基于大數據畫像的鐵塔制造企業供應鏈研究

陳秀娟 張元新 王孔森 呂雙輝 張麗敏

[摘 要] 鐵塔制造企業供應鏈研究對電網企業選擇優質鐵塔供應商具有重要意義。文章通過調查研究，總結鐵塔制造企業供應鏈運作模式，并基于大數據畫像理論對輸電線路鐵塔供應商進行大數據畫像分析，從多個維度、不同指標，賦予供應商不同標簽，建立供應商大數據畫像，為電網企業采購提供參考。

[關鍵詞] 供應鏈研究；大數據畫像理論；電網企業

中圖分類號：F325.2 文獻標識碼：A

隨著能源互聯網的不斷發展，電網基礎設施建設規模不斷擴大，電網特別是電網企業對輸電線路鐵塔設備的需求量不斷增加[1]。鐵塔制造企業供應鏈研究成為電網企業提升物資采購與供應質量的重要支撐，在大數據不斷深化應用背景下，對供應商進行大數據畫像評價是深化供應商群體了解、維護優質供應鏈的重要保證[2]。目前，電網企業對鐵塔制造企業供應鏈的研究處于理論研究階段。

在此背景下，如何將電網企業供應鏈延伸到上游供應商，深入研究鋼材市場，了解鐵塔制造企業的供應鏈管理現狀，確定其從原材料、零部件采購到最終產品交付的供應鏈運作模式，對于企業選擇優質鐵塔供應商具有重要意義。本文研究鐵塔制造企業供應鏈現狀，結合大數據畫像理論從多個維度、不同指標，賦予供應商不同標簽，建立輸電線路鐵塔供應商大數據畫像，為電網企業采購提供參考。

一、理論與方法

大數據畫像理論。大數據畫像即對鐵塔供應商進行信息標簽化處理，通過對供應商基礎數據的收集，分析供應商的社會屬性、供貨行為等主要信息，最后以標簽化的形式抽象出一家供應商的商業全貌[3-4]。大數據畫像一般分為以下五個步驟。

（一）數據收集

采集不同系統中的數據，并進行分類梳理實現基礎數據的全類別應用和互聯互通，為用戶畫像做數據準備。一般來說，基礎數據可劃分為靜態數據、動態數據兩大類。

（二）數據清洗

對第一階段收集上來的基礎數據進行清洗，即針對原始數據中存在空缺、噪聲、不一致等數據問題進行清洗和特殊化加工處理，保證數據分析與挖掘的準確性。

（三）用戶建模

該階段是對清洗后的數據進行處理和行為建模，以抽象出不同供應商的標簽，該階段主要以大概率事件為主進行行為建模，盡可能排除用戶的偶然行為。

（四）標簽挖掘

利用機器學習、聚類分析等人工智能技術，通過系統平臺來對供應商進行標簽化處理和加工，借助系統平臺通過對歷史數據的訓練和學習，挖掘供應商的標簽。

（五）大數據可視化

借助大數據可視化技術，對數據標簽進行圖形或表格的展示，以多維方式呈現群體或個人的供應商畫像。

二、鐵塔制造企業供應鏈結構與運作模式

供應鏈的結構要素包括供應商、制造企業、分銷企業、零售企業、消費者。鐵塔制造企業即鐵塔零售企業，運作模式主要包括原材料采購方式、原材料采購提前期、生產方式及生產時間、庫存周轉時間四大要素。

（一）原材料采購方式

鐵塔制造企業原材料采購方式包括集中采購、授權采購、集中比選、隨下隨采、協議采購、定期采購、庫存備料采購等方式。半數以上鐵塔制造企業選擇協議采購和定期采購的方式進行原材料采購，少數企業采用集中采購和授權采購方式進行采購。根據調研結果，選擇協議采購的企業占比達到85%，即大多數鐵塔制造企業選擇協議采購方式進行原材料采購。在協議采購中，采購雙方可以一對一進行協議供貨采購，也可以一對多、多對多采購，以形成規模效應、節約成本。

（二）原材料采購提前期

約50%企業原材料采購提前期在20天以上，27%企業在6-10天之間，7%企業原材料采購期在1-5天之間，由于采購提前期在企業的運營周期中占有很大比例，因此壓縮采購提前期對于壓縮企業整個的運營周期具有重要意義。

（三）生產方式及生產時間

調研中，所有鐵塔制造企業均為訂單式生產。訂單式生產符合鐵塔制造企業本身的生產屬性，即按用戶訂單進行的生產。用戶可能對產品提出差異化要求，經過協商和談判，以協議或合同形式確認對產品性能、質量、數量和交貨期的要求，然后組織設計和制造。在生產時間上，約38%鐵塔制造企業在收到訂單后的17-31天之間開始安排生產；31%企業在收到訂單后11-16天之間開始安排生產。總體來看，大多數的鐵塔制造企業在收到訂單后18天左右開始安排生產任務進行生產。

（四）庫存周轉率

調研發現，約39%的企業庫存周轉率在95%以上；有77%的企業庫存周轉率在85%以上。大多數鐵塔制造企業資金周轉呈良好態勢，存貨周轉率快，存貨量適度，存貨積壓和價值損失的風險相對降低，存貨所占資金使用效益高，企業變現能力和經營能力強。綜上，總結鐵塔制造企業的供應鏈基本運作模式如圖1所示。

以鐵塔制造企業為整個供應鏈的中心，下游終端用戶主要為電網企業，根據工程建設實際需求，以集中招標方式對鐵塔進行采購。鐵塔制造企業中標后，主要通過協議采購方式向上游原材料供應商購買鐵塔原材料，并嚴格按照用戶要求對鐵塔進行設計，以訂單式生產方式安排企業生產任務，按照訂單數量完成生產任務，最終完成鐵塔物資供應。

三、大數據畫像應用

電網企業主要通過集中招標方式對輸電線路鐵塔進行物資采購，基于大數據畫像理論，深化鐵塔供應鏈企業研究，通過整合處理供應商投標信息（2015年-2020年投標數據）對輸電線路鐵塔供應商進行畫像分析[5]，具體步驟如下。

（一）數據收集

本文基于鐵塔供應商種類多、分布廣、差異大等業務現狀，從供應商基本信息、實時投標行為、市場動態三個方面進行基礎信息收集，其中，靜態數據包括：企業規模、生產情況、地理位置；動態數據包括：投標類型、投標情況、中標情況、價格趨勢、市場供給與需求變化。

（二）數據清洗

主要對行報價信息基礎數據表中異常值進行手工清洗，保證數據準確性。異常值主要為報價、中標量等與其他數據數量級不同的數據。依據行報價信息基礎數據表匯總了四個產品類型（角鋼塔、鋼管塔、鋼管桿、構支架）各年各批次中標量、投標量、中標次數、投標次數、含稅報價、地理位置等信息。

（三）用戶建模

對上階段清洗過的數據進行分類處理，將所有數據按照塔材類型進行劃分，并對數據進行描述性分析，抽象出鐵塔供應商標簽。

（四）標簽挖掘

靜態數據標簽賦予：選取企業規模、地理位置與資產情況三個指標。按國家統計局在2011年發布的《統計上大中小微型企業劃分辦法》有關標準和規定劃分鐵塔制造企業的企業規模；地區劃分參考電網企業劃分的依據。動態數據標簽賦予：選取投標量、中標量、投標次數、中標次數、報價、專利水平六個指標。對實時投標行為的分類主要采用ABC分類法。ABC分類法是根據事物在技術、經濟方面的主要特征，進行分類排列，從而實現區別對待區別管理的一種方法。ABC法則是帕累托80/20法則衍生出來的一種法則。所不同的是，80/20法則強調的是抓住關鍵，ABC法則強調的是分清主次，并將管理對象劃分為A、B、C三類。本文對分析對象在不同維度下進行排序，排序位于前20%的對象劃分為A類，排序位于20%～50%的對象劃分為B類，排序位于后50%的對象劃分為C類，報價部分則主要依據四分位數間距進行分組。利用云計算、大數據、分類匯總和數據透視，通過系統平臺來進行標簽的加工和計算。

（五）大數據可視化

一是依據各指標歷年評價結果的匯總，呈現最終畫像結果；二是結合BCG模型，利用四象限圖展示三個維度下（中標量、投標量與地理位置；中標次數、投標次數與地理位置）的群體畫像結果。

（六）群體畫像結果

群體畫像分析以地區分布為類別，分析各地區供應商實時投標行為共同特點。分析過程采用BCG模型進行分析，以發現具有不同特點的企業。

波士頓矩陣（BCG Matrix），又稱市場增長率-相對市場份額矩陣、波士頓咨詢集團法、四象限分析法、產品系列結構管理法等。本文考慮企業地理位置、投標量、中標量，橫坐標軸為投標量，縱坐標軸為中標量。投標量大且中標量大的企業具有較強的競爭力，實力較強；如果僅有較高的投標量，而沒有相應的中標量，則說明企業尚無足夠實力。相反，投標量較大，而中標量較小也預示著企業存在處于下滑期的可能性。

通過以上兩個維度對企業進行標簽化，會出現四種不同性質的企業類型：

（1）投標量大和中標量大“雙高”的企業群（明星類企業）；

（2）投標量小和中標量小“雙低”的企業群（瘦狗類企業）；

（3）投標量大、中標量小的企業群（問題類企業）；

（4）投標量小、中標量大的企業群（金牛類企業）。

在繪制角鋼塔項目四象限圖時考慮到由于投標量、中標量數值跨度較大，存在點的重疊現象，所以選擇運用排序來體現各企業的位置。以2019年群體畫像為例，結果如圖2所示。

群體畫像結果表明，投標量大，中標量小的問題企業群，企業數量較少。華東地區企業和西南地區企業大多分布在投標量大、中標量大的明星企業群；華北地區企業呈現出投標量和中標量“雙高”或“雙低”的特征，其中投標量大的企業較多分布在明星企業群，投標量小的企業較多分布在瘦狗類企業群；東北地區企業大多投標量較小，部分企業投標量雖然較小，但中標量較大，屬于金牛企業。

企業可借鑒以上分析思路和方法，對供應商群體進行不同維度和數據指標的畫像，加深對供應商群體的研究和理解，并針對不同類別供應商群體予以關注，提升物資采購或供應商管理水平，促進雙方更加有效高質量合作。

四、結語

本文通過調查研究，總結鐵塔制造企業供應鏈運作模式，并結合大數據畫像理論，更好地利用在采購過程中積累的大量供應商數據，從多個維度賦予鐵塔供應商不同標簽，探究鐵塔制造企業在空間和時間上的分布，為企業應用數據化方式開展供應商大數據畫像分析提供了理論和方法上的有效支撐，有助于企業提高對不同類型供應商的認知及潛在需求挖掘，促進企業更好地開展供應商管理，并擇優選擇供應商，促進供需雙方合作更加高效。

參考文獻：

[1]陳靈欣.國家電網——建設現代智慧供應鏈推動行業高質量發展[J].招標采購管理，2020（9）：17-19.

[2]羅今明.電網企業物資供應鏈價值創造及其特征研究[J].南方論刊，2020（9）：22-24+39.

[3]張坤，謝笑.數描客體在數據分析中的應用研究[J].情報資料工作，2020，41（4）：93-103.

[4]余文輝，吳爭榮.基于電力大數據的客戶立體畫像構建及應用研究[J].計算技術與自動化，2020，39（2）：164-169.

[5]滕明勇，蔣福佑，王明明，等.電網企業適應大數據發展的轉型策略研究[J].決策咨詢.2020（1）：12-15.