CN113988603A - 一种基于大数据的供应商评价方法及系统 - Google Patents
一种基于大数据的供应商评价方法及系统 Download PDFInfo
- Publication number
- CN113988603A CN113988603A CN202111251123.9A CN202111251123A CN113988603A CN 113988603 A CN113988603 A CN 113988603A CN 202111251123 A CN202111251123 A CN 202111251123A CN 113988603 A CN113988603 A CN 113988603A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- supplier
- index
- indexes
- level
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 187
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000013210 evaluation model Methods 0.000 claims abstract description 28
- 238000007620 mathematical function Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000001939 inductive effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000009795 derivation Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 33
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 238000011165 process development Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004519 manufacturing process 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
- G06Q10/0633—Workflow 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的供应商评价方法及系统,通过整理调研企业的历史数据,分析采购过程的成功经验和失败教训,分类归纳成功案例的主要关联因素和失败案例的关键因子,统计总结供应商的主要评价指标;从统计总结的主要评价指标中梳理归纳出供应商评价的各种评价指标的相互依赖关系,建立评判指标的数学函数关系;根据建立的数学函数关系,推导出供应商优选评价模型和/或供应商优选评价简化模型,计算出供应商评价的总得分值v。本发明提供的基于大数据的供应商评价方法及系统,可自动评选出优秀供应商,智能化程度高、计算精度高;提高产品质量,增强企业竞争力。
Description
技术领域
本发明涉及智能制造技术领域,尤其公开了一种基于大数据的供应商评价方法及系统。
背景技术
不论是经营商还是生产厂商,许多企业对供应商的选择、评估以及采购的分配(同一产品有多家供应商),还是由总经理或采购部经理等少数人人为的、感性的行为来决定的。其结果并不能准确地体现供应商在各个方面的表现,同时,带有个人主观色彩的评估,也使得供应商之间并不真正具有可比性。
因此,现有供应商评估中存在的上述缺陷,是一件亟待解决的技术问题。
发明内容
本发明提供了一种基于大数据的供应商评价方法及系统,旨在解决现有供应商评估中存在的上述缺陷的技术问题。
本发明的一方面涉及一种基于大数据的供应商评价方法,包括以下步骤:
整理调研企业的历史数据,分析采购过程的成功经验和失败教训,分类归纳成功案例的主要关联因素和失败案例的关键因子,统计总结供应商的主要评价指标;
从统计总结的主要评价指标中梳理归纳出供应商评价的各种评价指标的相互依赖关系,建立评判指标的数学函数关系;
根据建立的数学函数关系,推导出供应商优选评价模型和/或供应商优选评价简化模型,计算出供应商评价的总得分值v。
进一步地,整理调研企业的历史数据,分析采购过程的成功经验和失败教训,分类归纳成功案例的主要关联因素和失败案例的关键因子,统计总结供应商的主要评价指标步骤包括:
构建供应商多级评价指标体系,将报价、预付款、交货期、货物质量和服务质量作为一级指标,将一级指标下的子指标作为二级指标,将二级指标下的子指标作为三级指示。
进一步地,从统计总结的主要评价指标中梳理归纳出供应商评价的各种评价指标的相互依赖关系,建立评判指标的数学函数关系的步骤中,建立评判指标的数学函数关系为:
v=f(x)
其中,v表示供应商评价的总得分值,用于判断供应商优劣等级;x表示评价指标,用于评价供应商的各项指标。
进一步地,在供应商优选评价模型中,建立总体得分v值与指标的关系模型,总体得分v值与指标的关系模型表示为:
v=C1x1+c2x2+…+cnxn
其中,v表示供应商评价的总得分值,xn表示对应的各项评价指标值,cn表示各项评价指标值对应的权重系数;
xn=cn1xn1+cn2xn2+…+cnnxnm
其中,xn表示第n个一级指标的自变量,xnm表示第n个一级指标中第m个自变量,cnm表示第n个一级指标中第m个自变量的权重系数;
xnm=cnm1xnm1+cnm2xnm2+…+cnnlxnml
其中,xnm表示第n个一级指标中的第m个二级指标自变量,xnml表示第n个一级指标中的第m个二级指标中对应三级指标的第1个自变量;cnml表示第n个一级指标中第m个二级指标中对应三级指标第1个自变量的权重系数。
进一步地,在供应商优选评价简化模型中只考虑一级指标,一级指标包括报价、预付款、交货期、货物质量和服务质量,供应商优选评价简化模型简化为:
v=c1x1+c2x2+c3x3+c4x4+c5x5
其中,x1表示报价,x2表示预付款,x3表示交货期,x4表示货物质量,x5表示服务质量,c1表示报价对应的权重系数,c2表示预付款对应的权重系数,c3表示交货期对应的权重系数,c4表示货物质量对应的权重系数,c5表示服务质量对应的权重系数。
本发明的另一方面涉及一种基于大数据的供应商评价系统,包括:
统计模块,用于整理调研企业的历史数据,分析采购过程的成功经验和失败教训,分类归纳成功案例的主要关联因素和失败案例的关键因子,统计总结供应商的主要评价指标;
建立模块,用于从统计总结的主要评价指标中梳理归纳出供应商评价的各种评价指标的相互依赖关系,建立评判指标的数学函数关系;
推导模块,用于根据建立的数学函数关系,推导出供应商优选评价模型和/或供应商优选评价简化模型,计算出供应商评价的总得分值v。
进一步地,统计模块包括构建单元,
构建单元,用于构建供应商多级评价指标体系,将报价、预付款、交货期、货物质量和服务质量作为一级指标,将一级指标下的子指标作为二级指标,将二级指标下的子指标作为三级指示。
进一步地,建立评判指标的数学函数关系为:
v=f(x)
其中,v表示供应商评价的总得分值,用于判断供应商优劣等级;x表示评价指标,用于评价供应商的各项指标。
进一步地,在供应商优选评价模型中,建立总体得分v值与指标的关系模型,总体得分v值与指标的关系模型表示为:
v=c1x1+c2x2+…+cnxn
其中,v表示供应商评价的总得分值,xn表示对应的各项评价指标值,cn表示各项评价指标值对应的权重系数;
xn=cn1xn1+cn2xn2+…+cnnxnm
其中,xn表示第n个一级指标的自变量,xnm表示第n个一级指标中第m个自变量,cnm表示第n个一级指标中第m个自变量的权重系数;
xnm=cnm1xnm1+cnm2xnm2+…+cnnlxnml
其中,xnm表示第n个一级指标中的第m个二级指标自变量,xnml表示第n个一级指标中的第m个二级指标中对应三级指标的第1个自变量;cnml表示第n个一级指标中第m个二级指标中对应三级指标第1个自变量的权重系数。
进一步地,在供应商优选评价简化模型中只考虑一级指标,一级指标包括报价、预付款、交货期、货物质量和服务质量,供应商优选评价简化模型简化为:
v=c1x1+c2x2+c3x3+c4x4+c5x5
其中,x1表示报价,x2表示预付款,x3表示交货期,x4表示货物质量,x5表示服务质量,c1表示报价对应的权重系数,c2表示预付款对应的权重系数,c3表示交货期对应的权重系数,c4表示货物质量对应的权重系数,c5表示服务质量对应的权重系数。
本发明所取得的有益效果为:
本发明提供的基于大数据的供应商评价方法及系统,通过整理调研企业的历史数据,分析采购过程的成功经验和失败教训,分类归纳成功案例的主要关联因素和失败案例的关键因子,统计总结供应商的主要评价指标;从统计总结的主要评价指标中梳理归纳出供应商评价的各种评价指标的相互依赖关系,建立评判指标的数学函数关系;根据建立的数学函数关系,推导出供应商优选评价模型和/或供应商优选评价简化模型。本发明提供的基于大数据的供应商评价方法及系统,可自动评选出优秀供应商,智能化程度高、计算精度高;提高产品质量,增强企业竞争力。
附图说明
图1为本发明提供的基于大数据的供应商评价方法一实施例的流程示意图;
图2为本发明提供的基于大数据的供应商评价系统一实施例的功能框图。
附图标号说明:
10、统计模块;20、建立模块;30、推导模块。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
如图1所示,本发明第一实施例提出一种基于大数据的供应商评价方法,包括以下步骤:
步骤S100、整理调研企业的历史数据,分析采购过程的成功经验和失败教训,分类归纳成功案例的主要关联因素和失败案例的关键因子,统计总结供应商的主要评价指标。
通过整理调研集团企业的历史数据,分析采购过程的成功经验和失败教训,分类归纳成功案例的主要关联因素和失败案例的关键因子,最终统计总结出了供应商的主要评价指标,供应商评价体系最重要的是报价、预付款、交货期、货物质量和服务质量等5项,此外还包括19项二级指标和45项三级指标的多级指标体系,具体的三级评价指标体系详见表一中的说明。构建的供应商多级评价指标体系中,将报价、预付款、交货期、货物质量和服务质量作为一级指标,将一级指标下的子指标作为二级指标,将二级指标下的子指标作为三级指示。
表一 供应商评价指标体系表
备注:上述指标历史数据统计的经验值。
表一为根据调研企业历史数据统计分析出来的三级供应商评价指标体系,相关情况说明如下:
1.为历史数据统计分析的经验值,表中为三级指标,可以延伸为四级或更多级的指标体系,限于篇幅只列举了三级指标体系内容。
2.不同的集团企业,由于从事的业务范围其侧重面会有所不同,指标体系上存在一定的差距,表一主要是针对目前已经实施企业的共性指标情况描述的,表中一级指标主要为集团企业的共性指标,二级三级会有差异变化。
3.这些指标具体应用时可以根据企业的具体情况进行取舍,即考虑二级、三级、还是一级,可以采取灵活的方式,例如:如果采用全部三级指标体系描述将需要增加大量的篇幅,因此实例中应用了简化后的评价模型并采用一级指标来阐述其一过程的。
4.指标体系应用过程中各级指标还需要根据系统运营的实际情况进行不断的优化和调整,以便适应不断变化的环境和条件。
步骤S200、从统计总结的主要评价指标中梳理归纳出供应商评价的各种评价指标的相互依赖关系,建立评判指标的数学函数关系。
根据表一,从统计总结的主要评价指标中梳理归纳出供应商评价的各种评价指标的相互依赖关系,建立评判指标的数学函数关系的步骤中,建立评判指标的数学函数关系为:
v=f(x) (1)
公式(1)中,v表示供应商评价的总得分值,用于判断供应商优劣等级;x表示评价指标,用于评价供应商的各项指标。
步骤S300、根据建立的数学函数关系,推导出供应商优选评价模型和/或供应商优选评价简化模型,计算出供应商评价的总得分值v。
根据公式(1)中建立的数学函数关系,推导出供应商优选评价模型和/或供应商优选评价简化模型,计算出供应商评价的总得分值v;按照计算出的供应商评价的总得分值v,对各个供应商进行排名。
1.建立供应商优选评价模型
评价体系模型的建立分为如下几个步骤,具体分述如下:
1)总体得分v值与指标的关系模型的建立
已知供应商评价的总得分v值(即应变变量)与代表用于评价供应商的各项指标值变量x(即自变量)的数学函数关系,如公式(1)所示,根据前面总结出来的指标体系,其中的指标变量x分别可以展开用x1、x2、x3、x4、x5…表示;又令c为各项评价指标变量x对应的权重系数,同样也可以展开用c1、c2、c3、c4、c5…表示,根据上述定义的自变量x和对应的权重系数c,从供应商总体得分v值与上述两者的关系,由公式(1)的数学函数式得到总体得分v值与指标的关系模型,即可以表示成:
v=c1x1+c2x2+…+cnxn (2)
公式(2)中,v表示供应商评价的总得分值,xn表示对应的各项评价指标值,cn表示各项评价指标值对应的权重系数。
综上所述,公式(2)为供应商评价的总得分v值与各项评价指标xn和各项评价指标值对应的权重系数cn的评价关系模型。
2)分级指标变量xn值关系模型的建立
令n为一级指标的序号,m为二级指标的序号,则二级指标的自变量可以用xnm来表示。
公式(2)主要用来计算一级指标和相对应的一级权重系数的总得分值v,同理可知道:一级指标xn中的x1、x2、x3、x4、x5…值可以通过对应的二级指标x11、x12、x13…;x21、x22、x23…等自变量值计算得到,例如表一中,一级指标中“报价指标”x1、可以通过二级指标“含税报价”x11和“不含税报价”x12、“一次性报价”x13、“多次性报价”x14四项三级指标来计算可得。
根据上述对n和m的指标序号定义,则一级指标xn对应的一级权重系数为cn,二级指标xnm对应的权重系数为cnm,例如:一级指标“报价指标”权重系数为c1、对应二级指标“含税报价”的权重系数为c11、“不含税报价”的权重系数为c12、“一次性报价”c13、“多次性报价”c14。
综上所述,一级指标自变量xn值的计算关系模型,同理可以用公式(2)推出,即可以改写成:
xn=cn1xn1+cn2xn2+…+cnnxnm…………(3)
公式(3)中,xn表示第n个一级指标的自变量,xnm表示第n个一级指标中第m个自变量,cnm表示第n个一级指标中第m个自变量的权重系数。
同理可以推导出二级指标xnm自变量的计算关系模型,可以由公式(3)改写为:
xnm=cnm1xnm1+cnm2xnm2+…+cnnlxnml (4)
公式(4)中:xnm表示第n个一级指标中的第m个二级指标自变量;
xnml表示第n个一级指标中的第m个二级指标中对应三级指标的第1个自变量;
cnml表示第n个一级指标中第m个二级指标中对应三级指标第1个自变量的权重系数。
综合上述,建立的供应商优选评价模型是由公式(4)、(3)和(2)三个公式组合而成的整体,实际上是一个三维的立体关系模型,即由多级供应商评价计算公式组成的集合体。
相关说明表述如下:
1)由三级指标xnm1和对应的权重系数cnm1计算得到的二维自变量xnm值相当于第一维。
2)由二级指标xnm和对应的权重系数Cnm计算得到的一维自变量xn值相当于第二维。
3)由一维指标xn和对应的权重系数计算得到的应变量v值相当第一维。
2.建立供应商优选评价简化模型
通过整理被调研集团企业历史数据,分析了采购过程中成功经验和失败的教训,分类归纳其中成功案例中的主要关联因素和失败案例关键因子,统计总结出了供应商的主要评价指标和各自的权重,其中最关键供应商评价指标是报价、预付款、交货期、货物质量和服务质量等5项一级指标,如果只考虑一级指标,那么评价模型可以简化为:
v=c1x1+c2x2+c3x3+c4x4+C5x5 (5)
其中,x1表示报价,x2表示预付款,x3表示交货期,x4表示货物质量,x5表示服务质量。
因为三维立体评价模型中公式(3)至(5)计算步骤十分繁杂且与公式(2)计算步骤基本一样,如果三个公式结合19项二级指标和45项三级指标全过程展开进行说明,则需要大量的篇幅才能阐述完成,为了更清晰的说明计算过程和步骤,计算过程简化成一维的相关参数来进行说明。因此假定公式(3)和公式(4)的复杂计算简化成表二中的第三列的简化模型,即用第三列的简化方法来计算x1、x2、x3、x4、x5的值,同时已知对应的权重系数经验值c1、c2、c3、c4、c5,具体相关参数如表二所示。
表二 计分权值表
备注:上述指标和权重为统计经验值。
表二为简化为仅利用一级指标的情况,具体说明如下:
1.因为二级、三级与一级的计算过程基本相同,为了更清晰的说明计算过程和相关步骤,把整体模型中的三维方式简化一维方式来表达,即三级指标简化成一级指标方式来展示说明。
2.计算中整体评价模型由三式联合计算简化成公式(5)进行;即把公式(3)和(4)的复杂计算简化成表二中的第三列的简化模型。
本实施例提供的基于大数据的供应商评价方法,同现有技术相比,通过整理调研企业的历史数据,分析采购过程的成功经验和失败教训,分类归纳成功案例的主要关联因素和失败案例的关键因子,统计总结供应商的主要评价指标;从统计总结的主要评价指标中梳理归纳出供应商评价的各种评价指标的相互依赖关系,建立评判指标的数学函数关系;根据建立的数学函数关系,推导出供应商优选评价模型和/或供应商优选评价简化模型。本实施例提供的基于大数据的供应商评价方法,可自动评选出优秀供应商,智能化程度高、计算精度高;提高产品质量,增强企业竞争力。
请见图2,图2为本发明提供的基于大数据的供应商评价系统一实施例的功能框图,在本实施例中,该基于大数据的供应商评价系统,包括统计模块10、建立模块20和推导模块30,其中,统计模块10,用于整理调研企业的历史数据,分析采购过程的成功经验和失败教训,分类归纳成功案例的主要关联因素和失败案例的关键因子,统计总结供应商的主要评价指标;建立模块20,用于从统计总结的主要评价指标中梳理归纳出供应商评价的各种评价指标的相互依赖关系,建立评判指标的数学函数关系;推导模块30,用于根据建立的数学函数关系,推导出供应商优选评价模型和/或供应商优选评价简化模型,计算出供应商评价的总得分值v。
统计模块10包括构建单元,构建单元,用于通过整理调研集团企业的历史数据,分析采购过程的成功经验和失败教训,分类归纳成功案例的主要关联因素和失败案例的关键因子,最终统计总结出了供应商的主要评价指标,供应商评价体系最重要的是报价、预付款、交货期、货物质量和服务质量等5项,此外还包括19项二级指标和45项三级指标的多级指标体系,具体的三级评价指标体系详见表三中的说明。构建的供应商多级评价指标体系中,将报价、预付款、交货期、货物质量和服务质量作为一级指标,将一级指标下的子指标作为二级指标,将二级指标下的子指标作为三级指示。
表三 供应商评价指标体系表
备注:上述指标历史数据统计的经验值。
表三为根据调研企业历史数据统计分析出来的三级供应商评价指标体系,相关情况说明如下:
1.为历史数据统计分析的经验值,表中为三级指标,可以延伸为四级或更多级的指标体系,限于篇幅只列举了三级指标体系内容。
2.不同的集团企业,由于从事的业务范围其侧重面会有所不同,指标体系上存在一定的差距,表三主要是针对目前已经实施企业的共性指标情况描述的,表中一级指标主要为集团企业的共性指标,二级三级会有差异变化。
3.这些指标具体应用时可以根据企业的具体情况进行取舍,即考虑二级、三级、还是一级,可以采取灵活的方式,例如:如果采用全部三级指标体系描述将需要增加大量的篇幅,因此实例中应用了简化后的评价模型并采用一级指标来阐述其一过程的。
4.指标体系应用过程中各级指标还需要根据系统运营的实际情况进行不断的优化和调整,以便适应不断变化的环境和条件。
根据表一,从统计总结的主要评价指标中梳理归纳出供应商评价的各种评价指标的相互依赖关系,建立评判指标的数学函数关系的步骤中,建立评判指标的数学函数关系为:
v=f(x) (6)
公式(6)中,v表示供应商评价的总得分值,用于判断供应商优劣等级;x表示评价指标,用于评价供应商的各项指标。
根据公式(6)中建立的数学函数关系,推导出供应商优选评价模型和/或供应商优选评价简化模型,计算出供应商评价的总得分值v;按照计算出的供应商评价的总得分值v,对各个供应商进行排名。
1.建立供应商优选评价模型
评价体系模型的建立分为如下几个步骤,具体分述如下:
1)总体得分v值与指标的关系模型的建立
已知供应商评价的总得分v值(即应变变量)与代表用于评价供应商的各项指标值变量x(即自变量)的数学函数关系,如公式(6)公式(6)所示,根据前面总结出来的指标体系,其中的指标变量x分别可以展开用x1、x2、x3、x4、x5…表示;又令c为各项评价指标变量x对应的权重系数,同样也可以展开用c1、c2、c3、c4、c5…表示,根据上述定义的自变量x和对应的权重系数c,从供应商总体得分v值与上述两者的关系,由公式(6)的数学函数式得到总体得分v值与指标的关系模型,即可以表示成:
v=c1x1+c2x2+…+cnxn (7)
公式(7)中,v表示供应商评价的总得分值,xn表示对应的各项评价指标值,cn表示各项评价指标值对应的权重系数。
综上所述,公式(7)为供应商评价的总得分v值与各项评价指标xn和各项评价指标值对应的权重系数cn的评价关系模型。
2)分级指标变量xn值关系模型的建立
令n为一级指标的序号,m为二级指标的序号,则二级指标的自变量可以用xnm来表示。
公式(7)主要用来计算一级指标和相对应的一级权重系数的总得分值v,同理可知道:一级指标xn中的x1、x2、x3、x4、x5…值可以通过对应的二级指标x11、x12、x13…;x21、x22、x23…等自变量值计算得到,例如表一中,一级指标中“报价指标”x1、可以通过二级指标“含税报价”x11和“不含税报价”x12、“一次性报价”x13、“多次性报价”x14四项三级指标来计算可得。
根据上述对n和m的指标序号定义,则一级指标xn对应的一级权重系数为cn,二级指标xnm对应的权重系数为cnm,例如:一级指标“报价指标”权重系数为c1、对应二级指标“含税报价”的权重系数为c11、“不含税报价”的权重系数为c12、“一次性报价”c13、“多次性报价”c14。
综上所述,一级指标自变量xn值的计算关系模型,同理可以用公式(7)推出,即可以改写成:
xn=cn1xn1+cn2xn2+…+cnnxnm…………(8)
公式(8)中,xn表示第n个一级指标的自变量,xnm表示第n个一级指标中第m个自变量,cnm表示第n个一级指标中第m个自变量的权重系数。
同理可以推导出二级指标xnm自变量的计算关系模型,可以由公式(8)改写为:
xnm=cnm1xnm1+cnm2xnm2+…+cnn1xnml (9)
公式(9)中:xnm表示第n个一级指标中的第m个二级指标自变量;
xnm1表示第n个一级指标中的第m个二级指标中对应三级指标的第1个自变量;
cnml表示第n个一级指标中第m个二级指标中对应三级指标第1个自变量的权重系数。
综合上述,建立的供应商优选评价模型是由公式(9)、(8)和(7)三个公式组合而成的整体,实际上是一个三维的立体关系模型,即由多级供应商评价计算公式组成的集合体。
相关说明表述如下:
1)由三级指标xnml和对应的权重系数cnm1计算得到的二维自变量xnm值相当于第一维。
2)由二级指标xnm和对应的权重系数cnm计算得到的一维自变量xn值相当于第二维。
3)由一维指标xn和对应的权重系数计算得到的应变量v值相当第一维。
2.建立供应商优选评价简化模型
通过整理被调研集团企业历史数据,分析了采购过程中成功经验和失败的教训,分类归纳其中成功案例中的主要关联因素和失败案例关键因子,统计总结出了供应商的主要评价指标和各自的权重,其中最关键供应商评价指标是报价、预付款、交货期、货物质量和服务质量等5项一级指标,如果只考虑一级指标,那么评价模型可以简化为:
v=c1x1+c2x2+c3x3+c4x4+c5x5 (10)
其中,x1表示报价,x2表示预付款,x3表示交货期,x4表示货物质量,x5表示服务质量。
因为三维立体评价模型中公式(8)至(10)计算步骤十分繁杂且与公式(7)计算步骤基本一样,如果三个公式结合19项二级指标和45项三级指标全过程展开进行说明,则需要大量的篇幅才能阐述完成,为了更清晰的说明计算过程和步骤,计算过程简化成一维的相关参数来进行说明。因此假定公式(8)和公式(9)的复杂计算简化成表二中的第三列的简化模型,即用第三列的简化方法来计算x1、x2、x3、x4、x5的值,同时已知对应的权重系数经验值c1、c2、c3、c4、c5,具体相关参数如表二所示。
表二 计分权值表
备注:上述指标和权重为统计经验值。
表二为简化为仅利用一级指标的情况,具体说明如下:
1.因为二级、三级与一级的计算过程基本相同,为了更清晰的说明计算过程和相关步骤,把整体模型中的三维方式简化一维方式来表达,即三级指标简化成一级指标方式来展示说明。
2.计算中整体评价模型由三式联合计算简化成公式(5)进行;即把公式(3)和(4)的复杂计算简化成表二中的第三列的简化模型。
本实施例提供的基于大数据的供应商评价系统,同现有技术相比,通过整理调研企业的历史数据,分析采购过程的成功经验和失败教训,分类归纳成功案例的主要关联因素和失败案例的关键因子,统计总结供应商的主要评价指标;从统计总结的主要评价指标中梳理归纳出供应商评价的各种评价指标的相互依赖关系,建立评判指标的数学函数关系;根据建立的数学函数关系,推导出供应商优选评价模型和/或供应商优选评价简化模型。本实施例提供的基于大数据的供应商评价系统,可自动评选出优秀供应商,智能化程度高、计算精度高;提高产品质量,增强企业竞争力。
本实施例主要以模拟一个实例的方式,对供应商评价体系进行说明。
例如:某一次某系列设备采购10个供应商的报价、预付款、产品交货期、货物质量和服务质量原始数据如表五所示。
表五 某一次某设备采购10个供应商的相关原始数据
备注:此次采购标的为495万元。
根据上表五中和供应商投标原始数据,以A1供应商为例,结合上表一评价指标体系,即计分权值表中的计算方法可得出A1供应商投标各项x值得分如下:
x1:报价=0.96;
x2:预付款=0.7;
x3:交货期=0.9;
x4:货物质量=0.75;
x5:服务态度=0.75。
同理可得出其他供应商A2~A10供应商的各项得分情况,如下表六所示。
表六 某一次某设备采购10个供应商的各项得分
根据上表五供应商投标原始数据,以A1供应商为例,结合表六供应商的各项x得分情况和表二评价指标体系中的对应C权重值(即C1、C2、C3、C4、C5),再由公式(4)可以计算A1对应的cixi的值:
c1x1:加权后报价得分=0.24;
c2x2:加权后预付款得分=0.11;
c3x3:加权后交货期得分=0.14;
c4x4:加权后货物质量得分=0.19;
c5x5:加权后服务态度得分=0.15。
同理可得出供应商A2~A10供应商的计分加权得分情况,如下表七所示。
表七 某一次某设备采购10个供应商的计分加权得分值
根据上表五中的供应商投标原始数据,以A1供应商为例,结合表七中的计分权值表中的权重值比例由公式(5)可得A1供应商对应的V1值:
V1=0.96*25%+0.7*15%+0.9*15%+0.75*25%+0.75*20%
最终算出A1供应商的总得分V1值为0.83分,同理可得出供应商A2~A10供应商V1~V10的最终得分情况,如下表八所示:
表八 某一次某设备采购10个供应商的最终得分及排名
备注:供应商排名得分由高到低。
纵上所示,本实施例提供的基于大数据的供应商评价方法及系统,可自动评选出优秀供应商,智能化程度高、计算精度高;提高产品质量,增强企业竞争力。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于大数据的供应商评价方法,其特征在于,包括以下步骤:
整理调研企业的历史数据,分析采购过程的成功经验和失败教训,分类归纳成功案例的主要关联因素和失败案例的关键因子,统计总结供应商的主要评价指标;
从统计总结的主要评价指标中梳理归纳出供应商评价的各种评价指标的相互依赖关系,建立评判指标的数学函数关系;
根据建立的数学函数关系,推导出供应商优选评价模型和/或供应商优选评价简化模型,计算出供应商评价的总得分值v。
2.如权利要求1所述的基于大数据的供应商评价方法,其特征在于,所述整理调研企业的历史数据,分析采购过程的成功经验和失败教训,分类归纳成功案例的主要关联因素和失败案例的关键因子,统计总结供应商的主要评价指标步骤包括:
构建供应商多级评价指标体系,将报价、预付款、交货期、货物质量和服务质量作为一级指标,将一级指标下的子指标作为二级指标,将二级指标下的子指标作为三级指示。
3.如权利要求2所述的基于大数据的供应商评价方法,其特征在于,所述从统计总结的主要评价指标中梳理归纳出供应商评价的各种评价指标的相互依赖关系,建立评判指标的数学函数关系的步骤中,建立评判指标的数学函数关系为:
v=f(x)
其中,v表示供应商评价的总得分值,用于判断供应商优劣等级;x表示评价指标,用于评价供应商的各项指标。
4.如权利要求3所述的基于大数据的供应商评价方法,其特征在于,在所述供应商优选评价模型中,建立总体得分v值与指标的关系模型,所述总体得分v值与指标的关系模型表示为:
v=c1x1+c2x2+…+cnxn
其中,v表示供应商评价的总得分值,xn表示对应的各项评价指标值,cn表示各项评价指标值对应的权重系数;
xn=cn1xn1+cn2xn2+…+cnnxnm
其中,xn表示第n个一级指标的自变量,xnm表示第n个一级指标中第m个自变量,cnm表示第n个一级指标中第m个自变量的权重系数;
xnm=cnm1xnm1+cnm2xnm2+…+cnn1xnm1
其中,xnm表示第n个一级指标中的第m个二级指标自变量,xnm1表示第n个一级指标中的第m个二级指标中对应三级指标的第1个自变量;cnm1表示第n个一级指标中第m个二级指标中对应三级指标第1个自变量的权重系数。
5.如权利要求1所述的基于大数据的供应商评价方法,其特征在于,在所述供应商优选评价简化模型中只考虑一级指标,所述一级指标包括报价、预付款、交货期、货物质量和服务质量,所述供应商优选评价简化模型简化为:
v=c1x1+c2x2+c3x3+c4x4+c5x5
其中,x1表示报价,x2表示预付款,x3表示交货期,x4表示货物质量,x5表示服务质量,c1表示报价对应的权重系数,c2表示预付款对应的权重系数,c3表示交货期对应的权重系数,c4表示货物质量对应的权重系数,c5表示服务质量对应的权重系数。
6.一种基于大数据的供应商评价系统,其特征在于,包括:
统计模块(10),用于整理调研企业的历史数据,分析采购过程的成功经验和失败教训,分类归纳成功案例的主要关联因素和失败案例的关键因子,统计总结供应商的主要评价指标;
建立模块(20),用于从统计总结的主要评价指标中梳理归纳出供应商评价的各种评价指标的相互依赖关系,建立评判指标的数学函数关系;
推导模块(30),用于根据建立的数学函数关系,推导出供应商优选评价模型和/或供应商优选评价简化模型,计算出供应商评价的总得分值v。
7.如权利要求6所述的基于大数据的供应商评价系统,其特征在于,所述统计模块(10)包括构建单元,
所述构建单元,用于构建供应商多级评价指标体系,将报价、预付款、交货期、货物质量和服务质量作为一级指标,将一级指标下的子指标作为二级指标,将二级指标下的子指标作为三级指示。
8.如权利要求7所述的基于大数据的供应商评价系统,其特征在于,建立评判指标的数学函数关系为:
v=f(x)
其中,v表示供应商评价的总得分值,用于判断供应商优劣等级;x表示评价指标,用于评价供应商的各项指标。
9.如权利要求8所述的基于大数据的供应商评价系统,其特征在于,在所述供应商优选评价模型中,建立总体得分v值与指标的关系模型,所述总体得分v值与指标的关系模型表示为:
v=C1x1+c2x2+…+cnxn
其中,v表示供应商评价的总得分值,xn表示对应的各项评价指标值,cn表示各项评价指标值对应的权重系数;
xn=cn1xn1+cn2xn2+…+cnnxnm
其中,xn表示第n个一级指标的自变量,xnm表示第n个一级指标中第m个自变量,cnm表示第n个一级指标中第m个自变量的权重系数;
xnm=cnm1xnm1+cnm2xnm2+…+cnn1xnm1
其中,xnm表示第n个一级指标中的第m个二级指标自变量,xnm1表示第n个一级指标中的第m个二级指标中对应三级指标的第1个自变量;cnm1表示第n个一级指标中第m个二级指标中对应三级指标第1个自变量的权重系数。
10.如权利要求6所述的基于大数据的供应商评价系统,其特征在于,在所述供应商优选评价简化模型中只考虑一级指标,所述一级指标包括报价、预付款、交货期、货物质量和服务质量,所述供应商优选评价简化模型简化为:
v=c1x1+c2x2+c3x3+c4x4+c5x5
其中,x1表示报价,x2表示预付款,x3表示交货期,x4表示货物质量,x5表示服务质量,c1表示报价对应的权重系数,c2表示预付款对应的权重系数,c3表示交货期对应的权重系数,c4表示货物质量对应的权重系数,c5表示服务质量对应的权重系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111251123.9A CN113988603A (zh) | 2021-10-28 | 2021-10-28 | 一种基于大数据的供应商评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111251123.9A CN113988603A (zh) | 2021-10-28 | 2021-10-28 | 一种基于大数据的供应商评价方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113988603A true CN113988603A (zh) | 2022-01-28 |
Family
ID=79742021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111251123.9A Pending CN113988603A (zh) | 2021-10-28 | 2021-10-28 | 一种基于大数据的供应商评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113988603A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115759875A (zh) * | 2022-12-09 | 2023-03-07 | 广东和诚信息技术有限公司 | 一种公共资源交易的供应商分类分级管理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372952A (zh) * | 2016-11-14 | 2017-02-01 | 北京创业公社征信服务有限公司 | 一种基于主客观赋权多模型组合验证的企业信用评价方法及系统 |
CN108090681A (zh) * | 2017-12-22 | 2018-05-29 | 广州供电局有限公司 | 电力供应商评价优化方法、系统、存储介质及计算机设备 |
CN108399508A (zh) * | 2018-03-22 | 2018-08-14 | 东北大学 | 冶金企业作业人员在用安全帽有效性综合评价方法 |
CN111861234A (zh) * | 2020-07-24 | 2020-10-30 | 北京合众伟奇科技有限公司 | 电能表供应商综合服务能力评价方法 |
CN112529449A (zh) * | 2020-12-20 | 2021-03-19 | 大唐互联科技(武汉)有限公司 | 一种基于大数据的供应商质量评价方法及系统 |
-
2021
- 2021-10-28 CN CN202111251123.9A patent/CN113988603A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372952A (zh) * | 2016-11-14 | 2017-02-01 | 北京创业公社征信服务有限公司 | 一种基于主客观赋权多模型组合验证的企业信用评价方法及系统 |
CN108090681A (zh) * | 2017-12-22 | 2018-05-29 | 广州供电局有限公司 | 电力供应商评价优化方法、系统、存储介质及计算机设备 |
CN108399508A (zh) * | 2018-03-22 | 2018-08-14 | 东北大学 | 冶金企业作业人员在用安全帽有效性综合评价方法 |
CN111861234A (zh) * | 2020-07-24 | 2020-10-30 | 北京合众伟奇科技有限公司 | 电能表供应商综合服务能力评价方法 |
CN112529449A (zh) * | 2020-12-20 | 2021-03-19 | 大唐互联科技(武汉)有限公司 | 一种基于大数据的供应商质量评价方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115759875A (zh) * | 2022-12-09 | 2023-03-07 | 广东和诚信息技术有限公司 | 一种公共资源交易的供应商分类分级管理方法及系统 |
CN115759875B (zh) * | 2022-12-09 | 2023-09-22 | 广东和诚信息技术有限公司 | 一种公共资源交易的供应商分类分级管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106504015A (zh) | 一种结合bp神经网络的企业领域供应商推荐方法 | |
Azadeh et al. | A robust decision-making methodology for evaluation and selection of simulation software package | |
Chatterjee et al. | Supplier selection in Telecom supply chain management: a Fuzzy-Rasch based COPRAS-G method | |
Chuu | Group decision-making model using fuzzy multiple attributes analysis for the evaluation of advanced manufacturing technology | |
KR100766149B1 (ko) | 컴퓨터로 구현되는 자산 샘플링 방법, 시스템 및 컴퓨터 | |
Baležentis et al. | MULTIMOORA-FG: a multi-objective decision making method for linguistic reasoning with an application to personnel selection | |
Khaleie et al. | Supplier selection using a novel intuitionist fuzzy clustering approach | |
KR100766148B1 (ko) | 자산 가치 평가에 대한 최소 변동 가정 선택을 위한 컴퓨터로 구현되는 방법과, 포트폴리오 가치 평가 시스템 및 컴퓨터 | |
KR100746107B1 (ko) | 자산 포트폴리오의 기술 속성 상관 방법, 상관 시스템 및 상관 컴퓨터 | |
KR20030004316A (ko) | 최종 입찰 결정 방법과 그 시스템, 및 컴퓨터 | |
KR20010108282A (ko) | 입찰가 판정 방법, 시스템 및 컴퓨터 | |
KR20020063614A (ko) | 신용점수의 자동 추론 평가를 위한 방법 및 시스템 | |
US20080104000A1 (en) | Determining Utility Functions from Ordinal Rankings | |
CN107729915A (zh) | 用于确定机器学习样本的重要特征的方法及系统 | |
CN109345050A (zh) | 一种量化交易预测方法、装置及设备 | |
CN112101769A (zh) | 供应链风险管理系统 | |
CN108596765A (zh) | 一种金融电子资源推荐方法和装置 | |
US20030149672A1 (en) | Apparatus and method for prioritizing opportunities | |
CN110222733A (zh) | 一种高精度的多阶神经网络分类方法及系统 | |
Sartoris et al. | Goal programming and working capital management | |
CN113988603A (zh) | 一种基于大数据的供应商评价方法及系统 | |
CN111967927A (zh) | 一种多准则计算满意度的商业采购方法 | |
Shakeel et al. | Ranking methodology of induced Pythagorean trapezoidal fuzzy aggregation operators based on Einstein operations in group decision making | |
CN116680320A (zh) | 一种基于大数据的混合匹配方法 | |
Rahmanita et al. | Model multi criteria decision making with fuzzy ANP method for performance measurement small medium enterprise (SME) |
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 |