基于歷史數據分析的采購策略智能推薦模型研究

陳世樓 洪松琛 孫 鵬

（國網福建省電力有限公司，江蘇 南京 210000）

一、研究背景

隨著經濟全球化的趨勢和現代信息技術的發展和廣泛應用，企業競爭愈演愈烈。為了降低采購成本，提高企業競爭力，集中采購模式成為眾多企業的第一選擇。我國集中招標采購經過十多年的發展，實際應用效益顯著，但隨著集中采購規模的逐步增大，可選供應商越來越多，采購策略制定越來越復雜，采購策略上的問題也層出不窮，主要表現為：

1.無法消除人工制訂采購策略帶來的偏差

目前大部分采購策略的制定仍然停留在人工線下模式，由工作人員選擇確認采購策略條目。受制于編制者的知識水平、認識能力、個人經驗甚至個人偏好的影響，無法排除人為因素帶來的偏差，導致同一對象的采購策略出現差異，

2.在策略制訂時缺乏信息關聯

在制定采購策略時，缺少與專業部門網絡化聯動，信息共享、反饋不便利，導致技術、質量因素在采購方案中占比較低，采購策略制定的科學性、合理性有待進一步提升。

3.缺乏采購策略歷史數據沉淀

目前的采購策略均采用人工線下模式，沒有采購策略歷史信息庫來積累歷史采購策略數據，在對新的采購策略進行數據預測的時候缺乏歷史數據作為支撐。

因此，在對現有歷史采購策略數據進行收集和整理的基礎上，創建智能信息庫，對供應商的各項指標數據進行匯總分析。為智選、優選供應商提供整體性、高層次、前瞻性的決策輔助分析資料，進而提升整體采購策略制定的質量和效益。

二、理論研究

1.供應商分類理論

供應商是指為企業生產活動正常開展提供原材料、設施設備等資源的上游企業，為確保企業所需資源安全、可靠、及時供應，需要有一批產品質量好、售后服務佳的供應商作為支撐。因此，遴選優質的供應商，構建卓越的供應商隊伍，是提升企業采購效率的重要保障，對企業生產經營提質增效意義重大。

在物資采購集約化管理趨勢下，企業與供應商的合作關系越來越緊密，集成化的供應鏈對供應商要求由數量要求向質量要求轉變，需要在全球范圍內尋找更優質的供應商，以使供應鏈的運作更加順暢、穩定。面對數量眾多、特征各異的供應商，有必要根據企業需求對供應商開展分類管理，按照供應商在市場中的競爭實力以及他的增值作用，可將供應商分為四個類別，分類矩陣見圖1。

圖1 供應商分類矩陣

縱軸代表的是供應商在供應鏈中增值的作用，對于一個供應商來說，如果不能增值，在供應鏈中就不可能存在；橫軸代表某個供應商與其他供應商之間的區別，體現了供應商之間競爭力的差異。

2.聚類算法理論

隨著現代管理理念和數據分析技術的發展，一些非量化的指標需要轉為定量化的指標，然而由于部分領域存在很多模糊的概念，某些特定的領域難以用傳統的數學方法進行解決，由此產生了聚類的概念。所謂聚類就是按照相似性對特定對象進行區分和分類，傳統的聚類分析是一種硬劃分，它嚴格按照特定的界限，將給定對象劃分到某一類中。但是在實際問題中，一些對象難以嚴格劃分屬性，它們在屬性方面具有中介性，適宜開展軟劃分，模糊集合理論即為這種軟劃分提供了有力的分析工具，也可稱為聚類算法。

三、模型構建

通過前期需求梳理和對歷史采購策略數據的收集，形成采購策略歷史數據庫。在新建新的采購策略的同時，根據新建的采購策略信息（比如物資數量、物資類型等）對比關聯采購策略歷史數據庫里的信息，尋找出合適的采購策略信息適配當前的新建采購策略。在確定采購策略基礎信息之后，再根據采購策略的具體要求（比如分包數量、供應商資質、銷售數量等）在歷史策略庫里推薦符合要求的潛在供應商，通過對潛在供應商的歷史投標行為（排除有不良行為的供應商）分析，并根據聚類算法對潛在供應商進行聚類分析，經過層層篩選最終將合格的潛在供應商推薦出來，并計算出被推薦供應商的歷史投標率、進入詳評率和綜合中標率等指標數據作為參考。經過智能推薦的潛在供應商在資質業績上能夠符合采購業務的硬性需求，并在歷史供應記錄的趨勢上更符合當前采購策略的要求，選擇優質的潛在供應商能夠有效地提升整體采購流程的成功率。

1.結合歷史數據，智能關聯采購策略

采購策略包含交貨期要求、生產和試驗裝備、試驗鑒定報告、認證證書、生產許可證或檢驗合格證、評分規則、價格評審標準、銷售數量、授標原則等關鍵信息。在新建采購需求的時候，需要結合實際的業務需求，在歷史采購策略庫中綜合選擇時間和數量最為接近的策略進行關聯匹配。通過實時關聯歷史數據進行匹配推薦，避免了人為制定采購策略的主觀偏差，確保采購策略制定的科學性、合理性。

2.分析招投標數據，推薦優質潛在供應商

根據歷史投標記錄確定備選的供應商名單，在采購策略歷史數據中提取供應商的屬性數據（銷售數量、資質證書、生產能力等），通過對屬性數據的篩選，檢查供應商是否滿足組合中的各項采購策略，然后找到供應商在歷史數據中投過分包的最小與最大數量區間，再判斷分包數量是否在這個區間之間，符合的通過篩選。根據投標概率和進入詳評率計算有效投標分值，再根據計算出的有效投標分值計算出一個σ（sigma）的值，在備選列表中去掉有效投標分值低于一個σ的供應商，將潛在供應商名單與資質能力核實結果名單進行對比，刪去資質能力核實結果不合格的供應商；校驗當前項目信息中的“資格審查類型”，對采用資格預審的采購項目，將潛在合格供應商名單與資質預審結果名單進行對比，刪去資質預審結果不合格以及資格預審合格名單中不存在的供應商；將潛在供應商名單與供應商不良行為處理清單、信用中國進行對比，刪去正在不良行為處理期限內或者信用中國黑名單的供應商；將最終的供應商根據有效投標分值進行排序輸出，完成潛在供應商推薦。在對現有歷史采購策略數據進行收集和整理的基礎上，對供應商的各項指標數據進行匯總分析，達到了智選、優選供應商的目的。

3.科學聚類分析，進一步優化推薦質量

統計每個供應商的注冊地址、企業成立時間、實繳資本、有無動產抵押、有無公司網站、有無融資信息、是否上市、注冊資金、人員規模、發明專利數量、有無軟件著作權、有無商標信息等信息，使用K-MEANS算法對供應商進行聚類分析，具體步驟如下：

（1）選擇3個中心點；

（2）把每個數據點分配到離它最近的中心點，使用歐式距離計算公式：

（3）重新計算每類中的點到該類中心點距離的平均值；

（4）分配每個數據到它最近的中心點；

（5）重復步驟（3）和（4），直到所有的觀測值不再被分配或是達到最大的迭代次數；

（6）輸出每個樣本所屬的類別。

經過供應商聚類分析的潛在供應商列表得到進一步優化，對供應商的外部信息進行了充分的聯動，最大限度地避免了人工計算的偏差，提升了模型計算結果的科學性和合理性。

四、結語

本文在采購策略歷史數據結構化、標準化的基礎上，引入聚類算法理論，探索采購策略智能推薦的應用，通過對采購策略以及供應商歷史數據的分析，構建采購策略智能推薦模型，嘗試潛在供應商推薦功能。通過對投標供應商的歷史招投標數據持續分析挖掘，不斷優化篩選推薦結果，最大限度地避免可能存在的采購風險，有效地提升了采購策略的準確性和效率，為優選供應商提供了科學合理的決策輔助分析。