CN116757511A - 供应方自动评级方法、供应方自动评级装置及存储介质 - Google Patents
供应方自动评级方法、供应方自动评级装置及存储介质 Download PDFInfo
- Publication number
- CN116757511A CN116757511A CN202210209097.1A CN202210209097A CN116757511A CN 116757511 A CN116757511 A CN 116757511A CN 202210209097 A CN202210209097 A CN 202210209097A CN 116757511 A CN116757511 A CN 116757511A
- Authority
- CN
- China
- Prior art keywords
- rating
- weight
- supplier
- optimized
- rationality
- 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 39
- 238000011156 evaluation Methods 0.000 claims abstract description 66
- 238000005457 optimization Methods 0.000 claims abstract description 37
- 238000012795 verification Methods 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000003066 decision tree Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种供应方自动评级方法、供应方自动评级装置及存储介质。供应方自动评级方法对部件的供应方自动进行评级,其特征在于,包括:评级合理性验证步骤,基于模型稳定性校验指标,验证原评级标准对供应方的新数据是否合理;权重优化步骤,在所述评级合理性验证步骤的验证结果为原评级标准不合理的情况下,基于评分合理性校验指标,利用供应方的新数据、供应方的评价指标各自的原权重,对所述评价指标各自的权重进行优化,获得权重合理性比较结果、以及所述评价指标各自的新权重;以及供应方评级标准求解步骤,利用在所述权重优化步骤中获得的所述评价指标各自的新权重,获得优化后评级标准,并利用该优化后评级标准,对供应方的新数据进行评级。
Description
技术领域
本发明涉及一种供应方(供应商)自动评级方法、供应方自动评级装置及存储介质,对部件的供应方自动进行评级。
背景技术
在企业制造某种产品时,通常需要从多个供应方获得产品的组成部件,就某一种组成部件而言,也经常存在从不同的多个供应方获得的情况。因此,制造产品的企业需要对这些供应方的供货情况进行评级。以往,对供应方进行评级时,根据多项评价指标来进行评级。评价指标例如可以是所供应的部件的品质、是否按时完成交付等。
如专利文献1所述,以往的供应方评级方法主要是利用供应方的历史数据、以及固定评级逻辑来进行自动评级,由于评级逻辑是固定的,所以缺乏评级合理性的校验功能,并且固定评级逻辑会影响多变的供应链环境和管理策略的适应性,无法提供自动优化的功能。
专利文献1:CN112613696A
发明内容
本发明是鉴于以上情况而完成的,其目的在于,提供一种能够通过采用动态评级逻辑来实现评级逻辑的自动优化的供应方自动评级方法、供应方自动评级装置及存储介质。
用于解决问题的方案
技术方案1是一种供应方自动评级方法,对部件的供应方自动进行评级,其特征在于,包括:
评级合理性验证步骤,基于模型稳定性校验指标,验证原评级标准对供应方的新数据是否合理;
权重优化步骤,在所述评级合理性验证步骤的验证结果为原评级标准不合理的情况下,基于评分合理性校验指标,利用供应方的新数据、供应方的评价指标各自的原权重,对所述评价指标各自的权重进行优化,获得权重合理性比较结果、以及所述评价指标各自的新权重;以及
供应方评级标准求解步骤,利用在所述权重优化步骤中获得的所述评价指标各自的新权重,获得优化后评级标准,并利用该优化后评级标准,对供应方的新数据进行评级。
由此,根据技术方案1的供应方自动评级方法,实现了动态评级逻辑,即在评级合理性验证步骤中验证为原评级标准对供应方的新数据不适用的情况下,通过权重优化步骤对各评价指标的权重进行优化,进一步利用优化后的权重,通过供应方评级标准求解步骤来获得优化后的评级标准,因此能够有效地对供应方的新数据进行评级。
此外,技术方案2中也可以是,所述权重优化步骤包括:
初始权重选择步骤,基于所述评分合理性校验指标,利用供应方的新数据、供应方的所述评价指标各自的原权重,获得与评分合理性校验指标的最大值对应的权重即初始权重;
权重优化求解步骤,通过多层前馈神经网络算法对所述初始权重进行神经网络计算,获得优化权重;以及
权重筛选步骤,再次基于所述评分合理性校验指标,对所述初始权重与所述优化权重进行合理性比较,来获得所述权重合理性比较结果、以及所述评价指标各自的新权重。
由此,根据技术方案2的供应方自动评级方法通过引入评分合理性校验指标,能够让多种权重的计算方法同时存在,保留多种权重计算方法以备在不同的情况下发挥作用,由此能够提高权重计算方法的适应性和合理性。
此外,技术方案3中也可以是,在所述权重筛选步骤中,对所述初始权重与所述优化权重进行合理性比较时,判断所述优化权重相对于所述初始权重是正优化还是负优化,若判断结果是正优化,则将所述优化权重设为评价指标各自的新权重,若判断结果是负优化,则将所述初始权重设为所述评价指标各自的新权重。
由此,根据技术方案3的供应方自动评级方法,能够防止利用负优化的权重来对评级标准进行优化,能够利用评价指标的最优化的权重来对评级标准进行优化。
此外,技术方案4中也可以是,所述供应方评级标准求解步骤包括:
分数分级搜索步骤,利用所述评价指标各自的新权重,获得各供应方的评分即供应方评分,基于决策树算法,从各所述供应方评分中抽取可选分级点,由各所述可选分级点对所述供应方评分进行划分来得到多个分级;以及
分级合并优化步骤,对多个所述分级进行合并优化,从而得到所需数量的目标分级即所述优化后评级标准。
此外,技术方案5中也可以是,在所述分数分级搜索步骤中,每一个评价指标的值乘以相应的新权重所得的值相加来得到所述供应方评分。
此外,技术方案6中也可以是,在所述分级合并优化步骤中,若相邻的两个所述分级出现反向排序,则进行合并,并且若相邻的两个所述分级之间的优秀供应方占比一致,则进行合并。
决策树算法的原理是通过数据特性中的信息增益,选择数据的最优的可选分级点进行数据切分。根据技术方案4~6的供应方自动评级方法,正是利用该机理优势,提取模型中的分级点作为供应方分级的分级点,之后基于业务要求,根据分数排序度,对大量的分级进行合并,因此最终能够得到良好的优化后评级标准。
此外,技术方案7中也可以是,所述供应方的新数据是供应方指标评分、相关业务数据中的至少一个,所述相关业务数据包括供应方的供应数量、供应批次。
技术方案8是一种供应方自动评级装置,对部件的供应方自动进行评级,其特征在于,包括:
评级合理性验证部,基于模型稳定性校验指标,验证原评级标准对供应方的新数据是否合理;
权重优化部,在所述评级合理性验证部的验证结果为原评级标准不合理的情况下,基于评分合理性校验指标,利用供应方的新数据、供应方的评价指标各自的原权重,对所述评价指标各自的权重进行优化,获得权重合理性比较结果、以及所述评价指标各自的新权重;以及
供应方评级标准求解部,利用在所述权重优化部中获得的所述评价指标各自的新权重,获得优化后评级标准,并利用该优化后评级标准,对供应方的新数据进行评级。
由此,根据技术方案8的供应方自动评级装置,实现了动态评级逻辑,即在评级合理性验证部验证为原评级标准对供应方的新数据不适用的情况下,通过权重优化部对各评价指标的权重进行优化,进一步利用优化后的权重,通过供应方评级标准求解部来获得优化后的评级标准,因此能够有效地对供应方的新数据进行评级。
技术方案9是一种存储介质,其特征在于,该存储介质存储有供应方自动评级程序,该供应方自动评级程序使计算机执行技术方案1~7中任一项所述的供应方自动评级方法。
根据技术方案9也能够获得与技术方案1~7同样的技术效果。
发明的效果
根据本发明,能够通过采用动态评级逻辑来实现评级逻辑的自动优化的供应方自动评级方法、供应方自动评级装置及存储介质。
附图说明
图1是例示本发明的供应方自动评级方法的主流程的图。
图2是例示权重优化步骤的流程图。
图3是例示供应方评级标准求解步骤的流程图。
图4是例示分数分级搜索步骤中的决策树模型的图。
图5是例示本发明的供应方自动评级装置的结构框图。
具体实施方式
以下,基于附图来说明本发明的实施方式。以下的说明仅是例示,并不意图限定本发明。
本发明的供应方自动评级方法例如可以由计算机来执行。计算机具备负责整体的控制的中央处理装置、存储数据的存储器、输出并显示数据等的显示器、以及输入装置即键盘及鼠标等。此外,该计算机还能够与外部设备进行通信。
存储器中例如可以存储原供应方评级标准、供应方的新数据、原供应商权重、其他可选权重(如专家权重)、专家意见、历史信息、优化后评级标准等各种数据。供应方的新数据例如可以是供应方指标评分、相关业务数据等,历史信息例如可以是供应方评分(指标和总分)、供应方评级、相关业务数据。相关业务数据包括采购份额(也称为“供应数量”)及交付批次(也称为“供应批次”)等。
图1是例示本发明的供应方自动评级方法的主流程的图。
如图1所示,本发明的供应方自动评级方法包括评级合理性验证步骤S1、权重优化步骤S2、以及供应方评级标准求解步骤S3。
以下,依次说明图1的供应方自动评级方法的各步骤。
<步骤S1>
在最初的步骤S1中,执行评级合理性验证。计算机读入原评级标准以及供应方的新数据,该新数据中可以包括供应方指标评分及相关业务数据等。之后,执行评级合理性验证,即验证原评级标准对供应方的新数据是否合理,即判断是否能够用原评级标准对供应方的新数据进行评级。
为了执行评级合理性验证,在此引入模型稳定性校验指标,该模型稳定性校验指标可以是卡方值、迁移矩阵指标、群体稳定性指标、肯德尔等级相关系数等中的某一个。首先,按照原评级标准的划分方式对各供应方进行评分,例如评分>90分,则评级为“优”,评分为70~89分之间,则评级为“良”,评分<70分,则评级为“差”。之后,用模型稳定性校验指标的计算方式计算供应方的新数据在原评级标准中的模型稳定性校验指标值。若模型稳定性校验指标值在规定的区间内,则说明原评级标准对供应方的新数据合理,若模型稳定性校验指标值不在规定的区间内,则说明原评级标准对供应方的新数据不合理。
通过验证每个评级中的供应方的群体是否稳定,判断原评级标准是否适用于供应方的新数据。若每个评级中的供应方的群体仍然是稳定的,则进入步骤S4,可以继续沿用原评级标准,若每个评级中的供应方的群体出现不稳定的情况,则说明有可能是权重或评级标准不再适用于供应方的新数据,也有可能是实际群体确实发生变化。在这种情况下,可以通过重新计算评价指标的权重和评级标准来解决。若是原评级标准不再适用,则可以通过重新计算来求解优化后评级标准,若是群体发生了变化,则重新计算会求解出类似结果并继续沿用原评级标准,同时可以通过类似结果去判断和发现群体的变化。
<步骤S2>
在步骤S1中,如前所述,若验证结果为原评级标准对供应方的新数据合理,则进入步骤S4,继续沿用原评价指标的权重以及评级标准对供应方的新数据进行评级。
若步骤S1的验证结果为原评级标准对供应方的新数据不合理,则进入步骤S2,执行权重优化。在此,引入评分合理性校验指标,基于该评分合理性校验指标,利用供应方的新数据、供应方的评价指标各自的原权重等,对评价指标各自的权重进行优化,获得权重合理性比较结果、以及评价指标各自的新权重。
图2是表示权重优化步骤S2的流程图。
如图2所示,权重优化步骤S2包括初始权重选择步骤S21、权重优化求解步骤S22、以及权重筛选步骤S23。
-步骤S21-
在初始权重选择步骤S21中,基于评分合理性校验指标,利用供应方的新数据、供应方的评价指标各自的原权重等,获得与评分合理性校验指标的最大值对应的权重即初始权重。在此除了利用供应方的新数据、供应方的评价指标各自的原权重以外,还可以利用例如专家权重等其他可选权重。
具体地说,前述的评分合理性校验指标例如可以是提升值(Lift值:LIFT value)、曲线下面积(AUC值:Area Under the Curve,也称为接收者操作特征曲线下面积)、基尼系数(Gini系数:Gini coefficient)、柯尔莫诺夫-斯米尔诺夫检验值(KS值:Kolmogorov-Smirnov test value)、离散度评分(Divergence Score)、准确率(AR:accuracy ratio)中的某一个。这里,引入评分合理性校验指标来对各个分数区间中的供应商的分布进行分析,来识别区分度最高的权重模型。
首先,利用各评价指标的权重计算各供应方的评分,然后将该评分从好到坏进行排序,排序后进行等频分箱,例如如表1所示有500个供应方的情况下,将每100个供应方分成一个箱,这样得到5个分箱。
[表1]
通过计算各评价指标各自的权重的评分合理性校验指标的值,去除异常权重,与剩下的评分合理性校验指标的值中的最大值对应的权重即为初步优化权重,该初步优化权重即为前述的“初始权重”。
在一般的业务场景中,如果有多个权重计算方法,会缺乏一个选择最合理的权重的方法,只能凭人工经验去主观筛选。本发明的供应方自动评级方法通过引入评分合理性校验指标,能够让多种权重的计算方法同时存在,保留多种权重计算方法以备在不同的情况下发挥作用,由此能够提高权重计算方法的适应性和合理性。
-步骤S22-
接着,在权重优化求解步骤S22中,计算机例如读入供应方的新数据、专家意见、历史信息,通过多层前馈神经网络(BP神经网络)算法对在初始权重选择步骤S21中获得的初始权重进行神经网络计算,获得优化权重。在此,也可以不读入专家意见及历史信息。
-步骤S23-
接着,在权重筛选步骤S23中,再次基于评分合理性校验指标,对在初始权重选择步骤S21中获得的初始权重与在权重优化求解步骤S22中获得的优化权重进行合理性比较,来获得权重合理性比较结果、以及评价指标各自的新权重。
在权重筛选步骤S23中,再次基于评分合理性校验指标对初始权重与优化权重进行合理性比较的目的是验证每次通过多层前馈神经网络来优化后的优化权重是否比初始权重更合理。在某些特殊情况下,例如样本数量不足、数据结构失衡等情况下,会导致多层前馈神经网络算法的负优化,即优化权重不比初始权重合理。在权重筛选步骤S23中,对初始权重与优化权重进行合理性比较时,判断优化权重相对于初始权重是正优化还是负优化,若判断结果是正优化,则将优化权重设为评价指标各自的新权重,若判断结果是负优化,则将初始权重设为评价指标各自的新权重。
由此,通过本发明的供应方自动评级方法,能够防止利用负优化的权重来对评级标准进行优化,能够利用评价指标的最优化的权重来对评级标准进行优化。
<步骤S3>
在权重优化步骤S2中获得评价指标各自的新权重之后,进入供应方评级标准求解步骤S3,利用在权重优化步骤S2中获得的评价指标各自的新权重,获得优化后评级标准,并利用该优化后评级标准,对供应方的新数据进行评级。
图3是表示供应方评级标准求解步骤S3的流程图。
如图3所示,供应方评级标准求解步骤S3包括分数分级搜索步骤S31以及分级合并优化步骤S32。
-步骤S31-
在分数分级搜索步骤S31中,利用在权重优化步骤S2中获得的评价指标各自的新权重,获得各供应方的评分即供应方评分,并基于决策树算法,从各供应方评分中抽取可选分级点,由各可选分级点对供应方评分进行划分来得到多个分级。
具体地说,计算机读入例如供应方的新数据、专家意见、历史信息、以及在权重优化步骤S2中获得的评价指标各自的新权重,每一个评价指标的值乘以相应的新权重所得的值相加起来得到供应方评分。并且,利用机器学习决策树算法中的分类算法,将供应方评分作为特征输入,将业务目标作为目标值,例如专家意见为优秀供应方则标注1,若专家意见为普通供应商则标注0,目标值即为0和1,如表2所示。
[表2]
供应方编号 | 供应方评分(特征) | 是否为优秀供应商(目标值) |
A001 | 99 | 1 |
A002 | 97 | 0 |
…… | …… | 1 |
Axxx | 60 | 0 |
接着,对当前分数进行训练模型,得出针对该样本的分类模型。在本发明中基于分数划分成N类,N为2以上的整数。目标是搜索基于分数和目标业务指标的所有可能的可选分级点(分类切分点)。之后,如图4所示对决策树模型中的可选分级点进行抽取,在图4中N=4。
也就是其中对每个“是”和“否”判断的值进行抽取,基于这些判断的值的点对供应方评分进行划分,由此能够区分开优秀供应方和普通供应方,这些判断的值的点即为所有可能的可选分级点。在图4的情况下,可以分为表3所示的类别。
[表3]
分数区间 | 类别 |
(90,100] | 分类1 |
(80,90] | 分类2 |
[70,80) | 分类3 |
[0,70) | 分类4 |
-步骤S32-
接着,在分级合并优化步骤S32中,对多个分级进行合并优化,从而得到所需数量的目标分级即优化后评级标准。
虽然在图4中供应方仅分类为4类,但是通常情况下存在分数分级搜索步骤S31中获得的可选分级点以及多个分级的数大的情况,例如存在供应方被分类为20类的情况,此时一般需要将供应方的分类合并为例如“优良差”三级或者“1~5星”五级。为此,需要对在分数分级搜索步骤S31中划分出来的分级进行合并。具体地说,计算机例如读入供应方的新数据、专家意见、历史信息、在分数分级搜索步骤S31中获得的可选分级点以及多个分级。接着,例如,相邻的两个分级若出现反向排序(如“优”中的优秀供应方占比低于“良”中的优秀供应方占比),则优先进行合并,并且若相邻的两个分级之间的优秀供应方占比一致,则说明这两个分级没有区分度,因此进行合并。这样,通过进行多轮合并后,最终得出业务所需数量的目标分级即优化后评级标准。在此,也可以不读入专家意见及历史信息。
决策树算法的原理是通过数据特性中的信息增益,选择数据的最优的可选分级点进行数据切分。在本发明的供应方自动评级方法中,正是利用该机理优势,提取模型中的分级点作为供应方分级的分级点,之后基于业务要求,根据分数排序度,对大量的分级进行合并,因此最终能够得到良好的优化后评级标准。
根据以上说明的本发明的供应方自动评级方法,实现了动态评级逻辑,即在评级合理性验证步骤中验证为原评级标准对供应方的新数据不适用的情况下,通过权重优化步骤对各评价指标的权重进行优化,进一步利用优化后的权重,通过供应方评级标准求解步骤来获得优化后的评级标准,因此能够有效地对供应方的新数据进行评级。
此外,本发明的供应方自动评级方法还可以通过供应方自动评级装置100来实现。图5是例示本发明的供应方自动评级装置100的结构框图。
如图5所示,供应方自动评级装置1对部件的供应方自动进行评级,包括:评级合理性验证部100,基于模型稳定性校验指标,验证原评级标准对供应方的新数据是否合理;权重优化部200,在评级合理性验证部100的验证结果为原评级标准不合理的情况下,基于评分合理性校验指标,利用供应方的新数据、供应方的评价指标各自的原权重,对评价指标各自的权重进行优化,获得权重合理性比较结果、以及评价指标各自的新权重;以及供应方评级标准求解部300,利用在权重优化部200中获得的评价指标各自的新权重,获得优化后评级标准,并利用该优化后评级标准,对供应方的新数据进行评级。
如图5所示,权重优化部200包括:初始权重选择部201,基于评分合理性校验指标,利用供应方的新数据、供应方的评价指标各自的原权重,获得与评分合理性校验指标的最大值对应的权重即初始权重;权重优化求解部202,通过多层前馈神经网络算法对初始权重进行神经网络计算,获得优化权重;以及权重筛选部203,再次基于评分合理性校验指标,对初始权重与优化权重进行合理性比较,来获得权重合理性比较结果、以及评价指标各自的新权重。
权重筛选部203对初始权重与优化权重进行合理性比较时,判断优化权重相对于初始权重是正优化还是负优化,若判断结果是正优化,则将优化权重设为评价指标各自的新权重,若判断结果是负优化,则将初始权重设为评价指标各自的新权重。
如图5所示,供应方评级标准求解部300包括:分数分级搜索部301,利用评价指标各自的新权重,获得各供应方的评分即供应方评分,基于决策树算法,从各供应方评分中抽取可选分级点,由各可选分级点对供应方评分进行划分来得到多个分级;以及分级合并优化部302,对多个分级进行合并优化,从而得到所需数量的目标分级即优化后评级标准。
分数分级搜索部301将每一个评价指标的值乘以相应的新权重所得的值相加来得到供应方评分。分级合并优化部302若相邻的两个分级出现反向排序,则进行合并,并且若相邻的两个分级之间的优秀供应方占比一致,则进行合并。
此外,本发明的供应方自动评级方法还可以存储介质来实现。该存储介质存储有供应方自动评级程序,该供应方自动评级程序使计算机执行本发明的供应方自动评级方法。
以上参照附图说明了本发明的实施方式。但以上说明仅是本发明的具体例子,用于理解本发明,而不用于限定本发明的范围。本领域技术人员能够基于本发明的技术思想对实施方式进行各种变形,由此得到的方式也包括在本发明的范围内。
Claims (9)
1.一种供应方自动评级方法,对部件的供应方自动进行评级,其特征在于,包括:
评级合理性验证步骤,基于模型稳定性校验指标,验证原评级标准对供应方的新数据是否合理;
权重优化步骤,在所述评级合理性验证步骤的验证结果为原评级标准不合理的情况下,基于评分合理性校验指标,利用供应方的新数据、供应方的评价指标各自的原权重,对所述评价指标各自的权重进行优化,获得权重合理性比较结果、以及所述评价指标各自的新权重;以及
供应方评级标准求解步骤,利用在所述权重优化步骤中获得的所述评价指标各自的新权重,获得优化后评级标准,并利用该优化后评级标准,对供应方的新数据进行评级。
2.根据权利要求1所述的供应方自动评级方法,其特征在于,
所述权重优化步骤包括:
初始权重选择步骤,基于所述评分合理性校验指标,利用供应方的新数据、供应方的所述评价指标各自的原权重,获得与评分合理性校验指标的最大值对应的权重即初始权重;
权重优化求解步骤,通过多层前馈神经网络算法对所述初始权重进行神经网络计算,获得优化权重;以及
权重筛选步骤,再次基于所述评分合理性校验指标,对所述初始权重与所述优化权重进行合理性比较,来获得所述权重合理性比较结果、以及所述评价指标各自的新权重。
3.根据权利要求2所述的供应方自动评级方法,其特征在于,
在所述权重筛选步骤中,对所述初始权重与所述优化权重进行合理性比较时,判断所述优化权重相对于所述初始权重是正优化还是负优化,若判断结果是正优化,则将所述优化权重设为评价指标各自的新权重,若判断结果是负优化,则将所述初始权重设为所述评价指标各自的新权重。
4.根据权利要求2所述的供应方自动评级方法,其特征在于,
所述供应方评级标准求解步骤包括:
分数分级搜索步骤,利用所述评价指标各自的新权重,获得各供应方的评分即供应方评分,基于决策树算法,从各所述供应方评分中抽取可选分级点,由各所述可选分级点对所述供应方评分进行划分来得到多个分级;以及
分级合并优化步骤,对多个所述分级进行合并优化,从而得到所需数量的目标分级即所述优化后评级标准。
5.根据权利要求4所述的供应方自动评级方法,其特征在于,
在所述分数分级搜索步骤中,每一个评价指标的值乘以相应的新权重所得的值相加来得到所述供应方评分。
6.根据权利要求4所述的供应方自动评级方法,其特征在于,
在所述分级合并优化步骤中,若相邻的两个所述分级出现反向排序,则进行合并,并且若相邻的两个所述分级之间的优秀供应方占比一致,则进行合并。
7.根据权利要求1~6所述的供应方自动评级方法,其特征在于,
所述供应方的新数据是供应方指标评分、相关业务数据中的至少一个,所述相关业务数据包括供应方所供应的部件的供应数量、供应批次。
8.一种供应方自动评级装置,对部件的供应方自动进行评级,其特征在于,包括:
评级合理性验证部,基于模型稳定性校验指标,验证原评级标准对供应方的新数据是否合理;
权重优化部,在所述评级合理性验证部的验证结果为原评级标准不合理的情况下,基于评分合理性校验指标,利用供应方的新数据、供应方的评价指标各自的原权重,对所述评价指标各自的权重进行优化,获得权重合理性比较结果、以及所述评价指标各自的新权重;以及
供应方评级标准求解部,利用在所述权重优化部中获得的所述评价指标各自的新权重,获得优化后评级标准,并利用该优化后评级标准,对供应方的新数据进行评级。
9.一种存储介质,其特征在于,该存储介质存储有供应方自动评级程序,该供应方自动评级程序使计算机执行权利要求1~7中任一项所述的供应方自动评级方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210209097.1A CN116757511A (zh) | 2022-03-04 | 2022-03-04 | 供应方自动评级方法、供应方自动评级装置及存储介质 |
JP2023030995A JP7437545B2 (ja) | 2022-03-04 | 2023-03-01 | 供給元自動ランク付け方法、供給元自動ランク付け装置及び供給元自動ランク付けプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210209097.1A CN116757511A (zh) | 2022-03-04 | 2022-03-04 | 供应方自动评级方法、供应方自动评级装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116757511A true CN116757511A (zh) | 2023-09-15 |
Family
ID=87948378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210209097.1A Pending CN116757511A (zh) | 2022-03-04 | 2022-03-04 | 供应方自动评级方法、供应方自动评级装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7437545B2 (zh) |
CN (1) | CN116757511A (zh) |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6972057B2 (ja) | 2019-03-15 | 2021-11-24 | 株式会社東芝 | 演算装置 |
JP6918397B1 (ja) | 2020-02-10 | 2021-08-11 | 株式会社エイシング | 情報処理装置、方法、プログラム及びシステム |
-
2022
- 2022-03-04 CN CN202210209097.1A patent/CN116757511A/zh active Pending
-
2023
- 2023-03-01 JP JP2023030995A patent/JP7437545B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP7437545B2 (ja) | 2024-02-22 |
JP2023129344A (ja) | 2023-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7668788B2 (en) | Resource assignment optimization using direct encoding and genetic algorithms | |
CN108898479A (zh) | 信用评价模型的构建方法及装置 | |
US20070294291A1 (en) | Environment Load Totalizing Device and Method | |
CN1144139C (zh) | 在生产线模拟器中的估计值计算系统和方法 | |
CN113537807B (zh) | 一种企业智慧风控方法及设备 | |
WO2005003964A2 (en) | Evaluating storage options | |
CN101339619B (zh) | 用于模式分类的动态特征选择方法 | |
CN107239964A (zh) | 用户价值评分方法和系统 | |
CN112860769A (zh) | 一种能源规划数据管理系统 | |
CN107256241A (zh) | 基于网格与差异替换改进多目标遗传算法的电影推荐方法 | |
CN106294410A (zh) | 一种个性化信息推送时间的确定方法及确定系统 | |
CN106326462A (zh) | 一种视频索引分级方法及装置 | |
CN112183920A (zh) | 基于层次分析法的工业品最优成本方法及装置 | |
CN116757511A (zh) | 供应方自动评级方法、供应方自动评级装置及存储介质 | |
JP2002132327A (ja) | 生産計画作成方法およびそのシステム | |
JP2002260076A (ja) | 自販機の商品構成調整支援システム、その方法、及び記録媒体 | |
CN111199422A (zh) | 融合时间衰减因子的改进lfm协同过滤方法 | |
CN113627845A (zh) | 一种基于多标准分类的电力物资品类分析方法 | |
CN113327047A (zh) | 基于模糊综合模型的电力营销服务渠道决策方法及系统 | |
US20100169133A1 (en) | Method to enable optimizing towards goals | |
US7801757B2 (en) | Computer implemented customer value model in airline industry | |
XueNing et al. | Partners selection for virtual enterprises | |
CN115860676A (zh) | 一种农作物育种材料自动晋级推荐方法及系统 | |
CN114897106A (zh) | 一种基于模糊理论与vikor方法的关键质量特性评价方法 | |
CN111126419A (zh) | 网点聚类方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |