CN113537656A - 评估供应商服务质量的方法、系统、设备和介质 - Google Patents
评估供应商服务质量的方法、系统、设备和介质 Download PDFInfo
- Publication number
- CN113537656A CN113537656A CN202010288089.1A CN202010288089A CN113537656A CN 113537656 A CN113537656 A CN 113537656A CN 202010288089 A CN202010288089 A CN 202010288089A CN 113537656 A CN113537656 A CN 113537656A
- Authority
- CN
- China
- Prior art keywords
- service
- quality
- computer
- future
- provider
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000011156 evaluation Methods 0.000 claims abstract description 43
- 238000013179 statistical model Methods 0.000 claims abstract description 37
- 238000003860 storage Methods 0.000 claims abstract description 17
- 238000009826 distribution Methods 0.000 claims description 21
- 238000000540 analysis of variance Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 11
- 238000012384 transportation and delivery Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 5
- 238000001543 one-way ANOVA Methods 0.000 claims description 4
- 238000007492 two-way ANOVA Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 238000003908 quality control method Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 235000000332 black box Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- 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
- G06Q10/06395—Quality analysis or management
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及对供应商的未来服务质量进行评估的计算机实现的方法、装置、计算机系统和存储介质。该方法包括：获取多个供应商的历史服务质量指标的数据集；利用至少两个不同的统计模型独立分析历史服务质量指标的数据集，以分别获得多个供应商的未来服务质量的初步评估结果；以及对初步评估结果进行加权平均以获得多个供应商的未来服务质量的最终评估结果。本公开实施例能够有效克服某个具体统计模型的假设前提不满足或者评估结果不可靠的问题，从而提供对供应商的未来服务质量的可靠评估结果。
Description
技术领域
本公开涉及工业生产中供应链的质量评估和管理，具体涉及评估供应商服务质量的方法、系统、设备和介质。
背景技术
工业生产中系统集成商需要从大量供应商订购原材料和零部件来装配成产品。例如，汽车生产厂商可能需要长期从几百个供应商处获取各种零部件来组装形成整车产品。当供应商出现服务质量问题(例如产品不合格或者配送错误)时，会延误生产周期，影响产品性能，给汽车生产厂商带来经济上的损失。因此，作为质量控制的重要环节，有必要基于供应商的历史服务质量指标(例如产品合格率或配送错误率)数据来对其未来服务质量进行评估。汽车生产厂商可以基于评估结果对供应商进行调整，以优化供应链的质量和效率。
统计学上已有各种模型来对历史观察值进行统计分析。然而，各个统计模型都要求在观察值满足一定的假设条件时才可以使用。例如，方差分析模型要求各组观察值服从正态分布或近似正态分布，并且各组之间的方差具有齐性；零膨胀泊松(ZIP)模型要求观察值中存在较多零值且非零值部分满足泊松分布；二项分布要求每次试验之间是独立的。在实际使用中，往往很难验证已收集的观察值是否满足这些假设条件，或者观察值并不能严格满足假设条件。利用已知的统计模型对供应商的历史服务质量数据进行分析面临挑战。
另外，诸如神经网络的算法虽然也可以基于历史观察值来预测未来，但它是一种“黑盒”模型，可解释性有限。人们无法从中观察到众多相关因素中哪些是对结果观察值有显著影响的，从而帮助做出更有针对性的决策。
发明内容
根据本公开的第一方面，提供一种用于对供应商的未来服务质量进行评估的计算机实现的方法，包括：获取多个供应商的历史服务质量指标的数据集；利用至少两个不同的统计模型独立分析历史服务质量指标的数据集，以分别获得多个供应商的未来服务质量的初步评估结果；以及对初步评估结果进行加权平均以获得多个供应商的未来服务质量的最终评估结果。
根据本公开另一方面，提供一种计算机系统，包括：处理器，和与处理器耦接的存储器，所述存储器存储计算机可读程序指令，所述指令在被所述处理器执行时执行如上所述的方法。
根据本公开又一方面，提供一种计算机可读存储介质，其上存储计算机可读程序指令，所述指令在被所述处理器执行时执行如上所述的方法。
根据本公开又一方面，提供一种用于对供应商的未来服务质量进行评估的计算机实现的装置，包括用于实现如上所述的方法的操作的单元。
附图说明
图1是示出示出根据本公开实施例的用于对供应商的未来服务质量进行评估的计算机实现的方法的流程图。
图2是根据本公开实施例的多个供应商的历史服务质量指标的数据集的示例。
图3是当所采用的统计模型之一为方差分析时，图1的步骤200的一种示例性实现方式。
图3A是将图2所示的数据集进行分组的一个示例。
图4是当所采用的统计模型之一为零膨胀泊松分布时，图1的步骤200的一种示例性实现方式。
图5是当所采用的统计模型之一为二项式分布时，图1的步骤200的一种示例性实现方式。
图6是当所采用的统计模型之一为神经网络时，图1的步骤200的一种示例性实现方式。
图7是示出可以实现根据本公开实施例的系统的一般硬件环境的示意图。
具体实施方式
提供以下描述以使得本领域的技术人员能够实现和使用所述实施例，并且以下描述是以特定应用程序及其要求的上下文提供的。各种修改形式对于本领域的技术人员而言将是显而易见的，并且本文中所限定的一般性原则可应用于其他实施例和应用程序，而不脱离所述实施例的实质和范围。因此，所述实施例不限于所示出的实施例，而是要被赋予符合本文所公开的原理和特征的最宽泛的范围。
本公开实施例提供对供应商的未来服务质量进行评估的计算机实现的方法、系统、设备和介质。该方法包括获取多个供应商的历史服务质量指标的数据集。该方法利用至少两个不同的统计模型来对历史服务质量指标的数据集进行独立分析，分别获得该多个供应商的未来服务质量的初步评估结果。该方法进一步通过对各个初步评价结果进行加权平均，来获得最终评估结果。
根据本公开实施例的评估方法在使用各种统计模型时不需要对模型的假设前提进行检验。通过对多个统计模型获得的初步评估结果进行加权平均，能够有效克服某个具体统计模型的假设前提不满足或者评估结果不可靠的问题，从而提供对供应商的未来服务质量的可靠评估结果。
图1是示出根据本公开实施例的用于对供应商的未来服务质量进行评估的计算机实现的方法的流程图。
如图1所示，方法包括步骤S100，在该步骤中，获取多个供应商的历史服务质量指标的数据集。
如本文所述的供应商是指提供一种产品，或者进一步提供该产品的配送的厂商。提供两种以上不同产品的同一供应商可以按产品被视为多个供应商。对供应商服务质量的评估可以从产品和配送两方面进行。相应地，作为非限制性的示例，服务质量指标可以是产品合格率(PQR)或配送错误率(WDR)。产品合格率是指一段时间内由供应商提供的产品中不合格产品的数量与产品总数量的比值。配送错误率是指一段时间内供应商配送发生错误的数量与配送总数量的比值。
多个供应商的历史服务质量指标的数据集可以是反映多个供应商在相同的一段过去时间内的服务质量指标的数据集。该数据集可以包括供应商名称、供应商属性和历史服务质量指标。供应商属性可以包括与历史服务质量指标相关联的至少一个属性。
图2示出了根据本公开实施例的多个供应商的历史服务质量指标的数据集的示例，其中历史服务质量指标是错误配送率(WDR)。如图2所示，供应商属性可以是“供应零件数量”、“零件标签是否可扫描”、“是否有非满仓控制过程”、“质检过程”、“是否有外部仓库”。在另外的示例中，供应商属性还可以替代地或者附加地包括“是否有重新打包过程”、“是否有相似零件”、“是否有调度Poka-Yoke过程”、“是否有分类处理”、“是否有外购零件”、“供应标准体系”等。供应商属性中的一个或多个可能会影响WDR的大小。不同供应商属性可以有不同的取值类型和范围。例如，“是否有外部仓库”的取值为二元布尔类型，即“是”和“否”；“供应零件数量”的取值为数值/数值范围，包括“1”、“2-12”和“>12”；“质检过程”的取值则为更复杂的类别：“无”、“人工”、“半自动”(未示出)和“全自动”。
返回到图1，方法还包括步骤S200，在该步骤中，利用至少两个不同的统计模型独立分析历史服务质量指标的数据集，以分别获得多个供应商的未来服务质量的初步评估结果。
在一些实施例中，可以利用第一统计模型分析该数据集，获得关于多个供应商的未来服务质量的第一初步评估结果；利用第二统计模型分析该数据集，获得相应的第二初步评估结果。在另一些实施例中，还可以使用第三或者更多统计模型来进行分析，以得到第三或者更多的初步评估结果。初步评估结果与统计模型相对应。
在一些实施例中，为了获得多个供应商的未来服务质量的初步评估结果，该方法首先利用统计模型分析来获得多个供应商的未来服务质量的表征值，然后将表征值映射为多个供应商的初步评估结果。未来服务质量的表征值可以包括预测/估计的未来服务质量指标或者是与未来服务质量指标相关联的值。例如，在评估供应商WDR的示例中，利用统计模型可以获得未来WDR的预测值，也可以获得与未来WDR相关联的间接值。将表征值映射为初步评估结果可以包括按照表征值的大小对多个供应商进行排序或者评分，并将所得的排序结果或者得分值作为供应商的初步评价结果。在利用各个统计模型获得的未来服务质量的表征值是不同类型或者不同量级时，将表征值映射为初步评估结果是有利的，因为这起到了规范化的作用，从而便于执行如下文将描述的加权平均处理。
在另一些实施例中，例如各统计模型进行分析得到的都是预测/估计的未来服务质量指标，可以将其直接作为初步评估结果，而不进行映射。
至少两个不同的统计模型可以包括各类已知统计、分类模型中的至少两个，诸如单因素方差分析(One-way ANOVA)、二因素方差分析(Two-way ANOVA)、零膨胀泊松(ZIP)分布、二项式分布和神经网络等。稍后将结合图3-7具体介绍利用这些模型对历史服务质量指标的数据集进行分析的示例方法。
图1的方法还包括步骤S300，在该步骤中，对各个统计模型对应的初步评估结果进行加权平均以获得多个供应商的未来服务质量的最终评估结果。
在一些实施例中，加权平均处理时所用的权重可以是质量控制人员根据过往经验、对供应商的客观了解或者数据集的特点进行设定的。例如，当数据集中历史服务质量指标出现校对零值时，可以对依据ZIP模型获得的初步评估结果赋予较大的权重。又例如，若质量控制人员发现某个或某些供应商属性对服务质量指标具有决定性的影响时，可以对依据方差分析的初步评估结果赋予较大的权重。
在另一些实施例中，可以基于多个供应商的未来服务质量的真实观测结果与最终评估结果之间的差异对加权平均时使用的权重进行调整。若真实观测结果与最终评估结果之间差异较大，则可以对权重进行相应调整，直至真实观测结果与最终评估结果基本吻合或接近。这就形成了一个闭环反馈控制系统，能够提高评估方法的准确性。
图3示出了当所采用的统计模型之一为方差分析时，图1的步骤200的一种示例性实现方式。方差分析模型包括单因素方差分析、二因素方差分析和其它方差分析方法。在使用方差分析模型时，将供应商属性作为自变量(二分类变量或多分类变量)，将历史服务质量指标作为因变量，评估由自变量引起的因变量的变异是否具有统计学意义(亦称为“显著性”)。
在步骤S2301，对于供应商的每一个供应商属性，基于该供应商属性的不同取值将多个供应商的历史服务质量指标的数据集分组。图3A示出了将图2所示的数据集按照“是否有外部仓库”的供应商属性的取值(“是”和“否”)分成两组的情形。在数据集中，具有外部仓库的一组的观察值(即，WDR计数)有170个，不具有外部仓库的一组的观察值有28个。在一些实施例中，供应商属性可能为多分类变量(如图2中的“供应零件数量”属性)。此时，可以将历史服务质量指标的数据集分成与供应商属性的取值类别的数量对应的多个组。
在步骤S2302，利用方差分析模型确定该供应商属性是否具有显著性。基于方差分析方法确定自变量对因变量的显著性的具体实现步骤对本领域技术人员而言是已知的，在此不作具体介绍。总体而言，确定显著性的过程涉及分别计算步骤S2301中分组的组内均方和组间均方，用组内均方除以组间均方(即F值)与1相比较，若F值与1接近1，则确定用以分组的供应商属性不具有显著性；否则，若F值远大于1，则确定该供应商属性具有显著性。例如，对于图3A的示例，若计算出F值远大于1，则确定“是否有外部仓库”的供应商属性具有显著性。
在步骤S2303，响应于在步骤S2302中确定某一供应商属性具有显著性，则基于在步骤S2301依照该供应商属性得到的分组的组内平均值来计算该供应商属性在不同取值的影响因子。在一些实施例中，可以将组内平均值最小的那组对应的供应商属性的取值对应影响因子确定为0，而其余取值对应的影响因子为其相应组内平均值与最小组内平均值的差。例如，对于图3A的示例，若确定“是否有外部仓库”的供应商属性具有显著性，则基于具有外部仓库的一组的WDR均值(即0.00766)与不具有外部仓库的一组的WDR均值(即0.00357)可以确定供应商属性“是否有外部仓库”取值为“否”的影响因子是0，而供应商属性“是否有外部仓库”取值为“是”时的影响因子是两者之差(即0.00409)。
可以对供应商的每个供应商属性重复步骤S2301～S2303，以确定具有显著性的所有供应商属性以及每个具有显著性的供应商属性在不同取值的影响因子。
在步骤S2304，对每个供应商计算其具有显著性的供应商属性在相应取值的影响因子的和值。例如，某个供应商拥有3个具有显著性的供应商属性，每个供应商属性在相应取值的影响因子在步骤S2302中计算获得，则对该供应商计算这3个具有显著性的供应商属性的影响因子的和值。对每个供应商都可以进行这样的计算，由此多个供应商对应有多个和值。
在步骤S2305，基于每个供应商的和值确定该供应商的未来服务质量的初步评估结果。如以上针对步骤S200所描述的，基于和值确定初步评估结果的步骤可以包括将每个供应商的和值映射为该供应商的初步评估结果。具体而言，映射可以包括按照和值的大小对多个供应商进行排序或者评分，并将所得的排序结果或者得分值作为供应商的初步评价结果。
作为一个具体的示例，在使用方差分析对图2的数据集进行分析时，可以对“供应商A”、“供应商B”和“供应商C”分别按照具有显著性的供应商属性的影响因子计算和值，然后依照和值进行排序，譬如“供应商A”、“供应商B”和“供应商C”可以分别获得排序结果值“1”、“2”和“3”。
可以看到，基于方差分析模型的方法不仅可以获得供应商的初步评价结果，而且过程具有可观察性和可解释性。质量控制人员能够由此确定哪些供应商属性对于供应商的服务质量具有重要影响。这在管理已有的供应商和选择新的供应商时具有很好的参考价值。
图4示出了当所采用的统计模型之一为零膨胀泊松分布(ZIP)时，图1的步骤200的一种示例性实现方式。
在步骤S2401，基于多个供应商的历史服务质量指标的数据集获得ZIP模型的参数。具体地，该步骤包括对输入数据集进行重新编写，包括且不限于：将多类别的自变量(即供应商属性)转变为虚拟变量以及将波动范围较大的自变量做归一化处理。该步骤还包括利用重新编写后的数据集计算ZIP模型参数。利用重新编写后的数据集计算ZIP模型参数的方法可以采用本领域技术人员公知的各种现有技术。
在步骤S2402，利用ZIP模型预测每个供应商的未来服务质量指标。具体地，可以将每个供应商的供应商属性经过步骤S2401中的重新编写后输入到确定了参数的ZIP模型，根据模型结构进行计算该供应商的未来服务质量指标。
在步骤S2403，基于预测的每个供应商的未来服务质量指标确定该供应商的未来服务质量的初步评估结果。如以上针对步骤S200所描述的，初步评估结果可以直接为预测的未来服务质量指标，也可以是将预测的未来服务质量指标进行映射的结果。具体而言，映射可以包括按照预测的未来服务质量指标的大小对多个供应商进行排序或者评分，并将所得的排序结果或者得分值作为供应商的初步评价结果。
图5示出了当所采用的统计模型之一为二项式分布时，图1的步骤200的一种示例性实现方式。
在步骤S2501，基于历史服务质量指标的数据集获得每个供应商的二项式分布模型的参数。在一些实施例中，可以将一个供应商在一段时间内的历史服务质量指标(例如，产品合格率或者配送错误率)作为针对该供应商的二项式分布中的p参数值。
在步骤S2502，利用二项式分布模型计算每个供应商的与未来服务质量相关联的期望值。以历史服务质量指标为配送错误率为例，可以根据下式表示的二项式分布计算出当未来配送次数为n时，该供应商发生k次配送错误的概率分布p(X＝k)。接下来对k为0至n中的每一个整数时k*p(X＝k)进行求和计算出数学期望，作为与未来服务质量相关联的期望值。
在步骤S2503，基于每个供应商的与未来服务质量相关联的期望值确定该供应商的未来服务质量的初步评估结果。如以上针对步骤S200所描述的，初步评估结果可以直接为与未来服务质量相关联的期望值，也可以是将与未来服务质量相关联的期望值进行映射的结果。具体而言，映射可以包括按照与未来服务质量相关联的期望值的大小对多个供应商进行排序或者评分，并将所得的排序结果或者得分值作为供应商的初步评价结果。
图6示出了当所采用的统计模型之一为神经网络时，图1的步骤200的一种示例性实现方式。
在步骤S2601，基于历史服务质量指标的数据集对神经网络模型进行训练。在训练前，可以对输入数据集进行预处理，包括但不限于：将多类别的自变量(即供应商属性)转变为虚拟变量，将波动范围较大的自变量做归一化处理以及确定训练数据集和验证数据集的大小。
在步骤S2602，利用经训练的神经网络模型预测每个供应商的未来服务质量指标。经训练的神经网络模型能够识别供应商属性与服务质量指标之间的关联性，从而基于每个供应商的供应商属性来对其未来服务质量指标进行预测。
在步骤S2603，基于预测的每个供应商的未来服务质量指标确定该供应商的未来服务质量的初步评估结果。如以上针对步骤S200所描述的，初步评估结果可以直接为预测的未来服务质量指标，也可以是将预测的未来服务质量指标进行映射的结果。具体而言，映射可以包括按照预测的未来服务质量指标的大小对多个供应商进行排序或者评分，并将所得的排序结果或者得分值作为供应商的初步评价结果。
图7是示出可以实现根据本公开实施例的系统的一般硬件环境的示意图。
现在参考图7，示出了计算节点700的示例的示意图。计算节点700仅是合适的计算节点的一个示例，并且不旨在暗示关于本文描述的实施例的使用范围或功能的任何限制。无论如何，计算节点700都能够实现和/或执行上文阐述的任何功能。
在计算节点700中，存在计算机系统/服务器7012，其可与众多其它通用或专用计算系统环境或配置一起操作。可适于与计算机系统/服务器7012一起使用的众所周知的计算系统、环境和/或配置的示例包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、多处理器系统、基于微处理器的系统、机顶盒、可编程消费电子产品、网络PC、小型计算机系统﹑大型计算机系统和包括任意上述系统或设备的分布式云计算技术环境，等等。
计算机系统/服务器7012可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。一般而言，程序模块可以包括执行特定的任务或者实现特定的抽象数据类型的例程、程序、对象、组件、逻辑、数据结构等。计算机系统/服务器7012可以在分布式云计算环境中实践，其中由通过通信网络链接的远程处理设备执行任务。在分布式云计算环境中，程序模块可以位于包括存储器存储设备的本地或远程计算机系统存储介质二者上。
如图7所示，计算节点700中的计算机系统/服务器7012以通用计算设备的形式示出。计算机系统/服务器7012的组件可以包括但不限于：一个或者多个处理器或者处理单元7016、系统存储器7028、将包括系统存储器7028的不同系统组件耦合到处理单元7016的总线7018。
总线7018表示至少一个类型的总线结构中的任意一种或多种，包括存储器总线或者存储器控制器、外围总线、加速图形端口、处理器或者使用各种总线结构中的任意总线结构的局部总线。作为示例而非限制，这些体系结构包括但不限于工业标准体系结构(ISA)总线、微通道体系结构(MAC)总线、增强型ISA总线、视频电子标准协会(VESA)局部总线、外围组件互连(PCI)总线、外围组件互连高速(PCIe)和先进微控制器总线体系架构(AMBA)。
计算机系统/服务器7012典型地包括各种计算机系统可读介质。这些介质可以是由计算机系统/服务器7012访问的任意可得介质，包括易失性和非易失性介质、可移除的和不可移除的介质。
系统存储器7028可以包括以易失性存储器的形式的计算机系统可读介质，诸如随机存取存储器(RAM)30和/或高速缓存存储器7032。计算机系统/服务器7012还可以包括其它可移除/不可移除的、易失性/非易失性的计算机系统存储介质。仅作为示例，可以提供用于从不可移除的非易失性磁介质(未示出，并且通常被称为“硬盘驱动器”)读取以及向不可移除的非易失性磁介质写入的存储系统7034。虽然未示出，可以提供用于从可移除的非易失性磁盘(例如“软盘”)读取以及向可移除的非易失性磁盘写入的磁盘驱动器，以及用于从可移除的非易失性光盘(诸如CD-ROM、DVD-ROM或者其它光介质)读取以及向可移除的非易失性光盘写入的光盘驱动器。在这些情况下，每个都可以通过一个或者多个数据介质接口连接到总线7018。如下文将进一步描绘和描述的，存储器7028可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本公开的实施例的功能。
通过示例而非限制，具有一组(至少一个)程序模块7042的程序/实用程序7040以及操作系统、一个或者多个应用程序、其它程序模块以及程序数据可被存储在存储器7028中。操作系统、一个或多个应用程序、其它程序模块以及程序数据或其某个组合中的每一个都可以包括网络环境的实现。程序模块7042一般执行如本文所描述的实施例中的功能和/或方法。
计算机系统/服务器7012还可以与一个或多个外部设备7014(诸如键盘、指示设备、显示器7024等)、使用户能够与计算机系统/服务器7012交互的一个或多个设备和/或使计算机系统/服务器7012能够与一个或多个其它计算设备通信的任何设备(例如，网卡、调制解调器等)进行通信。这种通信可以经由输入/输出(I/O)接口22发生。还有，计算机系统/服务器7012可以经由网络适配器20与一个或多个网络(诸如局域网(LAN)、通用广域网(WAN)和/或公共网络(例如，互联网))进行通信。如所描绘的，网络适配器20经由总线7018与计算机系统/服务器7012的其它组件通信。应当理解的是，虽然未示出，但是其它硬件和/或软件组件可以与计算机系统/服务器7012结合使用。示例包括但不限于：微代码、设备驱动器、冗余处理单元、外部盘驱动器阵列、RAID系统、磁带驱动器和数据存档存储系统等。
本公开可以被实施为系统、方法和/或计算机程序产品。该计算机程序产品可以包括(一个或多个)计算机可读存储介质，其上具有计算机可读程序指令，用于使处理器执行本公开的方面。
计算机可读存储介质可以是可以保持和存储用于由指令执行设备使用的指令的有形设备。计算机可读存储介质可以是例如(但不限于)电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的示例的非穷举的列表包括以下：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字通用盘(DVD)、记忆棒、软盘、机械编码设备(诸如其上存储有指令的打孔卡或凹槽内凸起结构)以及上述的任意合适的组合。如本文所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其它自由传播的电磁波、通过波导或其它传输介质传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
本文所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络(例如互联网、局域网、广域网和/或无线网)下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配器卡或者网络接口从网络接收计算机可读程序指令，并转发这些计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开的操作的计算机可读程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、依赖机器的指令、微代码、固件指令、状态设置数据，或者以一种或多种编程语言的任意组合编写的或者源代码或者目标代码，这些编程语言包括面向对象的编程语言(诸如Smalltalk、C++等)以及常规过程式编程语言(诸如“C”编程语言或类似的编程语言)。计算机可读程序指令可以完全地在用户的计算机上执行、部分地在用户的计算机上执行、作为独立的软件包执行、部分在用户的计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络(包括局域网(LAN)或广域网(WAN))连接到用户的计算机，或者，可以连接到外部计算机(例如使用互联网服务提供商通过互联网)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，以便执行本公开的方面。
本文参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的方面。将理解的是，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以被提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器以生产出机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/行为的装置。这些计算机可读程序指令也可被存储在计算机可读存储介质中，这些计算机可读程序指令可以指导计算机、可编程数据处理装置和/或其它设备以特定方式工作，从而，其中存储有指令的计算机可读介质包括制造品，该制造品包括实现流程图和/或框图中的一个或多个方框中规定的功能/行为的方面的指令。
计算机可读程序指令也可被加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程装置或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/行为。
图中的流程图和框图显示了根据本公开的各个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表模块、段或指令的一部分，该模块、段或指令的一部分包含用于实现规定的(一个或多个)逻辑功能的一个或多个可执行指令。在一些替换的实现中，方框中所标注的功能也可以以不同于图中所标注的顺序发生。例如，取决于所涉及的功能，两个连续的方框实际上可以基本并行地执行，或者这些方框有时也可以按相反的顺序执行。还将注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以由执行规定的功能或行为的或执行专用硬件与计算机指令的组合的基于专用硬件的系统来实现。
本领域技术人员还应当理解，在本公开的实施例中按照顺序例示的各种操作并不一定必须按照例示的顺序执行。本领域技术人员可以根据需要调整操作的顺序。本领域技术人员还可以根据需要，增加更多的操作或省略其中一些操作。
对本公开的各种实施例的描述已经出于说明的目的给出，但是并不旨在是详尽的或限制于所公开的实施例。在不脱离所描述的实施例的范围和精神的情况下，许多修改和变化对于本领域普通技术人员来说将是显然的。选择本文使用的术语，以最好地解释实施例的原理、实际应用或对市场中发现的技术的技术改进，或者使本领域其他技术人员能够理解本文公开的实施例。
Claims (13)
1.一种用于对供应商的未来服务质量进行评估的计算机实现的方法，包括：
获取多个供应商的历史服务质量指标的数据集；
利用至少两个不同的统计模型独立分析所述历史服务质量指标的数据集，以分别获得所述多个供应商的未来服务质量的初步评估结果；以及
对所述初步评估结果进行加权平均以获得所述多个供应商的未来服务质量的最终评估结果。
2.如权利要求1所述的计算机实现的方法，其中所述服务质量指标包括产品合格率或配送错误率。
3.如权利要求1所述的计算机实现的方法，其中获得所述多个供应商的未来服务质量的初步评估结果包括：
获得所述多个供应商的未来服务质量的表征值；以及
将所述未来服务质量的表征值映射为所述多个供应商的初步评估结果。
4.如权利要求1所述的计算机实现的方法，其中所述历史服务质量指标的数据集至少包括供应商名称、供应商属性和历史服务质量指标。
5.如权利要求4所述的计算机实现的方法，其中所述至少两个不同的统计模型至少包括方差分析模型，其中利用所述至少两个不同的统计模型独立分析所述历史服务质量指标的数据集，以分别获得所述初步评估结果包括：
基于所述供应商属性中的至少一个的不同取值将所述历史服务质量指标的数据集分组；
利用方差分析模型确定所述至少一个供应商属性是否具有显著性；
响应于确定所述至少一个供应商属性具有显著性，基于组内平均值计算所述至少一个供应商属性在不同取值的影响因子；
对每个供应商计算其供应商属性中具有显著性的供应商属性在相应取值的影响因子的和值；以及
基于每个供应商的和值确定该供应商的未来服务质量的初步评估结果。
6.如权利要求5所述的计算机实现的方法，其中所述方差分析模型包括单因素方差分析或二因素方差分析。
7.如权利要求1所述的计算机实现的方法，其中所述至少两个不同的统计模型至少包括零膨胀泊松分布(ZIP)模型，其中利用所述至少两个不同的统计模型独立分析所述历史服务质量指标的数据集，以分别获得所述初步评估结果包括：
基于所述历史服务质量指标的数据集获得所述ZIP模型的参数；
利用所述ZIP模型预测每个供应商的未来服务质量指标；以及
基于预测的每个供应商的未来服务质量指标确定该供应商的未来服务质量的初步评估结果。
8.如权利要求1所述的计算机实现的方法，其中所述至少两个不同的统计模型至少包括二项式分布模型，其中利用所述至少两个不同的统计模型独立分析所述历史服务质量指标的数据集，以分别获得所述初步评估结果包括：
基于所述历史服务质量指标的数据集确定所述二项式分布模型的参数；
利用所确定的二项式分布模型计算每个供应商的与未来服务质量相关联的期望值；以及
基于每个供应商的未来服务质量的期望值确定该供应商的与未来服务质量相关联的初步评估结果。
9.如权利要求1所述的计算机实现的方法，其中所述至少两个不同的统计模型至少包括神经网络模型，其中利用所述至少两个不同的统计模型独立分析所述历史服务质量指标的数据集，以分别获得所述初步评估结果包括：
基于所述历史服务质量指标的数据集对所述神经网络模型进行训练；
利用经训练的神经网络模型预测每个供应商的未来服务质量指标；以及
基于预测的每个供应商的未来服务质量指标确定该供应商的未来服务质量的初步评估结果。
10.如权利要求1所述的计算机实现的方法，还包括：
基于所述多个供应商的未来服务质量的真实观测结果与所述最终评估结果之间的差异对加权平均时使用的权重进行调整。
11.一种计算机系统，包括：
处理器，和
与处理器耦接的存储器，所述存储器存储计算机可读程序指令，所述指令在被所述处理器执行时执行如权利要求1-10中任一项所述的方法。
12.一种计算机可读存储介质，其上存储计算机可读程序指令，所述指令在被所述处理器执行时执行如权利要求1-10中任一项所述的方法。
13.一种用于对供应商的未来服务质量进行评估的计算机实现的装置，包括用于实现如权利要求1-10中任一项所述的方法的操作的单元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010288089.1A CN113537656A (zh) | 2020-04-14 | 2020-04-14 | 评估供应商服务质量的方法、系统、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010288089.1A CN113537656A (zh) | 2020-04-14 | 2020-04-14 | 评估供应商服务质量的方法、系统、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113537656A true CN113537656A (zh) | 2021-10-22 |
Family
ID=78088050
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010288089.1A Pending CN113537656A (zh) | 2020-04-14 | 2020-04-14 | 评估供应商服务质量的方法、系统、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113537656A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114465921A (zh) * | 2022-01-21 | 2022-05-10 | 网宿科技股份有限公司 | 对等网络控制方法、装置、电子设备和存储介质 |
| CN115759528A (zh) * | 2022-11-02 | 2023-03-07 | 奇墨科技(广州)有限公司 | It服务质量管理方法、装置及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060143074A1 (en) * | 2004-12-27 | 2006-06-29 | Tien-Chieh Wu | Vender evaluation method |
| US20080059284A1 (en) * | 2004-06-18 | 2008-03-06 | Gad Solotorevsky | Methods, Systems and Computer Readable Code for Forecasting Time Series and for Forecasting Commodity Consumption |
| KR101235874B1 (ko) * | 2012-08-29 | 2013-02-21 | 주식회사 비즈니스25 | 서비스 품질 평가 방법 및 장치 |
| KR101705465B1 (ko) * | 2015-10-22 | 2017-02-09 | 이승창 | 공개소프트웨어 서비스 평가 시스템 |
| CN106897803A (zh) * | 2017-04-27 | 2017-06-27 | 云南中烟工业有限责任公司 | 一种基于组合灰色模型预测管理复烤烟叶原料需求的方法 |
| CN109002937A (zh) * | 2018-09-07 | 2018-12-14 | 深圳供电局有限公司 | 电网负荷预测方法、装置、计算机设备和存储介质 |
| CN109377114A (zh) * | 2018-12-14 | 2019-02-22 | 万翼科技有限公司 | 供应商的评估方法、服务器及存储介质 |
| CN109697552A (zh) * | 2018-11-28 | 2019-04-30 | 平安科技（深圳）有限公司 | 智能评估供应商服务质量的方法、装置和计算机设备 |
| CN110070244A (zh) * | 2018-01-22 | 2019-07-30 | 北京京东尚科信息技术有限公司 | 供应商评价方法、系统、电子设备和计算机可读介质 |
| CN110443314A (zh) * | 2019-08-08 | 2019-11-12 | 中国工商银行股份有限公司 | 基于机器学习的景区客流量预测方法及装置 |
| CN110599335A (zh) * | 2019-09-27 | 2019-12-20 | 北京淇瑀信息科技有限公司 | 一种基于多模型的用户金融风险评估方法和装置 |
-
2020
- 2020-04-14 CN CN202010288089.1A patent/CN113537656A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080059284A1 (en) * | 2004-06-18 | 2008-03-06 | Gad Solotorevsky | Methods, Systems and Computer Readable Code for Forecasting Time Series and for Forecasting Commodity Consumption |
| US20060143074A1 (en) * | 2004-12-27 | 2006-06-29 | Tien-Chieh Wu | Vender evaluation method |
| KR101235874B1 (ko) * | 2012-08-29 | 2013-02-21 | 주식회사 비즈니스25 | 서비스 품질 평가 방법 및 장치 |
| KR101705465B1 (ko) * | 2015-10-22 | 2017-02-09 | 이승창 | 공개소프트웨어 서비스 평가 시스템 |
| CN106897803A (zh) * | 2017-04-27 | 2017-06-27 | 云南中烟工业有限责任公司 | 一种基于组合灰色模型预测管理复烤烟叶原料需求的方法 |
| CN110070244A (zh) * | 2018-01-22 | 2019-07-30 | 北京京东尚科信息技术有限公司 | 供应商评价方法、系统、电子设备和计算机可读介质 |
| CN109002937A (zh) * | 2018-09-07 | 2018-12-14 | 深圳供电局有限公司 | 电网负荷预测方法、装置、计算机设备和存储介质 |
| CN109697552A (zh) * | 2018-11-28 | 2019-04-30 | 平安科技（深圳）有限公司 | 智能评估供应商服务质量的方法、装置和计算机设备 |
| CN109377114A (zh) * | 2018-12-14 | 2019-02-22 | 万翼科技有限公司 | 供应商的评估方法、服务器及存储介质 |
| CN110443314A (zh) * | 2019-08-08 | 2019-11-12 | 中国工商银行股份有限公司 | 基于机器学习的景区客流量预测方法及装置 |
| CN110599335A (zh) * | 2019-09-27 | 2019-12-20 | 北京淇瑀信息科技有限公司 | 一种基于多模型的用户金融风险评估方法和装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114465921A (zh) * | 2022-01-21 | 2022-05-10 | 网宿科技股份有限公司 | 对等网络控制方法、装置、电子设备和存储介质 |
| CN114465921B (zh) * | 2022-01-21 | 2024-06-07 | 网宿科技股份有限公司 | 对等网络控制方法、装置、电子设备和存储介质 |
| CN115759528A (zh) * | 2022-11-02 | 2023-03-07 | 奇墨科技(广州)有限公司 | It服务质量管理方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108170909B (zh) | 一种智能建模的模型输出方法、设备及存储介质 | |
| US20200034749A1 (en) | Training corpus refinement and incremental updating | |
| CA2980174C (en) | Automated model development process | |
| US10261870B2 (en) | Risk formula for erroneous software components detection | |
| US11030364B2 (en) | Evaluating autonomous vehicle algorithms | |
| US20230281455A1 (en) | Methods and arrangements to identify feature contributions to erroneous predictions | |
| CN108182515B (zh) | 智能规则引擎规则输出方法、设备及计算机可读存储介质 | |
| US20170124483A1 (en) | Digital Event Profile Filters Based on Cost Sensitive Support Vector Machine for Fraud Detection, Risk Rating or Electronic Transaction Classification | |
| US9286735B1 (en) | Generating cumulative wear-based indicators for vehicular components | |
| JP7483005B2 (ja) | データ・ラベル検証 | |
| CN112116184A (zh) | 使用历史检验数据的工厂风险估计 | |
| CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
| CN113537656A (zh) | 评估供应商服务质量的方法、系统、设备和介质 | |
| US20160093117A1 (en) | Generating Estimates of Failure Risk for a Vehicular Component | |
| CN110688536A (zh) | 一种标签预测方法、装置、设备和存储介质 | |
| US20230315939A1 (en) | Validating a software-driven system based on real-world scenarios | |
| CN111309975A (zh) | 一种增强图模型抗攻击能力的方法和系统 | |
| CN112116185A (zh) | 使用历史检验数据的检验风险估计 | |
| US11663547B2 (en) | Evolutionary software prioritization protocol for digital systems | |
| CN113515625A (zh) | 测试结果分类模型训练方法、分类方法及装置 | |
| Lee et al. | Stability analysis for safety of automotive multi-product lines: A search-based approach | |
| US11935075B2 (en) | Card inactivity modeling | |
| CN116245630A (zh) | 一种反欺诈检测方法、装置、电子设备及介质 | |
| US11556935B1 (en) | Financial risk management based on transactions portrait | |
| US11593254B1 (en) | Software patch risk determination |
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 |