基于數據挖掘的采購決策系統設計

唐山學院 杜芳芳

在經濟高速發展的今天，信息技術發展日新月異，經濟活動日益國際化，企業面臨的競爭對手越來越多，競爭也越來越激烈。在殘酷的市場競爭中，企業如何才能立于不敗之地？企業如何獲取利潤、降低成本，就成了企業管理中最為關注的內容。

在企業生產過程中，原料采購是非常重要的一環。企業的訂單一旦確定，制定好生產計劃，只有通過采購生產所需要的原料，才能夠保證生產有效、順利地進行。原料采購管理的好壞將直接影響到企業的信譽和經濟效益。企業通過合理地組織采購，才可以確保產品質量，降低生產成本，保障資金周轉等。目前許多企業的采購決策是憑采購人員的經驗和直覺。但隨著越來越多的企業實現信息化管理，優化采購管理的信息化也日漸被提上日程。

本文利用數據技術，站在優化的角度，通過建模和信息化手段，開發了可靈活運用的采購優化系統，輔助采購決策人員進行采購決策，具有重要的意義。

1 數據挖掘技術概述

1.1 數據挖掘的概念

較公認的定義是：數據挖掘(DM，Data Mining)就是從大量的、不完全的、有噪聲的、模糊的、隨機的數據中，提取隱含在其中的、人們事先不知道的、但又潛在的有用信息和知識的過程[1]。常用的數據挖掘技術有統計分析、聚類分析、關聯規則等。設計數學模式是數據挖掘的基礎，利用數學模式實現對大量數據的挖掘。

1.2 數理統計與數據挖掘

數據挖掘是數理統計的延伸和擴展。借助于數理統計，應用數據挖掘方法[2]，可以進行市場研究，對市場的研究可以分為探測性研究、描述性研究、因果性研究和預測性研究。此外，利用聚類分析、判別分析、因子分析等方法還能對經濟活動進行分析，例如：采用因子分析方法，利用企業經營狀況的大量指標來確定影響經濟效益的潛在因素；根據經營狀況采用聚類分析方法對企業或部門進行分類等。

截至目前，預測型數據挖掘還沒有一種被共同接受的理論框架。預測型數據挖掘的實現方法大致可以分為：基于距離的方法、基于邏輯的方法和基于數學的方法。其中基于數學的方法被廣泛的使用，主要有經典的參數估計方法、經驗非線性方法(如前向人工神經網絡)和基于統計學習理論的實現方法。統計學習理論是專門研究有限樣本情況下的統計問題。這種理論體系下的統計推理規則，處理有限樣本的統計問題時要考慮對漸近性能的要求，同時追求得到最優結果。

本文利用統計方法，建立所要解決問題的模型，將數學優化模型轉化為參數估計，然后將參數估計轉化為復雜函數的優化問題，尋找合適的最優化方法對模型中的參數進行估算。

1.3 數值優化方法

從不同的角度出發，可以把優化方法分為不同類別。根據優化問題有無約束條件，可以分為無約束優化方法和有約束優化方法。本文在解決問題的時候有約束條件的限定，而約束非線性優化問題求解的常用方法有復合形法、逼近規劃法、懲罰函數法等。近幾年又有模擬退火算法、遺傳算法等新方法出現。但這些通用算法都存在一些問題，比如算法復雜，計算量大，優化過程時間長等。本次設計選用了算法結構簡單、解決約束非線性優化問題的最常用的方法——復合形法。復合形法是一種直接局部搜索算法，它是通過對單純形法的改進而形成的。下面介紹復合形法的基本思想：在可行集內構建一個初始復合形，通過比較各個頂點的函數值，在可行域中找到一個目標函數值有所改善的新點，并用其替換目標函數值較差的頂點，構成新的復合形。不斷地剔除最壞點，用滿足約束條件的新點代替，復合形不斷的變形、轉移、縮小，逐步逼近最優點。

復合形法是一種試驗最優化方法，經常用于目標函數梯度難以計算的問題的求解。此方法不但不被約束條件個數、約束性質限制，而且具有算法思路清晰、程序結構簡單、計算量不大等優點，因而可以用來求解經濟模型，為企業生產提供指導，廣泛應用于一些領域。

2 采購優化系統的設計與實現

為降低企業采購成本，增加企業利潤，輔助采購決策人員進行采購決策，方便企業更高效快捷的管理采購工作，本文將數據挖掘技術應用于企業的采購，開發了可靈活運用的采購優化系統。下面將詳細介紹系統設計的過程。

2.1 總體設計

采購優化系統的開發，主要用于輔助決策者制定采購計劃之用，因此本系統主要完成以下目標：

(1)根據生產計劃，配合產品物料清單，進行物料需求決策，確定物料需求量和需求時間。

(2)建立供應商評價指標體系結構，利用企業原有的ERP系統提供的供應商基本信息，對供應商進行評價和選擇決策，運用數據挖掘技術，從而為企業選擇恰當的供應商。

(3)在物料需求量，需求時間以及供應商確定的基礎上，進行采購優化決策，明確向各供應商采購的數量和時間。

根據系統的開發目標和功能，采購優化系統功能模塊結構如圖1所示。

采購優化系統利用由客戶訂單生成的主生產計劃，庫存基本信息、物料基本信息以及供應商基本信息完成物料需求決策、供應商評價、供應商選擇決策和訂貨優化決策，并將最終的優化決策提供給管理者查看。此外，本系統還有一些輔助功能：各種數據的錄入、瀏覽、查詢以及打印報表等。

2.2 數據庫設計

根據系統的總體設計方案，本文將數據庫分為三個功能庫：即采購主題功能庫、采購模型功能庫和采購決策功能庫。采購主題功能庫主要存放從其他位置處(管理信息系統等)遴選的所需數據，采購模型功能庫中存放采購決策需要的各種決策模型數據，最后建立的決策方案則存儲到采購決策功能庫中。

2.3 主要模塊設計與介紹

2.3.1 物料需求決策模塊

本模塊的主要功能是確定生產各種產品所需物料的數量以及物料需求時段。

首先確定每種產品的物料結構表，進而完成單位產品所需要物料基本信息的確定：根據產品結構圖，確定產品所用的物料清單，通過添加各節點，構建產品結構樹。也可以對己構建好的產品結構樹進行調整。使用“重新生成”功能可以對已經建立了需求表的產品修改，重新確定產品所需最終物料、數量和提前期。

隨后，根據生產管理部門提供的主生產計劃，結合本企業的物料庫存信息以及物料結構表，確定各個產品的物料需求數量以及需求的時間。最后按時間段歸結各物料的需求情況。

2.3.2 供應商評價、選擇決策模塊

此模塊的功能是確定物料的最終供應商。

首先，完成供應商評價指標的建立，物料不同，對應的評價指標體系也不同。接著確定指標體系中各評價指標的權重：根據ERP系統中的供應商供貨能力、供貨價格和質量報表提供的數據以及供應商的其他考核指標，對供貨供應商進行綜合的考察和評估，評估的最后結果保存到系統中。供應商供貨的質量、交貨準時率，采購總量、總金額、采購價格等信息通過查看或報表的形式反映出，并把此作為評價供應商的依據。ERP系統對供應商評價否認信息基本都停留在定性分析的層次上。本文引入數據挖掘的方法，建立一個適當的模型，應用數值計算方法，確定最終的供應商。如果決策者不滿意系統的決策結果，則由采購管理者與系統交互確定最終供應商。

下面詳細介紹一下供應商的選擇方法：

大多數企業在選擇原料供應商時，首要考慮是貨物質量，其次是貨物單價和交貨提前期。綜合考慮多數企業的實際采購情況，本文采用供貨質量等級、貨物價格、交貨時間、運輸成本、以及供應商信譽度等作為供應商評價指標。

質量和交貨期都符合本企業要求的供應商，進一步比較分析本次采購成本的差別。一般情況下，采購成本為貨物總價、采購花費以及運輸費等支出的累計。采購成本比較法是通過計算分析不同供應商的采購成本，從中選擇成本較低的供應商的一種方法。

在建立優化系統模型前，需要做如下假設：(1)運輸時間與距離成正比：采購訂單確定之后，供應商立即發貨，即交貨時間與運輸時間相同。(2)運輸成本與運輸距離、運輸貨物量成正比，采購方承擔運費。各種原材料的運輸成本各自獨立。(3)庫存量、采購量之和大于預計的需求消耗量。

供應商的信譽度定為1~10個不同的信譽等級，對應的供貨質量也有Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅵ五個質量等級，可以量化成1~5對應的值。

基于以上的分析，利用系統中的評價數據，量化指標，建立的采購優化模型目標函數如下：

其中，后面三個式子表示約束條件。上式中各符號表示的意義如下：xij—從第j供應商處訂購第i類原材料數量；Lij—原材料的成本價格；bj—為常數；dj—交通距離；Gj—信譽等級；Qij—供貨質量等級；Tj—交貨時間，其中Tj= cj*dj，cjw為常數；Mi—第i類原料所需采購量；Oi—現庫存量；Ni—計劃時間內需求量；ji—第i類原材料的供應商家數目；Cij—供應商j的供應能力；Yij—最低采購量；。Klj—交貨時間Tj的影響因子；K2j—信譽度Gj的影響因子，質量等級Qij的影響因子是K3ij。從上面的式子可以看到，當Qij和Gj的值越大，即供應商的質量等級和信譽度越高，總采購成本越低，函數取值最小。利用前面介紹的數值優化方法中的復合形法，結合采購量必須滿足生產需要的數量、供應商的供應能力等約束條件，求得此函數的最小值，從而完成對供應商的選擇。

2.3.3 訂貨優化決策

本模塊的任務是確定每次采購的貨物數量和訂貨時間。

根據前面確定的物料需求數量和需求的時間，選用優化選定的供貨供應商，結合本模塊采用的優化決策模型，確定物料的采購數量和采購時間，同時給出相應采購物料的成本信息。“訂貨優化決策”模塊采用最小的總成本法、最小單位費用法作為優化模型。通過比較，找到相對較好的方案。如果決策者不滿意優化系統給出的決策方案，那么系統允許決策者手工操作確定最終的決策方案。

3 結語

本文利用數據挖掘技術，開發了帶有優化決策功能的采購系統。它能為企業提供各種采購管理信息以及采購優化方案，全面地反映決策過程，有效地、智能地解決企業采購的難題，從而減輕管理者的負擔，使他們能更加專注在最需要決策智慧和經驗的工作上，使企業決策的質量和效率進一步提高。采購優化系統能彌補一般ERP系統不具有優化決策模型的弊端，增加決策的針對性。同時本系統既可以由系統推薦方案，又允許用戶手工選擇參數確定方案，增加了系統的靈活性，具有一定的使用價值和廣闊的應用前景。

[1]Han J W,Kamber M.Data Mining:Concepts and Techniques,2000.

[2]馬江洪,張文修,徐宗本.數據挖掘與數據庫知識發現:統計學的觀點[J].工程數學學報,2002.