© 2023-2026 上海数据发展科技有限责任公司 版权所有
沪ICP备17003045号-15沪公网安备31010402336585号
浙江杭泰安保服务有限公司
企业浙江杭泰安保服务有限公司成立于2017年，属商务服务业，主营保安服务（门卫、巡逻、守护、随身护卫）、劳务派遣、物业管理等。面向安保领域、AI模型训练、安保服务等领域提供数据服务，开放安保领域投标文件内容生成AI训练数据（安保领域、AI模型训练）、六大员协同机制下面向教育领域单位的安保服务成本分析数据（安保服务、成本分析）、安保数智化管理系统功能使用热度分析数据（软件使用分析、数据分析），支撑模型训练与算法优化。
安保领域AI模型训练安保服务商务服务
数据集列表
安保人员反恐技能培训需求分析数据
本数据集的应用场景广泛，包括但不限于：（1）培训课程优化：公司可利用本数据集来科学地优化反恐技能方向的培训课程设计，基于KANO模型的分析数据使得公司能够更精准地把握学员的需求优先级，从而合理分配培训资源，优先安排对学员满意度影响最大的课程需求。（2）行业借鉴：对于行业内及跨行业的其他反恐技能培训机构而言，可根据本数据集来了解学员对反恐技能培训的课程需求和发展趋势，从而在自身的培训产品的课程设计和实施中找到突破点。（3）助力市场分析：安防设备厂商可根据学员对培训课程的需求和反馈，了解安保人员在反恐技能方面的实际需求，从而有针对性地研发和提供更加符合市场需求的安防设备和产品。1.数据收集、预处理和占比计算：（1）数据收集：基于KANO模型设计问卷，采集每个反恐技能培训项目的学员反馈数据。（2）数据预处理：基于收集的历史数据，选取特定课程作为分析对象，按该课程提供和不提供两种情形，对学员反馈数据进行拆分，拆分后的字段包括分析日期、课程名称、课程提供时的总调研人数X1、课程提供时的必备属性人数M1/期望属性人数O1/魅力属性人数A1/无差异属性人数I1/反向属性人数R1、课程不提供时的总调研人数X2、课程不提供时的必备属性人数M2/期望属性人数O2/魅力属性人数A2/无差异属性人数I2/反向属性人数R2。（3）计算每种属性人数的占比。
2.计算满意系数：课程提供时的满意系数B=（A1占比+O1占比）/（A1占比+O1占比+M1占比+I1占比）*100%；课程不提供时的满意系数W=（-1）*（O2占比+M2占比）/(A2占比+O2占比+M2占比+I2占比)*100%。
3.需求分析：基于B-W系数分析四分位图和B、|W|的值，判断学员对课程的需求属性，若落在第一象限为期望属性、第二象限为魅力属性、第三象限为无差异属性、第四象限为必备属性。
浙江省数据知识产权登记平台2025-05-05 更新80
六大员协同机制下面向教育领域单位的安保服务成本分析数据
六大员协同作业机制是指六个关键岗位人员（安全员、消防员、交通员、引导员、服务员、急救员）在承担主要角色的同时，也能根据需要兼任其他五大员中的一个或多个角色，实现一专多能的高效协作模式，对于降低安保成本具有显著作用。本数据集对教育领域相关单位在采用六大员协同作业机制前后，聚焦本公司（作为安保服务提供方）自身投入的安保成本的节约效果进行分析，具有如下应用价值：（1）安保服务效益评估：本数据集能够展示教育领域单位在实施六大员协同作业机制后，本公司（作为安保服务提供方）投入的安保成本的节约情况，可作为评估公司安保服务效益的重要参考指标。（2）采购预算决策：通过将本数据集的分析结果对教育领域单位的财务管理者和安保服务采购决策者进行共享，可帮助他们在未来的安保服务采购预算规划中做出更加合理的决策。（3）课程开发：本数据集可为六大员系列培训课程开发者提供成本效益方面的实证数据。（4）模式推广：本数据集可为六大员协同作业机制在教育领域的推广提供真实、客观的数据支撑。1.数据收集和预处理：（1）数据收集：从公司安保数智化管理系统的后台管理子系统中，收集教育领域相关单位在采用六大员协同作业机制前后，本公司作为安保服务提供方自身投入的安保成本数据，包括被单位编号、单位类型、被服务所在省市、分析日期（年月）、开始采用的日期（年月）、已采用的月数M、开始采用前12个月的总安保成本X（单位为万元）、开始采用后的总安保成本Y（单位为万元）。（2）数据预处理：对收集的数据进行清洗，去除错误和重复的数据。
2.开始采用前后的月均安保成本计算：（1）计算开始采用前的月均安保成本Xa：Xa=X/12；（2）计算开始采用后的月均安保成本Ya：Ya=Y/M。
3.引入调整因素k：（1）以开始采用的日期所在年份的所在省市的人均可支配收入增长率为调整因素k；（2）对Ya进行调整：调整后的Ya=Ya*（1-k）。
4.成本节约指数计算：（1）计算成本节约量J：J=Xa-调整后的Ya；（2）计算成本节约指数CSI：CSI=J/Xa*100%。
5.成本节约效果分析：若CSI≥10%，则说明六大员协同作业机制在成本节约方面效果明显；反之则说明效果不明显。
浙江省数据知识产权登记平台2025-04-10 更新130
安保人员消防技能培训需求分析数据
本数据集的应用场景广泛，包括但不限于：（1）培训课程优化：公司可利用本数据集来科学地优化消防技能方向的培训课程设计，基于KANO模型的分析数据使得公司能够更精准地把握学员的需求优先级，从而合理分配培训资源，优先安排对学员满意度影响最大的课程需求。（2）行业借鉴：对于行业内及跨行业的其他消防技能培训机构而言，可根据本数据集来了解学员对消防技能培训的课程需求和发展趋势，从而在自身的培训产品的课程设计和实施中找到突破点。（3）助力市场分析：消防设备厂商可根据学员对培训课程的需求和反馈，了解安保人员在消防技能方面的实际需求，从而有针对性地研发和提供更加符合市场需求的消防设备和产品。1.数据收集、预处理和占比计算：（1）数据收集：基于KANO模型设计问卷，采集每个消防技能培训项目的学员反馈数据。（2）数据预处理：基于收集的历史数据，选取特定课程作为分析对象，按该课程提供和不提供两种情形，对学员反馈数据进行拆分，拆分后的字段包括分析日期、课程名称、课程提供时的总调研人数X1、课程提供时的必备属性人数M1/期望属性人数O1/魅力属性人数A1/无差异属性人数I1/反向属性人数R1、课程不提供时的总调研人数X2、课程不提供时的必备属性人数M2/期望属性人数O2/魅力属性人数A2/无差异属性人数I2/反向属性人数R2。（3）计算每种属性人数的占比。
2.计算满意系数：课程提供时的满意系数B=（A1占比+O1占比）/（A1占比+O1占比+M1占比+I1占比）*100%；课程不提供时的满意系数W=（-1）*（O2占比+M2占比）/(A2占比+O2占比+M2占比+I2占比)*100%。
3.需求分析：基于B-W系数分析四分位图和B、|W|的值，判断学员对课程的需求属性，若落在第一象限为期望属性、第二象限为魅力属性、第三象限为无差异属性、第四象限为必备属性。
浙江省数据知识产权登记平台2025-04-03 更新130
医疗领域单位安全系数评估数据
本数据集的应用场景广泛，包括但不限于：（1）安保服务改进：本数据集能够帮助公司精准定位医疗领域单位安保服务提供过程中的薄弱环节（包括人员效能、管理绩效、设备维护、服务质量等），从而有针对性地对服务内容进行改进和优化。（2）安全状况评估：医疗领域单位可以通过安全系数评估数据集来全面了解自身的安全状况，从而采取相应的措施提升安全管理水平。（3）政府监管参考：医疗监管部门可以将本数据集作为加强对医疗单位的监督管理的参考依据。（4）投资决策依据：对于医疗投资者而言，本数据集可作为其评估相关医疗单位投资价值和风险的重要依据。（5）患者选择指南：本数据集还能为患者提供重要的参考信息，帮助其选择安全性更高的就医单位。1.数据收集和预处理：（1）从公司建设运营的安保数智化管理系统中收集医疗领域相关单位的安保服务管理数据，包括：日期、单位编号、应在岗人数A1、实际在岗人数A2、应参训人数A3、实际参训人数A4、总考勤次数A5、异常考勤次数A6、计划巡更次数B1、实际巡更次数B2、发现异常的巡更次数B3、总设备数C1、故障设备数C2、设备及时维修数C3、总登记失物数量D1、成功归还的失物数量D2、应急事件次数D3、应急事件总响应时间D4、应急事件响应时间范围上限要求D5。（2）对采集的数据进行清洗，去除重复、错误或无关的信息。
2.计算四大指数：安保人员效能指数CPEI=（A2/A1）*（A4/A3）*[（A5-A6）/A5]；安全管理绩效指数SMPI=（B2/B1）*[（B2-B3）/B2]；设备维护效率指数DMEI=[（C1-C2）/C1]*（C3/C2）；安保服务质量指数SQSI=（D2/D1）*[1-（D4/D3）/D5]。
3.计算安全系数W：W=（CPEI+SMPI+DMEI+SQSI）/4。
浙江省数据知识产权登记平台2025-04-03 更新60
安保领域投标文件内容AI生成和优化建议数据
本数据集的核心价值在于其提供了安保领域投标文件内容生成、验证和对AI模型的优化建议的完整记录。具体应用场景包括但不限于：（1）自动化投标文件生成：本数据集提供的经AI模型生成和人工修正的投标文件内容，能够为安保领域项目的投标工作提供标准化和高效率的文档制作流程，减少人工编写投标文件的时间和成本。（2）模型优化：本数据集提供的基于对投标文件内容生成结果审核验证做出的AI模型优化建议，能够指导安保领域投标文件内容生成AI模型的重新训练、参数调整等优化工作，为模型准确性和适用性的进一步提升提供了坚实的数据基础。1.模型部署：将经公司自行训练并验证的安保领域投标文件内容生成AI模型部署在本地环境中，以确保数据处理的安全性和响应速度。
2.数据获取、预处理和输入：（1）数据获取：获取安保领域最新的采购需求文件（doc、docx和pdf格式），记录获取时间、项目名称和文件格式。（2）预处理：用Aspose.Words工具（针对doc和docx格式）和PyMuPDF工具（针对pdf格式）对采购需求文件进行解析，提取文本内容，并转换为txt格式；对txt格式文本进行清洗，去除无用的符号、空白行等。（3）输入：将清洗后的txt格式文本输入给AI模型。
3.投标文件内容生成：AI模型基于ChatGLM-6B文本生成算法对输入的采购需求文本中的基本信息进行深入分析，并根据训练过程中学习到的模式和关系生成和输出投标文件内容。记录投标文件内容生成的日期和时间。
4.结果验证和优化反馈：（1）通过公司专业人员对AI模型生成的投标文件内容进行审核，验证其准确性和可靠性，并对投标文件内容进行修正。（2）根据审核结果，形成对AI模型的具体优化建议。
浙江省数据知识产权登记平台2025-03-26 更新130
基于数智化管理系统的安保服务规范性评价数据
本数据集的应用场景广泛，包括但不限于：（1）安保服务持续改进：本数据集为公司提供了量化的服务规范性的反馈机制，有助于公司持续改进服务流程，提高服务表现。（2）行业标准制定参考：本数据集可为安保行业制定相关服务标准和规范提供参考依据，促进行业服务质量和管理水平的提升。（3）保险风险评估：保险公司可利用本数据集了解公司整体安保服务的规范性和风险状况，从而为围绕公司安保项目的保安服务责任险、雇主责任险、团体意外险等险种的保费设定和风险评估提供更为全面和精准的参考。（4）投资决策支持：投资者可通过本数据集了解公司的运营能力和市场竞争力，为投资决策提供参考，降低投资风险。1.数据收集：从公司安保数智化管理系统的后台管理子系统中采集数据，包括：日期、应在岗人数A1、实际在岗人数A2、拥有完整信息的在岗人数A3、总考勤次数B1、异常考勤次数B2、及时处理的异常考勤次数B3、应参训人数C1、实际参训人数C2、完成培训人数C3、计划巡更次数D1、实际巡更次数D2、总点位数D3、有巡更记录的点位数D4、客户投诉数E1、客户投诉处理数E2、红黑榜应执行奖惩次数E3、实际执行奖惩次数E4、总设备数F1、故障设备数F2、设备及时维修数F3。
2.指标计算：在岗率X1=A2/A1；人员信息完整率X2=A3/A2；考勤合规率X3=（B1-B2）/B1；考勤异常处理及时率X4=B3/B2；培训覆盖率X5=C2/C1；培训完成率X6=C3/C2；巡更完成率X7=D2/D1；巡更点位覆盖率X8=D4/D3；红黑榜奖惩执行率X9=E4/E3；客户投诉处理率X10=E2/E1；设备完好率X11=（F1-F2）/F1；设备维修及时率X12=F3/F2。
3.规范性指数Y计算和评价：Y=（X1+…+X12）/12；若Y≥0.9则评价为优，0.8≤Y＜0.9则评价为良，Y＜0.8则评价为差。
浙江省数据知识产权登记平台2025-04-10 更新120
六大员协同机制下面向医疗领域单位的安保服务成本分析数据
六大员协同作业机制是指六个关键岗位人员（安全员、消防员、交通员、引导员、服务员、急救员）在承担主要角色的同时，也能根据需要兼任其他五大员中的一个或多个角色，实现一专多能的高效协作模式，对于降低安保成本具有显著作用。本数据集对医疗领域相关单位在采用六大员协同作业机制前后，聚焦本公司（作为安保服务提供方）自身投入的安保成本的节约效果进行分析，具有如下应用价值：（1）安保服务效益评估：本数据集能够展示医疗领域单位在实施六大员协同作业机制后，本公司（作为安保服务提供方）投入的安保成本的节约情况，可作为评估公司安保服务效益的重要参考指标。（2）采购预算决策：通过将本数据集的分析结果对医疗领域单位的财务管理者和安保服务采购决策者进行共享，可帮助他们在未来的安保服务采购预算规划中做出更加合理的决策。（3）课程开发：本数据集可为六大员系列培训课程开发者提供成本效益方面的实证数据。（4）模式推广：本数据集可为六大员协同作业机制在医疗领域的推广提供真实、客观的数据支撑。1.数据收集和预处理：（1）数据收集：从公司安保数智化管理系统的后台管理子系统中，收集医疗领域相关单位在采用六大员协同作业机制前后，本公司作为安保服务提供方自身投入的安保成本数据，包括被单位编号、单位类型、被服务所在省市、分析日期（年月）、开始采用的日期（年月）、已采用的月数M、开始采用前12个月的总安保成本X（单位为万元）、开始采用后的总安保成本Y（单位为万元）。（2）数据预处理：对收集的数据进行清洗，去除错误和重复的数据。
2.开始采用前后的月均安保成本计算：（1）计算开始采用前的月均安保成本Xa：Xa=X/12；（2）计算开始采用后的月均安保成本Ya：Ya=Y/M。
3.引入调整因素k：（1）以开始采用的日期所在年份的所在省市的人均可支配收入增长率为调整因素k；（2）对Ya进行调整：调整后的Ya=Ya*（1-k）。
4.成本节约指数计算：（1）计算成本节约量J：J=Xa-调整后的Ya；（2）计算成本节约指数CSI：CSI=J/Xa*100%。
5.成本节约效果分析：若CSI≥10%，则说明六大员协同作业机制在成本节约方面效果明显；反之则说明效果不明显。
浙江省数据知识产权登记平台2025-04-10 更新130
教育领域单位安全系数评估数据
本数据集的应用场景广泛，包括但不限于：（1）安保服务改进：本数据集能够帮助公司精准定位教育领域单位安保服务提供过程中的薄弱环节（包括人员效能、管理绩效、设备维护、服务质量等），从而有针对性地对服务内容进行改进和优化。（2）安全状况评估：教育领域单位可以通过安全系数评估数据集来全面了解自身的安全状况，从而采取相应的措施提升安全管理水平。（3）政府监管参考：教育监管部门可以将本数据集作为加强对教育领域单位的监督管理的参考依据。（4）投资决策依据：对于教育投资者而言，本数据集可作为其评估相关教育单位投资价值和风险的重要依据。（5）家长和学生选择指南：本数据集还能为家长和学生提供重要的参考信息，帮助其选择安全性更高的教育机构。1.数据收集和预处理：（1）从公司建设运营的安保数智化管理系统中收集教育领域相关单位的安保服务管理数据，包括：日期、单位编号、应在岗人数A1、实际在岗人数A2、应参训人数A3、实际参训人数A4、总考勤次数A5、异常考勤次数A6、计划巡更次数B1、实际巡更次数B2、发现异常的巡更次数B3、总设备数C1、故障设备数C2、设备及时维修数C3、总登记失物数量D1、成功归还的失物数量D2、应急事件次数D3、应急事件总响应时间D4、应急事件响应时间范围上限要求D5。（2）对采集的数据进行清洗，去除重复、错误或无关的信息。
2.计算四大指数：安保人员效能指数CPEI=（A2/A1）*（A4/A3）*[（A5-A6）/A5]；安全管理绩效指数SMPI=（B2/B1）*[（B2-B3）/B2]；设备维护效率指数DMEI=[（C1-C2）/C1]*（C3/C2）；安保服务质量指数SQSI=（D2/D1）*[（D4/D3）/D5]。
3.计算安全系数W：W=（CPEI+SMPI+DMEI+SQSI）/4。
浙江省数据知识产权登记平台2025-04-03 更新40
安保数智化管理系统功能使用热度分析数据
对软件系统不同功能的使用热度进行分析，有助于识别用户偏好，精准把握用户需求，指导软件系统优化，增强用户体验。本数据集的应用场景包括但不限于：（1）系统功能效果评估和改进：本数据集可反映用户与安保数智化管理系统相关功能的交互程度，通过对功能使用热度数值的长期跟踪，公司既可以评估相关功能的设置效果，又可以进一步对相关功能的未来使用趋势进行预测，为相关功能的后续改进提供依据。（2）售后服务资源优化：本数据集还能帮助公司在系统的售后服务的资源分配上做出更准确的决策，例如公司可以根据功能使用热度的数值大小，决定是否有必要围绕该功能对用户加强培训。（3）行业参考：本数据集可以帮助行业内相关单位客观准确地了解安保管理软件在不同功能上的受欢迎程度、用户依赖程度和普及度，为相关单位在类似软件中设置或改进相关功能提供参考依据，推动行业发展。1.数据收集和预处理：（1）数据收集：从公司建设运营的安保数智化管理系统日志中，提取反映用户对不同功能的每日使用情况数据，包括采集时间、是否为工作日、功能名称、该功能当日活跃用户数A、该功能当日使用频次B、该功能当日使用总时长C（min）、系统当日总活跃用户数D。（2）对采集的数据进行清洗，去除重复、错误或无关的信息。
2.建立功能使用热度计算模型：（1）计算功能当日使用率S：S=A/D*100%；（2）计算当日平均使用时长P：P=C/B：（3）引入时间加权因子q，以弱化工作日和非工作日的差异：若当天是工作日，则q为0.8，反之则q为1.2；（4）计算当日加权使用频次Bq和当日加权平均使用时长Pq：Bq=B*q，Pq=P*q；（5）计算当日用户活跃度指数H：H=√（A*Bq）；（6）基于主成分分析法（PCA）计算功能使用热度W：W=H*0.6+Pq*0.2+S*0.2。
3.功能使用热度分析：若W≥500，则说明用户对该功能的使用热度较高；若300≤W＜500，则说明用户对该功能的使用热度一般；若W＜300，则说明用户对该功能的使用热度较低。
浙江省数据知识产权登记平台2025-03-26 更新130
安保领域投标文件内容生成AI训练数据
本数据集的核心价值在于其为开发高效、精准的安保领域投标文件AI生成系统提供了全面且准确的信息基础。通过对历史投标文件和采购需求的收集、文本提取、清洗、标注、特征提取、特征工程、模型训练和评估等过程，本数据集被加工成为高质量的训练用数据集，不仅涵盖了安保领域的广泛项目需求，还包含了丰富的技术方案和商务条款，使得AI模型在接受训练时能够深入学习并掌握投标文件内容的复杂性。在使用本数据集进行训练后，AI模型能够更加准确地识别安保领域项目的具体需求，进而在实际应用中生成与招标需求高度匹配的投标文件内容，提高投标效率和竞争力。1.数据收集：收集公司安保领域历史投标文件及其对应的采购需求文件（doc、docx和pdf格式），记录收集时间和项目名称。
2.文本提取、统一格式和清洗：用Aspose.Words工具（针对doc和docx格式）和PyMuPDF工具（针对pdf格式）对文件进行解析，提取文本内容。将提取的文本内容转换为统一的txt格式。对文本进行清洗，去除无用的符号、空白行等。
3.文本标注和特征提取：在KernAI Refinery工具辅助下，结合人工对文本进行标注，识别和标记关键信息。使用BERT算法提取文本中的关键词和语义信息，为模型训练提供重要特征。
4.特征工程：通过递归特征消除（RFE）选择最有影响的特征。通过组合现有的特征来创建新的特征，如组合投标文件中的不同参数。对特征进行必要的数学转换，以提高模型性能。
5.数据集划分：将特征工程处理后的数据集划分为训练集、验证集和测试集。
6.模型训练：选择开源的ChatGLM-6B作为文本生成模型，使用训练集对模型进行微调训练，记录训练周期，并在验证集上进行调优。
7.模型评估与优化：使用测试集评估模型的性能（准确率、召回率），并记录评估日期。
浙江省数据知识产权登记平台2025-03-26 更新230