋势范围时，基于图论方法对所述初始网络图进行网络结构更新，得到部门间依赖关系的更新网络图；[0022]根据所述更新网络图进行资源分配关键节点识别，得到需要优先资源分配的优先节点；[0023]对所述优先节点进行路径权重分析，得到反映部门间信息传递重要性的权重因[0024]根据所述权重因子，进行更新部门间的依赖关系操作，得到部门间信息流动的动态网络图。[0025]优选地，所述对所述动态网络图进行交互作用的非线性特征提取，得到判断节点影响力的预测分析数据，包括：[0026]提取所述动态网络图中的节点连接关系、权重数据和时间序列数据；[0027]根据所述节点连接关系和所述权重数据，计算每个节点的影响力指数；[0028]当所述影响力指数大于预设影响力阈值时，将所述影响力指数对应的节点确定为具有放大效应的主要节点；[0029]当所述影响力指数小于预设影响力阈值时，将所述影响力指数对应的节点确定为具有削弱效应的次要节点；[0030]基于所述时间序列数据，对所述主要节点和次要节点进行演化趋势分析，得到节点影响力演化趋势的预测分析数据。[0031]优选地，所述根据所述动态网络图和所述预测分析数据，识别网络中影响资源分配和信息传递的节点，得到关键节点和高风险节点，包括：[0032]提取所述动态网络图中的节点连接数据、最短路径数据、网络拓扑变化趋势、聚类系数和社区归属数据；[0033]基于所述预测分析数据，结合所述节点连接数据、所述最短路径数据和所述网络拓扑变化趋势，进行修正中心性指标动态权重操作，得到评估节点在信息传播中重要程度的中心性指标；[0034]基于所述预测分析数据，结合所述聚类系数和所述社区归属数据，进行修正脆弱性指标动态权重，得到评估节点在信息传播中依赖程度的脆弱性指标；[0035]根据所述中心性指标，构建各个节点特征向量，得到中心性特征向量；[0036]采用K-means聚类算法对所述中心性特征向量进行重要性排列筛选，得到高重要性、中重要性和低重要性的初步关键节点；7[0037]对所述初步关键节点进行重要性排名，得到高中心性的关键节点；[0038]根据所述脆弱性指标，分析各个节点的连接特征和负载能力指标，得到脆弱性评[0039]当所述脆弱性评估值小于预设脆弱性阈值时，将所述脆弱性评估值对应的节点确定为潜在高风险节点；[0040]采用支持向量机算法对所述潜在高风险节点进行节点失效预测，得到节点失效概[0041]提取所述节点失效概率大于预设概率阈值的节点集合，并将所述节点集合中所有节点确定为高风险节点。[0042]优选地，所述根据所述关键节点和所述高风险节点，识别网络中的关键传播路径，得到影响资源分配和信息传递的关键传播路径，包括：[0043]根据所述关键节点和所述高风险节点，采用图论方法构建风险网络图；[0044]对所述风险网络图进行路径参数计算，得到路径上节点的传播性数据和稳定性数[0045]根据所述传播性数据和稳定性数据，评估节点重要性和路径稳定性，得到路径评估结果；[0046]对所述路径评估结果按照路径传播优先级、资源影响力、决策链条权重进行分组，得到影响资源分配和信息传递的关键传播路径。[0047]优选地，所述基于所述关键节点、所述高风险节点和所述关键传播路径，预测资源瓶颈和资源冲突发生的关键位置，并生成资源优化建议，包括：[0048]根据所述关键节点、所述高风险节点和所述关键传播路径，分析资源分配状态，得到关键节点的资源使用情况、高风险节点的资源压力和关键传播路径的流量负载；[0049]根据所述资源使用情况、所述资源压力和所述流量负载，结合预设历史资源调度数据，预测资源瓶颈和资源冲突发生的关键位置；[0050]对所述关键位置进行资源分配策略调整，生成资源优化建议。[0052]数据获取模块，用于获取部门间的信息流动数据和资源分配数据；[0053]依赖分析模块，用于根据所述信息流动数据和所述资源分配数据，进行依赖性关系分析，得到部门间依赖关系的初始网络图；[0054]路径优化模块，用于根据所述初始网络图，进行聚类分析连接强度及路径长度，并动态重构网络并融合社区挖掘与路径优化识别关键节点，得到部门间信息流动的动态网络[0055]预测分析模块，用于对所述动态网络图进行交互作用的非线性特征提取，得到判断节点影响力的预测分析数据；[0056]节点识别模块，用于根据所述动态网络图和所述预测分析数据，识别网络中影响资源分配和信息传递的节点，得到关键节点和高风险节点；[0057]关键路径模块，用于根据所述关键节点和所述高风险节点，识别网络中的关键传播路径，得到影响资源分配和信息传递的关键传播路径；[0058]资源优化模块，用于基于所述关键节点、所述高风险节点和所述关键传播路径，预8测资源瓶颈和资源冲突发生的关键位置，并生成资源优化建议。[0059]第三方面，本发明还提供了一种电子设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述中任意一项所述的基于数据挖掘的企业数字化管理方法。[0060]第四方面，本发明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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的基于数据挖掘的企业数字化管理方法。[0062](1)本发明提供了一种基于数据挖掘的企业数字化管理方法，通过获取企业部门间的信息流动数据和资源分配数据，构建初始网络图，并结合时间序列分析与路径优化算法，动态调整企业依赖关系网络。现有技术主要依赖静态分析方法，难以准确反映企业内部依赖关系的动态演变，导致资源调配决策滞后。本发明能够实时更新网络结构，识别企业内部信息流和资源流的变化趋势。[0063](2)本发明采用非线性回归分析方法，结合中心性指标和脆弱性指标，识别高风险节点和关键传播路径。现有技术基于线性分析，难以捕捉某些节点在不同业务场景下影响力的非线性变化。本发明通过计算节点影响力指数，结合支持向量机算法预测节点失效概揭示企业内部导致业务中断或资源冲突的核心环节。[0064](3)本发明基于路径分析和机器学习算法，预测资源瓶颈和资源冲突，并生成优化建议。相比于现有依赖固定规则进行资源管理的方法，本发明通过动态计算资源使用情况、流量负载和关键路径依赖度，结合优化算法调整资源分配策略，使资源调度更加灵活、高效。同时，优化后的动态网络图可与企业资源管理系统集成，实现实时监测部门间依赖关系和资源流动状态，提高企业在复杂业务环境中的应变能力，优化资源配置方案。附图说明[0065]图1是本发明第一实施例提供的基于数据挖掘的企业数字化管理方法流程示意[0066]图2是本发明第二实施例提供的基于数据挖掘的企业数字化管理系统结构示意具体实施方式[0067]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他[0068]参照图1,本发明第一实施例提供了基于数据挖掘的企业数字化管理方法，包括以[0069]S11,获取部门间的信息流动数据和资源分配数据；[0070]S12,根据所述信息流动数据和所述资源分配数据，进行依赖性关系分析，得到部9门间依赖关系的初始网络图；[0071]S13,根据所述初始网络图，进行聚类分析连接强度及路径长度，并动态重构网络并融合社区挖掘与路径优化识别关键节点，得到部门间信息流动的动态网络图；[0072]S14,对所述动态网络图进行交互作用的非线性特征提取，得到判断节点影响力的预测分析数据；[0073]S15,根据所述动态网络图和所述预测分析数据，识别网络中影响资源分配和信息传递的节点，得到关键节点和高风险节点；[0074]S16,根据所述关键节点和所述高风险节点，识别网络中的关键传播路径，得到影响资源分配和信息传递的关键传播路径；[0075]S17,基于所述关键节点、所述高风险节点和所述关键传播路径，预测资源瓶颈和资源冲突发生的关键位置，并生成资源优化建议。[0076]在步骤S11中，需要获取部门间的信息流动数据和资源分配数据，包括：[0077]在一个具体的实施例中，信息流动数据主要来源于企业内部的办公系统、通讯系(Email)和即时通讯工具(如企业微信、钉钉)能够提供文件共享、邮件往来和沟通记录等数据。通讯系统的数据包括电话会议记录、视频会议日志、企业内部论坛和工作日志等，用于反映不同部门之间的沟通频率和信息交换内容。此外，企业的业务管理系统(如ERP、CRM、SCM等)能够记录跨部门的业务协作关系，例如订单流转、客户需求反馈、交互平台(如企业数据共享平台和API日志)则可提供不同系统间的数据调用频率和数据共享情况，进一步揭示部门间的信息依赖关系。[0078]在一个具体的实施例中，资源分配数据主要涉及企业内部的人力资源、资金流向、设备使用和生产资源调配等方面。其中，人力资源数据可以通过企业的人力资源管理系统(HRM)获取，包括各部门的人员分布、岗位调动、跨部门协作的工时分配等。财务管理系统(FMS)提供资金流动信息，如预算分配、项目成本和跨部门的资金往来情况。资产管理系统(AMS)用于记录企业设备、办公资源和生产工具的使用情况，追踪设备在不同部门间的共享和调配。生产和供应链管理系统(SCM)则反映库存流转、生产物料调度和物流配送情况，确保资源分配数据全面覆盖企业运营的各个环节。[0079]具体地，为了保证数据的完整性和时效性，本发明采用多种数据采集方式，包括系统日志分析、数据库查询、API数据调用和人工输入审核。系统日志分析主要针对办公系统和通讯系统的数据，自动提取邮件日志、文件共享记录和会议沟通数据。例如，通过解析邮件服务器日志，可以获取跨部门的邮件往来情况，并结合邮件主题和关键词分析其内容关取企业内部资源流动数据，例如采购订单的审批流程和资金支付记录。API数据调用方式适用于不同业务系统的实时数据采集，例如调用ERP与SCM系统的接口获取库存变动信息和物料调配情况。此外，对于某些非结构化数据，如部门间的资源协调会议记录，可以通过人工审核和补录的方式确保数据完整性。[0080]需要说明的是，由于采集到的数据来源多样，格式各异，本发明采用数据清洗、归一化和格式转换的方法进行预处理。数据清洗主要去除重复、无效和异常数据，例如剔除自动回复邮件，以避免干扰信息流分析。数据归一化确保不同来源的数据具有统一的度量标准，例如，将不同系统中记录的工时数据转换为标准小时单位，以便于跨部门比较。格式转换用于将非结构化数据(如会议记录、文本邮件)转换为结构化数据表存储，例如，通过自然语言处理(NLP)技术提取邮件内容的关键词，并关联到相应的业务流程。[0081]以某制造企业为例，其研发部门与生产部门之间的依赖关系主要体现在技术文档的交互、实验设备的共享和测试人员的安排。本发明可通过DMS系统提取研发部门上传的设计文档，分析其在不同部门间的流转路径，以识别技术知识的传播模式。同时，通过资产管理系统(AMS)获取实验设备的使用日志，追踪设备在研发和生产部门间的共享情况，以分析资源的跨部门流动。人力资源管理系统(HRM)则提供测试人员的工作调度数据，分析测试人员在不同项目中的工时分配情况，以判断跨部门人力资源的依赖关系。在数据预处理阶段，所有数据按照统一的时间维度进行归一化，以便后续的时间序列分析和趋势预测。[0082]在步骤S12中，需要根据所述信息流动数据和所述资源分配数据，进行依赖性关系[0083]根据所述信息流动数据和所述资源分配数据，计算部门间的支持度和置信度；[0084]当所述支持度和所述置信度分别大于预设支持度阈值和预设置信度阈值时，基于图论方法，建立部门间的依赖关系网络结构图，得到部门间依赖关系的初始网络图。[0085]首先，为了确保依赖关系分析的准确性，本发明对信息流动数据和资源分配数据进行数据融合。数据融合的主要目的是整合多个数据来源，弥补单一数据源的不足，提高数据的完整性和一致性。数据融合采用时间对齐、实体匹配和相似度分析的方法。例如，针对办公系统、业务管理系统和人力资源系统的数据，首先按照时间戳进行对齐，确保不同系统的记录可以按相同时间窗口进行分析。其次，基于相同的项目编号、订单编号或设备编号匹配相关数据，确保相同业务流程中的信息可以整合在一起。此外，对于邮件、文档或业务日志中的非结构化数据，采用自然语言处理技术计算文本相似度，从而识别属于相同业务过程的不同数据条目。[0086]数据融合完成后，本发明采用关联规则挖掘算法计算部门间的支持度和置信度。[0087]在完成数据融合后，本发明采用关联规则挖掘算法分析部门协作模式。具体地，本发明使用频繁项集挖掘算法，从大量业务数据中提取稳定的部门协作关系。该方法首先构建一个事务数据集，其中每条事务代表一次完整的业务交互，事务中的所有部门构成一个链}。通过构建大量的业务事务数据，本发明能够通过关联规则挖掘算法，分析各部门在不同业务场景下的协作模式。[0088]具体地，本发明首先执行频繁项集挖掘，即统计企业内部各部门的协作频率，并筛选出具有稳定依赖关系的部门组合。算法的主要步骤如下：[0089]统计各个单独部门的出现频率，计算支持度，并筛选出高于支持度阈值的部门，形成频繁项集。[0090]基于频繁项集，生成候选部门对，并计算其共同出现的次数，筛选出支持度高于支持度阈值的部门对。[0091]进一步扩展至多个部门的组合，计算更复杂的依赖关系，直到不能再找到新的高11频协作部门组合。[0092]示例性地，在某企业的事务数据集中，包含以下业务记录：{研发、生产、质量管[0093]扫描数据集后，计算各部门对的支持度，即某两个部门在同一事务中共同出现的[0094]{研发、生产}共同出现3次，共4条事务，支持度=3/4=0.75;[0095]{生产、供应链}共同出现3次，共4条事务，支持度=3/4=0.75;[0096]{研发、供应链}共同出现1次，共4条事务，支持度=1/4=0.25;[0097]如果企业设定的支持度阈值为0.5,则{研发、供应链}被筛除，而{研发、生产}和{生产、供应链}被保留。[0098]具体地，在获得频繁项集后，本发明计算置信度，以衡量部门间的依赖关系强度。置信度的计算方式为：[0099]置信度=(部门A与部门B的共现次数)/部门A的出现次数[0100]示例性地，生产至供应链的支持度为0.75,生产总共出现4次，因此，置信度为0.75;研发至生产的支持度为0.75,研发总共出现3次，因此，置信度为1.0。[0101]具体地，本发明设定置信度阈值，例如0.6,即如果部门A发生时，至少有60%的概率部门B也会发生，则认定A对B存在稳定依赖。例如，生产至供应链的置信度为0.75,满足阈值，而研发至供应链的置信度为0.25,低于0.6,因此被筛除。当计算出的支持度和置信度均高于设定阈值后，本发明采用图论方法建立企业的初始依赖关系网络结构图。在该网络中，节点代表企业中的各个部门；连接线表示部门间的依赖关系，方向由依赖方指向被依赖方；连接线的权重由支持度和置信度综合计算，计算方式如下：[0102]依赖关系权重=0.5×支持度+0.5×置信度[0103]例如，若生产至供应链的支持度为0.75,置信度为0.75,则该依赖关系的权重为[0104]最终，通过数据融合和关联规则挖掘，本发明能够精准构建企业内部的初始依赖关系网络图，明确展示部门间的信息流动和资源分配关系，为后续的动态分析、关键节点识别和资源优化提供可靠的数据支撑。[0105]需要说明的是，在制造企业的实施过程中，由于生产流程稳定、跨部门协作关系长期存在，企业希望仅筛选出具有较强业务关联的依赖关系，以优化生产调度和供应链管理。因此，该企业在设定支持度阈值时，首先统计所有部门间的历史交互数据，发现平均每对部门的交互次数约占总交互量的3%。考虑到制造业中业务流的稳定性较高，企业决定采用比平均值更高的支持度阈值0.05,即只有交互次数占比超过5%的部门对才被认定为存在依赖关系。例如，在过去一年中，研发部门与生产部门共发生700次协作，占总交互量的7%,满足阈值要求，而研发部门与采购部门的交互次数仅为250次，占比2.5%,低于设定阈值，因此不认为两者之间存在稳定的依赖关系。在置信度阈值设定方面，制造企业关注核心业务流程的协作紧密度，统计发现核心部门间的平均协作置信度为0.6.因此，该企业设定置信度阈值0.6,即当某部门的行为至少有60%依赖于另一个部门时，才认定为稳定依赖。例如，生产部门与供应链部门的协作置信度为0.72,满足依赖关系筛选标准，而研发部门与采购部门的协作置信度仅为0.4,低于设定阈值，因此未被纳入初始网络图。最终，该制造企业构建的初始网络图包括研发、生产和供应链之间的稳定依赖关系，为后续的资源优化和风险评估提供了数据支持。[0106]示例性地，在互联网企业的实施过程中，由于业务模式灵活，部门间的协作方式较为动态，企业希望识别出更多的潜在依赖关系，以优化产品开发和市场运营策略。因此，该企业在设定支持度阈值时，统计过去一年的所有部门间任务分配记录，发现平均每对部门的交互次数占总交互量的2%。考虑到互联网企业的协作频率较高，但依赖关系较为松散，企业决定采用较低的支持度阈值0.02,即只有交互次数占比超过2%的部门对才被纳入依赖网络。例如，产品部门与研发部门在500次任务中协作，占比10%,满足阈值要求，而市场部门与研发部门的交互次数仅为80次，占比1.6%,低于阈值，因此未被纳入初始网络图。在置信度阈值设定方面，互联网企业的协作模式较为灵活，核心部门间的平均协作置信度约为0.5,因此该企业设定置信度阈值0.5,即当某部门的行为至少有50%依赖于另一个部门时，才认定为稳定依赖。例如，研发部门与测试部门的协作置信度为0.7,满足依赖关系筛选标准，而市场部门与研发部门的协作置信度仅为0.3,低于阈值，因此未被纳入初始网络图。[0107]在步骤S13中，需要根据所述初始网络图，进行聚类分析连接强度及路径长度，并动态重构网络并融合社区挖掘与路径优化识别关键节点，得到部门间信息流动的动态网络[0108]提取所述初始网络图中的连接强度数据和路径长度数据；[0109]根据所述连接强度数据和所述路径长度数据进行资源分配模式分析，得到部门间依赖关系的主要传递路径；[0110]对所述主要传递路径进行依赖趋势分析，得到部门间的依赖趋势；[0111]当所述依赖趋势大于预设趋势范围时，基于图论方法对所述初始网络图进行网络结构更新，得到部门间依赖关系的更新网络图；[0112]根据所述更新网络图进行资源分配关键节点识别，得到需要优先资源分配的优先[0113]对所述优先节点进行路径权重分析，得到反映部门间信息传递重要性的权重因[0114]根据所述权重因子，进行更新部门间的依赖关系操作，得到部门间信息流动的动态网络图。[0115]首先，从初始网络图中提取连接强度数据和路径长度数据。其中，连接强度表示企业中不同部门之间的信息交换频率或资源共享程度，例如两个部门之间的邮件往来次数、文档共享次数、任务交接数量等。连接强度可表示为权重矩阵Wij,其中Wij代表部门i到[0117]例如，在某制造企业中，研发部门每周向生产部门发送20份技术报告，而企业内部所有部门间的报告总数为200份，则研发部门与生产部门之间的连接强度为0.1。路径长度数据用于衡量信息从一个部门传播到另一个部门所需的最短步骤数，即信息在企业网络中的最小跳数。本发明采用Dijkstra最短路径算法或Floyd-Warshall算法计算部门间品部门(P)进行中转，则路径可表示为M→P→R,该路径长度为2,表示信息传递需要两步。边权值为1,而M→0的边权值为2,0→R的边权值为1,则最短路径仍为M→P→R,路径长度为2,而M→0→R的长度为3,因此市场部门应优先通过产品部门向研发部门传递客户反间内的部门交互变化率T(t):[0121]其中，W;;(t)表示当前时间t的连接强度，Wi;(t-1)表示上一时间段的连接强[0122]具体地，如果依赖趋势超过预设趋势范围(例如设定的依赖增长阈值为0.5),则门与产品部门的交互频率增长200%,意味着产品改进周期缩短，该路径权重需增大，反映提供100份客户反馈，而其他部门交互总量为500份，则该路径的交互权重占比20%,说明市场部门对研发部门的影响较大。此外，时间序列数据记[0135]具体地，度中心性D(i)表示某个节点直接连接的其他节点数量[0141]其中，0st是从节点S到t的最短路径总数，Ost(i)是这些路径中经过节点i的数响力指数的贡献最大，回归权重训练后得到α₁=0.4,α₂=0.3,α₃=0.2,α₄=0.1,表企业网络中对信息流动和资源配置起关键作用的部门。影响力指数由历史数据统计得出，业，影响力均值为0.5,标准差为0.15,若取k=1,则TH=0.65,影响力指数高于0.65的门的影响力指数，反映该部门在企业信息流动、决策参与及资源分配中的重要程度；[0154]示例性地，若某一部门的增长率连续多期保持在15%以上(如市场部门的增长率分别为12.5%、18.5%和20%),则可认为该部门未来对企业运营的影响力将持续增强。企六个月内持续下降，从500份减少至350份，其环比下降率分别为-6.25%和-10.26%。[0158]其中，I(t)表示时间t时刻该部门的影响力指数，反映该部门在企业信息流动、决响力指数为350,而上一周期的指数为390,则预测下期影响力指数为：I'(7)=356。若未来拓扑变化趋势，进行修正中心性指标动态权重操作，得到评估节点在信息传播中重要程度的中心性指标；[0162]基于所述预测分析数据，结合所述聚类系数和所述社区归属数据，进行修正脆弱性指标动态权重，得到评估节点在信息传播中依赖程度的脆弱性指标；[0163]根据所述中心性指标，构建各个节点特征向量，得到中心性特征向量；[0164]采用K-means聚类算法对所述中心性特征向量进行重要性排列筛选，得到高重要性、中重要性和低重要性的初步关键节点；[0165]对所述初步关键节点进行重要性排名，得到高中心性的关键节点；[0166]根据所述脆弱性指标，分析各个节点的连接特征和负载能力指标，得到脆弱性评估值；[0167]当所述脆弱性评估值小于预设脆弱性阈值时，将所述脆弱性评估值对应的节点确定为潜在高风险节点；[0168]采用支持向量机算法对所述潜在高风险节点进行节点失效预测，得到节点失效概[0169]提取所述节点失效概率大于预设概率阈值的节点集合，并将所述节点集合中所有节点确定为高风险节点。[0170]首先，从动态网络图中提取节点连接数据、最短路径数据、网络拓扑变化趋势、聚类系数和社区归属数据，这些数据用于构建网络结构的基础信息。其中，节点连接数据反映各个部门间的直接信息交互关系，最短路径数据用于计算信息流通的最优路径，网络拓扑变化趋势监测网络结构的动态调整，聚类系数用于衡量某个部门与周围部门的紧密程度，而社区归属数据用于分析部门是否属于某个稳定的组织结构。这些数据的获取依赖于网络模型的动态更新，确保所分析的依赖关系能够准确反映企业组织的实时状态。[0171]接着，基于预测分析数据，结合上述提取的数据，对中心性指标进行修正，动态调整中心性指标的权重，以评估各个节点在信息传播中的重要性。具体而言，中心性指标包括度中心性、介数中心性和接近中心性，其中度中心性衡量一个节点的直接连接数，介数中心性衡量该节点在最短路径中的中转作用，接近中心性用于评估节点在整个网络中的可达性。在修正过程中，本发明采用动态权重调整策略，根据预测分析数据调整不同中心性指标的权重。例如，在企业业务调整期间，信息流的传播模式会发生变化，某些关键部门的影响力增加，此时可以提高介数中心性的权重，以更准确地识别在信息传递过程中起枢纽作用的节点。[0172]同时，为了识别高风险节点，需要计算脆弱性指标，用于衡量各个节点对信息流和资源分配的依赖程度。脆弱性指标主要结合聚类系数和社区归属数据进行修正，确保风险分析能够反映实际的业务依赖关系。具体而言，聚类系数较低的节点意味着其在组织结构中的连接较为孤立，一旦该节点发生异常，将更容易导致信息中断或资源调配失败。同时，社区归属度较低的节点表明该部门在组织中的关联性较弱，其稳定性相对较差。因此，在修正过程中，系统会调整聚类系数和社区归属数据的权重，以优化脆弱性指标的计算。[0173]在计算完中心性和脆弱性指标后，下一步是构建中心性特征向量，用于后续的关键节点识别。特征向量包含每个节点的度中心性、介数中心性、接近中心性及其修正权重，确保对网络中关键节点的筛选能够准确反映其在资源分配和信息传播中的作用。随后，采用K-means聚类算法对这些特征向量进行分类分析，将所有节点划分为高重要性、中重要性和低重要性三个层级，从而形成初步关键节点集合。这一过程能够有效区分业务核心部门和一般业务支持部门，确保企业能够优先优化关键部门的资源配置。[0174]在初步筛选出关键节点后，系统将对这些节点进行进一步的重要性排名，筛选出某企业网络中，研发中心、市场部和核心生产部门会被识别为高中心性节点，而行政后勤、财务审计等职能部门则处于较低中心性区间。通过这一过程，企业可以识别出真正影响资源流动和信息传递的核心部门，并调整资源投放策略。[0175]为了评估潜在的高风险节点，本发明进一步计算脆弱性评估值，结合节点的连接特征和负载能力进行分析。当某节点的脆弱性评估值小于预设的脆弱性阈值，即表明其对信息流和资源分配的依赖程度较高，同时稳定性较差，则该节点被标记为潜在高风险节点。例如，在供应链管理系统中，某个供应商节点如果在网络中连接数较少(度中心性低),同时其所在的供应链社区归属度较低，说明该节点缺乏备选供应渠道，若出现异常将影响整个[0176]在确定潜在高风险节点后，本发明采用支持向量机(SVM)算法进行节点失效预测，计算每个潜在高风险节点的节点失效概率。支持向量机通过分析历史数据中高风险节点的动态特征演化规律，预测特定节点在未来时间窗口内的失效概率。例如，在金融系统中，某个业务部门的资金流动记录出现异常波动，预示其未来资金链断裂的风险，系统可以根据历史交易数据训练支持向量机模型，对该部门进行风险预警。当某节点的失效概率大于预设概率阈值(如70%),则该节点将被最终标记为高风险节点，企业可以提前采取措施，如优化其信息传输路径、调整资源配置，或建立备选方案以减少潜在损失。[0177]下面以一个具体应用场景说明本发明的步骤S15:[0178]在某智能制造企业的供应链管理中，不同部门之间的信息流动和资源分配关系复稳定性。然而，由于供应链具有动态性和非线性依赖关系，企业难以精准识别关键节点和高风险节点，导致资源配置不合理，甚至出现供应链断裂的风险。为了优化供应链管理，本发明通过动态网络图分析和预测模型，识别企业供应链中的关键节点与高风险节点，优化资源分配策略，提高运营的稳定性和应变能力。[0179]首先，从企业的供应链管理系统(SCM)、生产执行系统(MES)和企业资源计划系统(ERP)中提取供应链网络数据。该数据包括多个维度的信息流动和资源分配情况。例如，在生产过程中，原材料采购部门需要与生产部门保持稳定的信息交互，以确保原材料按时供应；生产部门与仓储部门共享成品库存数据，以便合理安排生产计划和库存管理。为了量化这些依赖关系，系统提取节点连接数据、最短路径数据、网络拓扑变化趋势、聚类系数和社区归属数据。其中，节点连接数据用于记录部门之间的直接交互关系，如采购部门与多个供应商的合作网络；最短路径数据用于计算信息流通和物流调配的最优路径，如原材料从供应商到生产线的运输路线；网络拓扑变化趋势用于监测供应链的结构调整，例如新增供应商或生产线变更；聚类系数衡量某个部门在供应链中的紧密程度，如仓储部门若与多个生产线紧密相连，则其在资源分配中的作用较大；社区归属数据用于划分供应链中的业务模售社区”,以识别供应链各环节的协同关系。[0180]在数据获取后，系统计算中心性指标，以识别供应链中的关键节点。度中心性用于衡量某个部门在供应链中直接连接的数量，例如采购部门若与10个供应商建立长期合作关系，其度中心性较高，表明该部门在原材料供应链中至关重要。介数中心性用于衡量某个节点在供应链网络中的中转作用，例如，仓储部门若承担成品调拨、原材料存储等多个职能，则该节点的介数中心性较高，表明其在信息和资源传递中起关键作用。接近中心性用于评估某个部门在整个供应链中的可达性，例如，生产部门的接近中心性高，则说明其与多个业务模块均存在直接交互，表明该部门对整个供应链的运行至关重要。通过计算这些指标，并结合预测分析数据，系统能够动态调整各指标的权重，以确保关键节点的识别准确性。[0181]在识别关键节点后，系统进一步计算脆弱性指标，用于识别供应链中的高风险节点。首先，结合聚类系数和社区归属数据，评估某个节点的稳定性。若某个供应商的聚类系企业A仅依赖单一供应商B提供关键原材料，若供应商B发生供应链断裂，则企业A生产能力将大幅下降，因此供应商B的脆弱性评估值较高，需要被标记为高风险节点。此外，若某个节点的社区归属度较低，表明该部门在供应链网络中的协同度不高，如某物流公司仅与企业保持临时合作关系，而没有固定的运输网络支撑，一旦该物流公司停止服务，企业的交付链条中断，因此其脆弱性较高。同样，若某个生产线节点的连接数较少，但承担关键产品生产任务，则该节点的供应链依赖性较高，其风险也相对较大。[0182]在确定潜在高风险节点后，系统采用支持向量机(SVM)算法进行节点失效预测，计算每个潜在高风险节点的节点失效概率。支持向量机通过分析历史数据中高风险节点的动态特征演化规律，预测特定节点在未来时间窗口内的失效概率。例如，若某供应商的历史交易数据表明其近三个月内供货周期波动较大，库存周转率低，且资金流动受限，则其供应稳定性较差，失效概率超过70%。此时，系统自动将其标记为高风险节点，并向企业管理者发供应链风险。[0183]在步骤S16中，需要根据所述关键节点和所述高风险节点，识别网络中的关键传播路径，得到影响资源分配和信息传递的关键传播[0184]根据所述关键节点和所述高风险节点，采用图论方法构建风险网络图；[0185]对所述风险网络图进行路径参数计算，得到路径上节点的传播性数据和稳定性数[0186]根据所述传播性数据和稳定性数据，评估节点重要性和路径稳定性，得到路径评估结果；[0187]对所述路径评估结果按照路径传播优先级、资源影响力、决策链条权重进行分组，得到影响资源分配和信息传递的关键传播路径。[0188]首先，本发明采用图论方法构建风险网络图，用于表示企业内部的信息流动路径及其潜在风险。在风险网络图中，关键节点是信息流动和资源调配的核心，如研发部门、市场部门、核心供应商等，这些节点具有较高的度中心性、介数中心性或接近中心性，在组织决策和运营管理中起到枢纽作用。与此同时，高风险节点则是因资源承载能力不足、依赖度高或失效概率高而影响信息流通和资源供应的节点，如单一供应商、关键设备维护节点或[0189]在构建风险网络图后，本发明采用最短路径算法(如Dijkstra算法或Floyd-时，可适当提高传播性权重m₁,使得信息流通顺畅的路径在优化过程中获得更高的优先测资源瓶颈和资源冲突发生的关键位置，并生成资源优化建议，包括：[0199]根据所述关键节点、所述高风险节点和所述关键传播路径，分析资源分配状态，得到关键节点的资源使用情况、高风险节点的资源压力和关键传播路径的流量负载；[0200]根据所述资源使用情况、所述资源压力和所述流量负载，结合预设历史资源调度数据，预测资源瓶颈和资源冲突发生的关键位置；[0201]对所述关键位置进行资源分配策略调整，生成资源优化建议。[0202]首先，系统从前序步骤提取得到的关键节点、高风险节点和关键传播路径信息，并分析其资源分配状态。其中，关键节点的资源使用情况包括该节点当前的资源占用率、消耗速率和剩余可用资源。例如，在制造企业中，生产部门作为关键节点，其资源使用情况可由生产设备的稼动率、库存原材料的消耗速率、人员配置负荷等指标衡量。高风险节点的资源压力则涉及该节点在资源调度中的稳定性，例如唯一供应商、单一物流渠道或关键服务器成为系统的瓶颈。该部分分析主要计算节点的资源冗余度(当前库存/需求)、负载比率(当前任务量/最大承载能力)和历史资源波动情况，以判断该节点的稳定性。关键传播路径的流量负载则衡量资源或信息在不同路径上的流动情况，包括路径的资源传输速率、平均响力可通过每小时的货运量及历史延误情况进行评估。[0203]具体地，在完成资源状态分析后，本步骤结合历史资源调度数据，通过机器学习算法预测资源瓶颈和资源冲突的发生位置。首先，采用回归分析方法，对关键节点的资源需求耗数据，以预测未来资源需求的增长趋势。例如，若销售数据表明某产品的市场需求在未来一个月预计增长30%,系统可据此预测生产部门的物料需求将在相应时间段内同步增加，并提前调整采购计划。其次，使用分类算法(如随机森林、支险模型，通过分析历史数据中的供应短缺、设备故障等因素，预测哪些高风险节点因资源不足而成为瓶颈。例如，若某关键供应商在过去12个月中有4个月出现交付延误，则系统可预测其未来仍然存在30%-40%的供货不稳定风险，并建议增加备用供应商。此外，采用流量分析模型(如贝叶斯网络)预测关键传播路径上的流量变化，以提前识别出现的路径拥堵问题。例如，在企业的信息系统中，若预测到年度审计期间服务器访问量暴增50%,系统可预警该路径的计算资源需求不足，并建议提前进行服务器扩容。[0204]具体地，基于对资源瓶颈和冲突风险的预测结果，本发明采用优化算法对关键位置的资源配置进行调整，以减少系统性风险并提升资源利用率。优化方法包括动态资源调度、资源冗余优化和智能路径调整。在动态资源调度方面，系统根据资源需求预测结果，在不同部门之间重新分配可用资源。例如，当某生产线因原材料短缺面临停工风险时，系统可建议从其他库存较高的生产线调拨原材料，以确保持续生产。对于资源冗余优化，若系统检测到某个高风险节点的资源承载能力接近上限，如关键供应商的供货能力趋于饱和，系统可建议增加备用资源，如新增供应商或提高安全库存水平，以降低供应链风险。在智能路径调整方面，对于资源流通受阻的关键传播路径，系统可通过优化路径分配资源。例如，在数据传输网络中，若系统预测某服务器在高峰时段负载超出80%,则可提前将部分计算任务转移至备用服务器，以提高整体网络的稳定性。[0205]在一个具体的实施例中，假设某跨国制造企业希望优化其全球供应链的资源调度。系统首先分析了关键节点(生产车间、供应商)、高风险节点(单一原材料供应商)和关键传播路径(供应商→仓库→生产线),并发现某主要供应商的订单履约能力存在波动，同时生产线的库存水平较低。结合历史数据分析，系统预测该供应商在未来三周内出现10%-15%的供货延误风险，进而导致生产瓶颈。为此，系统生成以下优化建议：增加备用供应商，降低企业对单一供应商的依赖性，以确保原材料供应稳定；调整库存管理策略，提高库存安全阈值，增加关键物料的储备，以降低供应链波动带来的影响；优化生产计划，通过调整生产排程，优先生产不依赖该供应商原材料的产品，避免因缺货而导致停工；优化物流路径，若发现某运输路线因高峰期交通拥堵影响供应链效率，则可建议调整物流路线或增加运输批次，以确保原材料准时送达。[0206]综上所述，本发明提供了一种基于数据挖掘的企业数字化管理方法及系统，本发明能识别企业隐性依赖关系动态变化，定位高风险节点和关键传播路径，优化资源配置。[0207]参照图2,本发明第二实施例提供了一种基于数据挖掘的企业数字化管理系统，包[0208]数据获取模块，用于获取部门间的信息流动数据和资源分配数据；[0209]依赖分析模块，用于根据所述信息流动数据和所述资源分配数据，进行依赖性关系分析，得到部门间依赖关系的初始网络图；[0210]路径优化模块，用于根据所述初始网络图，进行聚类分析连接强度及路径长度，并动态重构网络并融合社区挖掘与路径优化识别关键节点，得到部门间信息流动的动态网络[0211]预测分析模块，用于对所述动态网络图进行交互作用的非线性特征提取，得到判断节点影响力的预测分析数据；[0212]节点识别模块，用于根据所述动态网络图和所述预测分析数据，识别网络中影响资源分配和信息传递的节点，得到关键节点和高风险节点；[0213]关键路径模块，用于根据所述关键节点和所述高风险节点，识别网络中的关键传播路径，得到影响资源分配和信息传递的关键传播路径；[0214]资源优化模块，用于基于所述关键节点、所述高风险节点和所述关键传播路径，预测资源瓶颈和资源冲突发生的关键位置，并生成资源优化建议。[0215]需要说明的是，本发明实施例提供的一种基于数据挖掘的企业数字化管理系统用于执行上述实施例的一种基于数据挖掘的企业数字化管理方法的所有流程步骤，两者的工作原理和有益效果一一对应，因而不再赘述。[0216]本发明实施例还提供了一种电子设备。该电