基于決策樹算法的協(xié)議庫(kù)存采購(gòu)策略研究

文_國(guó)網(wǎng)江西省電力有限公司 彭汐單 羅華清 袁宏波 國(guó)網(wǎng)江西省電力有限公司信息通信分公司 楊濟(jì)海

近年來(lái)國(guó)網(wǎng)公司不斷創(chuàng)新采購(gòu)方式，針對(duì)物資特性運(yùn)用批次采購(gòu)、協(xié)議庫(kù)存及電商化采購(gòu)等多種采購(gòu)方式，持續(xù)提升采購(gòu)效率、降低采購(gòu)成本，進(jìn)一步促進(jìn)了公司效益效率提升，本文通過(guò)對(duì)協(xié)議庫(kù)存物資特性進(jìn)行刻畫分析，提出了協(xié)議庫(kù)存物料特征判別規(guī)則，驗(yàn)證得出適合協(xié)議庫(kù)存方式采購(gòu)的非協(xié)議庫(kù)存物料清單，為公司進(jìn)一步擴(kuò)充協(xié)議庫(kù)存采購(gòu)目錄范圍提供參考。

協(xié)議庫(kù)存特征分析

協(xié)議庫(kù)存是指對(duì)一定時(shí)期內(nèi)采購(gòu)需求進(jìn)行預(yù)測(cè)，通過(guò)招標(biāo)或非招標(biāo)方式確定協(xié)議供應(yīng)商、采購(gòu)數(shù)量和采購(gòu)金額，根據(jù)實(shí)際需求，平衡利庫(kù)后以供貨單方式分批或分期要求協(xié)議供應(yīng)商在規(guī)定時(shí)間提供相應(yīng)數(shù)量的產(chǎn)品，并據(jù)此向協(xié)議供應(yīng)商分批或分期結(jié)算貨款。協(xié)議庫(kù)存實(shí)施范圍主要包括需求頻度高、響應(yīng)時(shí)間短、技術(shù)標(biāo)準(zhǔn)統(tǒng)一、年度需求數(shù)量較大且在兩級(jí)集中采購(gòu)目錄范圍以外的物資。下面從需求頻度、響應(yīng)時(shí)間、物資技術(shù)標(biāo)準(zhǔn)統(tǒng)一程度、年均需求數(shù)量、需求穩(wěn)定性方面對(duì)物料進(jìn)行特征刻畫，生成物料的特征形式，并綜合特征維度，采用C50決策樹構(gòu)建模型，生成采用協(xié)議庫(kù)存的物料特征判別規(guī)則，進(jìn)而根據(jù)協(xié)議庫(kù)存判別規(guī)則，推薦適合協(xié)議庫(kù)存方式采購(gòu)的物料。協(xié)議庫(kù)存分類模型圖如圖1所示。

業(yè)務(wù)特征及數(shù)據(jù)刻畫

根據(jù)業(yè)務(wù)規(guī)范提煉出協(xié)議庫(kù)存物料的業(yè)務(wù)特征主要包括：需求頻度高、響應(yīng)時(shí)間短、技術(shù)標(biāo)準(zhǔn)統(tǒng)一、年度需求大且穩(wěn)定。根據(jù)業(yè)務(wù)特征，進(jìn)一步選取一系列數(shù)據(jù)特征，并進(jìn)行數(shù)據(jù)探索，逐一驗(yàn)證所有數(shù)據(jù)特征是否能有效區(qū)分協(xié)議庫(kù)存和非協(xié)議庫(kù)存。經(jīng)過(guò)篩選，最終選取9個(gè)數(shù)據(jù)特征作為協(xié)議庫(kù)存和非協(xié)議庫(kù)存模型輸入?yún)?shù)。甄選方式及結(jié)果見下表。

表1 業(yè)務(wù)特征及數(shù)據(jù)刻畫表

模型輸出及驗(yàn)證

（1 1）模型輸出

利用上一步驟預(yù)選的數(shù)據(jù)特征，通過(guò)C50算法生成的分類決策樹如下圖所示。

圖2 分類決策樹（矢量圖，可放大顯示比例）

（2 2）模型驗(yàn)證

為保證模型具有良好的適應(yīng)性和泛化能力，選用20%的樣本數(shù)據(jù)作為測(cè)試集，80%的樣本數(shù)據(jù)作為訓(xùn)練集，測(cè)試集與訓(xùn)練集正負(fù)樣本比例一致。通過(guò)測(cè)試集數(shù)據(jù)測(cè)試和可視化工具圖形展示來(lái)驗(yàn)證模型準(zhǔn)確性和泛化能力。首先將剩下的20%測(cè)試集數(shù)據(jù)利用SPSS軟件進(jìn)行模型分析，結(jié)果如下圖。

圖3 模型預(yù)測(cè)準(zhǔn)確率

從上圖中可以看出，模型對(duì)測(cè)試集數(shù)據(jù)的識(shí)別準(zhǔn)確性為79.31%，說(shuō)明模型具備一定的識(shí)別準(zhǔn)確度；同時(shí)和訓(xùn)練集的準(zhǔn)確率（78.79%）基本一致，說(shuō)明模型具有良好的泛化能力。

進(jìn)一步通過(guò)Echart.js多維數(shù)據(jù)可視化工具，驗(yàn)證模型有效性，結(jié)果如下。

圖4 協(xié)議和非協(xié)議庫(kù)存采購(gòu)的物料特征曲線圖

圖4中曲線由每個(gè)物料的參數(shù)值組成，曲線顏色越接近紅色，示模型識(shí)別其更符合協(xié)議庫(kù)存特征，曲線越接近藍(lán)色表示模型識(shí)別其更符合非協(xié)議庫(kù)存特征。

從圖中可以看出，非協(xié)議庫(kù)存物料曲線主要由藍(lán)色組成，包含少量黃色和紅色，說(shuō)明模型對(duì)于協(xié)議庫(kù)存和非協(xié)議庫(kù)存物料具有較好的識(shí)別能力。

從單一參數(shù)角度上看，可以發(fā)現(xiàn)紅色曲線集中在訂單申請(qǐng)不同月份數(shù)量較大、供應(yīng)商個(gè)數(shù)較多、采購(gòu)訂單數(shù)量較多、訂單申請(qǐng)時(shí)間間隔最大月數(shù)較小的區(qū)域。與協(xié)議庫(kù)存識(shí)別規(guī)則訂單申請(qǐng)不同月份數(shù)量大于5、供應(yīng)商個(gè)數(shù)大于9、采購(gòu)訂單數(shù)量大于45一致，說(shuō)明模型具有較好的識(shí)別能力。

結(jié)果輸出與應(yīng)用

上一步建立的最優(yōu)決策樹對(duì)物料進(jìn)行分類，輸出結(jié)果分成兩部分：一是輸出協(xié)議庫(kù)存的分類特征，分類特征給出分類的特征以及相關(guān)的量化值，結(jié)合業(yè)務(wù)特征，可以量化協(xié)議庫(kù)存的描述，從而可擴(kuò)大協(xié)議庫(kù)存的篩選范圍，推廣協(xié)議庫(kù)存的應(yīng)用；二是輸出符合協(xié)議庫(kù)存特征的非協(xié)議庫(kù)存物料清單，作為備選的協(xié)議庫(kù)存物料目標(biāo)。

對(duì)比協(xié)議庫(kù)存與非協(xié)議庫(kù)存的特征規(guī)則，協(xié)議庫(kù)存在特征上：lifnrcounts（供應(yīng)商個(gè)數(shù)）、ordercounts（采購(gòu)訂單數(shù)量）及months（申請(qǐng)的月份數(shù)量）較大，PRICE（平均單價(jià)）則相對(duì)較小；在CV_MENGE（物料采購(gòu)數(shù)量變異系數(shù)）＜=1.320相對(duì)穩(wěn)定的情況下，AVG_MENGE較大；由變量重要度排名可以看出，協(xié)議庫(kù)存的供應(yīng)商個(gè)數(shù)、采購(gòu)訂單數(shù)量、年均物料采購(gòu)數(shù)量、申請(qǐng)的月份數(shù)等變量的重要度較高，這些業(yè)務(wù)特征總體上與協(xié)議庫(kù)存的技術(shù)標(biāo)準(zhǔn)統(tǒng)一、年均需求量穩(wěn)定、頻率高等業(yè)務(wù)屬性一致，說(shuō)明規(guī)則是符合實(shí)際情況的，具有實(shí)踐意義。

根據(jù)決策樹以及量化規(guī)則，可以判別出符合協(xié)議庫(kù)存特征的未使用協(xié)議庫(kù)存采購(gòu)的物料，可對(duì)這些物料進(jìn)行進(jìn)一步篩選，嘗試采用協(xié)議庫(kù)存的采購(gòu)方式。

從近年來(lái)公司物資供應(yīng)周期趨勢(shì)情況來(lái)看，公司整體物資供應(yīng)周期趨勢(shì)向好，但仍有少部分物資供應(yīng)周期惡化，可通過(guò)改變?cè)擃愇镔Y采購(gòu)策略的方式改善其供應(yīng)周期。通過(guò)協(xié)議庫(kù)存模型驗(yàn)證并篩選發(fā)現(xiàn)非協(xié)議庫(kù)存物料中有20個(gè)物料符合協(xié)議庫(kù)存采購(gòu)特性，公司可結(jié)合實(shí)際情況優(yōu)先將該部分物料納入?yún)f(xié)議庫(kù)存采購(gòu)目錄，進(jìn)一步充實(shí)協(xié)議庫(kù)存采購(gòu)物料清單，從而縮短物資采購(gòu)周期，提高集中招標(biāo)采購(gòu)的效率效益。