CN117236663B - 一种基于人工智能的计算机数据分析方法及系统 - Google Patents
一种基于人工智能的计算机数据分析方法及系统 Download PDFInfo
- Publication number
- CN117236663B CN117236663B CN202311509427.XA CN202311509427A CN117236663B CN 117236663 B CN117236663 B CN 117236663B CN 202311509427 A CN202311509427 A CN 202311509427A CN 117236663 B CN117236663 B CN 117236663B
- Authority
- CN
- China
- Prior art keywords
- provider
- service quality
- suppliers
- service
- alternative
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000007405 data analysis Methods 0.000 title claims abstract description 30
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 17
- 238000013441 quality evaluation Methods 0.000 claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 238000013210 evaluation model Methods 0.000 claims abstract description 10
- 238000003860 storage Methods 0.000 claims abstract description 10
- 238000004519 manufacturing process Methods 0.000 claims abstract description 7
- 238000013468 resource allocation Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 32
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000012384 transportation and delivery Methods 0.000 claims description 16
- 238000012512 characterization method Methods 0.000 claims description 10
- 238000007726 management method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000005065 mining Methods 0.000 claims description 3
- 239000002994 raw material Substances 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000009471 action Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工智能的计算机数据分析方法及系统，涉及计算机数据分析技术领域，包括：S1，获取历史销售数据并进行分析，对市场需求和销售进行预测；S2，选择供应商进行采购；安排生产任务并进行资源调配；S3，对物流运输和仓储进行管理；S4，对供应链中各个环节进行评估，根据评估结果对供应链各个环节持续进行改进和优化；本发明利用历史大数据建立出表征供应商服务质量信息与供应商服务质量的评价模型，评价模型来源于历史交易记录大数据，具有普遍性，采用评价模型对表征备选供应商服务质量进行评价，得到备选供应商的服务质量，企业可根据服务质量评价结果选择供应商，优化供应链中的供应商选择环节。
Description
技术领域
本发明涉及计算机数据分析技术领域，具体为一种基于人工智能的计算机数据分析方法及系统。
背景技术
数据分析是指对收集到的数据进行处理、分析和解释的过程，通过运用人工智能方法，数据分析可以揭示数据中的隐藏的模式、趋势和关联关系，从而为决策提供支持；在供应链管理的各个环节中，数据分析都扮演着重要的角色，为供应链中各个环节提供信息技术支持，以提高决策效率；通过过对历史销售数据分析，数据分析可以帮助企业准确预测产品需求，进行合理的库存规划和供应链调整；在供应商选择方面，人工智能可以通过挖掘供应商的历史数据，辅助企业进行供应商选择并提供决策支持；然而，现有技术缺乏对供应商各方面能力的综合评价；人们对应供应商的评价往往是片面的，不够全面，不同的企业对供应商的关注点也不同，有些企业更加关注供应商的产品质量，而有些企业更加关注供应商的价格，不同的关注点导致相同的供应商在不同企业可能得到不一样的评分，如何合理地对供应商进行全面地评价成为了一个需要解决的问题。
发明内容
本发明的目的在于提供一种基于人工智能的计算机数据分析方法及系统，以解决上述背景技术中提出的问题。
根据本发明的第一个方面，提供一种基于人工智能的计算机数据分析方法，包括以下步骤：
S1，获取历史销售数据并进行分析，对市场需求和销售进行预测，根据预测制定采购计划，确定所需的原材料的数量、质量要求和交货时间；
S2，根据需求制定生产计划和采购计划，获取历史销售数据并进行分析，基于分析结果选择供应商进行采购；安排生产任务并进行资源调配；
S3，对物流运输和仓储进行管理，包括货物的运输、仓库管理、库存控制和配送，确保产品在供应链中的流动性；
S4，对供应链中各个环节进行评估，根据评估结果对供应链各个环节持续进行改进和优化。
具体地，选择供应商包括以下步骤：
S11获取除备选供应商之外的供应商信息，所述除备选供应商之外的供应商信息包括每次交易时表征供应商服务质量的信息和供应商的服务质量；
S12基于步骤S1中除备选供应商之外的供应商信息，建立针对于供应商的服务质量评价模型；
S13获取表征备选供应商服务质量的信息，基于步骤S2中的服务质量评价模型，对备选供应商的服务质量进行评价；
S14根据备选供应商的服务质量，决定选择的备选供应商；
表征供应商服务质量的信息至少包括以下特征：质量绩效、交货准时率、供应链透明度和成本效益。
在步骤S12中，所述建立针对于供应商的服务质量评价模型包括以下分析步骤：
S21，从除备选供应商之外的供应商信息中提取出次交易时表征供应商服务质量信息的特征和供应商的服务质量，根据提取的信息征构建n+1个论域，每个表征供应商服务质量信息的特征和供应商的服务质量都用于构建1个论域，将供应商的服务质量分成个模糊集合，将每个表征供应商服务质量信息的特征逐个分成/>个模糊集合，式中n为表征供应商服务质量信息特征的个数；
S22，对步骤S21中的每个模糊集合，确定一个隶属度函数，用于分析表征供应商服务质量信息的特征和供应商的服务质量属于对应模糊集合的程度；不同的模糊集合拥有不同的分值，通过不同分值区分表征供应商服务质量信息的特征的好坏和供应商的服务质量的高低，属于高分值模糊集合的隶属度越高，表征供应商服务质量信息的特征越好，供应商的服务质量越好，反之亦然；
S23，根据S22中获取的隶属度，分析供应商的服务质量与表征供应商服务质量信息的特征之间的关系，从分析结果中确定出L条模糊规则，从L条模糊规则中提取出L条模糊关系，用于对备选供应商的服务质量进行评价；
S24，将L条模糊关系融合成1条完整的模糊关系，作为备选供应商的服务质量评价模型。
人们对应供应商的评价往往是片面的，不够全面，不同的企业对供应商的关注点也不同，有些企业更加关注供应商的产品质量，而有些企业更加关注供应商的价格，不同的关注点导致相同的供应商在不同企业可能得到不一样的评分，小部分的评价可能不具有代表性，因此，从供应商交易的大数据中提取出评价模型更具有普遍性，如果仅有少部分企业特别着重产品质量，那么在大量样本的条件下，产品质量的影响力会降低，表现形式为：供应商的质量绩效在质量绩效的最高模糊集合的隶属度达到最大值1时，供应商的服务质量在服务质量的最高模糊集合中的隶属度仍然不是很高；如果大部分企业都特别着重产品质量，供应商的质量绩效在质量绩效的最高模糊集合的隶属度达到最大值1时，供应商的服务质量在服务质量的最高模糊集合中的隶属度就会很高。
L条模糊关系通过如下方式确定：
S231，将表征供应商服务质量信息的特征和供应商的服务质量进行特征拼接，作为聚类数据集；
S232，采用DBSCAN聚类算法对S231中聚类数据集进行无监督分类，得到L个聚类簇，L为模糊规则的个数，每个模糊规则反映1类供应商的服务质量与表征供应商服务质量信息的特征之间的关系；
S233，对S232中的每个聚类簇，获取聚类中心，将L个聚类中心的表征供应商服务质量信息特征作为IF条件，服务质量作为THEN结论，形成L条模糊规则，从L条模糊规则中提取出L条模糊关系，将L条模糊关系分别记为。
供应商的信息非常多，每完成一次交易，都能够根据交易数据确定一条模糊规则，导致模糊规则的数量繁多，为此，首先需要对模糊规则的数量进行减少，而每次交易数据本身不存在身份标签，故而采用无监督分类方法，事先也不能确定聚类簇的个数，采用DBSCAN聚类算法较为合适。
对备选供应商的服务质量进行评价包括以下分析步骤：
S41，获取表征备选供应商服务质量信息的特征，将L条模糊关系合并，得到完整的模糊关系，/>；
S42，记表征供应商服务质量信息的特征为，将所有表征备选供应商服务质量信息的特征进行合成得到完整的表征备选供应商服务质量信息的特征/>，；
S43，基于模糊关系和完整的表征备选供应商服务质量信息的特征，确定备选供应商的服务质量，将所有表征备选供应商服务质量信息的特征代入到供应商的服务质量评价模型中得到备选供应商的服务质量模糊向量/>，/>。
输出量的模糊集合是一个模糊向量，需采用加权移动平均法将模糊向量转化为确定值，以Zadeh表示法对模糊向量/>进行表示，具体为：
；
式中，为[1,L]之间的正整数，/>表示隶属度，/>表示元素，加权移动平均法的计算公式为：
，/>是一个确定值，作为备选供应商的服务质量。
根据本发明的第二个方面，提供一种基于人工智能的计算机数据分析系统，包括：市场分析模块、供应商选择模块、物流运输与仓储管理模块和评估模块；
所述市场分析模块，利用大数据分析历史数据、市场趋势和其他相关因素，预测需求量和变动，帮助企业进行准确的需求预测和合理的库存规划；所述供应商选择模块，用于挖掘供应商的历史数据，辅助企业进行供应商选择；所述物流运输与仓储管理模块，用于对物流运输和仓储进行管理，包括货物的运输、仓库管理、库存控制和配送；所述评估模块，用于对供应链中各个环节的性能进行评估和监控，根据评估结果，对供应链进行改进和优化，提高供应链的效率和竞争力；
供应商选择模块还包括：服务质量评分单元、模糊化单元和数据分析单元；
服务质量评分单元的输出端与所述模糊化单元的输入端相互连接，用于获取除备选供应商服务之外的供应商信息和表征备选供应商服务质量的信息，所述除备选供应商之外的供应商信息包括每次交易时表征供应商服务质量的信息和供应商的服务质量；供应商服务质量取自于客户对于供应商的满意度反馈，服务质量评分单元获取客户对于供应商的满意度反馈数据，将客户对于供应商的满意度反馈数据按比例转化后得到供应商服务质量；
模糊化单元的输出端与数据分析单元的输入端相互连接，用于对数据进行预处理，通过隶属度函数将表征供应商服务质量信息的特征数据和服务质量进行模糊化处理，得到模糊向量作为供应商服务质量评价模型的输入和输出；模糊化单元中包括多种隶属度函数，包括但不限于高斯隶属度函数、三角隶属度函数、梯形隶属度函数、s形隶属度函数和指数隶属度函数；模糊化单元从所述服务质量评分单元获取表征供应商服务质量信息的特征数据与供应商服务质量数据，通过隶属度函数将数据转换成模糊向量，发送到所述数据分析单元；
数据分析单元用除备选供应商服务之外的供应商信息构建供应商服务质量评价模型，以表征供应商服务质量信息的特征数据形成的模糊向量为输入，服务质量形成的模糊向量为输出，确定供应商服务质量评价模型，利用供应商服务质量评价模型对备选供应商进行评价，得到备选供应商的服务质量；数据分析单元对除备选供应商服务之外的供应商，分析表征供应商服务质量信息的特征数据与供应商服务质量之间的关系，根据分析结果确定供应商服务质量与表征供应商服务质量信息的特征之间的模糊关系，建立供应商服务质量评价模型；根据确定的供应商服务质量评价模型，对备选供应商进行评分，确定备选供应商的服务质量，可根据备选供应商的服务质量评价得分，选择的服务质量最高的备选供应商。
与现有技术相比，本发明所达到的有益效果是：利用历史大数据建立出表征供应商服务质量信息与供应商服务质量的模糊规则，模糊规则来源于历史交易记录大数据，具有普遍性，进而得到模糊关系，采用模糊关系对表征备选供应商服务质量的信息进行模糊推论得到模糊向量，将模糊向量精确化之后得到备选供应商的服务质量，企业可根据服务质量评价结果选择供应商，优化供应链中的供应商选择环节。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明实施例对供应商进行评估的流程图。
具体实施方式
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，都属于本发明保护的范围。
根据本发明的一个实施例，本发明的一种基于人工智能的计算机数据分析方法，包括：
S1，获取历史销售数据并进行分析，对市场需求和销售进行预测，根据预测制定采购计划，确定所需的原材料的数量、质量要求和交货时间；
S2，根据需求制定生产计划和采购计划，获取历史销售数据并进行分析，基于分析结果选择供应商进行采购；安排生产任务并进行资源调配；
S3，对物流运输和仓储进行管理，包括货物的运输、仓库管理、库存控制和配送，确保产品在供应链中的流动性；
S4，对供应链中各个环节进行评估，根据评估结果对供应链各个环节持续进行改进和优化。
具体地，选择供应商包括以下步骤：
S11获取除备选供应商之外的供应商信息，所述除备选供应商之外的供应商信息包括每次交易时表征供应商服务质量的信息和供应商的服务质量；
S12基于步骤S1中除备选供应商之外的供应商信息，建立针对于供应商的服务质量评价模型；
S13获取表征备选供应商服务质量的信息，基于步骤S2中的服务质量评价模型，对备选供应商的服务质量进行评价；
S14根据备选供应商的服务质量，决定选择的备选供应商。
下面详细介绍S11至S14每个步骤。
获取备选供应商的信息和表征供应商服务质量的信息，其中表征供应商服务质量的信息来自于除备选供应商之外的存在服务质量的其余供应商；表征供应商服务质量信息的特征包括质量绩效、交货准时率/>、供应链透明度/>和成本效益/>；质量绩效/>可以根据不同的指标和方法进行计算，这里以合格率为例进行计算，/>，/>为合格的产品数量，/>为产品总数；交货准时率/>通过以下公式进行计算：/>，/>为按时交货的订单数量，/>为总订单数量；供应链透明度/>可以根据多个指标进行评估，以供应商信息共享率为例，/>，/>为共享信息次数或频率，/>为总可能的信息共享次数或频率；成本效益/>通过成本效益比进行表示，计算公式为：/>，为预期总收益，/>为预期总成本；供应商服务质量取自于客户对于供应商的满意度调查，将客户对于供应商的满意度按比例映射到[0,1]区间内，例如满分10分的满意度调查，得到8分的供应商的服务质量即为0.8分。
响应于提供数据支撑的需求，根据备选供应商对应的表征供应商服务质量的信息，分析备选供应商的服务质量，作为企业选择供应商的数据支撑。首先对除备选供应商之外的存在服务质量的其余供应商信息进行分析，将质量绩效、交货准时率/>、供应链透明度/>、成本效益/>和服务质量/>都分成3个模糊集合，以质量绩效/>为例，分成3个模糊集合，分别为低、中和高3个模糊集合，所有模糊集合的隶属度函数都采用梯形隶属度函数，其中低模糊集合的隶属度函数可以为：
；
中模糊集合的隶属度函数可以为：
；
高模糊集合的隶属度函数可以为：
；
式中、/>和/>为质量绩效/>分别属于模糊集合低、中和高的隶属度，/>为质量绩效/>的值；确定质量绩效/>属于模糊集合低、中和高的隶属度之后，采用Zadeh表示法进行表示，记为/>：
；
式中1、2和3分别为模糊集合低、中和高的得分；
若质量绩效计算结果为70%，则质量绩效/>的Zadeh表示法/>为：
。
对交货准时率、供应链透明度/>、成本效益/>和服务质量/>，按照类似方式选择隶属度函数，采用Zadeh表示法进行表示，得到/>、/>、/>和/>；得到/>、/>、/>、和/>后，即可以确定一条模糊规则：
IF and /> and /> and /> ，THEN />。
对除备选供应商之外的存在服务质量的其余供应商，每次交易都能够构成一条模糊关系，模糊关系的数量过多，采用DBSCAN算法进行聚类对模糊关系以减少模糊关系数量；将质量绩效、交货准时率/>、供应链透明度/>、成本效益/>和服务质量/>拼接成特征向量(/>、/>、/>、/>、/>)，使用DBSCAN算法对所有的特征向量进行聚类得到L个聚类簇，将L个聚类中心的/>、/>、/>和/>作为IF条件，/>作为THEN结论，得到L条模糊关系，聚类中心是通过计算每个聚类中所有数据点的平均值来确定的，换言之，就是对同一个簇中的质量绩效/>、交货准时率/>、供应链透明度/>、成本效益/>和服务质量/>，逐个计算平均值得到聚类中心,通过聚类中心确定一个簇的/>、/>、/>、/>和/>。
从每个模糊规则中提取出一条模糊关系，将L条模糊关系合并，得到完整的模糊关系，/>。
以一个聚类簇的聚类中心说明如何获取模糊关系，对于聚类中心特征向量(、、/>、/>、/>)，将/>代入到质量绩效的低、中和高模糊集合的隶属度函数中，得到/>的Zadeh表示法，对/>、/>、/>和/>进行相似操作，得到/>、/>、/>和/>的Zadeh表示法，以下列Zadeh表示法为例进行说明：
；
；
；
；
；
首先计算：
；
将排成向量形式，记为/>，
；
将排成向量形式，记为/>，
类似的，逐步进行计算得到，/>即为所需要的模糊关系/>，模糊关系/>的维度为/>；
对所有聚类簇的聚类中心都进行计算得到L个模糊关系：；对所有的模糊关系作并运算得到完整的模糊关系/>，/>；
并运算为两个模糊关系矩阵对应位置的元素取大值，
设，/>；
则，逐步进行并运算获取完整的模糊关系/>。
计算获取备选供应商的质量绩效、交货准时率/>、供应链透明度/>、成本效益数据，可以使用备选供应商最新的交易数据或者备选供应商历史交易数据的均值进行计算；通过隶属度函数确定备选供应商的质量绩效/>、交货准时率/>、供应链透明度/>和成本效益/>属于模糊集合低、中和高的隶属度，采用Zadeh表示法进行表示，得到/>、/>、和/>；将/>、/>、/>和/>进行模糊合成，得到备选供应商总的输入/>，利用模糊关系/>进行模糊推理，得到模糊推论/>；使用加权移动平均法将模糊推论得到的模糊向量转化为备选供应商的服务质量的确定值。
为/>阶模糊矩阵，模糊关系/>的为/>阶模糊矩阵，模糊推论/>为/>阶模糊向量/>；计算时首先将排成向量形式，得到/>阶模糊向量/>，将得到的/>阶模糊向量/>与模糊关系/>作运算得了最终的/>阶输出模糊向量/>；
以为/>阶模糊矩阵/>，/>为/>阶模糊矩阵/>为例进行计算，与/>和/>的实际值仅存在阶数的区别，计算过程一致；
计算时首先将排成向量形式/>，/>，/>；其中：
采用加权移动平均法将阶输出模糊向量/>转化为服务质量/>：
；
对所有的备选供应商都计算得到服务质量之后，客户可以选择服务质量最高的备选供应商；客户对于质量绩效、交货准时率/>、供应链透明度/>、成本效益/>某一方面有特别注重时，可根据质量绩效/>、交货准时率/>、供应链透明度/>、成本效益/>在高模糊集合的隶属度，综合备选供应商的服务质量进行选择。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于人工智能的计算机数据分析方法，用于为企业选择供应商提供数据支撑，其特征在于，包括以下步骤：
S1，获取历史销售数据并进行分析，对市场需求和销售进行预测，根据预测制定采购计划，确定所需的原材料的数量、质量要求和交货时间；
S2，根据需求制定生产计划和采购计划，获取历史销售数据并进行分析，基于分析结果选择供应商进行采购；安排生产任务并进行资源调配；
S3，对物流运输和仓储进行管理，包括货物的运输、仓库管理、库存控制和配送，确保产品在供应链中的流动性；
S4，对供应链中各个环节进行评估，根据评估结果对供应链各个环节持续进行改进和优化；
在步骤S2中，所述选择供应商包括以下步骤：
S11获取除备选供应商之外的供应商信息，所述除备选供应商之外的供应商信息包括每次交易时表征供应商服务质量的信息和供应商的服务质量；
S12基于步骤S1中除备选供应商之外的供应商信息，建立针对于供应商的服务质量评价模型；
S13获取表征备选供应商服务质量的信息，基于步骤S2中的服务质量评价模型，对备选供应商的服务质量进行评价；
S14根据备选供应商的服务质量，决定选择的备选供应商；
表征供应商服务质量的信息至少包括以下特征：质量绩效、交货准时率、供应链透明度和成本效益；
在步骤S12中，所述建立针对于供应商的服务质量评价模型包括以下分析步骤：
S21，从除备选供应商之外的供应商信息中提取出次交易时表征供应商服务质量信息的特征和供应商的服务质量，根据提取的信息征构建n+1个论域，每个表征供应商服务质量信息的特征和供应商的服务质量都用于构建1个论域，将供应商的服务质量分成个模糊集合，将每个表征供应商服务质量信息的特征逐个分成/>个模糊集合，式中n为表征供应商服务质量信息特征的个数；
S22，对步骤S21中的每个模糊集合，确定一个隶属度函数，用于分析表征供应商服务质量信息的特征和供应商的服务质量属于对应模糊集合的程度；不同的模糊集合拥有不同的分值，通过不同分值区分表征供应商服务质量信息的特征的好坏和供应商的服务质量的高低，属于高分值模糊集合的隶属度越高，表征供应商服务质量信息的特征越好，供应商的服务质量越好，反之亦然；
S23，根据S22中获取的隶属度，分析供应商的服务质量与表征供应商服务质量信息的特征之间的关系，从分析结果中确定出L条模糊规则，从L条模糊规则中提取出L条模糊关系，用于对备选供应商的服务质量进行评价；
S24，将L条模糊关系融合成1条完整的模糊关系，作为备选供应商的服务质量评价模型；
在步骤S23中，所述L条模糊关系用于建立供应商的服务质量评价模型，通过如下方式确定：
S231，将表征供应商服务质量信息的特征和供应商的服务质量进行特征拼接，作为聚类数据集；
S232，采用DBSCAN聚类算法对S231中聚类数据集进行无监督分类，得到L个聚类簇，L为模糊规则的个数，每个模糊规则反映1类供应商的服务质量与表征供应商服务质量信息的特征之间的关系；
S233，对S232中的每个聚类簇，获取聚类中心，将L个聚类中心的表征供应商服务质量信息特征作为IF条件，服务质量作为THEN结论，形成L条模糊规则，从L条模糊规则中提取出L条模糊关系，将L条模糊关系分别记为；
对备选供应商的服务质量进行评价包括以下分析步骤：
S41，获取表征备选供应商服务质量信息的特征，将L条模糊关系合并，得到完整的模糊关系，/>作为供应商的服务质量评价模型，/>；
S42，记表征供应商服务质量信息的特征为，将所有表征备选供应商服务质量信息的特征进行合成得到完整的表征备选供应商服务质量信息的特征/>，；
S43，基于供应商的服务质量评价模型和完整的表征备选供应商服务质量信息的特征，确定备选供应商的服务质量，将所有表征备选供应商服务质量信息的特征代入到供应商的服务质量评价模型中得到备选供应商的服务质量模糊向量
，/>。
2.根据权利要求1所述的一种基于人工智能的计算机数据分析方法，其特征在于，所述是一个模糊向量，采用加权移动平均法将模糊向量/>转化为确定值/>，将/>作为备选供应商的服务质量，以Zadeh表示法对模糊集合/>进行表示，公式为：
；
式中，为[1,L]之间的正整数，/>表示隶属度，/>表示元素，加权移动平均法的计算公式为：
，/>是一个确定值，作为备选供应商的服务质量。
3.一种应用于权利要求书1-2任一项所述的一种基于人工智能的计算机数据分析方法的基于人工智能的计算机数据分析系统，其特征在于，包括：市场分析模块、供应商选择模块、物流运输与仓储管理模块和评估模块；
所述市场分析模块，利用大数据分析历史数据、市场趋势和其他相关因素，预测需求量和变动，帮助企业进行准确的需求预测和合理的库存规划；所述供应商选择模块，用于挖掘供应商的历史数据，辅助企业进行供应商选择；所述物流运输与仓储管理模块，用于对物流运输和仓储进行管理，包括货物的运输、仓库管理、库存控制和配送；所述评估模块，用于对供应链中各个环节的性能进行评估和监控，根据评估结果，对供应链进行改进和优化，提高供应链的效率和竞争力。
4.根据权利要求3所述的一种基于人工智能的计算机数据分析系统，其特征在于，所述供应商选择模块还包括：服务质量评分单元、模糊化单元和数据分析单元；
所述服务质量评分单元的输出端与所述模糊化单元的输入端相互连接，用于获取除备选供应商服务之外的供应商信息和表征备选供应商服务质量的信息，所述除备选供应商之外的供应商信息包括每次交易时表征供应商服务质量的信息和供应商的服务质量；
所述模糊化单元的输出端与所述数据分析单元的输入端相互连接，用于对数据进行预处理，通过隶属度函数将表征供应商服务质量信息的特征数据和服务质量进行模糊化处理，得到模糊向量作为供应商服务质量评价模型的输入和输出；
所述数据分析单元用除备选供应商服务之外的供应商信息构建供应商服务质量评价模型，以表征供应商服务质量信息的特征数据形成的模糊向量为输入，服务质量形成的模糊向量为输出，确定供应商服务质量评价模型，利用供应商服务质量评价模型对备选供应商进行评价，得到备选供应商的服务质量；
所述供应商服务质量取自于客户对于供应商的满意度反馈，服务质量评分单元获取客户对于供应商的满意度反馈数据，将客户对于供应商的满意度反馈数据按比例转化后得到供应商服务质量。
5.根据权利要求4所述的一种基于人工智能的计算机数据分析系统，其特征在于，所述模糊化单元中包括多种隶属度函数，包括但不限于高斯隶属度函数、三角隶属度函数、梯形隶属度函数、s形隶属度函数和指数隶属度函数；模糊化单元从所述服务质量评分单元获取表征供应商服务质量信息的特征数据与供应商服务质量数据，通过隶属度函数将数据转换成模糊向量，发送到所述数据分析单元。
6.根据权利要求4所述的一种基于人工智能的计算机数据分析系统，其特征在于，所述数据分析单元对除备选供应商服务之外的供应商，分析表征供应商服务质量信息的特征数据与供应商服务质量之间的关系，根据分析结果确定供应商服务质量与表征供应商服务质量信息的特征之间的模糊关系，建立供应商服务质量评价模型；基于确定的供应商服务质量评价模型，对备选供应商进行评分，确定备选供应商的服务质量，根据备选供应商的服务质量评价，决定选择的备选供应商。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311509427.XA CN117236663B (zh) | 2023-11-14 | 2023-11-14 | 一种基于人工智能的计算机数据分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311509427.XA CN117236663B (zh) | 2023-11-14 | 2023-11-14 | 一种基于人工智能的计算机数据分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117236663A CN117236663A (zh) | 2023-12-15 |
| CN117236663B true CN117236663B (zh) | 2024-03-05 |
Family
ID=89086428
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311509427.XA Active CN117236663B (zh) | 2023-11-14 | 2023-11-14 | 一种基于人工智能的计算机数据分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117236663B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105654175A (zh) * | 2015-12-24 | 2016-06-08 | 北方民族大学 | 一种面向轴承制造企业的零件供应商多目标优选方法 |
| CN109784806A (zh) * | 2018-12-27 | 2019-05-21 | 北京航天智造科技发展有限公司 | 供应链控制方法、系统以及存储介质 |
| CN112506977A (zh) * | 2020-12-14 | 2021-03-16 | 大连大学 | 一种区间直觉模糊多属性群体决策供应商选择方法 |
| CN114859821A (zh) * | 2022-04-25 | 2022-08-05 | 浙江理工大学 | 一种自检测、自分析、自适应的数控机床模糊控制系统 |
| CN114936869A (zh) * | 2021-07-06 | 2022-08-23 | 上海固买供应链管理有限公司 | 一种基于供应链平台筛选供应商的方法、系统及存储介质 |
| CN116914751A (zh) * | 2023-09-12 | 2023-10-20 | 济南舜信达电力科技有限公司 | 一种智能配电控制系统 |
-
2023
- 2023-11-14 CN CN202311509427.XA patent/CN117236663B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105654175A (zh) * | 2015-12-24 | 2016-06-08 | 北方民族大学 | 一种面向轴承制造企业的零件供应商多目标优选方法 |
| CN109784806A (zh) * | 2018-12-27 | 2019-05-21 | 北京航天智造科技发展有限公司 | 供应链控制方法、系统以及存储介质 |
| CN112506977A (zh) * | 2020-12-14 | 2021-03-16 | 大连大学 | 一种区间直觉模糊多属性群体决策供应商选择方法 |
| CN114936869A (zh) * | 2021-07-06 | 2022-08-23 | 上海固买供应链管理有限公司 | 一种基于供应链平台筛选供应商的方法、系统及存储介质 |
| CN114859821A (zh) * | 2022-04-25 | 2022-08-05 | 浙江理工大学 | 一种自检测、自分析、自适应的数控机床模糊控制系统 |
| CN116914751A (zh) * | 2023-09-12 | 2023-10-20 | 济南舜信达电力科技有限公司 | 一种智能配电控制系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117236663A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11663493B2 (en) | Method and system of dynamic model selection for time series forecasting | |
| US20180047071A1 (en) | System and methods for aggregating past and predicting future product ratings | |
| Hsieh | An integrated data mining and behavioral scoring model for analyzing bank customers | |
| KR101913591B1 (ko) | 비정형 데이터를 정형화하여 금융상품을 추천하는 방법 | |
| Zibriczky12 | Recommender systems meet finance: a literature review | |
| CN108711107A (zh) | 智能融资服务推荐方法及其系统 | |
| CN114219169A (zh) | 颖幡供应链销售和库存预测算法模型和应用系统 | |
| CN116739217A (zh) | 一种基于供应链大数据平台的零售管理方法及系统 | |
| CN107133862A (zh) | 动态产生增强信用评估的详细交易支付经历的方法和系统 | |
| CN116468464A (zh) | 基于大数据的商品智能定价方法及系统 | |
| Wang et al. | Enhancing Operational Efficiency: Integrating Machine Learning Predictive Capabilities in Business Intellgence for Informed Decision-Making | |
| Peker et al. | Transactional data-based customer segmentation applying CRISP-DM methodology: A systematic review | |
| Wu et al. | The state of lead scoring models and their impact on sales performance | |
| US20210090101A1 (en) | Systems and methods for business analytics model scoring and selection | |
| CN117236663B (zh) | 一种基于人工智能的计算机数据分析方法及系统 | |
| CN116523301A (zh) | 基于电商大数据进行风险评级预测的系统 | |
| Chashmi et al. | Predicting customer turnover using recursive neural networks | |
| CN116167646A (zh) | 基于交易算法的评价方法、装置、设备及存储介质 | |
| CN115713389A (zh) | 理财产品推荐方法及装置 | |
| US11004156B2 (en) | Method and system for predicting and indexing probability of financial stress | |
| Chen et al. | Application of a 3NN+ 1 based CBR system to segmentation of the notebook computers market | |
| Kumar et al. | Driving E-commerce Success with Advanced Machine Learning: Customer Purchase Pattern Insights | |
| John et al. | An integrated approach to renew software contract using machine learning. | |
| KR102662354B1 (ko) | 딥러닝 기반의 투자가치 분석 장치 및 방법 | |
| Jatain | Performance Optimization of an Enterprise using Data-Driven Strategy |
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 |