基于大數(shù)據(jù)的供應商信用評估方法

許浩宇

摘要：在現(xiàn)今的企業(yè)生產(chǎn)經(jīng)營中，為了更好的降低自身的生產(chǎn)采購成本，就需要建立起合理、規(guī)范的供應商管理制度，所以對供應商開展信用評估起到了一定的意義。本文基于大數(shù)據(jù)環(huán)境背景下，建立起供應商信用評估使用方法，先確定出信用評估相關(guān)指標，并論述指標構(gòu)建使用的方法，再使用及機器學習算法建立起信用評價模式，最后根據(jù)對供應商評價的結(jié)果給出相應的處理措施。

關(guān)鍵詞：大數(shù)據(jù);供應商;信用評估方法

對于企業(yè)自身的發(fā)展來講，與供應商之間建立起長期、穩(wěn)定的關(guān)系，對于企業(yè)生產(chǎn)產(chǎn)品的質(zhì)量、成本等多方面起到影響。為了有效的解決該問題的存在，需要根據(jù)企業(yè)自身的實際情況制定出合理的供應商管理制度，現(xiàn)今供應商質(zhì)量存在著良莠不齊的現(xiàn)象，需要企業(yè)定期的對供應商開展評價與考核，以此確保供應商的等級，并根據(jù)供應商的等級具有針對性的篩選，以此提升產(chǎn)品供貨質(zhì)量。

一、評估指標的選取

在現(xiàn)今物聯(lián)網(wǎng)與大數(shù)據(jù)發(fā)展的環(huán)境下，對于企業(yè)的信用評估需要考慮所有的綜合因素，并結(jié)合使用現(xiàn)今往網(wǎng)下認證與網(wǎng)上評估，才能構(gòu)建起企業(yè)信用評估體系。

我們可以將企業(yè)信用評估體系劃分為靜態(tài)體系與動態(tài)體系，靜態(tài)指標主要指的是企業(yè)的實體信息，其中包含了注冊信息、注冊年限以及信用等級等多個方面。

動態(tài)指標通常情況下是用在實際交易或者是線下交易過程中，從賣方的角度來看，動態(tài)指標主要集中在以下方面，產(chǎn)品情況中指的是產(chǎn)品質(zhì)量、支付價格等，支付方便度、運輸質(zhì)量、溝通態(tài)度以及交易次數(shù)等。

二、指標構(gòu)建方法

本文的論述中主要基于數(shù)據(jù)考慮的基礎(chǔ)之上，使用線性與非線性等方法，最終給出了相關(guān)的指標構(gòu)建方法。

首先，數(shù)據(jù)獲取，在現(xiàn)今互聯(lián)網(wǎng)大數(shù)據(jù)的時代發(fā)展背景下，能夠用來使用的數(shù)據(jù)量是非常多的，并且可以在網(wǎng)絡上自由的獲取信息，通過使用網(wǎng)絡爬蟲程序，可以更好、更輕松的獲取到獲取到目標程序。但是網(wǎng)絡上獲取到的數(shù)據(jù)呈現(xiàn)出明顯的多樣化、非結(jié)構(gòu)性特征，且獲取到的數(shù)據(jù)有著噪聲大、缺失值多等誒單，這也就導致對數(shù)據(jù)開展的處理工作變得非常復雜。為了能夠解決實際存在的問題，就要基于廣度優(yōu)先遍歷的策略基礎(chǔ)之上，促進工作的程序結(jié)構(gòu)化與模塊化的實現(xiàn)。在已有明確的評估指標情況之下，可以保障多所有數(shù)據(jù)獲取過程的自動化，盡可能的減少工作開展中出現(xiàn)的人工干預情況，以此來保障所有數(shù)據(jù)的一致性。

如上述步驟中所提到的，可以將爬蟲算法劃分為如下的幾個階段：

對供應商的選擇——根據(jù)算法的使用可以將供應商的主頁網(wǎng)址與相關(guān)信息的網(wǎng)頁作為程序的入口，并且進行入棧;

對核心網(wǎng)頁的解析——通過解析算法的使用可以爬取到相應的網(wǎng)頁，以此保障所獲取到的網(wǎng)頁鏈接信息的有效性，并且對其中抽取的網(wǎng)頁信息數(shù)據(jù)進行驗證;

對數(shù)據(jù)的清洗——在數(shù)據(jù)使用過程中，針對于缺失的數(shù)據(jù)值進行填充時，需要刪除掉一些不必要的數(shù)據(jù)，以此保障對數(shù)據(jù)化結(jié)構(gòu)的調(diào)整;

數(shù)據(jù)集成——主要從結(jié)構(gòu)化的數(shù)據(jù)中獲取并計算出相應的評估指標方法;

數(shù)據(jù)存儲——將相應的指標數(shù)據(jù)有效的存儲到相應的數(shù)據(jù)庫中。

其次，數(shù)據(jù)標準化處理。在創(chuàng)建出具體的指標數(shù)據(jù)之前，需要對一些原始的數(shù)據(jù)標準化展開處理，以此保障相關(guān)數(shù)據(jù)之間的構(gòu)成可以形成同趨化。本文主要使用的是z-score標準化方法實現(xiàn)了對數(shù)據(jù)的處理，主要使用的公式如下：

在本公式中n代表的是樣本個數(shù)，x1則表示的是樣本屬性取值，x指的是樣本中的屬性均值，xstd則表示的是樣本屬性的標準差。

三、信用評價模型

對于信用的評估通常情況下采用的是評分卡的方式，但是在該方式的使用過程中有著非常多的人工影響因素，對于結(jié)果的判定往往需要結(jié)合專家的經(jīng)驗。隨著近些年我國機器學習技術(shù)的不斷發(fā)展，促使機器建模方法的應用，強化了評估方法的開展。在對該方法使用的過程中，所有的評價結(jié)果都是依賴數(shù)據(jù)資料，不會受到分析人員的影響。綜上所述，在本文中使用的是Boosting算法實現(xiàn)對用戶信用等級分類的計算。

（1）Xgboost算法

對于及其學習方法來講，Boosting算法的使用，實現(xiàn)了弱分類轉(zhuǎn)化為強分類的方法，可以有效的達到分類的目的。Boosting算法在使用過程中最具代表性的就是GBDT，但是使用Xgboost算法，實現(xiàn)了對GBDT算法的改進以及提升，最大效率的提升在環(huán)境發(fā)展下算法的執(zhí)行效率，可以將其描述為

在本公式中i=1，2……n表示的都是特征數(shù)據(jù);其中F表示的是弱分類器的集合，可以使用fK進行表示。

（2）評價標準

在現(xiàn)今大數(shù)據(jù)發(fā)展背景之下，針對于企業(yè)信用評價體系的特征，可以使用Xgboost模型，實現(xiàn)對每個企業(yè)用戶征信等級的分析，同時建立起有效的信用評估等級，并且使用優(yōu)、良、中、差進行分析表示。

四、供應商評價結(jié)果與相關(guān)措施

優(yōu)所代表的是優(yōu)秀的供貨商，也就是企業(yè)在長期發(fā)展中可以優(yōu)先考慮的供貨商，將其列為長期供貨商;良與中級可以將其視為正常的供應商，根據(jù)供應商實際的考核結(jié)果，以及其自身的意愿，可以將其劃分為“優(yōu)”等的供應商。針對于差級的供應商來講，需要采購部門在工作開展中，可以考慮將其剔除供應商采購名單，以此提升供應商產(chǎn)品質(zhì)量，促進企業(yè)的健康發(fā)展。

五、結(jié)語

本文基于大數(shù)據(jù)發(fā)展背景之下，開展對供應商信用評價方法的研究，主要闡述的是對評價指標方法的使用，其中包含了動態(tài)指標與靜態(tài)指標的結(jié)合，指標構(gòu)建使用的方法以及信用評價模型的構(gòu)建等。并根據(jù)實際的評價結(jié)果制定出相應的處理措施，優(yōu)先采購、正常采購等方式，在文中所涉及到的信用評價方法，對于我國企業(yè)的自身發(fā)展起到了一定的借鑒與指導意義。

參考文獻

[1]田麗，鐘肖英. 基于大數(shù)據(jù)分析的跨境電商平臺供應商評價體系探究[J]. 電子商務，2020，（12）：44-45.

[2]燕歌，許超. 基于大數(shù)據(jù)的集中采購平臺供應商信用管理的研究及應用[J]. 建設機械技術(shù)與管理，2020，33（03）：62-66.