CN112926816B - 供应商评价方法、装置、计算机设备和存储介质 - Google Patents

供应商评价方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112926816B
CN112926816B CN202010933813.1A CN202010933813A CN112926816B CN 112926816 B CN112926816 B CN 112926816B CN 202010933813 A CN202010933813 A CN 202010933813A CN 112926816 B CN112926816 B CN 112926816B
Authority
CN
China
Prior art keywords
index
evaluation
core
indexes
clustering
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.)
Active
Application number
CN202010933813.1A
Other languages
English (en)
Other versions
CN112926816A (zh
Inventor
王伯敏
陈剑光
张锦周
杨灿魁
王宇
曹彦朝
谈树峰
谢清锐
李端姣
梁哲恒
张金波
邱宇
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.)
Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
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 Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202010933813.1A priority Critical patent/CN112926816B/zh
Publication of CN112926816A publication Critical patent/CN112926816A/zh
Application granted granted Critical
Publication of CN112926816B publication Critical patent/CN112926816B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及一种供应商评价方法、装置、计算机设备和存储介质。所述方法包括：获取所述供应商的评价指标；确定所述评价指标中的核心评价指标；通过对所述核心评价指标进行聚类，得到核心评价指标聚类簇；根据所述核心评价指标聚类簇对所述核心评价指标进行统计，得到所述供应商的评价得分。采用本方法能够减少主观因素在评价过程中的影响，提高供应商评价的准确性。

Description

供应商评价方法、装置、计算机设备和存储介质
技术领域
本申请涉及电力系统技术领域，特别是涉及一种电网企业供应商评价方法、装置、计算机设备和存储介质。
背景技术
随着电力系统规模的逐渐扩大和电力设备数量的日益增多，作为重资产型企业，电网企业需要加强对设备供应商的管理力度，确保电力设备的采购质量，根据供应商的资质和履约情况来对供应商进行评价，可以基于评价结果对供应商进行有效管理。
目前，电网企业通常采用人工方式对供应商的资质和履约情况进行评价，对于供应商资质，由于存在一些定性指标，人工评价容易受主观因素影响，在供应商基本面差异不大的情况下，可能会评价得分悬殊，导致评价结果不准确；对于履约情况，电网企业通常采用人工扣分的方式来记录供应商的不良行为，根据不良行为记录来进行供应商评价，此种方式除了容易受主观因素影响，导致评价结果不准确外，还对供应商的绩效水平情况反应不灵敏。
因此，目前的供应商评价存在评价不准确的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高评价准确性的供应商评价方法、装置、计算机设备和存储介质。
一种供应商评价方法，所述方法包括：
获取所述供应商的评价指标；
确定所述评价指标中的核心评价指标；
通过对所述核心评价指标进行聚类，得到核心评价指标聚类簇；
根据所述核心评价指标聚类簇对所述核心评价指标进行统计，得到所述供应商的评价得分。
在其中一个实施例中，所述确定所述评价指标中的核心评价指标，包括：
确定所述评价指标的粗糙集区分矩阵；
根据所述粗糙集区分矩阵中的核指标项，得到初始核心评价指标；
根据所述粗糙集区分矩阵中的非核指标项，得到候选核心评价指标；
通过合并所述初始核心评价指标和所述候选核心评价指标，得到所述核心评价指标。
在其中一个实施例中，所述根据所述粗糙集区分矩阵中的非核指标项，得到候选核心评价指标，包括：
通过去除所述粗糙集区分矩阵中的所述核指标项，得到所述非核指标项；
统计所述非核指标项中评价指标的指标出现频率；
通过选取所述指标出现频率中的最大值，得到最大出现频率；
根据所述最大出现频率对应的评价指标，得到所述候选核心评价指标。
在其中一个实施例中，所述通过对所述核心评价指标进行聚类，得到核心评价指标聚类簇，包括：
确定所述核心评价指标的第一聚类中心；
根据所述核心评价指标与所述第一聚类中心之间的聚类距离，对所述核心评价指标进行聚类，得到第一聚类簇；
根据所述第一聚类簇的聚类中心，确定第二聚类中心；
判断所述第二聚类中心是否符合预设的收敛条件；
若是，则根据所述第一聚类簇得到所述核心评价指标聚类簇。
在其中一个实施例中，所述获取所述供应商的评价指标，包括：
获取初始评价指标；
识别所述初始评价指标的指标类型；所述指标类型包括正向指标和负向指标；
若所述指标类型为所述正向指标，则通过对所述初始评价指标进行第一极差变换，得到所述评价指标；
若所述指标类型为所述负向指标，则通过对所述初始评价指标进行第二极差变换，得到所述评价指标。
在其中一个实施例中，所述根据所述核心评价指标聚类簇对所述核心评价指标进行统计，得到所述供应商的评价得分，包括：
根据所述核心评价指标聚类簇，确定目标核心评价指标；
获取所述目标核心评价指标的指标权重；
根据所述目标核心评价指标和所述指标权重，得到所述核心评价指标聚类簇对应的评价得分；
根据多个所述核心评价指标聚类簇的评价得分，得到所述供应商的评价得分。
在其中一个实施例中，所述方法还包括：
根据所述评价得分，生成所述供应商的供应商画像；
根据所述供应商画像，识别所述供应商的异常情况；
当识别到所述供应商发生异常情况时，进行异常告警。
一种供应商评价装置，所述装置包括：
获取模块，用于获取所述供应商的评价指标；
筛选模块，用于确定所述评价指标中的核心评价指标；
聚类模块，用于通过对所述核心评价指标进行聚类，得到核心评价指标聚类簇；
统计模块，用于根据所述核心评价指标聚类簇对所述核心评价指标进行统计，得到所述供应商的评价得分。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取所述供应商的评价指标；
确定所述评价指标中的核心评价指标；
通过对所述核心评价指标进行聚类，得到核心评价指标聚类簇；
根据所述核心评价指标聚类簇对所述核心评价指标进行统计，得到所述供应商的评价得分。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取所述供应商的评价指标；
确定所述评价指标中的核心评价指标；
通过对所述核心评价指标进行聚类，得到核心评价指标聚类簇；
根据所述核心评价指标聚类簇对所述核心评价指标进行统计，得到所述供应商的评价得分。
上述供应商评价方法、装置、计算机设备和存储介质，通过获取供应商的评价指标，可以获取到对供应商进行评价的客观数据，确定评价指标中的核心评价指标，可以减少非核心评价指标对供应商评价的干扰，通过对核心评价指标进行聚类得到核心评价指标聚类簇，可以使簇内的核心评价指标具有强相关性，根据核心评价指标聚类簇对核心评价指标进行统计，得到供应商的评价得分，可以根据多个具有强相关性的核心评价指标对供应商的评价维度进行全面评价，减少主观因素在评价过程中的影响，提高供应商评价的准确性。
附图说明
图1为一个实施例中供应商评价方法的流程示意图；
图2为一个实施例中供应商画像生成方法的流程示意图；
图3为一个实施例中供应商画像资质评价的显示效果图；
图4为一个实施例中供应商画像综合概览的显示效果图；
图5为另一个实施例中供应商评价方法的流程示意图；
图6为一个实施例中供应商评价装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种供应商评价方法，以该方法应用于终端为例进行说明，包括以下步骤：
步骤S110，获取供应商的评价指标。
其中，评价指标可以包括指标名称和指标数据。
具体实现中，终端可以获取到现行使用的所有用于对供应商进行评价的评价指标。在获取评价指标过程中，可以将供应商登记、资质能力评估、绩效评价和日常管理等业务过程中产生的基础数据存储在终端上，终端可以根据业务含义确定评价指标的指标名称，终端还可以根据业务含义确定评价指标的计算公式，通过将基础数据输入计算公式，得到评价指标的指标数据，终端还可以直接将预处理后的基础数据作为指标数据。终端可以将评价指标的指标名称和指标值对应存储，当需要进行供应商评价时，可以直接读取到包括指标名称和指标数据在内的供应商评价指标。
在一种具体实施方式中，电网企业可以通过访谈和调研搜集基础数据，或者在与供应商进行业务往来的过程中搜集基础数据，电网企业可以将搜集到的基础数据输入终端。电网企业可以通过人工方式确定业务含义，将业务含义输入终端，作为评价指标的指标名称，电网企业还可以通过人工方式确定评价指标的计算公式，将计算公式输入终端，终端通过将基础数据输入计算公式生成指标数据。
在另一种具体实施方式中，终端可以对收集到的基础数据进行清洗，包括对于缺失值的处理、对于异常值的处理、对于数量级的统一，以及后续分析所需要进行的标准化处理。其中，缺失值可以通过KNN(K-Nearest Neighbor，K最近邻)模型来预测。异常值可以根据基础数据与基础数据平均值之间的偏差来判断，例如，若偏差超过3倍标准差，则可以判定该基础数据为异常值，可以将其剔除。标准化处理可以采用极差变换对基础数据进行去量纲化。
在另一种具体实施方式中，可以采用正向测量进行极差变换，适用于计算出的指标数据越大越好的情况，例如，到货验收合格率、排产计划准时率等指标，具体公式可以为
还可以采用负向测量进行极差变化，适用于计算出的指标数据越小越好的情况，例如，不合格品检出率、设备故障率等指标，具体公式可以为
其中，x为基础数据，max为基础数据中的最大值，min为基础数据中的最小值。
步骤S120，确定评价指标中的核心评价指标。
其中，核心评价指标可以为相对较能反映供应商特征的评价指标。
具体实现中，可以根据评价指标确定粗糙集区分矩阵，并确定粗糙集区分矩阵中的核指标项，将核指标项作为初始核心评价指标，通过去除粗糙集区分矩阵中的核指标项，可以得到粗糙集区分矩阵中的非核指标项，通过统计非核指标项中各个评价指标的出现频率，从中选取出现频率最大的评价指标作为候选核心评价指标，将初始核心评价指标与候选核心评价指标进行并集运算，得到更新后的核心评价指标，并在粗糙集区分矩阵中删除候选核心评价指标。检查粗糙集区分矩阵是否为空，若不为空，则将更新后的核心评价指标作为初始核心评价指标，并在粗糙集区分矩阵中选取候选核心评价指标，重新得到更新后的核心评价指标；若为空，则可以将更新后的核心评价指标确定为核心评价指标。
实际应用中，可以采用基于粗糙集区分矩阵的指标筛选模型，来确定评价指标中的核心评价指标。可以首先构造一个区分矩阵，区分矩阵中的属性组合数为1的元素项表明该属性为核心评价指标，必须保留，区分函数可以为
f(C)＝∏(x,y)∈U∑a(x,y)。
其中，C为指标体系，U为评价对象集，a(x,y)是能区分对象x和y的指标集。令RED(C)是经过简约之后得到的指标体系，C0是核指标集合，核心评价指标的筛选可以包括以下步骤：
步骤S121，计算区分矩阵，然后将区分矩阵中的核指标赋给约简指标体系RED(C)，即RED(C)＝C0；
步骤S122，将区分矩阵中含有核指标的组合项去掉；
步骤S123，计算区分矩阵中所有剩余项中各指标出现的频率，选出出现频率最高的指标，记为a1，RED(C)＝RED(C)∪{a1}，将区分矩阵中包含有指标a1的指标组合项删除掉；
步骤S124，检查区分矩阵是否为空，若不为空则返回至步骤S123，若为空则结束。RED(C)即为得到的剔除关联度较高的冗余变量的核心评价指标，在得到核心评价指标后，可以确定核心评价指标对应的指标权重，例如，可以采用基于粗糙集的权重确定方法，将权重确定问题转化为粗糙集的属性重要性评价问题，经过关系数据模型的建立与属性值特征化建立知识系统，在数据驱动下通过对参评对象的支持度和重要性分析，计算出综合评价模型的权重。终端可以将核心评价指标和核心评价指标的指标权重对应存储。
步骤S130，通过对核心评价指标进行聚类，得到核心评价指标聚类簇。
具体实现中，可以随机选取多个核心评价指标作为第一聚类中心，计算其他核心评价指标与第一聚类中心之间的聚类距离，根据聚类距离大小对其他核心评价指标进行聚类，得到核心评价指标的第一聚类簇。通过在第一聚类簇中选取聚类中心，可以得到第二聚类中心，判断第二聚类中心是否符合预设的收敛条件，若不收敛，则可以将第二聚类中心作为第一聚类中心，并重新计算聚类距离，根据聚类距离进行聚类，得到第一聚类簇；若收敛，则可以将第一聚类簇作为核心评价指标聚类簇。
实际应用中，可以采用K均值(K-means)算法进行聚类，首先从n个指标数据中任意选择k个指标数据作为初始聚类中心，对于剩下的其它指标数据，可以根据与初始聚类中心的相似度(距离)，分别分配给初始聚类中心，形成k个聚类簇，计算聚类簇的聚类中心，例如，可以通过计算聚类簇中所有指标数据的均值得到聚类中心，重复上述过程直至聚类中心的标准测度函数收敛，标准测度函数可以为均方差函数。K均值算法可以采用以下伪代码：
输入：样本集D＝{x1,x2,…,xm}；
聚类簇数k.
过程：
输出：簇划分C＝{C1,C2,…,Ck}。
根据核心评价指标聚类簇，可以形成供应商评价指标体系表，供应商评价指标体系表可以由表征供应商各方面特性及特性之间相互联系的多个指标所构成，包含各个指标的指标名称和指标权重。例如，通过对46个核心评价指标进行聚类，可以得到6个核心评价指标聚类簇，将每个核心评价指标聚类簇标记为一个评价维度，可以形成如表1所示的供应商评价指标体系表，供应商评价指标体系表中包含了6个评价维度中46个定量评价的指标名称和指标权重。
表1
步骤S140，根据核心评价指标聚类簇对核心评价指标进行统计，得到供应商的评价得分。
具体实现中，终端可以选取一个核心评价指标聚类簇，作为供应商评价的一个评价维度，将核心评价指标聚类簇内的所有核心评价指标确定为目标核心评价指标，并读取目标核心评价指标的指标权重，根据指标权重对目标核心评价指标的指标数据进行加权平均运算，可以得到该核心评价指标聚类簇的评价得分，评价得分可以作为供应商一个评价维度的得分。还可以计算多个核心评价指标聚类簇的评价得分，得到供应商多个评价维度的得分，根据多个评价维度的得分可以得到供应商的评价得分。
例如，对于指定供应商，可以获取表1资质评价维度中各个具体指标的指标值和相应的指标权重，根据指标权重对指标值进行加权平均运算，可以得到资质评价维度的得分，通过分别计算各个评价维度的得分，并通过求和运算计算总分，可以得到供应商的评价得分。还可以根据评价得分将供应商划分为A、B、C、D四个等级，可以将得分90-100的供应商划分为A级，将得分80-89的划分为B级，将得分70-79的划分为C级，将得分60-69的划分为D级。
上述供应商评价方法，通过获取供应商的评价指标，可以获取到对供应商进行评价的客观数据，确定评价指标中的核心评价指标，可以减少非核心评价指标对供应商评价的干扰，通过对核心评价指标进行聚类得到核心评价指标聚类簇，可以使簇内的核心评价指标具有强相关性，根据核心评价指标聚类簇对核心评价指标进行统计，得到供应商的评价得分，可以根据多个具有强相关性的核心评价指标对供应商的评价维度进行全面评价，减少主观因素在评价过程中的影响，提高供应商评价的准确性。
在一个实施例中，上述步骤S120，可以具体包括：确定评价指标的粗糙集区分矩阵；根据粗糙集区分矩阵中的核指标项，得到初始核心评价指标；根据粗糙集区分矩阵中的非核指标项，得到候选核心评价指标；通过合并初始核心评价指标和候选核心评价指标，得到核心评价指标。
其中，粗糙集区分矩阵可以为基于粗糙集区分矩阵的指标筛选模型中的区分矩阵。核指标项可以为基于粗糙集区分矩阵的指标筛选模型中的核指标项。
具体实现中，可以根据评价指标确定粗糙集区分矩阵，并确定粗糙集区分矩阵中的核指标项，将核指标项作为初始核心评价指标，通过去除粗糙集区分矩阵中的核指标项，可以得到粗糙集区分矩阵中的非核指标项，通过统计非核指标项中各个评价指标的出现频率，从中选取出现频率最大的评价指标作为候选核心评价指标，将初始核心评价指标与候选核心评价指标进行并集运算，得到更新后的核心评价指标，并在粗糙集区分矩阵中删除候选核心评价指标。检查粗糙集区分矩阵是否为空，若不为空，则将更新后的核心评价指标作为初始核心评价指标，并在粗糙集区分矩阵中选取候选核心评价指标，重新得到更新后的核心评价指标；若为空，则可以将更新后的核心评价指标确定为核心评价指标。
本实施例中，通过确定评价指标的粗糙集区分矩阵；根据粗糙集区分矩阵中的核指标项，得到初始核心评价指标；根据粗糙集区分矩阵中的非核指标项，得到候选核心评价指标；通过合并初始核心评价指标和候选核心评价指标，得到核心评价指标，可以去除冗余的评价指标，保留核心评价指标，减少非核心评价指标对供应商评价的干扰，确保供应商评价的精确度。
在一个实施例中，上述步骤S120，具体还可以包括：通过去除粗糙集区分矩阵中的核指标项，得到非核指标项；统计非核指标项中评价指标的指标出现频率；通过选取指标出现频率中的最大值，得到最大出现频率；根据最大出现频率对应的评价指标，得到候选核心评价指标。
其中，指标出现频率可以为指标出现次数与指标总数之间的比值。
具体实现中，可以根据评价指标确定粗糙集区分矩阵，并确定粗糙集区分矩阵中的核指标项，将核指标项作为初始核心评价指标，通过去除粗糙集区分矩阵中的核指标项，可以得到粗糙集区分矩阵中的非核指标项，通过统计非核指标项中各个评价指标的出现频率，从中选取出现频率最大的评价指标作为候选核心评价指标，将初始核心评价指标与候选核心评价指标进行并集运算，得到更新后的核心评价指标，并在粗糙集区分矩阵中删除候选核心评价指标。检查粗糙集区分矩阵是否为空，若不为空，则将更新后的核心评价指标作为初始核心评价指标，并在粗糙集区分矩阵中选取候选核心评价指标，重新得到更新后的核心评价指标；若为空，则可以将更新后的核心评价指标确定为核心评价指标。
本实施例中，通过去除粗糙集区分矩阵中的核指标项，得到非核指标项；统计非核指标项中评价指标的指标出现频率；通过选取指标出现频率中的最大值，得到最大出现频率；根据最大出现频率对应的评价指标，得到候选核心评价指标，，可以去除冗余的评价指标，保留核心评价指标，减少非核心评价指标对供应商评价的干扰，确保供应商评价的精确度。
在一个实施例中，上述步骤S130，可以具体包括：确定核心评价指标的第一聚类中心；根据核心评价指标与第一聚类中心之间的聚类距离，对核心评价指标进行聚类，得到第一聚类簇；根据第一聚类簇的聚类中心，确定第二聚类中心；判断第二聚类中心是否符合预设的收敛条件；若是，则根据第一聚类簇得到核心评价指标聚类簇。
其中，第一聚类中心可以为上一次迭代的聚类中心，第二聚类中心可以为本次迭代的聚类中心。
具体实现中，可以随机选取多个核心评价指标作为第一聚类中心，计算其他核心评价指标与第一聚类中心之间的聚类距离，根据聚类距离大小对其他核心评价指标进行聚类，得到核心评价指标的第一聚类簇。通过在第一聚类簇中选取聚类中心，可以得到第二聚类中心，判断第二聚类中心是否符合预设的收敛条件，若不收敛，则可以将第二聚类中心作为第一聚类中心，并重新计算聚类距离，根据聚类距离进行聚类，得到第一聚类簇；若收敛，则可以将第一聚类簇作为核心评价指标聚类簇。
本实施例中，通过确定核心评价指标的第一聚类中心；根据核心评价指标与第一聚类中心之间的聚类距离，对核心评价指标进行聚类，得到第一聚类簇；根据第一聚类簇的聚类中心，确定第二聚类中心；判断第二聚类中心是否符合预设的收敛条件；若是，则根据第一聚类簇得到核心评价指标聚类簇，可以使簇内的核心评价指标具有强相关性，根据强相关性的核心评价指标进行评价，可以提高供应商评价的准确性。
在一个实施例中，上述步骤S110，可以具体包括：获取初始评价指标；识别初始评价指标的指标类型；指标类型包括正向指标和负向指标；若指标类型为正向指标，则通过对初始评价指标进行第一极差变换，得到评价指标；若指标类型为负向指标，则通过对初始评价指标进行第二极差变换，得到评价指标。
其中，正向指标可以为指标数据越大越好的评价指标。负向指标可以为指标数据越小越好的评价指标。
其中，初始评价指标可以为基础数据。评价指标可以为指标数据。
具体实现中，在获取到初始评价指标后，可以识别指标类型，若指标类型为正向指标，例如，到货验收合格率、排产计划准时率等指标，则可以采用正向测量作为第一极差变换，第一极差变换的具体公式可以为
若指标类型为负向指标，例如，不合格品检出率、设备故障率等指标，则可以采用负向测量作为第二极差变换，第二极差变换的具体公式可以为
其中，x可以为初始评价指标，f(x)可以为得到的评价指标。
本实施例中，通过获取初始评价指标；识别初始评价指标的指标类型；指标类型包括正向指标和负向指标；若指标类型为正向指标，则通过对初始评价指标进行第一极差变换，得到评价指标；若指标类型为负向指标，则通过对初始评价指标进行第二极差变换，得到评价指标，可以根据评价指标的类型进行不同的数据处理，确保得到的评价指标能够准确反映指标特性，可以提高供应商评价的准确性。
在一个实施例中，上述步骤S140，可以具体包括：根据核心评价指标聚类簇，确定目标核心评价指标；获取目标核心评价指标的指标权重；根据目标核心评价指标和指标权重，得到核心评价指标聚类簇对应的评价得分；根据多个核心评价指标聚类簇的评价得分，得到供应商的评价得分。
具体实现中，终端可以选取一个核心评价指标聚类簇，作为供应商评价的一个评价维度，将核心评价指标聚类簇内的所有核心评价指标确定为目标核心评价指标，并读取目标核心评价指标的指标权重，根据指标权重对目标核心评价指标的指标数据进行加权平均运算，可以得到该核心评价指标聚类簇的评价得分，评价得分可以作为供应商一个评价维度的得分。还可以计算多个核心评价指标聚类簇的评价得分，得到供应商多个评价维度的得分，根据多个评价维度的得分可以得到供应商的评价得分。
本实施例中，通过根据核心评价指标聚类簇，确定目标核心评价指标；获取目标核心评价指标的指标权重；根据目标核心评价指标和指标权重，得到核心评价指标聚类簇对应的评价得分；根据多个核心评价指标聚类簇的评价得分，得到供应商的评价得分，可以根据多个具有强相关性的核心评价指标对供应商的评价维度进行全面评价，减少主观因素在评价过程中的影响，提高供应商评价的准确性。
在一个实施例中，上述供应商评价方法，具体还可以包括：根据评价得分，生成供应商的供应商画像；根据供应商画像，识别供应商的异常情况；当识别到供应商发生异常情况时，进行异常告警。
其中，供应商画像可以为展示各个供应商在各个评价维度上个性化得分的图像。
具体实现中，可以根据各个供应商在各个核心评价指标聚类簇内的的评价得分，生成供应商画像，通过供应商画像对供应商情况进行展示，还可以根据供应商画像识别供应商的异常情况，当识别到评价指标或评价得分异常时，可以发出告警信号。
实际应用中，供应商画像可以展示资质评价、履约运行评价、风险信用评价、社会行为与责任、供应商生态和供应商创新6个维度，共46个核心评价指标。根据评价得分可以将供应商划分为A、B、C、D四个等级，其中A级供应商得分90-100分，B级得分80-89分，C级得分70-79分，D级得分60-69分，供应商画像可以指导企业进行更全面的供应商管理。根据供应商画像可以快速识别供应商的异常指标，提高风险防范能力。结合所有供应商的评价结果，可从供应商地域分布、数量发展趋势、供应商等级分布等维度对供应商进行分析，实现精准管理不同等级的供应商。
本实施例中，通过根据评价得分，生成供应商的供应商画像；根据供应商画像，识别供应商的异常情况；当识别到供应商发生异常情况时，进行异常告警，可以精准管理不同等级的供应商，促使供应商提高技术水平、产品质量和服务能力，从而提升电网企业的物资采购能力，为企业招标采购活动提供有效的参考信息和采购策略。
为了便于本领域技术人员深入理解本申请实施例，以下将结合图2-4中的具体示例进行说明。
图2提供了一个供应商画像生成方法的流程示意图。基于目前电网企业开展的供应商登记、资质能力评估、绩效评价和日常管理等方面工作，可以建立起覆盖供应商全生命周期的一体化供应商管理及评价体系。在供应商全生命周期中收集供应商基础数据，结合数据清洗、数据降维、数据聚类等技术进行行为建模，构建一套电网企业供应商评价分析模型，通过可视化展示可以形成供应商画像。供应商画像生成方法可以具体包括以下步骤：
步骤S210，基础数据收集：通过访谈和调研搜集数据，确定供应商评价指标的计算公式和业务含义，为供应商画像创建打好数据基础。例如，可以搜集供应商或电网企业的行为数据，包括网络行为数据和服务内行为数据，还可以搜集用户内容偏好数据和用户交易数据。
步骤S220，行为建模，可以具体包括：
步骤S221，数据预处理，对收集到的数据进行清洗，包括缺失值和异常值的处理、数据数量级的统一、后续分析所要进行的标准化处理。可以利用极差变换对数据进行去量纲化的标准化处理，使指标数据处于0-1之间，可以采用正向测量进行极差变换，适用于计算出的指标数据越大越好的情况，例如，到货验收合格率、排产计划准时率等指标，具体公式可以为
还可以采用负向测量进行极差变化，适用于计算出的指标数据越小越好的情况，例如，不合格品检出率、设备故障率等指标，具体公式可以为
步骤S222，数据降维。目前的供应商评级指标过多，不满足供应商画像的特征提取与分类要求，需要进行降维处理。可以采用粗糙集区分矩阵降低指标维度，最大化保留原有数据的信息。例如，在供应商资格评审中，商务基本面信息的数据可以涉及15个指标，技术能力方面可以设计40余个指标，这些指标反映的意义具有较强关联性。在有限的数据量的情况下，变量过多将会降低模型的自由度从而影响精确度，为了满足后续的分类和拟合要求，可以利用粗糙集区分矩阵去除冗余数据，提取核心指标。区分矩阵中的属性组合数为1的元素项表明，该属性是必须保留的，矩阵中所有组合为一的属性均为决策表的核指标。区分函数可以为
f(C)＝∏(x,y)∈U∑a(x,y)。
令RED(C)是经过简约之后得到的指标体系，C0是核指标集合。具体的指标筛选步骤可以如下：
步骤S121，计算区分矩阵，然后将区分矩阵中的核指标赋给约简指标体系RED(C)，即RED(C)＝C0；
步骤S122，将区分矩阵中含有核指标的组合项去掉；
步骤S123，计算区分矩阵中所有剩余项中各指标出现的频率，选出出现频率最高的指标，记为a1，RED(C)＝RED(C)∪{a1}，将区分矩阵中包含有指标a1的指标组合项删除掉；
步骤S124，检查区分矩阵是否为空，若不为空则返回至步骤S123，若为空则结束。RED(C)即为得到的剔除关联度较高的冗余变量的供应商评价模型指标，最终形成46个定量评价指标及其权重。
步骤S223，聚类算法。聚类可以将数据集中的样本划分为若干个不相交子集，每个子集可以称为一个簇，每个簇可以对应一些潜在的概念(类别)，例如，“财务状况良好”、“技术能力强”等。这些概念对于聚类算法而言事先是未知的，聚类过程仅仅能自动形成簇结构，簇对应的概念语义需要结合业务来把握和命名。通过聚类算法可将具体指标聚类，形成指标评价维度。具体地，可以使用K均值算法进行聚类。
K均值算法可以首先从n个数据对象中任意选择k个对象作为初始聚类中心；对于剩下的其它对象，可以根据其他对象与聚类中心的相似度(距离)，分别分配给与其最相似的(聚类中心所代表的)聚类；然后再计算每个新聚类的聚类中心，可以通过计算该聚类中所有对象的均值得到聚类中心；不断重复这一过程直到标准测度函数开始收敛为止，通常可以采用均方差作为标准测度函数。k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。
聚类算法可以将46个定量评价指标分为6类，分别对应供应商的资质评价、履约运行评价、风险信用评价、社会行为与责任、供应商生态、供应商创新6个评价维度，生成如表1所示的供应商评价指标体系表。
步骤S230，构建画像。基于上述建模方式和对供应商管理评级的业务理解，从数据层面分析不同簇的评价维度的区别，并增加语义内容，最终得出符合电网企业供应商管理需求的供应商评价分析模型，模型包含资质评价、履约运行评价、风险信用评价、社会行为与责任、供应商生态、供应商创新六大维度，共46个定量指标。基于该模型评定所有合作供应商的得分，根据得分将供应商划分为A、B、C、D四个等级，其中A级供应商得分90-100分，B级得分80-89分，C级得分70-79分，D级得分60-69分，指导企业进行更全面的供应商管理。通过供应商评价分析模型可快速识别特定供应商的异常指标，提高风险防范能力。结合所有供应商的评价结果，可从供应商地域分布、数量发展趋势、供应商等级分布等维度对供应商进行分析，实现精准管理不同等级的供应商，促使供应商提高技术水平、产品质量和服务能力，从而提升电网企业的物资采购能力，为企业招标采购活动提供有效的参考信息和采购策略。
需要说明的是，评价指标可以包括指标名称和指标数据，上述供应商画像生成方法可以通过对指标数据进行收集、预处理、降维、聚类和计算得分，进而构建供应商画像。
图3提供了一个供应商画像资质评价的显示效果图。图4提供了一个供应商画像综合概览的显示效果图。供应商分析评价模型可利用看板进行可视化展示，管理人员可在同一水平对每个指标进行比较，基于风险判别标准快速识别供应商的异常指标。
通过利用基于供应商画像技术的电网企业供应商评价分析模型，可以通过用户画像技术建立供应商评价标签体系，在此之上进行定量打分，避免因业务人员记忆、认知和人情关系造成的评价偏差。通过用户画像技术提升评价标签的深度和广度，可以实现各维度的供应商精准定位和管理。供应商画像通过机器学习算法代替部分重复人工劳动，可以降低管理成本，加快审核速度。根据供应商对公司的战略价值进行优化管理，可以为物资采购提供可靠的业务运营监控入口。
在一个实施例中，如图5所示，提供了一种供应商评价方法，可以包括以下步骤：
步骤S501，获取初始评价指标；
步骤S502，识别所述初始评价指标的指标类型；所述指标类型包括正向指标和负向指标；
步骤S503，若所述指标类型为所述正向指标，则通过对所述初始评价指标进行第一极差变换，得到所述评价指标；
步骤S504，若所述指标类型为所述负向指标，则通过对所述初始评价指标进行第二极差变换，得到所述评价指标；
步骤S505，确定所述评价指标中的核心评价指标；
步骤S506，通过对所述核心评价指标进行聚类，得到核心评价指标聚类簇；
步骤S507，根据所述核心评价指标聚类簇对所述核心评价指标进行统计，得到所述供应商的评价得分；
步骤S508，根据所述评价得分，生成所述供应商的供应商画像；
步骤S509，根据所述供应商画像，识别所述供应商的异常情况；
步骤S510，当识别到所述供应商发生异常情况时，进行异常告警。
应该理解的是，虽然图1、2和5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1、2和5中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种供应商评价装置，包括：获取模块602、筛选模块604、聚类模块606和统计模块608，其中：
获取模块602，用于获取所述供应商的评价指标；
筛选模块604，用于确定所述评价指标中的核心评价指标；
聚类模块606，用于通过对所述核心评价指标进行聚类，得到核心评价指标聚类簇；
统计模块608，用于根据所述核心评价指标聚类簇对所述核心评价指标进行统计，得到所述供应商的评价得分。
在一个实施例中，上述筛选模块604，还用于确定所述评价指标的粗糙集区分矩阵；根据所述粗糙集区分矩阵中的核指标项，得到初始核心评价指标；根据所述粗糙集区分矩阵中的非核指标项，得到候选核心评价指标；通过合并所述初始核心评价指标和所述候选核心评价指标，得到所述核心评价指标。
在一个实施例中，上述筛选模块604，还用于通过去除所述粗糙集区分矩阵中的所述核指标项，得到所述非核指标项；统计所述非核指标项中评价指标的指标出现频率；通过选取所述指标出现频率中的最大值，得到最大出现频率；根据所述最大出现频率对应的评价指标，得到所述候选核心评价指标。
在一个实施例中，上述聚类模块606，还用于确定所述核心评价指标的第一聚类中心；根据所述核心评价指标与所述第一聚类中心之间的聚类距离，对所述核心评价指标进行聚类，得到第一聚类簇；根据所述第一聚类簇的聚类中心，确定第二聚类中心；判断所述第二聚类中心是否符合预设的收敛条件；若是，则根据所述第一聚类簇得到所述核心评价指标聚类簇。
在一个实施例中，上述获取模块602，还用于获取初始评价指标；识别所述初始评价指标的指标类型；所述指标类型包括正向指标和负向指标；若所述指标类型为所述正向指标，则通过对所述初始评价指标进行第一极差变换，得到所述评价指标；若所述指标类型为所述负向指标，则通过对所述初始评价指标进行第二极差变换，得到所述评价指标。
在一个实施例中，上述统计模块608，还用于根据所述核心评价指标聚类簇，确定目标核心评价指标；获取所述目标核心评价指标的指标权重；根据所述目标核心评价指标和所述指标权重，得到所述核心评价指标聚类簇对应的评价得分；根据多个所述核心评价指标聚类簇的评价得分，得到所述供应商的评价得分。
在一个实施例中，上述供应商评价装置，还用于根据所述评价得分，生成所述供应商的供应商画像；根据所述供应商画像，识别所述供应商的异常情况；
当识别到所述供应商发生异常情况时，进行异常告警。
关于供应商评价装置的具体限定可以参见上文中对于供应商评价方法的限定，在此不再赘述。上述供应商评价装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种供应商评价方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取所述供应商的评价指标；确定所述评价指标中的核心评价指标；通过对所述核心评价指标进行聚类，得到核心评价指标聚类簇；根据所述核心评价指标聚类簇对所述核心评价指标进行统计，得到所述供应商的评价得分。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：确定所述评价指标的粗糙集区分矩阵；根据所述粗糙集区分矩阵中的核指标项，得到初始核心评价指标；根据所述粗糙集区分矩阵中的非核指标项，得到候选核心评价指标；通过合并所述初始核心评价指标和所述候选核心评价指标，得到所述核心评价指标。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过去除所述粗糙集区分矩阵中的所述核指标项，得到所述非核指标项；统计所述非核指标项中评价指标的指标出现频率；通过选取所述指标出现频率中的最大值，得到最大出现频率；根据所述最大出现频率对应的评价指标，得到所述候选核心评价指标。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：确定所述核心评价指标的第一聚类中心；根据所述核心评价指标与所述第一聚类中心之间的聚类距离，对所述核心评价指标进行聚类，得到第一聚类簇；根据所述第一聚类簇的聚类中心，确定第二聚类中心；判断所述第二聚类中心是否符合预设的收敛条件；若是，则根据所述第一聚类簇得到所述核心评价指标聚类簇。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取初始评价指标；识别所述初始评价指标的指标类型；所述指标类型包括正向指标和负向指标；若所述指标类型为所述正向指标，则通过对所述初始评价指标进行第一极差变换，得到所述评价指标；若所述指标类型为所述负向指标，则通过对所述初始评价指标进行第二极差变换，得到所述评价指标。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据所述核心评价指标聚类簇，确定目标核心评价指标；获取所述目标核心评价指标的指标权重；根据所述目标核心评价指标和所述指标权重，得到所述核心评价指标聚类簇对应的评价得分；根据多个所述核心评价指标聚类簇的评价得分，得到所述供应商的评价得分。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据所述评价得分，生成所述供应商的供应商画像；根据所述供应商画像，识别所述供应商的异常情况；当识别到所述供应商发生异常情况时，进行异常告警。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取所述供应商的评价指标；确定所述评价指标中的核心评价指标；通过对所述核心评价指标进行聚类，得到核心评价指标聚类簇；根据所述核心评价指标聚类簇对所述核心评价指标进行统计，得到所述供应商的评价得分。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：确定所述评价指标的粗糙集区分矩阵；根据所述粗糙集区分矩阵中的核指标项，得到初始核心评价指标；根据所述粗糙集区分矩阵中的非核指标项，得到候选核心评价指标；通过合并所述初始核心评价指标和所述候选核心评价指标，得到所述核心评价指标。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过去除所述粗糙集区分矩阵中的所述核指标项，得到所述非核指标项；统计所述非核指标项中评价指标的指标出现频率；通过选取所述指标出现频率中的最大值，得到最大出现频率；根据所述最大出现频率对应的评价指标，得到所述候选核心评价指标。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：确定所述核心评价指标的第一聚类中心；根据所述核心评价指标与所述第一聚类中心之间的聚类距离，对所述核心评价指标进行聚类，得到第一聚类簇；根据所述第一聚类簇的聚类中心，确定第二聚类中心；判断所述第二聚类中心是否符合预设的收敛条件；若是，则根据所述第一聚类簇得到所述核心评价指标聚类簇。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取初始评价指标；识别所述初始评价指标的指标类型；所述指标类型包括正向指标和负向指标；若所述指标类型为所述正向指标，则通过对所述初始评价指标进行第一极差变换，得到所述评价指标；若所述指标类型为所述负向指标，则通过对所述初始评价指标进行第二极差变换，得到所述评价指标。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据所述核心评价指标聚类簇，确定目标核心评价指标；获取所述目标核心评价指标的指标权重；根据所述目标核心评价指标和所述指标权重，得到所述核心评价指标聚类簇对应的评价得分；根据多个所述核心评价指标聚类簇的评价得分，得到所述供应商的评价得分。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据所述评价得分，生成所述供应商的供应商画像；根据所述供应商画像，识别所述供应商的异常情况；当识别到所述供应商发生异常情况时，进行异常告警。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种供应商评价方法，其特征在于，所述方法包括：
获取所述供应商的评价指标；
确定所述评价指标的粗糙集区分矩阵，根据所述粗糙集区分矩阵中的核指标项得到初始核心评价指标，通过去除所述粗糙集区分矩阵中的所述核指标项得到非核指标项，统计所述非核指标项中评价指标的指标出现频率，通过选取所述指标出现频率中的最大值，得到最大出现频率，根据所述最大出现频率对应的评价指标，得到候选核心评价指标，通过合并所述初始核心评价指标和所述候选核心评价指标，得到更新后的核心评价指标，在所述粗糙集区分矩阵中删除所述候选核心评价指标，检查所述粗糙集区分矩阵是否为空，若不为空，则将所述更新后的核心评价指标作为所述初始核心评价指标，重新在所述粗糙集区分矩阵中选取所述候选核心评价指标，得到更新后的核心评价指标，直至所述粗糙集区分矩阵为空，将所述更新后的核心评价指标确定为核心评价指标；
通过对所述核心评价指标进行聚类，得到核心评价指标聚类簇；
根据所述核心评价指标聚类簇对所述核心评价指标进行统计，得到所述供应商的评价得分。
2.根据权利要求1所述的方法，其特征在于，所述通过对所述核心评价指标进行聚类，得到核心评价指标聚类簇，包括：
确定所述核心评价指标的第一聚类中心；
根据所述核心评价指标与所述第一聚类中心之间的聚类距离，对所述核心评价指标进行聚类，得到第一聚类簇；
根据所述第一聚类簇的聚类中心，确定第二聚类中心；
判断所述第二聚类中心是否符合预设的收敛条件；
若是，则根据所述第一聚类簇得到所述核心评价指标聚类簇。
3.根据权利要求1所述的方法，其特征在于，所述获取所述供应商的评价指标，包括：
获取初始评价指标；
识别所述初始评价指标的指标类型；所述指标类型包括正向指标和负向指标；
若所述指标类型为所述正向指标，则通过对所述初始评价指标进行第一极差变换，得到所述评价指标；
若所述指标类型为所述负向指标，则通过对所述初始评价指标进行第二极差变换，得到所述评价指标。
4.根据权利要求2所述的方法，其特征在于，所述根据所述核心评价指标聚类簇对所述核心评价指标进行统计，得到所述供应商的评价得分，包括：
根据所述核心评价指标聚类簇，确定目标核心评价指标；
获取所述目标核心评价指标的指标权重；
根据所述目标核心评价指标和所述指标权重，得到所述核心评价指标聚类簇对应的评价得分；
根据多个所述核心评价指标聚类簇的评价得分，得到所述供应商的评价得分。
5.根据权利要求1所述的供应商评价方法，其特征在于，所述方法还包括：
根据所述评价得分，生成所述供应商的供应商画像；
根据所述供应商画像，识别所述供应商的异常情况；
当识别到所述供应商发生异常情况时，进行异常告警。
6.一种供应商评价装置，其特征在于，所述装置包括：
获取模块，用于获取所述供应商的评价指标；
筛选模块，用于确定所述评价指标的粗糙集区分矩阵，根据所述粗糙集区分矩阵中的核指标项得到初始核心评价指标，通过去除所述粗糙集区分矩阵中的所述核指标项得到非核指标项，统计所述非核指标项中评价指标的指标出现频率，通过选取所述指标出现频率中的最大值，得到最大出现频率，根据所述最大出现频率对应的评价指标，得到候选核心评价指标，通过合并所述初始核心评价指标和所述候选核心评价指标，得到更新后的核心评价指标，在所述粗糙集区分矩阵中删除所述候选核心评价指标，检查所述粗糙集区分矩阵是否为空，若不为空，则将所述更新后的核心评价指标作为所述初始核心评价指标，重新在所述粗糙集区分矩阵中选取所述候选核心评价指标，得到更新后的核心评价指标，直至所述粗糙集区分矩阵为空，将所述更新后的核心评价指标确定为核心评价指标；
聚类模块，用于通过对所述核心评价指标进行聚类，得到核心评价指标聚类簇；
统计模块，用于根据所述核心评价指标聚类簇对所述核心评价指标进行统计，得到所述供应商的评价得分。
7.根据权利要求6所述的装置，其特征在于，所述聚类模块，还用于确定所述核心评价指标的第一聚类中心；根据所述核心评价指标与所述第一聚类中心之间的聚类距离，对所述核心评价指标进行聚类，得到第一聚类簇；根据所述第一聚类簇的聚类中心，确定第二聚类中心；判断所述第二聚类中心是否符合预设的收敛条件；若是，则根据所述第一聚类簇得到所述核心评价指标聚类簇。
8.根据权利要求6所述的装置，其特征在于，所述获取模块，还用于获取初始评价指标；识别所述初始评价指标的指标类型；所述指标类型包括正向指标和负向指标；若所述指标类型为所述正向指标，则通过对所述初始评价指标进行第一极差变换，得到所述评价指标；若所述指标类型为所述负向指标，则通过对所述初始评价指标进行第二极差变换，得到所述评价指标。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN202010933813.1A 2020-09-08 2020-09-08 供应商评价方法、装置、计算机设备和存储介质 Active CN112926816B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010933813.1A CN112926816B (zh) 2020-09-08 2020-09-08 供应商评价方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010933813.1A CN112926816B (zh) 2020-09-08 2020-09-08 供应商评价方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN112926816A CN112926816A (zh) 2021-06-08
CN112926816B true CN112926816B (zh) 2023-09-22

Family

ID=76163368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010933813.1A Active CN112926816B (zh) 2020-09-08 2020-09-08 供应商评价方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112926816B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354664A (zh) * 2015-10-21 2016-02-24 江苏省电力公司 一种输变电工程项目造价风险评价指标体系优化的方法
CN106503919A (zh) * 2016-11-03 2017-03-15 国家电网公司 一种基于供电分区特性的配电网评价方法
CN109146259A (zh) * 2018-07-30 2019-01-04 华北电力大学 一种基于灰色聚类评估的独立售电公司发展潜力评价方法
WO2019061976A1 (zh) * 2017-09-28 2019-04-04 平安科技（深圳）有限公司 基金产品推荐方法、装置、终端设备及存储介质
CN109872050A (zh) * 2019-01-23 2019-06-11 平安科技（深圳）有限公司 供应商风险评估处理方法、装置、计算机设备和存储介质
CN110969346A (zh) * 2019-11-22 2020-04-07 江苏省环境科学研究院 基于指标筛选的流域水生态功能分区治理需求评价方法
CN111242430A (zh) * 2019-12-31 2020-06-05 国网北京市电力公司 电力设备供应商评价方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354664A (zh) * 2015-10-21 2016-02-24 江苏省电力公司 一种输变电工程项目造价风险评价指标体系优化的方法
CN106503919A (zh) * 2016-11-03 2017-03-15 国家电网公司 一种基于供电分区特性的配电网评价方法
WO2019061976A1 (zh) * 2017-09-28 2019-04-04 平安科技（深圳）有限公司 基金产品推荐方法、装置、终端设备及存储介质
CN109146259A (zh) * 2018-07-30 2019-01-04 华北电力大学 一种基于灰色聚类评估的独立售电公司发展潜力评价方法
CN109872050A (zh) * 2019-01-23 2019-06-11 平安科技（深圳）有限公司 供应商风险评估处理方法、装置、计算机设备和存储介质
CN110969346A (zh) * 2019-11-22 2020-04-07 江苏省环境科学研究院 基于指标筛选的流域水生态功能分区治理需求评价方法
CN111242430A (zh) * 2019-12-31 2020-06-05 国网北京市电力公司 电力设备供应商评价方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于粗糙集的指标体系优化及评价方法研究;李远远;《浙江大学学报》;20100731;第411-415页 *
基于粗糙集的综合评价优化模型;刘欢;《湖南工程学院学报(自然科学版)》;20160625(第02期);第44-49页 *
王学东等.《电子商务管理第3版》.重庆大学出版社,2017,第242-252页. *

Also Published As

Publication number Publication date
CN112926816A (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
EP1361526A1 (en) Electronic data processing system and method of using an electronic processing system for automatically determining a risk indicator value
US20080221950A1 (en) Storage medium having requirement confirmation support program stored therein, requirement confirmation support method, and requirement confirmation support apparatus
US10019681B2 (en) Multidimensional recursive learning process and system used to discover complex dyadic or multiple counterparty relationships
US11921737B2 (en) ETL workflow recommendation device, ETL workflow recommendation method and ETL workflow recommendation system
CN112598294A (zh) 在线建立评分卡模型的方法、装置、机器可读介质及设备
CN112270596A (zh) 基于用户画像构建的风险控制系统及方法
CN113313538A (zh) 用户消费能力预测方法、装置、电子设备和存储介质
CN111445028A (zh) Ai驱动的交易管理系统
CN115689407A (zh) 账户异常检测方法、装置以及终端设备
CN112926816B (zh) 供应商评价方法、装置、计算机设备和存储介质
CN116468273A (zh) 客户风险识别方法及装置
CN116523301A (zh) 基于电商大数据进行风险评级预测的系统
Bendechache et al. A Systematic Survey of Data Value: Models, Metrics, Applications and Research Challenges
CN115641198A (zh) 用户运营方法、装置、电子设备和存储介质
US20150356574A1 (en) System and method for generating descriptive measures that assesses the financial health of a business
Mahalle et al. Data Acquisition and Preparation
Chen et al. Strategic Decision-making Processes of NPD by Hybrid Classification Model Techniques
CN116933187B (zh) 一种财务报销单据数字化处理方法及系统
Wilfred A Big Data Approach to Accounting Fraud Detection Using Data Envelopment Analysis and One Class Support Vector Machine
ABIDAR et al. Predicting Customer Segment Changes to Enhance Customer Retention: A Case Study for Online Retail using Machine Learning
KR20210112974A (ko) 시장 집중도를 이용한 브랜드 지수 생성 시스템 및 방법과 이를 위한 컴퓨터 프로그램
Jayendran et al. Inventory Classification and Management System Using Machine Learning and Analytical Dashboard: A Case Study of a Manufacturing Industry
Alizadeh et al. An OWA-Powered Dynamic Customer Churn Modeling in the Banking Industry Based on Customer Behavioral Vectors
CN115879801A (zh) 一种用于电网供应商的企业经营异常预警方法及装置
CN115936748A (zh) 一种商业大数据分析方法及系统

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
GR01 Patent grant
GR01 Patent grant