CN110070413A - 一种基于机器学习的供应商排序方法 - Google Patents

一种基于机器学习的供应商排序方法 Download PDF

Info

Publication number
CN110070413A
CN110070413A CN201910226353.6A CN201910226353A CN110070413A CN 110070413 A CN110070413 A CN 110070413A CN 201910226353 A CN201910226353 A CN 201910226353A CN 110070413 A CN110070413 A CN 110070413A
Authority
CN
China
Prior art keywords
supplier
node
supply chain
machine learning
method based
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910226353.6A
Other languages
English (en)
Inventor
乔培宇
刘甜甜
蒋浩
朱登明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
TAICANG INSTITUTE OF COMPUTING TECHNOLOGY CHINESE ACADEMY OF SCIENCES
Original Assignee
TAICANG INSTITUTE OF COMPUTING TECHNOLOGY CHINESE ACADEMY OF SCIENCES
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by TAICANG INSTITUTE OF COMPUTING TECHNOLOGY CHINESE ACADEMY OF SCIENCES filed Critical TAICANG INSTITUTE OF COMPUTING TECHNOLOGY CHINESE ACADEMY OF SCIENCES
Priority to CN201910226353.6A priority Critical patent/CN110070413A/zh
Publication of CN110070413A publication Critical patent/CN110070413A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0603—Catalogue ordering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0605—Supply or demand aggregation

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于机器学习的供应商排序方法，该方法的步骤包括：根据供应商数据，构建具备产品属性、业务特征的供应商初选模型；根据供应商初选模型，建立供应商之间上下游关系及节点，划分供应链；根据供应商特征、节点数、供应链深度等条件，计算供应商排序结果；通过训练数据，根据节点与供应链关系，计算误差，优化排序结果。

Description

一种基于机器学习的供应商排序方法
技术领域
本发明涉及计算机软件领域，具体是一种基于机器学习的供应商排序方法。
背景技术
商务环境和商务模式变得越来越复杂，且更加动荡、多样和个性化。电子商务业务模式的飞速发展打破了国家疆界，使得跨境业务速增、商业活动频繁，同时伴随着数据量的剧增。大数据应用处理成为企业和社会竞争发展的重要焦点。其次，有效挖掘大数据成为时代面临的重要课题。最后，许多企业对大数据的重要性认识不足，没有充分了解其价值。
今天，客户需求的个性化特征越来越突出，电子商务和互联网营销已全面普及，多样化的营销方式随之不断涌现，移动互联网与社交已逐渐进入社会生活与工作的不同层面，而传统的管理模式和手段却已很难把握和管控需求的变化。大数据时代，消费者能够选择购买完全客户化的商品，或从一个可供选择的环境下自行定制商品，例如在网上购买计算机商品时，消费者可以根据自己的需要和喜好定制化购买；对于商家来说，为了扩大销售范围、增加市场份额，通常采用特殊的促销策略，将多种相关联的商品实行深度捆绑和关联销售。个性化驱使商品的生命周期越来越短、淘汰率不断增大，迫使新品推出越来越快、越来越多；通常，在社会与市场的新环境、新形式下会涌现出新的商业形态、模式和行为等，这些都为供应链上的需求与供给平衡匹配带来新的难题，使得企业更难以掌握市场需求与资源整合，导致需求与供给失衡，预测不准。当需求信号传递滞后使得采购与供给计划赶不上需求变化时，就会造成库存大量积压的同时还常常出现库存短缺的现象。这样一来，成本的上升吞噬了盈利。
今天的市场是买方市场，今天的市场也是竞争日益激烈的全球化市场。现有的供应链平台，运营者在维护供应商数据时，投入成本较大，且效率较低，客户在选择商品和供应商时，往往要花费大量的时间和精力，一方面是根据经验寻找资源，另一方面是过滤平台不够客观地供应商推送，同时也希望平台更加智能，越来越了解用户。
发明内容
发明目的：为了解决现有技术的不足,本发明提供了一种基于机器学习的供应商排序方法，该方法通过产品属性、供应商特征分析，计算供应商优选排序结果，通过数据训练优化排序结果，以解决供应商选择困难，供需对接效率低，维护成本高等问题。
技术方案：为了实现以上目的，本发明所述的一种基于机器学习的供应商排序方法，包括以下步骤：
步骤一：根据供应商数据，构建具备产品属性、业务特征的供应商初选模型；
步骤二：根据供应商初选模型，建立供应商之间上下游关系及节点，划分供应链；
步骤三：根据供应商的业务特征、节点的数量、供应链等条件，计算供应商排序结果；
步骤四：通过训练数据，根据节点与供应链关系，计算误差，优化排序结果。
作为本发明的进一步优选，步骤一中，所述的供应商初选模型是根据现有供应商库、产品库、供应商的业务特征和业务订单构建模型。
所述的供应商初选模型是基于现有供应商库、产品库构建供应商实体类C，结合供应商的业务特征线性数据Yi和业务订单线性数据Xi计算出具备供应商吸引力Y和供应商业务价值X的矩阵，是现实信息到模型的关系映射，重点描述供应商的业务特征，同时作为数据实体和节点，应用在供应链的构建和划分。
作为本发明的进一步优选，步骤二中，所述建立供应商之间上下游关系及节点，划分供应链，是根据供应商之间的业务往来，形成供应链，具备多个下游的供应商是根节点，其多个下游分别为子节点，为保证供应商的明显特征，从而进行供应链的划分，通过对供应链的划分，原本的子节点也会成为一段供应链的根节点，以达到信息增益的目的。
作为本发明的进一步优选，步骤三中，所述根据供应商特征、节点数、供应链深度等条件，计算供应商排序结果，为了能够让数据更单一，使计算结果更接近真实值，故采用GINI指数衡量节点纯度。若节点越不纯，则GINI值越大。因此要选择使子节点的GINI值作为划分方案，计算供应商排序结果计算方法为：
作为本发明的进一步优选，步骤四中，通过训练数据，根据节点与供应链关系，计算误差，进行错误率降低优化，如果一条供应链优化前后错误率没有下降，就可以认为该供应链是可以优化的；
优化需要用新的数据，原因是如果使用旧数据，不可能出现划分供应链后的错误率比划供应链分前错误率要高的情况，由于使用新的数据没有参与供应链的构建，能够降低训练数据的影响，降低过拟合的程度，提高排序的准确率，计算误差方法为：
其中，P(x)表示子节点的误差，P(x)＝a(x)·b(x),a(x)为节点的错误率，b(x)为节点数据量占比。
P(X)表示划分供应链的误差，ai(x)为子节点错误率，bi(x)表示节点的数据节点占比。
Q(T)，表示节点个数。
有益效果：本发明提供的一种基于机器学习的供应商排序方法，通过对供应链的划分，原本的子节点也会成为一段供应链的根节点，以达到信息增益的目的；由于使用新的数据没有参与供应链的构建，能够降低训练数据的影响，降低过拟合的程度，提高排序的准确率。
附图说明
图1为实施步骤流程示意图；
图2为供应链划分流程图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明。
如图1、图2所示，本发明所述的一种基于机器学习的供应商排序方法，该方法的步骤包括：根据供应商数据，构建具备产品属性、业务特征的供应商初选模型；根据供应商初选模型，建立供应商之间上下游关系及节点，划分供应链；根据供应商特征、节点数、供应链深度等条件，计算供应商排序结果；通过训练数据，根据节点与供应链关系，计算误差，优化排序结果。
实施例
步骤一：根据供应商数据，构建具备产品属性、业务特征的供应商初选模型，该模型是基于现有供应商库、产品库构建供应商实体类C，结合供应商的业务特征线性数据Yi和业务订单线性数据Xi计算出具备供应商吸引力Y和供应商业务价值X的矩阵，从而实现真实信息到模型的关系映射，重点描述供应商的业务特征，同时作为数据实体和节点，应用在供应链的构建和划分。
步骤二：建立供应商之间上下游关系及节点，划分供应链，是根据供应商之间的业务往来，形成供应链，具备多个下游的供应商是根节点，其多个下游分别为子节点，为保证供应商的明显特征，从而进行供应链的划分，通过对供应链的划分，原本的子节点也会成为一段供应链的根节点，以达到信息增益的目的。
步骤三：根据供应商的业务特征、节点的数量、供应链等条件，计算供应商排序结果，为了能够让数据更单一，使计算结果更接近真实值，故采用GINI指数衡量节点纯度。若节点越不纯，则GINI值越大。因此要选择使子节点的GINI值作为划分方案，计算供应商排序结果计算方法为：
步骤四：通过训练数据，根据节点与供应链关系，计算误差，进行错误率降低优化，如果一条供应链优化前后错误率没有下降，就可以认为该供应链是可以优化的。
优化需要用新的数据，原因是如果使用旧数据，不可能出现划分供应链后的错误率比划供应链分前错误率要高的情况。由于使用新的数据没有参与供应链的构建，能够降低训练数据的影响，降低过拟合的程度，提高排序的准确率，计算误差方法为：
其中，P(x)表示子节点的误差，P(x)＝a(x)·b(x),a(x)为节点的错误率，b(x)为节点数据量占比。
P(X)表示划分供应链的误差，ai(x)为子节点错误率，bi(x)表示节点的数据节点占比。
Q(T)，表示节点个数。
上述实施方式只为说明本发明的技术构思及特点，其目的是让熟悉该技术领域的技术人员能够了解本发明的内容并据以实施，并不能以此来限制本发明的保护范围。凡根据本发明精神实质所做出的等同变换或修饰，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于机器学习的供应商排序方法，其特征在于，它包括以下步骤：
步骤一：根据供应商数据，构建具备产品属性、业务特征的供应商初选模型；
步骤二：根据供应商初选模型，建立供应商之间上下游关系及节点，划分供应链；
步骤三：根据供应商的业务特征、节点的数量、供应链等条件，计算供应商排序结果；
步骤四：通过训练数据，根据节点与供应链关系，计算误差，优化排序结果。
2.根据权利要求1所述的一种基于机器学习的供应商排序方法，其特征在于：步骤一中，所述的供应商初选模型是根据现有供应商库、产品库、供应商的业务特征和业务订单构建模型。
3.根据权利要求2所述的一种基于机器学习的供应商排序方法，其特征在于：所述的供应商初选模型是基于现有供应商库、产品库构建供应商实体类C，结合供应商的业务特征线性数据Yi和业务订单线性数据Xi计算出具备供应商吸引力Y和供应商业务价值X的矩阵，从而实现真实信息到模型的关系映射。
4.根据权利要求1所述的一种基于机器学习的供应商排序方法，其特征在于：步骤二中，所述的建立供应商之间上下游关系及节点，划分供应链，是根据供应商之间的业务往来，形成供应链，具备多个下游的供应商是根节点，其多个下游分别为子节点，为保证供应商的明显特征，从而进行供应链的划分。
5.根据权利要求1所述的一种基于机器学习的供应商排序方法，其特征在于：步骤三中，所述的计算供应商排序结果计算方法为：
6.根据权利要求1所述的一种基于机器学习的供应商排序方法，其特征在于：步骤四中，所述的计算误差方法为：
其中，P(x)表示子节点的误差，P(x)＝a(x)·b(x),a(x)为节点的错误率，b(x)为节点数据量占比。
P(X)表示划分供应链的误差，ai(x)为子节点错误率，bi(x)表示节点的数据节点占比。
Q(T)，表示节点个数。
CN201910226353.6A 2019-03-25 2019-03-25 一种基于机器学习的供应商排序方法 Pending CN110070413A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910226353.6A CN110070413A (zh) 2019-03-25 2019-03-25 一种基于机器学习的供应商排序方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910226353.6A CN110070413A (zh) 2019-03-25 2019-03-25 一种基于机器学习的供应商排序方法

Publications (1)

Publication Number Publication Date
CN110070413A true CN110070413A (zh) 2019-07-30

Family

ID=67366463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910226353.6A Pending CN110070413A (zh) 2019-03-25 2019-03-25 一种基于机器学习的供应商排序方法

Country Status (1)

Country Link
CN (1) CN110070413A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115099876A (zh) * 2022-07-18 2022-09-23 中国科学院大学 一种集成电路供应链隐式关系智能发现计算方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005182107A (ja) * 2003-12-16 2005-07-07 Ricoh Co Ltd 仕入先ランク付けシステム、仕入先ランク付け装置、仕入先ランク付け方法及びプログラム
CN101286214A (zh) * 2007-04-12 2008-10-15 鸿富锦精密工业（深圳）有限公司 供应商评分系统及方法
CN106504015A (zh) * 2016-10-17 2017-03-15 鞍钢集团矿业有限公司 一种结合bp神经网络的企业领域供应商推荐方法
CN107085767A (zh) * 2017-04-21 2017-08-22 上海耐相智能科技有限公司 一种高效的企业供应商评估系统
CN108537623A (zh) * 2018-03-07 2018-09-14 中国电能成套设备有限公司 一种电子商务中供应商推荐方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005182107A (ja) * 2003-12-16 2005-07-07 Ricoh Co Ltd 仕入先ランク付けシステム、仕入先ランク付け装置、仕入先ランク付け方法及びプログラム
CN101286214A (zh) * 2007-04-12 2008-10-15 鸿富锦精密工业（深圳）有限公司 供应商评分系统及方法
CN106504015A (zh) * 2016-10-17 2017-03-15 鞍钢集团矿业有限公司 一种结合bp神经网络的企业领域供应商推荐方法
CN107085767A (zh) * 2017-04-21 2017-08-22 上海耐相智能科技有限公司 一种高效的企业供应商评估系统
CN108537623A (zh) * 2018-03-07 2018-09-14 中国电能成套设备有限公司 一种电子商务中供应商推荐方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115099876A (zh) * 2022-07-18 2022-09-23 中国科学院大学 一种集成电路供应链隐式关系智能发现计算方法

Similar Documents

Publication Publication Date Title
Ren et al. Demand forecasting in retail operations for fashionable products: methods, practices, and real case study
Lee et al. Comments on “Information distortion in a supply chain: The bullwhip effect”
CN106971321A (zh) 营销信息推送方法、装置、设备以及存储介质
Nayak et al. Integrating the dialectic perspectives of resource-based view and industrial organization theory for competitive advantage–a review and research agenda
CN105205701A (zh) 一种网络动态定价方法和系统
US20140032362A1 (en) Methods and apparatus for ready-to-buy customizable project kit creation and purchase
CN108242016A (zh) 一种产品推荐的方法和装置
Shou et al. Power source and its effect on customer–supplier relationships: An empirical study in Yangtze River Delta
KR20220050079A (ko) 인공지능 기반의 쇼핑몰 생성 방법, 장치 및 시스템
CN110503186A (zh) 商品排序神经网络模型训练方法、装置、电子设备
CN114971747A (zh) 一种基于大数据商品精准营销的数据分析方法及系统
Yue et al. Product life cycle based demand forecasting by using artificial bee colony algorithm optimized two-stage polynomial fitting
CN110070413A (zh) 一种基于机器学习的供应商排序方法
Dedrick et al. Globalization of innovation: the personal computing industry
CN110210880A (zh) 数据处理方法、装置以及计算机可读存储介质
Li et al. The Model Construction and Application Practice of Personalized Customization System in Internet era—Take Kutesmart C2M Personalized Customization of Red Collar Group as an Example
Angeloska-Dichovska et al. Challenges of the Company in the New Economy and Development of E-business Strategy
US10089666B2 (en) Multi-source configurator content processing for terms and conditions document to contract creation
Harrison et al. Logistics management and strategy
CN110619509A (zh) 一种基于分销体系的推荐用户方法及业务系统
Singh et al. Buyer-supplier partnerships in the global apparel industry: A study of US buyers and Indian suppliers
CN115952174B (zh) 一种数据表联接方法、系统、终端及存储介质
CN110766424A (zh) 构建市场画像的方法和装置
Rakhmanov et al. Development of a customised model of integrated marketing communications for the economic well-being of the enterprise
Чернышова Risks in marketing activities

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190730

RJ01 Rejection of invention patent application after publication