2013-7-10-本周设计模式: Copy Document

本文介绍了Microsoft NAV中的CopyDocument设计模式,此模式允许用户基于现有的文档快速创建新文档,适用于销售、采购、服务等多种场景。它通过复制文档头部和行信息实现高效的内容迁移。

本周NAV设计模式:Copy Document

可重复使用NAV设计模式是 NAV 团队 NAV 伙伴之间的联合倡议。 任何人整理出NAV模式,请在这里留下评论或通过写信给我们。
下面就是本周的NAV设计模式。

Copy Document

初识该模式

Copy Document设计模式的目标是通过把源文档的header和line信息拷贝到目标文档,从一个已存在的open或者closed的文档(过账或未过帐)创建出一个副本。

深入了解模式

文档广泛用于我们的多数客户。很多时候,这些文档的相当一部分是类似的,要么通过共享相同的客户、 供应商、 类型要么行结构相似。能够重用源文档作为模板的创建一个新文档是节省时间的重要手段。

其他的一些商业案列中要求将新创建的文档应用到现有的文档。例如,在退货管理中,退货的订单可以是现有订单的逆转,因此可以从原始订单复制。其他的案列中,甚至还有法律的要求,以匹配到它的源文档。例如,贷项凭单需要应用到原始发票。

出于这些原因,NAV支持拷贝文档作为重复使用或链接的文件的方法。

复制文档功能在以下情况中使用:

  • 用户想要创建一个新的销售文档 (报价、 订单、 发票、 退货订单、 贷项通知单) 基于现有的已过帐或未过账的销售文档 (报价、 一揽子订单、 订单、 发票、 退货订单、 贷项通知单、 过帐出货、 过帐发票、 过帐退货收据、 过账贷项通知单)。
  • 用户想要创建一个新的购买文档 (报价、 订单、 发票、 退货订单、 贷项通知单) 基于现有的已过帐或非过账的采购文档 (报价、 一揽子订单、 订单、 发票、 退货订单、 贷项通知单、 过帐出货、 过帐发票、 过帐退货收据、过账贷项通知单)。
  • 用户想要创建新的生产订单 (模拟、 计划、 公司计划或发布) 基于现有生产订单 (模拟、 计划、 公司计划、 发布或已完成)。
  • 用户想要创建一个新的程序集订单,基于现有的程序集文档 (报价单、 总订单、 订单和张贴的顺序)。
  • 用户想要创建一个新的服务合同或基于现有的服务合同的报价。
  • 用户想要创建与退货有关的所有相关文件。例如,从销售退货订单,用户可以重新创建相关涉及的供应链文件,通过将信息复制到采购退货单 (如果商品需要返回给供应商),复制到采购订单 (如果商品需要重新采购) 和复制销售订单 (如果项目需要重新销售给客户)。

请注意

  • 不是所有业务组合都允许复制。例如,你可以只能复制到open类型的文档,因为已posted文件不是可编辑。
  • 目标文档需要有完整的header信息。例如,销售订单将需要有填写好客户号

使用该模式

NAV 应用程序开发人员可以考虑使用Copy Document设计模式,当他们有以下要求,例如:

  • 提供快速和高效的方式移动内容从一个文档到另一个。
  • 允许重用文档的历史记录作为新文件的模板。
  • 允许链接需要互相应用文档。

Copy Document模式涉及以下实体:

  1. 文档的header和line的源文档表。例如,Sales Header/Line.
  2. 文档的header和line的目标文档表。

    注:源文档页header/line和目标文档header/line表不需要是相同的。例如,您可以复制Sales Shipment Header/LinesSales Header/Lines

  3. 复制文档引擎: COD6620、 Copy Document Mgt.
  4. 为一个指定的文档类型拷贝文档所使用的report。report需要下列参数:
    • 源文档类型
    • 源文档号
    • 包括头 (可选)
    • 重新计算行 (可选)
    示例: REP901,Copy Assembly Document


Usage Sequence

前提条件: 用户创建一个新的目标文档header,填满所需的信息。

步骤 1: 用户在运行Copy Document Report (No.4),填满这些参数:

  • 源文档类型
  • 源文档号
  • 包括Header和/或重新计算行 (不是所有的Copy Document都有这些选项)。

步骤 2: Report将在源表中的信息(header和line) 复制到目标表中 (header和line)。

后处理: 用户修改目标文档的其他内容。

下面的关系图描述了模式的序列流。

示例: 拷贝销售文件生成贷项通知单。

在标准版本的 Microsoft NAV,复制文档功能在贷项通知单窗口中可以使用,如下图所示。

***

前提条件: 用户输入的数据在 PAGE44,Sales Credit Memo

步骤 1: 用户在运行 REP292,从Sales Credit Memo窗口中,复制销售文档填充所需的参数。将选择包括header和重新计算的行字段。

步骤 2: 使用源销售文档中的信息填充Sales Credit Memo窗口。

后加工: 用户现在可以做其他编辑操作来完成Sales Credit Memo

NAV Implementations
  1. Copy Sales Document (REP292)
  2. Copy Purchase Document (REP492)
  3. Copy Service Document (REP5979)
  4. Copy Assembly Document (REP901)

 原文链接:

http://blogs.msdn.com/b/nav/archive/2013/07/04/nav-design-pattern-of-the-week-copy-document.aspx

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值