基于大數據分析的企業供應鏈管理研究

趙克鼎

摘要：針對鋅冶煉企業生產過程中出現的原料采購成本過高、原料供應不穩定、原料庫存安排不當以及生產魯棒性差等問題，通過對企業進行供應鏈管理優化制定更優的采購/庫存計劃，降低企業原料采購成本及運營風險，提高企業生產穩定性。將從最小凈鋅需求量確定、價值預測、凈鋅采購總量確定、供應商選擇優化、供應商采購決策五大方面出發，深入分析企業供應鏈管理業務特點，結合物聯網多源信息實時共享、大數據存儲、業務高度集成等特點，研究相應的優化方法解決實際當中的原料采購決策、庫存優化以及量價預警等難題，從而實現企業的供應鏈管理優化。

關鍵詞：供應鏈;大數據;庫存優化;采購決策

1 引言

供應鏈管理是企業除研發和營銷以外的支柱職能，全面覆蓋計劃、采購、生產、配送等職能。供應鏈管理對企業的經營利潤和資本周轉率影響重大[1]。當前的市場競爭激烈，從企業與企業的競爭已經逐漸演變為企業各核心職能的競爭，尤其 在新零售的蓬勃發展、疫情時代帶來轉折的當下，

2 供應鏈管理優化總體框架

供應鏈管理優化系統總體框架包括最小凈鋅需求量確定、價值預測、凈鋅采購總量確定、供應商選擇優化、供應商采購決策五個方面。通過生產計劃、當前庫存及來料狀態確定最小凈鋅需求量;基于歷史價格數據，利用計量經濟學與深度學習等方法建立價值預測模型;基于價值預測趨勢，結合庫存及資金約束等，確定凈鋅采購總量;對供應商大數據進行挖掘分析，構建“供應商畫像”，確定優質候選供應商;最后根據供應商評價管理與實際約束，綜合考慮采購成本與生產因素，建立采購優化模型，得到各供應商各品位原料采購數量。

3 最小凈鋅需求量確定

在鋅冶煉企業當中，對于給定的生產計劃，其原材料采購數量通常由相關工作人員根據個人經驗確定，然而人工決策存在主觀性強、決策隨意、缺乏合理依據等問題，這使得當前原料采購通常出現采購過剩、資金占用過高或采購不足、影響安全庫存等問題。因此，本項目擬構建凈鋅投入量決策系統確定最小凈鋅需求量。

本項目擬采用機器學習、專家系統等方法建立凈鋅投入量決策系統，基于采購歷史數據、生產日志、車間工況信息等，通過機器學習、專家系統等建立凈鋅投入量決策系統。當系統構建完成后，給出生產計劃鋅錠生產總量即可獲得相應工況條件下最佳凈鋅投入量。接著考慮原料現有庫存數量、原料在途物流信息等，得到最小凈鋅需求數量。

4 價值預測

對于鋅冶煉企業而言，其發展很大程度上依賴于鋅精礦原料成本的控制，鋅精礦價格直接影響到企業經濟的走勢，其劇烈波動給企業帶來巨大的風險。如果能正確預測鋅精礦價格波動，就能在企業的生產規劃中占得先機，利用這些信息調整企業的生產計劃，采取有力措施對沖價格波動的風險;其次如果能夠對鋅精礦價格進行正確預測，就能在準確把握原料采購時機，在鋅精礦價格發生殘酷性變化之前進行操作，從而可以節約大量采購成本，提高企業利潤。因此，本項目擬研究鋅精礦價格變化因素并對其進行非線性集成預測。

由于鋅精礦價格具有高度的波動性、復雜性和不規則性，其不僅具有線性和非線性特征，還經常受一些不規則突發事件的影響，因此線性模型或非線性模型以及兩者的混合都不能充分建模和預測。除了線性模型和非線性模型之外，有必要利用新技術來捕捉這種不規則突發事件的影響。本項目鋅精礦價格預測建模框架如圖4-16所示：首先，利用ARIMA模型來對鋅精礦價格序列的線性趨勢建模;其次，利用LSTM模型擬合鋅精礦價格的非線性周期規律;接下來，利用文本挖掘和專家系統來捕捉和量化重要事件對鋅精礦價格的影響;最后，利用集成預測技術將這三種結果進行綜合集成，實現對鋅精礦價格變動的中長期預測。

5 凈鋅采購總量確定

在當前原材料采購運行模式下，原材料采購數量通常由操作員根據生產計劃憑個人經驗進行確定，其雖能在一定程度上滿足生產需求，但忽視了原材料價格變動帶來的影響，不能實現多采購期靈活決策，采購成本仍有較大的降低空間。另一方面，由于采購和生產受市場變化、政策調控、天氣狀況、生產狀態等多方面因素影響，存在較大不確定性，而人工面對海量信息顯得無所適從，難以做出合理的判斷與決策。因此，本項目擬分析原料價格變化趨勢并構建魯棒不確定性優化模型，對凈鋅采購總量進行決策。

本項目首先基于原材料價格變化趨勢，考慮庫存約束、資金約束、生產約束等確定凈鋅最大/最小采購量，當未來采購點原材料價格呈上升趨勢時增大當前采購數量，當未來采購點原材料介個呈下降趨勢時減小當前原料采購數量。接著考慮市場變化、政策調控、天氣情況、生產工況等不確定性因素影響，構建魯棒不確定優化模型，得到最佳凈鋅采購總量，在保證生產的同時使單位原材料成本最低，并提升原料供給魯棒性。

6 供應商選擇優化

由于鋅冶煉企業供應商數量多，其供應商總計達100多家;供應商類型多，既有直銷商又有中間商，這導致原料的品位參差不齊;供應商供貨不穩定，直銷商供貨主要受所在區域天氣影響，中間商供貨受庫存、天氣、訂單等多種復雜因素影響，并且不同區域的供應商原料運輸也存在時滯不確定性;供應商原礦價格差異大，不同供應商對不同品位鋅精礦的定價千差萬別。以上多種復雜因素在人工主觀判斷下下通常無法得到較好的供應商選擇結果，為此本項目擬采用數據包絡分析構建“用戶畫像”的方法對供應商選擇進行優化，選擇較好的供應商以提高原料品位質量、保證原料供貨穩定。

各供應商在經營當中存在信用程度、原料質量、訂單數目等多項指標的歷史數據，結合多項評價指標可對各供應商建立“用戶畫像”進行評價分級，從而選擇綜合指標較優的供應商。本項目擬采用數據包絡分析的方法對各供應商進行評價分級，首先結合企業實際需求對Dickson供應商評價規范的二十三條準則進行分析，提取重要的指標特征;接著以各供應商為決策單元，以信譽度、運費等作為單元輸入，以原料質量、訂單數目等作為單元輸出，構建以最大產投比為目標函數的非線性規劃模型;最后通過求解其對偶問題得到各決策單元產投比，從而選擇綜合評價值較高的原料供應商。

7供應商采購計劃

在以往鋅精礦采購當中，原材料供應通常處于供過于求的狀況，各品位原料充足供應滿足了生產流程對元素含量的需求，管理人員通常只考慮采購成本。隨著市場行情的變化，目前鋅精礦供應處于供不應求狀態，尤其優質礦更為稀缺，這就使得以只考慮采購成本的傳統人工運行模式采購的原料難以滿足生產流程對各元素含量的需求。因此，本項目擬構建多目標優化的供應商采購決策模型，取代傳統被動采購的運行方式，實現滿足生產需求下的綜合成本最小采購。

基于各供應商鋅精礦品位及報價、供應商礦石各元素預報值、富含金屬回收價格、各品位原料實時庫存信息、凈鋅采購總量、各供應商評分等數據，綜合考慮供應商供給能力約束、凈鋅采購總量約束、采購資金限額約束、生產流程中元素含量約束、礦倉庫存容量限制等約束條件，構建以最小化采購成本和高評分供應商優先為目標的多目標優化模型，得到各供應商各品位原料采購數量，在滿足生產需求的同時實現總體采購成本最低，且提升原料供貨穩定性與質量優良性。

8 技術實現

在進行供應鏈優化分析時，遵循一定的流程，包含需求定義、數據準備、數據預處理、模型構建、模型評估、模型部署與更新等。技術體系以大數據Hadoop為基石，采用分布式計算框架Hive，采用分布式Hadoop體系技術搭建的基于分布式文件系統HDFS，分布式數倉Hive的體系架構，可以完全支持企業供應鏈管理離線數據分析和在線流式數據處理的業務場景，基于數據開發工具，從源系統數據，到數據倉庫進行數據的統一清洗、加載、轉換，覆蓋了數據開發的各種場景，能夠處理企業供應鏈過程中海量的、類型多樣的數據存儲和計算，完全整合企業供應鏈全域數據，有效支撐數據場景化應用。通過利用開源的大數據組件整合搭建輕量級數據平臺，提供數據接入，數據處理與分析，數據可視化等工具和模塊，實現供應鏈管理優化。

數據可視化中，為了將最終結果更好的呈現給業務人員，方便他們進行數據的進一步分析，可以選擇一些成熟的可視化軟件進行數據展示和業務的二次分析。以FineBi為例，其操作簡單，用戶只需要進行簡單的拖拽操作，選擇和拖拽自己需要分析的字段，即時就可以觀察自己的數據規律;交互強大，通過下鉆、上卷、旋轉、切片、聯動等OLAP多維分析功能，可以迅速的幫助用戶洞察數據背后的問題;效果炫酷，支持眾多的圖表類型和樣式，可打造出炫酷的可視化效果，讓用戶的數據以更生動更有沖擊力的方式展示出來。用戶可以自動的根據數據倉庫關聯關系進行建模，也能手動配置關聯關系，這樣既解放了數據管理員的工作，也提升了分析人員的效率。

9結語

供應鏈子項目主要包括供應商評價管理及采購量決策優化兩大部分，通過本項目實施，形成智鋅供應鏈管理系統及供應鏈駕駛艙。在智鋅供應鏈管理系統的供應商評價中，可匯總統計大數據平臺中供應商各項供貨信息，并自動計算季度、年度、綜合評價結果，極大減輕相關人員的工作負擔，提升評價結果的準確性，提升供應商評價管理效率;采購決策優化部分可實時展示生產計劃、庫存情況、鋅產品價格、加工費等采購相關的信息，并給出鋅精礦采購量建議，有助于確定最佳采購量，在保證生產需求的前提下降低原料采購成本，提升經營利潤。供應鏈駕駛艙直觀展示生產計劃、預報信息、庫存情況、產品價格、到貨量分析、到貨成分分析供應商評價等信息，有助于運營管理部、營銷中心等部門人員快速掌握鋅精礦供應鏈的各項信息。通過本項目實施，有助于提升供應鏈相關業務管理效率及決策水平，降低原料采購成本，提升企業運營利潤。

參考文獻：

[1] 徐家旺，黃小原. 市場供求不確定供應鏈的多目標魯棒運作模型[J]. 系統工程理論與實踐，2006（6）：37-40.

[2] 徐家旺，黃小原. 電子市場環境下需求不確定供應鏈多目標魯棒運作模型[J]. 系統工程，2006，24（5）：1-6.

[3] 盛鋒. 需求不確定下的魯棒供應鏈網絡優化設計[J]. 科學技術與工程，2012，12（11）：2649-2654.

[4] 邱若臻. 基于最小最大后悔值準則的供應鏈魯棒協調模型[J]. 系統管理學報，2011，20（3）：296-302.

[5] Pishvaee M S， Rabbani M， Torabi S A. A robust optimization approach to closed-loop supply chain network design under uncertainty[J]. Applied Mathematical Modeling， 2011（35）：637-649.