CN114881515A - 供应商选取方法、装置、存储介质以及电子设备 - Google Patents
供应商选取方法、装置、存储介质以及电子设备 Download PDFInfo
- Publication number
- CN114881515A CN114881515A CN202210582302.9A CN202210582302A CN114881515A CN 114881515 A CN114881515 A CN 114881515A CN 202210582302 A CN202210582302 A CN 202210582302A CN 114881515 A CN114881515 A CN 114881515A
- Authority
- CN
- China
- Prior art keywords
- index
- suppliers
- supplier
- historical
- evaluation
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
-
- 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]
- G06Q30/0609—Buyer or seller confidence or verification
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种供应商选取方法、装置、存储介质以及电子设备。其中,该方法包括:获取预先确定的目标评价指标;采用最小二乘支持向量机算法构建得到供应商评价模型;根据上述目标评价指标对应的指标数据和上述供应商评价模型,确定得到多个备选供应商分别对应的评分结果;基于上述评分结果从上述多个备选供应商中选取出目标供应商。本发明解决了相关技术中存在的供应商选取不准确的技术问题。
Description
技术领域
本发明涉及目标评价技术领域,具体而言,涉及一种供应商选取方法、装置、存储介质以及电子设备。
背景技术
设备质量是电网安全稳定运行的物质基础,电网高速发展对公司设备质量管理也提出了更高的要求。一方面,公司交直流特高压组网过程中,电网“强直弱交”的结构性矛盾突出,开展多直流、大范围、大容量集中馈入给电网安全运行带来挑战,一旦出现设备质量问题,极易引起电网发生连锁故障,从而导致大面积停电事故。另一方面,随着电网发展,公司设备数量规模呈现快速增长,首台首套设备投产多,新投运的主网设备故障频次较高,加大了设备质量隐患。如何有效准确选取提供相应设备的供应商,成为亟待解决的问题。
目前,电网设备供应商(如生产制造商)的评价与选择主要依靠设备专家的主观意见进行打分和选择,尤其是每年大量设备供应商提交材料,然而专家经历是有限的,评价工程容易发生疏忽,不能够完整反映该供应商的情况,对评价选择环节显得相对公平不足。一些情况下还会仅靠各级单位物资部门,造成大量弄虚作假、上报设备信息与实际生产能力不符的供应商没有反馈到在招标采购过程中,针对供应商信用意识比较薄弱,中标后的设备故障率频频升高,造成电网系统可靠性降低和公司后期运维检查大量费用的流失。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种供应商选取方法、装置、存储介质以及电子设备,以至少解决相关技术中存在的供应商选取不准确的技术问题。
根据本发明实施例的一个方面,提供了一种供应商选取方法,包括:获取预先确定的目标评价指标;采用最小二乘支持向量机算法构建得到供应商评价模型;根据上述目标评价指标对应的指标数据和上述供应商评价模型,确定得到多个备选供应商分别对应的评分结果;基于上述评分结果从上述多个备选供应商中选取出目标供应商。
可选的,上述指标数据包括上述多个备选供应商对应的当前指标数据,以及多个历史供应商对应的历史指标数据,上述根据上述目标评价指标对应的指标数据和上述供应商评价模型,确定得到多个备选供应商分别对应的评分结果,包括:获取上述多个历史供应商分别对应的历史评分结果;以上述多个历史供应商对应的上述历史评分结果和上述历史指标数据作为训练集数据,对上述供应商评价模型进行训练,得到训练后的供应商评价模型;基于上述多个备选供应商对应的上述当前指标数据,采用上述训练后的供应商评价模型,计算得到上述多个备选供应商分别对应的上述评分结果。
可选的,上述获取预先确定的目标评价指标,包括:获取多个备选指标;采用专家打分法对上述多个备选指标进行评分,得到上述多个备选指标分别对应的指标评分;根据上述指标评分从上述多个备选指标中确定得到上述目标评价指标。
可选的,上述根据上述指标评分从上述多个备选指标中确定得到上述目标评价指标,包括:采用α信度系数法计算上述多个备选指标分别对应的信度值;根据上述信度值和上述指标评分从上述多个备选指标中确定得到上述目标评价指标。
可选的,上述目标评价指标包括一级评价指标以及二级评价指标,其中,上述一级评价指标包括以下至少之一:资质信息指标、设计研发能力指标、生产制造能力指标、仓储管理能力指标以及不合格品率指标;上述资质信息指标对应的上述二级评价指标包括以下至少之一:上述多个备选供应商分别对应的基本信息、产品业绩、盈利率以及入网时间;上述设计研发能力指标对应的上述二级评价指标包括以下至少之一:上述多个备选供应商分别对应的研发人员数量、科研成果数、技术能力以及生产厂房规模;上述生产制造能力指标对应的上述二级评价指标包括以下至少之一:上述多个备选供应商分别对应的先进设备比例、生产工艺水平、检验能力以及制造管理制度水平;上述仓储管理能力指标对应的上述二级评价指标包括以下至少之一:上述多个备选供应商分别对应的仓储管理制度水平以及原材料管理水平。
可选的,上述根据上述目标评价指标对应的指标数据和上述供应商评价模型,确定得到多个备选供应商分别对应的评分结果,包括:对上述指标数据进行归一化处理,得到处理后的指标数据;根据上述处理后的指标数据和上述供应商评价模型,确定得到上述多个备选供应商分别对应的上述评分结果。
根据本发明实施例的另一方面,还提供了一种供应商选取装置,包括:获取模块,用于获取预先确定的目标评价指标;模型构建模块,用于采用最小二乘支持向量机算法构建得到供应商评价模型;构建模块,用于根据上述目标评价指标对应的指标数据和上述供应商评价模型,确定得到多个备选供应商分别对应的评分结果;选取模块,用于基于上述评分结果从上述多个备选供应商中选取出目标供应商。
可选的,上述指标数据包括上述多个备选供应商对应的当前指标数据,以及多个历史供应商对应的历史指标数据,上述确定模块包括:获取子模块,用于获取上述多个历史供应商分别对应的历史评分结果;模型训练子模块,用于以上述多个历史供应商对应的上述历史评分结果和上述历史指标数据作为训练集数据,对上述供应商评价模型进行训练,得到训练后的供应商评价模型;计算子模块,用于基于上述多个备选供应商对应的上述当前指标数据,采用上述训练后的供应商评价模型,计算得到上述多个备选供应商分别对应的上述评分结果。
根据本发明实施例的另一方面,还提供了一种非易失性存储介质,上述非易失性存储介质存储有多条指令,上述指令适于由处理器加载并执行任意一项上述的供应商选取方法。
根据本发明实施例的另一方面,还提供了一种电子设备,包括一个或多个处理器和存储器,上述存储器用于存储一个或多个程序,其中,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现任意一项上述的供应商选取方法。
在本发明实施例中,通过获取预先确定的目标评价指标;采用最小二乘支持向量机算法构建得到供应商评价模型;根据上述目标评价指标对应的指标数据和上述供应商评价模型,确定得到多个备选供应商分别对应的评分结果;基于上述评分结果从上述多个备选供应商中选取出目标供应商,达到了采用基于最小二乘支持向量机的供应商评价模型选取目标供应商的目的,从而实现了提升供应商选取准确性的技术效果,进而解决了相关技术中存在的供应商选取不准确的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的供应商选取方法的流程图;
图2是根据本发明实施例的一种供应商选取装置的结构示意图;
图3是用于实施本发明实施例中供应商选取方法的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例,提供了一种供应商选取的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的供应商选取方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取预先确定的目标评价指标;
步骤S104,采用最小二乘支持向量机算法构建得到供应商评价模型;
步骤S106,根据上述目标评价指标对应的指标数据和上述供应商评价模型,确定得到多个备选供应商分别对应的评分结果;
步骤S108,基于上述评分结果从上述多个备选供应商中选取出目标供应商。
在本发明实施例中,通过获取预先确定的目标评价指标;采用最小二乘支持向量机算法构建得到供应商评价模型;根据上述目标评价指标对应的指标数据和上述供应商评价模型,确定得到多个备选供应商分别对应的评分结果;基于上述评分结果从上述多个备选供应商中选取出目标供应商,达到了采用基于最小二乘支持向量机的供应商评价模型选取目标供应商的目的,从而实现了提升供应商选取准确性的技术效果,进而解决了相关技术中存在的供应商选取不准确的技术问题。
需要说明的是,本发明实施例采用最小二乘支持向量机算法构建得到供应商评价模型,具有训练速度快,泛化性好,分类精度高等优点。保证了电力企业供应商选择的客观性和合理性,大大提高了工作效率。
可选的,可以但不限于通过专家打分的方式确定得到上述确定的目标评价指标。
可选的,上述目标评价指标包括一级评价指标以及二级评价指标,其中,上述一级评价指标包括以下至少之一:资质信息指标、设计研发能力指标、生产制造能力指标、仓储管理能力指标以及不合格品率指标;上述资质信息指标对应的上述二级评价指标包括以下至少之一:上述多个备选供应商分别对应的基本信息、产品业绩、盈利率以及入网时间;上述设计研发能力指标对应的上述二级评价指标包括以下至少之一:上述多个备选供应商分别对应的研发人员数量、科研成果数、技术能力以及生产厂房规模;上述生产制造能力指标对应的上述二级评价指标包括以下至少之一:上述多个备选供应商分别对应的先进设备比例、生产工艺水平、检验能力以及制造管理制度水平;上述仓储管理能力指标对应的上述二级评价指标包括以下至少之一:上述多个备选供应商分别对应的仓储管理制度水平以及原材料管理水平。
需要说明的是,本发明实施例构建基于电力设备的供应商综合评价指标体系。综合考虑检测报告鉴定证书、产品认证、供货业绩、设计研发、生产制造、试验检测、安全管理、生产现场环境、设备设施管理和仓储管理等多个维度的设备特征属性,解决目前供应商选择指标体系单一的问题。
在一种可选的实施例中,上述指标数据包括上述多个备选供应商对应的当前指标数据,以及多个历史供应商对应的历史指标数据,上述根据上述目标评价指标对应的指标数据和上述供应商评价模型,确定得到多个备选供应商分别对应的评分结果,包括:
获取上述多个历史供应商分别对应的历史评分结果;
以上述多个历史供应商对应的上述历史评分结果和上述历史指标数据作为训练集数据,对上述供应商评价模型进行训练,得到训练后的供应商评价模型;
基于上述多个备选供应商对应的上述当前指标数据,采用上述训练后的供应商评价模型,计算得到上述多个备选供应商分别对应的上述评分结果。
可选的,可以但不限于采用历史经验方法和/或专家打分方法,确定得到上述历史评分结果。
采用历史供应商对应的历史数据(即历史评分结果和历史指标数据)作为训练及数据对上述供应商评价模型进行优化训练,将上述多个备选供应商对应的上述当前指标数据分别输入至训练后的供应商评价模型,计算得到上述多个备选供应商分别对应的上述评分结果。例如,选取10家国内大型变压器设备供应商Sn(n=1,2,…,10)作为上述历史供应商,获取该10家供应商对应的历史指标数据组成14×10指标矩阵X训练作为上述供应商评价模型的输入,以该10家供应商对应的历史评分结果Y训练(1×10指标矩阵)作为上述供应商评价模型的输出对上述供应商评价模型进行训练,得到训练后的供应商评价模型;另选取5家国内大型变压器设备供应商作为上述备选供应商,以该5家供应商对应的当前指标数据作为测试样本X测试分别输入至上述训练后的供应商评价模型,上述训练后的供应商评价模型的输入结果Y测试即为该5家供应商分别对应的上述评分结果。
可选的,将上述评分结果排在前列的目标数量(一个或多个)的备选供应商作为上述目标供应商。
在一种可选的实施例中,上述获取预先确定的目标评价指标,包括:
获取多个备选指标;
采用专家打分法对上述多个备选指标进行评分,得到上述多个备选指标分别对应的指标评分;
根据上述指标评分从上述多个备选指标中确定得到上述目标评价指标。
可选的,从预先构建的备选指标库中确定得到上述多个备选指标。例如,在迪克森Dickson提出的23条供应商选择过程的基本评价准则基础上,考虑到电力设备本身的特点,提出了170种有关供应商质量的备选指标存储至上述备选指标库,作为上述多个备选指标。
可选的,采用专家打分法对上述多个备选指标进行评分,例如,以调查问卷的形式将上述多个备选指标发放至多位电力专家,综合多位电力专家的评分结果确定得到上述多个备选指标进行评分,上述调查问卷的形式如表1所示,上述多位电力专家根据指标重要程度对表1中的多个备选指标进行打分,例如1分为极不重要,2分为不重要,3分为一般,4分为比较重要,5分为非常重要。
表1
在一种可选的实施例中,上述根据上述指标评分从上述多个备选指标中确定得到上述目标评价指标,包括:
采用α信度系数法计算上述多个备选指标分别对应的信度值;
根据上述信度值和上述指标评分从上述多个备选指标中确定得到上述目标评价指标。
可选的,在上述指标评分的基础上,综合上述多个备选指标分别对应的信度值,已达到确保指标选取的可靠性与准确性的目的。例如,通过如下公式计算上述多个备选指标分别对应的信度值α:
其中,n为量表中备选指标的总数,为第i个备选指标的组内方差,为全部备选指标总得分的方差。从公式中可以看出,α系数评价的是量表中各备选指标得分间的一致性,属于内在一致性系数。该公式同样适用于态度、意见式问卷(量表)的信度分析。
在一种可选的实施例中,上述根据上述目标评价指标对应的指标数据和上述供应商评价模型,确定得到多个备选供应商分别对应的评分结果,包括:
对上述指标数据进行归一化处理,得到处理后的指标数据;
根据上述处理后的指标数据和上述供应商评价模型,确定得到上述多个备选供应商分别对应的上述评分结果。
需要说明的是,为了防止因奇异样本数据的存在而可能引起的网络训练时间增加和网络无法收敛等问题,在进行模型训练之前对指标数据进行归一化处理,并根据归一化处理后的指标数据和上述供应商评价模型,确定得到上述多个备选供应商分别对应的上述评分结果。例如,采用如下公式对上述指标数据进行归一化处理:
其中,X为任意一个指标数据,Xmax为指标数据中的最大值,Xmin为指标数据中的最小值。
需要说明的是,本发明实施例以电力企业供应商指标体系建立为基础,采用最小二乘向量机的神经网络算法建立供应商评价选择模型。建立选择优质设备的统一标准,提高供应商选择效率,更能反应真实的情况,并按照打分排名筛选出优秀的设备供应商。立足于在运电网设备供应商,侧重评价体系的评价准确性和公平性,为电网招标采购提供科学可信的优选依据。
在本实施例中还提供了一种供应商选取装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”“装置”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
根据本发明实施例,还提供了一种用于实施上述供应商选取方法的装置实施例,图2是根据本发明实施例的一种供应商选取装置的结构示意图,如图2所示,上述供应商选取装置,包括:获取模块200、模型构建模块202、确定模块204以及选取模块206,其中:
上述获取模块200,用于获取预先确定的目标评价指标;
上述模型构建模块202,连接于上述获取模块200,用于采用最小二乘支持向量机算法构建得到供应商评价模型;
上述确定模块204,连接于上述模型构建模块202,,用于根据上述目标评价指标对应的指标数据和上述供应商评价模型,确定得到多个备选供应商分别对应的评分结果;
上述选取模块206,连接于上述确定模块204,用于基于上述评分结果从上述多个备选供应商中选取出目标供应商。
在本发明实施例中,通过设置上述获取模块200,用于获取预先确定的目标评价指标;上述模型构建模块202,连接于上述获取模块200,用于采用最小二乘支持向量机算法构建得到供应商评价模型;上述确定模块204,连接于上述模型构建模块202,用于根据上述目标评价指标对应的指标数据和上述供应商评价模型,确定得到多个备选供应商分别对应的评分结果;上述选取模块206,连接于上述确定模块204,用于基于上述评分结果从上述多个备选供应商中选取出目标供应商,达到了采用基于最小二乘支持向量机的供应商评价模型选取目标供应商的目的,从而实现了提升供应商选取准确性的技术效果,进而解决了相关技术中存在的供应商选取不准确的技术问题。
可选的,上述指标数据包括上述多个备选供应商对应的当前指标数据,以及多个历史供应商对应的历史指标数据,上述确定模块包括:获取子模块,用于获取上述多个历史供应商分别对应的历史评分结果;模型训练子模块,用于以上述多个历史供应商对应的上述历史评分结果和上述历史指标数据作为训练集数据,对上述供应商评价模型进行训练,得到训练后的供应商评价模型;计算子模块,用于基于上述多个备选供应商对应的上述当前指标数据,采用上述训练后的供应商评价模型,计算得到上述多个备选供应商分别对应的上述评分结果。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,例如,对于后者,可以通过以下方式实现:上述各个模块可以位于同一处理器中;或者,上述各个模块以任意组合的方式位于不同的处理器中。
此处需要说明的是,上述获取模块200、模型构建模块202、确定模块204以及选取模块206对应于实施例中的步骤S102至步骤S108,上述模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在计算机终端中。
需要说明的是,本实施例的可选或优选实施方式可以参见实施例中的相关描述,此处不再赘述。
上述的供应商选取装置还可以包括处理器和存储器,上述获取模块200、模型构建模块202、确定模块204以及选取模块206等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元,上述内核可以设置一个或以上。存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
根据本申请实施例,还提供了一种非易失性存储介质的实施例。可选地,在本实施例中,上述非易失性存储介质包括存储的程序,其中,在上述程序运行时控制上述非易失性存储介质所在设备执行上述任意一种供应商选取方法。
可选地,在本实施例中,上述非易失性存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中,或者位于移动终端群中的任意一个移动终端中,上述非易失性存储介质包括存储的程序。
可选地,在程序运行时控制非易失性存储介质所在设备执行以下功能:获取预先确定的目标评价指标;采用最小二乘支持向量机算法构建得到供应商评价模型;根据上述目标评价指标对应的指标数据和上述供应商评价模型,确定得到多个备选供应商分别对应的评分结果;基于上述评分结果从上述多个备选供应商中选取出目标供应商。
可选的,在程序运行时控制非易失性存储介质所在设备执行以下功能:获取上述多个历史供应商分别对应的历史评分结果;以上述多个历史供应商对应的上述历史评分结果和上述历史指标数据作为训练集数据,对上述供应商评价模型进行训练,得到训练后的供应商评价模型;基于上述多个备选供应商对应的上述当前指标数据,采用上述训练后的供应商评价模型,计算得到上述多个备选供应商分别对应的上述评分结果。
可选的,在程序运行时控制非易失性存储介质所在设备执行以下功能:获取多个备选指标;采用专家打分法对上述多个备选指标进行评分,得到上述多个备选指标分别对应的指标评分;根据上述指标评分从上述多个备选指标中确定得到上述目标评价指标。
可选的,在程序运行时控制非易失性存储介质所在设备执行以下功能:采用α信度系数法计算上述多个备选指标分别对应的信度值;根据上述信度值和上述指标评分从上述多个备选指标中确定得到上述目标评价指标。
可选的,在程序运行时控制非易失性存储介质所在设备执行以下功能:对上述指标数据进行归一化处理,得到处理后的指标数据;根据上述处理后的指标数据和上述供应商评价模型,确定得到上述多个备选供应商分别对应的上述评分结果。
根据本申请实施例,还提供了一种计算机程序产品的实施例,当在数据处理设备上执行时,适于执行初始化有上述任意一种的供应商选取方法步骤的程序。
可选地,上述计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:获取预先确定的目标评价指标;采用最小二乘支持向量机算法构建得到供应商评价模型;根据上述目标评价指标对应的指标数据和上述供应商评价模型,确定得到多个备选供应商分别对应的评分结果;基于上述评分结果从上述多个备选供应商中选取出目标供应商。
根据本申请实施例,还提供了一种电子设备的实施例,如图3所示,该电子设备10包括存储器和处理器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:获取预先确定的目标评价指标;采用最小二乘支持向量机算法构建得到供应商评价模型;根据上述目标评价指标对应的指标数据和上述供应商评价模型,确定得到多个备选供应商分别对应的评分结果;基于上述评分结果从上述多个备选供应商中选取出目标供应商。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取非易失性存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个非易失性存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的非易失性存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种供应商选取方法,其特征在于,包括:
获取预先确定的目标评价指标;
采用最小二乘支持向量机算法构建得到供应商评价模型;
根据所述目标评价指标对应的指标数据和所述供应商评价模型,确定得到多个备选供应商分别对应的评分结果;
基于所述评分结果从所述多个备选供应商中选取出目标供应商。
2.根据权利要求1所述的方法,其特征在于,所述指标数据包括所述多个备选供应商对应的当前指标数据,以及多个历史供应商对应的历史指标数据,所述根据所述目标评价指标对应的指标数据和所述供应商评价模型,确定得到多个备选供应商分别对应的评分结果,包括:
获取所述多个历史供应商分别对应的历史评分结果;
以所述多个历史供应商对应的所述历史评分结果和所述历史指标数据作为训练集数据,对所述供应商评价模型进行训练,得到训练后的供应商评价模型;
基于所述多个备选供应商对应的所述当前指标数据,采用所述训练后的供应商评价模型,计算得到所述多个备选供应商分别对应的所述评分结果。
3.根据权利要求1所述的方法,其特征在于,所述获取预先确定的目标评价指标,包括:
获取多个备选指标;
采用专家打分法对所述多个备选指标进行评分,得到所述多个备选指标分别对应的指标评分;
根据所述指标评分从所述多个备选指标中确定得到所述目标评价指标。
4.根据权利要求3所述的方法,其特征在于,所述根据所述指标评分从所述多个备选指标中确定得到所述目标评价指标,包括:
采用α信度系数法计算所述多个备选指标分别对应的信度值;
根据所述信度值和所述指标评分从所述多个备选指标中确定得到所述目标评价指标。
5.根据权利要求1所述的方法,其特征在于,所述目标评价指标包括一级评价指标以及二级评价指标,其中,
所述一级评价指标包括以下至少之一:资质信息指标、设计研发能力指标、生产制造能力指标、仓储管理能力指标以及不合格品率指标;
所述资质信息指标对应的所述二级评价指标包括以下至少之一:所述多个备选供应商分别对应的基本信息、产品业绩、盈利率以及入网时间;
所述设计研发能力指标对应的所述二级评价指标包括以下至少之一:所述多个备选供应商分别对应的研发人员数量、科研成果数、技术能力以及生产厂房规模;
所述生产制造能力指标对应的所述二级评价指标包括以下至少之一:所述多个备选供应商分别对应的先进设备比例、生产工艺水平、检验能力以及制造管理制度水平;
所述仓储管理能力指标对应的所述二级评价指标包括以下至少之一:所述多个备选供应商分别对应的仓储管理制度水平以及原材料管理水平。
6.根据权利要求1-5中任意一项所述的方法,其特征在于,所述根据所述目标评价指标对应的指标数据和所述供应商评价模型,确定得到多个备选供应商分别对应的评分结果,包括:
对所述指标数据进行归一化处理,得到处理后的指标数据;
根据所述处理后的指标数据和所述供应商评价模型,确定得到所述多个备选供应商分别对应的所述评分结果。
7.一种供应商选取装置,其特征在于,包括:
获取模块,用于获取预先确定的目标评价指标;
模型构建模块,用于采用最小二乘支持向量机算法构建得到供应商评价模型;
确定模块,用于根据所述目标评价指标对应的指标数据和所述供应商评价模型,确定得到多个备选供应商分别对应的评分结果;
选取模块,用于基于所述评分结果从所述多个备选供应商中选取出目标供应商。
8.根据权利要求7所述的装置,其特征在于,所述指标数据包括所述多个备选供应商对应的当前指标数据,以及多个历史供应商对应的历史指标数据,所述确定模块包括:
获取子模块,用于获取所述多个历史供应商分别对应的历史评分结果;
模型训练子模块,用于以所述多个历史供应商对应的所述历史评分结果和所述历史指标数据作为训练集数据,对所述供应商评价模型进行训练,得到训练后的供应商评价模型;
计算子模块,用于基于所述多个备选供应商对应的所述当前指标数据,采用所述训练后的供应商评价模型,计算得到所述多个备选供应商分别对应的所述评分结果。
9.一种非易失性存储介质,其特征在于,所述非易失性存储介质存储有多条指令,所述指令适于由处理器加载并执行权利要求1至6中任意一项所述的供应商选取方法。
10.一种电子设备,其特征在于,包括一个或多个处理器和存储器,所述存储器用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至6中任意一项所述的供应商选取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210582302.9A CN114881515A (zh) | 2022-05-26 | 2022-05-26 | 供应商选取方法、装置、存储介质以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210582302.9A CN114881515A (zh) | 2022-05-26 | 2022-05-26 | 供应商选取方法、装置、存储介质以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114881515A true CN114881515A (zh) | 2022-08-09 |
Family
ID=82678488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210582302.9A Pending CN114881515A (zh) | 2022-05-26 | 2022-05-26 | 供应商选取方法、装置、存储介质以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114881515A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115829617A (zh) * | 2023-02-20 | 2023-03-21 | 塔比星信息技术(深圳)有限公司 | 基于人工蜂群算法的供应商选取方法、装置、设备及介质 |
CN117010922A (zh) * | 2023-06-08 | 2023-11-07 | 山钢供应链管理(深圳)有限公司 | 一种云端数字供应链管理系统 |
-
2022
- 2022-05-26 CN CN202210582302.9A patent/CN114881515A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115829617A (zh) * | 2023-02-20 | 2023-03-21 | 塔比星信息技术(深圳)有限公司 | 基于人工蜂群算法的供应商选取方法、装置、设备及介质 |
CN117010922A (zh) * | 2023-06-08 | 2023-11-07 | 山钢供应链管理(深圳)有限公司 | 一种云端数字供应链管理系统 |
CN117010922B (zh) * | 2023-06-08 | 2024-04-09 | 山钢供应链管理(深圳)有限公司 | 一种云端数字供应链管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564286B (zh) | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 | |
CN104025130B (zh) | 计算实体之间的重要性的方法、系统和设备 | |
CN114881515A (zh) | 供应商选取方法、装置、存储介质以及电子设备 | |
CN108335216A (zh) | 一种保险风险评估方法、装置、终端设备及存储介质 | |
US20100030799A1 (en) | Method for Generating a Computer-Processed Financial Tradable Index | |
CN107665448A (zh) | 用于确定消费贡献价值的方法、装置以及存储介质 | |
CN106682923B (zh) | 商品调整方法及系统 | |
Türegün | Financial performance evaluation by multi-criteria decision-making techniques | |
CN109146611A (zh) | 一种电商产品质量信用指数分析方法及系统 | |
CN111861234A (zh) | 电能表供应商综合服务能力评价方法 | |
CN111192161A (zh) | 电力市场交易对象推荐方法、装置 | |
CN114943458A (zh) | 一种基于权重分配模型的企业esg评级方法 | |
Lao et al. | Determination of the success factors in supply chain networks: a Hong Kong‐based manufacturer's perspective | |
Biswas et al. | A decision making framework for comparing sales and operational performance of firms in emerging market | |
US20150120580A1 (en) | Method for automatic development of an art index | |
CN116911962A (zh) | 一种基于数据模型的选品装置及方法 | |
Bankston et al. | Effects of sample plot size and prediction models on diameter distribution recovery | |
Saeyang et al. | Trade competitiveness in the global market: an analysis of four palm oil products from Indonesia, Malaysia and Thailand. | |
CN112381440A (zh) | 电力营商环境的评价方法、装置、处理器和评价系统 | |
CN116402528A (zh) | 电力数据处理系统 | |
Pun et al. | A cloud-based fuzzy multi-criteria decision support system for procurement process in facility management | |
CN114943450A (zh) | 采购项目资质自动筛选方法及系统 | |
Ying et al. | Study on the third party logistics service providers' performance evaluation based on the weighted entropy and analysis process of grey relation | |
CN112258344A (zh) | 一种电力现货市场中发电商市场力故障识别方法 | |
Chuangchid et al. | Predicting Malaysian palm oil price using extreme value theory |
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 |