CN117391583B - 采购数据管理方法及平台 - Google Patents
采购数据管理方法及平台 Download PDFInfo
- Publication number
- CN117391583B CN117391583B CN202311375355.4A CN202311375355A CN117391583B CN 117391583 B CN117391583 B CN 117391583B CN 202311375355 A CN202311375355 A CN 202311375355A CN 117391583 B CN117391583 B CN 117391583B
- Authority
- CN
- China
- Prior art keywords
- information
- provider
- product
- list
- feature vector
- 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
- 238000013523 data management Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 37
- 239000013598 vector Substances 0.000 claims description 125
- 238000012549 training Methods 0.000 claims description 73
- 238000011156 evaluation Methods 0.000 claims description 52
- 238000004458 analytical method Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000012797 qualification Methods 0.000 claims description 21
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012384 transportation and delivery Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000005065 mining Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 4
- 238000013475 authorization Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000010200 validation analysis 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9038—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9538—Presentation of query results
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/0499—Feedforward networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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]
- G06Q30/0631—Item recommendations
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种采购数据管理方法及平台。该方法中,在获取到获取当前需要采购的采购清单后,根据采购清单中需要的产品,获取可提供采购清单中的产品的多个供应商的信息,供应商的信息中包括与信誉、产品以及处理效率相关的信息,然后根据多个供应商的信息以及采购清单,计算每个供应商与采购清单中至少一个需求信息之间的匹配程度,基于每个供应商与采购清单中的至少一个需求信息之间的匹配程度,生成与采购清单对应的采购推荐列表在图形用户界面上进行输出。通过对采购数据的挖掘,结合供应商的其他维度的数据,为新的采购清单给出合理的采购建议支持采购处理,提高采购清单的处理效率和准确度。
Description
技术领域
本申请涉及数据处理技术,尤其涉及一种采购数据管理方法和平台。
背景技术
随着经济水平以及企业的发展,企业在生产产品的过程中需要从其他的企业中采购需要的产品的量也逐渐增加,随着供应链的变化,企业需要的产品的价格和供应商都会发生变化,因此在每次需要采购新的产品的时候都需要采购人员基于需求选择合适的供应商。
现有技术中,企业在完成了产品采购之后,会将相关的数据存储在计算机设备中,再下一次出现新的采购需求后,由采购人员将之前存储的数据拉取处,采购人员需要对内部的数据进行分析,还需要基于需求再去网上或者通过其他渠道去了解可能提供这些需求的其他企业的信息,从中选择出合适的供应商,然后报批至领导进行审批,完成后续采购流程。
然而,现在这种方式都需要采购人员花费大量的时间和精力,分析检索大量的数据,导致处理效率较低,且人工进行分析容易出错。
发明内容
本申请提供一种采购数据管理方法和平台,以解决现有技术中采购人员花费大量的时间和精力,分析检索大量的数据,导致处理效率较低,且人工进行分析容易出错的问题。
第一方面,本申请提供一种采购数据管理方法,应用于采购数据管理平台,所述方法包括:
响应于用户在图形用户界面上的输入操作,获取当前需要采购的采购清单,所述采购清单中包括多个需求信息,每个需求信息中包括产品,产品的属性特征,产品的需求数量以及价格预算;
根据所述采购清单中需要的产品,获取可提供所述采购清单中的产品的多个供应商的信息,所述供应商的信息中包括与信誉、产品以及处理效率相关的信息;
根据所述多个供应商的信息以及所述采购清单,计算每个供应商与所述采购清单中至少一个需求信息之间的匹配程度;
基于每个供应商与所述采购清单中的至少一个需求信息之间的匹配程度,生成与所述采购清单对应的采购推荐列表,所述采购推荐列表中包括为每个需求信息推荐的至少一个可选供应商;
将所述采购推荐列表在图形用户界面上进行输出。
在第一方面的第一种具体实现中,所述根据所述采购清单中需要的产品,获取可提供所述采购清单中的产品的多个供应商的信息,包括:
基于采购数据库中存储的历史采购数据,获取已成交的且可提供所述采购清单中的产品的第一类供应商的交易信息,每个第一类供应商的交易信息中包括第一类供应商的标识,成交产品,成交产品的价格,产品的交付周期;
从供应商数据库中获取出可提供所述采购清单中的产品且未成交过的第二类供应商的供货信息,所述供货信息包括至少一个产品,每个产品的属性信息,每个产品的报价以及交付周期;
从开源数据库中分别获取出所述第一类供应商的信誉信息和所述第二类供应商的信誉信息,所述信誉信息中包括资质,行业评级以及历史纠纷信息;
根据所述第一类供应商的交易信息以及信誉信息,所述第二类供应商的供货信息以及信誉信息,得到可提供所述采购清单中的产品的所述多个供应商的信息。
在第一方面的第一种具体实现中,所述根据所述多个供应商的信息以及所述采购清单,计算每个供应商与所述采购清单中至少一个需求信息之间的匹配程度,包括:
将所述的采购清单中的每个需求信息进行标准化处理,得到多个需求特征向量;
针对每个供应商,将所述供应商的信息进行标准化处理得到由所述供应商可提供的每种产品的产品特征向量组成的特征向量矩阵;
针对每个供应商,根据所述供应商的信息,获取所述供应商的综合评价指标,所述综合评价指标是采用预先训练的评分模型对所述供应商进行多维度分析得到的评价综合能力的指标;
针对每个需求特征向量,计算所述需求特征向量与每个供应商的特征向量矩阵中的每个产品特征向量之间的特征匹配度,所述特征匹配度用于描述所述产品特征向量与所述需求特征向量之间的符合程度;
根据每个供应商的综合评价指标,以及预先配置的评价指标区间与推荐度之间的映射关系,确定出每个供应商的推荐度;
针对每个供应商,根据所述供应商的推荐度以及所述供应商可提供的每个产品对应的特征匹配度,计算得到所述供应商与所述采购清单中需求信息之间的匹配程度。
在第一方面的第一种具体实现中,所述针对每个供应商,根据所述供应商的信息,获取所述供应商的综合评价指标,包括:
针对每个供应商,根据所述供应商的信息,采用所述评分模型对所述供应商进行多维度分析得到对应的综合评价指标,其中,所述评分模型是根据神经网络模型训练得到的基于产品特征和信誉特征计算商家的综合竞争能力指标的模型。
在第一方面的第一种具体实现中,所述针对每个供应商,根据所述供应商的信息,获取所述供应商的综合评价指标之前,所述方法还包括:
根据神经网络模型创建初始模型,所述初始模型的输入层包括六个节点,分别用于输入产品,价格,交付周期,资质,行业评级以及纠纷情况六个维度的数据特征;所述初始模型包括多个隐藏层和一个输出层,每个隐藏层中包括至少12个节点,隐藏层的层数是根据输入数据数量以及每个维度的数据特征对模型输出的影响程度确定的;所述多个隐藏层与所述输出层通过全连接方式连接;
采集获取多个供应商的产品,价格,交付周期,资质,行业评级以及纠纷情况六个维度的数据,并根据行业标准以及预设评分规则对每个供应商进行评分标定,组成多维度数据集合;
将所述多维度数据集合采用交叉验证的方式分成为训练集和测试集,并基于所述训练集,所述测试集以及损失函数对所述初始模型进行训练和验证,得到所述评分模型;其中,所述损失函数中包括用于调整模型结构的第一部分和用于收敛模型输出结果的第二部分。
在第一方面的第一种具体实现中,所述损失函数的第一部分为:
;其中,/>表示模型对训练样本的对数似然函数,k表示模型中隐藏层的层数,n表示所述训练集中的训练样本的数量,/>表示模型结构损失值;
所述损失函数的第二部分为:
;其中,n表示所述训练集中的训练样本的数量,l为常数表示训练样本的序号,/>用于表示每个训练样本中标定的真实评分,/>用于表示模型基于每个训练样本预测的预测评分,/>表示模型预测结果的损失值,/>和/>分别为配置的权重系数。
在第一方面的第一种具体实现中,所述计算所述需求特征向量与每个供应商的特征向量矩阵中的每个产品特征向量之间的特征匹配度,包括:
针对每个供应商的特征向量矩阵中的每个产品特征向量,根据所述产品特征向量和所述需求特征向量,采用公式:
,计算得到所述产品特征向量与所述需求特征向量之间的特征匹配度/>;
其中,,/>为配置的权重系数,/>表示需要的产品/>的需求特征向量,/>表示供应商b中的产品j的产品特征向量,/>用于表示所述/>和所述/>之间的汉明距离,用于表示基于汉明距离计算得到的/>与/>之间的相似度,/>用于表示需要的/>与供应商b中的产品j之间的特征匹配度。
第二方面,本申请提供一种采购数据管理平台,包括:
订单请求接收模块,用于响应于用户在图形用户界面上的输入操作,获取当前需要采购的采购清单,所述采购清单中包括多个需求信息,每个需求信息中包括产品,产品的属性特征,产品的需求数量以及价格预算;
供应商数据获取模块,用于根据所述采购清单中需要的产品,获取可提供所述采购清单中的产品的多个供应商的信息,所述供应商的信息中包括与信誉、产品以及处理效率相关的信息;
供应商匹配分析模块,用于根据所述多个供应商的信息以及所述采购清单,计算每个供应商与所述采购清单中至少一个需求信息之间的匹配程度;
供应商推荐分析模块,用于基于每个供应商与所述采购清单中的至少一个需求信息之间的匹配程度,生成与所述采购清单对应的采购推荐列表,所述采购推荐列表中包括为每个需求信息推荐的至少一个可选供应商;
推荐结果显示模块,用于将所述采购推荐列表在图形用户界面上进行输出。
在第二方面的一种具体实施方式中,所述供应商数据获取模块具体用于:
基于采购数据库中存储的历史采购数据,获取已成交的且可提供所述采购清单中的产品的第一类供应商的交易信息,每个第一类供应商的交易信息中包括第一类供应商的标识,成交产品,成交产品的价格,产品的交付周期;
从供应商数据库中获取出可提供所述采购清单中的产品且未成交过的第二类供应商的供货信息,所述供货信息包括至少一个产品,每个产品的属性信息,每个产品的报价以及交付周期;
从开源数据库中分别获取出所述第一类供应商的信誉信息和所述第二类供应商的信誉信息,所述信誉信息中包括资质,行业评级以及历史纠纷信息;
根据所述第一类供应商的交易信息以及信誉信息,所述第二类供应商的供货信息以及信誉信息,得到可提供所述采购清单中的产品的所述多个供应商的信息。
在第二方面的一种具体实施方式中,所述供应商匹配分析模块具体用于:
将所述的采购清单中的每个需求信息进行标准化处理,得到多个需求特征向量;
针对每个供应商,将所述供应商的信息进行标准化处理得到由所述供应商可提供的每种产品的产品特征向量组成的特征向量矩阵;
针对每个供应商,根据所述供应商的信息,获取所述供应商的综合评价指标,所述综合评价指标是采用预先训练的评分模型对所述供应商进行多维度分析得到的评价综合能力的指标;
针对每个需求特征向量,计算所述需求特征向量与每个供应商的特征向量矩阵中的每个产品特征向量之间的特征匹配度,所述特征匹配度用于描述所述产品特征向量与所述需求特征向量之间的符合程度;
根据每个供应商的综合评价指标,以及预先配置的评价指标区间与推荐度之间的映射关系,确定出每个供应商的推荐度;
针对每个供应商,根据所述供应商的推荐度以及所述供应商可提供的每个产品对应的特征匹配度,计算得到所述供应商与所述采购清单中需求信息之间的匹配程度。
可选的,所述供应商匹配分析模块具体用于:
针对每个供应商,根据所述供应商的信息,采用所述评分模型对所述供应商进行多维度分析得到对应的综合评价指标,其中,所述评分模型是根据神经网络模型训练得到的基于产品特征和信誉特征计算商家的综合竞争能力指标的模型。
在第二方面的一种具体实施方式中,所述采购数据管理平台还包括:
模型构建模块,用于根据神经网络模型创建初始模型,所述初始模型的输入层包括六个节点,分别用于输入产品,价格,交付周期,资质,行业评级以及纠纷情况六个维度的数据特征;所述初始模型包括多个隐藏层和一个输出层,每个隐藏层中包括至少12个节点,隐藏层的层数是根据输入数据数量以及每个维度的数据特征对模型输出的影响程度确定的;所述多个隐藏层与所述输出层通过全连接方式连接;
训练数据获取模块,用于采集获取多个供应商的产品,价格,交付周期,资质,行业评级以及纠纷情况六个维度的数据,并根据行业标准以及预设评分规则对每个供应商进行评分标定,组成多维度数据集合;
模型训练模块,用于将所述多维度数据集合采用交叉验证的方式分成为训练集和测试集,并基于所述训练集,所述测试集以及损失函数对所述初始模型进行训练和验证,得到所述评分模型;其中,所述损失函数中包括用于调整模型结构的第一部分和用于收敛模型输出结果的第二部分。
在第二方面的一种具体实施方式中,所述损失函数的第一部分为:
;其中,/>表示模型对训练样本的对数似然函数,k表示模型中隐藏层的层数,n表示所述训练集中的训练样本的数量,/>表示模型结构损失值;
所述损失函数的第二部分为:
;其中,n表示所述训练集中的训练样本的数量,l为常数表示训练样本的序号,/>用于表示每个训练样本中标定的真实评分,/>用于表示模型基于每个训练样本预测的预测评分,/>表示模型预测结果的损失值,/>和/>分别为配置的权重系数。
在第二方面的一种具体实施方式中,所述供应商匹配分析模块具体用于:
针对每个供应商的特征向量矩阵中的每个产品特征向量,根据所述产品特征向量和所述需求特征向量,采用公式:
,计算得到所述产品特征向量与所述需求特征向量之间的特征匹配度/>;
其中,,/>为配置的权重系数,/>表示需要的产品/>的需求特征向量,/>表示供应商b中的产品j的产品特征向量,/>用于表示所述/>和所述/>之间的汉明距离,用于表示基于汉明距离计算得到的/>与/>之间的相似度,/>用于表示需要的/>与供应商b中的产品j之间的特征匹配度。
第三方面,本申请提供一种电子设备,包括:
存储器,处理器,以及显示器;
其中,所述存储器用于存储所述处理器的可执行指令;所述处理器被配置为经由执行所述可执行指令来实现第一方面任一项所述的采购数据管理方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现第一方面任一项所述的采购数据管理方法。
本申请提供的一种采购数据管理方法和平台,该采购数据管理平台在接收到上传的采购清单以后,根据采购清单中的中的需求中的产品,获取从可提供采购所有供应商的信息,其中包括信誉,产品以及处理效率相关的信息,基于这些供应商的信息以及采购清单,计算出每个供应商与采购清单中至少一个需求信息之间的匹配程度,基于每个供应商与采购清单中的至少一个需求信息之间的匹配程度,生成与采购清单对应的采购推荐列表在图形用户界面上进行输出。本方案通过对采购数据的挖掘,结合供应商的其他维度的数据,为新的采购清单给出合理的采购建议支持采购处理,提高采购清单的处理效率和准确度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是本申请实施例示出的采购数据管理方法实施例一的流程示意图;
图2是本申请实施例示出的采购数据管理方法实施例二的流程示意图;
图3是本申请实施例示出的采购数据管理方法实施例三的流程示意图;
图4是本申请实施例示出的采购数据管理方法实施例四的流程示意图;
图5是本申请实施例示出的采购数据管理平台实施例一的连接结构示意图;
图6是本申请实施例示出的采购数据管理平台实施例二的连接结构示意图;
图7是本申请实施例示出的电子设备的连接结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在目前的企业环境中,采购数据的收集和分析,能够更好的为企业提供对市场,产品成本,以及供应商等方面的深度了解,降低企业成本,提高采购效率同时还能够屏蔽一些风险。
然而,目前市面上对于采购数据的分析方案中,大多数还是只考虑供应商能够提供的产品以及价格方面的数据,并不能达到对供应商的综合实力和能力的分析,给企业客户提供的指导并不精确和合理,基于此,发明人考虑结合多方面的数据,对每个供应商的综合实力和能力进行分析,据此需要采集每个供应商的历史服务数据,例如交货记录,产品质量,价格之类的数据,还需要考虑每个供应商的信誉相关的数据,例如违约记录,违法违规记录,纠纷处理情况等等,以达到对每个供应商的全面分析,从而为企业的采购处理提供更精准的建议。
本申请提供的采购数据管理方法可以应用在采购数据管理平台上,该采购数据管理平台应用于服务器,高性能计算机,云服务等具有数据分析和处理能力的电子设备中,下面通过几个具体实施例对本申请提供的采购数据管理方法和平台进行详细说明。
图1是本申请实施例示出的采购数据管理方法实施例一的流程示意图。如图1所示,本实施例提供的采购数据管理方法,包括:
S101、响应于用户在图形用户界面上的输入操作,获取当前需要采购的采购清单,采购清单中包括多个需求信息,每个需求信息中包括产品,产品的属性特征,产品的需求数量以及价格预算。
本实施例提供的采购数据管理方法应用于采购数据管理平台,该采购数据管理平台可接入企业的数据库,能够在根据用户的授权获取到企业数据库中的采购相关的数据,且该采购数据管理平台还需要接入互联网,能够从互联网中的各个数据库收集需要的数据库,例如专业供应商平台中提供的供应商数据库,公检法中的公开数据库中提供的各个企业的涉案数据,互联网网络数据库中关于每个开发商的纠纷事件的报道情况等。
在本步骤中,当企业需要采购产品时,会根据实际生产需求制定采购清单,该采购清单中包括一个或者以上的需求信息,其中每个需求中包括:需要的一个产品,产品的性能要求相关的参数,即产品的属性特征;还有该产品需要的数量以及价格预算。应理解采购清单中的需求信息会随着企业的发展变化,本方案中只以用户单次上传的采购清单为例,对技术方案进行说明。若同时有多个采购清单,或者每次上传的采购清单不同,针对每个采购清单均可按照本方案提供的技术方案进行处理。
当负责采购的用户在该采购数据管理平台中上传了该采购清单以后,采购数据管理平台需要从该采购清单中得到每个需求信息,以在后续的技术方案实现中进行分析处理。
S102、根据采购清单中需要的产品,获取可提供所述采购清单中的产品的多个供应商的信息,供应商的信息中包括与信誉、产品以及处理效率相关的信息。
在本步骤中,在采购数据管理平台接收到用户上传的采购清单之后,基于采购清单中的每个需求信息中的产品,获取能够提供这些产品的供应商的信息,这里的供应商的数量一般来说是至少一个,在采购清单中需要多个产品时可能需要从多个供应商处选择,因此常见是整个采购清单最终会获取到多个供应商的信息。其中每个供应商的信息中包括:该供应商能够提供的产品,不同的产品的参数,能够提供的数量等这些产品相关的信息;还包括该供应商的信息相关的信息,例如:供应商的资质信息,在行业内的评级,与其他企业或者个人产生的纠纷数量,每个纠纷的原因等;还包括该供应商之前的订单交付周期等处理订单的效率相关的信息。
具体的获取方式,针对不同类型的数据需要从不同的数据源进行获取,对于已经跟当前用户的企业进行过采购合作的供应商,可以从该企业的采购数据库中获取该供应商的一些数据,对于采购数据中没有的数据则从互联网中的公开数据以及其他渠道授权的数据库中进行采集获取;对于完全没有合作过的供应商,则需要从网络中或者其他渠道授权的数据库中进行采集获取,也可以对网络中的公开数据中进行分析挖掘得到需要的数据。
S103、根据多个供应商的信息以及采购清单,计算每个供应商与采购清单中至少一个需求信息之间的匹配程度。
在本步骤中,采购数据管理平台在获取到所有的供应商的信息之后,需要基于采购清单对这些供应商的信息进行分析,分析出每个供应商是否能够提供采购清单中的至少一个需求信息中的产品,以及各个维度考察后与需求信息之间的匹配程度,这个匹配程度决定最终是不是会推荐该供应商。针对每个供应商,计算的供应商与至少一个需求信息之间的匹配程度,这里的至少一个需求信息指的是该供应商能够提供的产品的需求信息。
在该方案中,应理解,获取到的这些供应商至少能提供采购清单中的一个产品,也就是说需要进行分析的都是能够提供采购清单中需要的产品的供应商。多个供应商中,不同的供应商能够提供的产品的类型可能相同可能不同,能够提供的产品可以一种也可以是多种。
在本步骤的一种具体实现中,可以对整个采购清单中的需求信息进行拆分,将采购清单拆分成多个需求信息,每个需求信息中只包括一个产品,该产品的属性特征,产品的需求数量以及价格预算。然后针对其中的任一个需求信息,分别计算该需求信息与所有能够提供该需求信息中产品的供应商的信息之间的匹配程度。
具体的,针对一个需求信息以及一个供应商的信息,首先需要将需求信息和供应商的信息分别进行标准化处理,处理成为算法模型能够进行计算处理的特征向量,然后基于双方的特征向量去获取特征匹配度。还需要基于供应商的信息,计算出供应商的综合评价指标,综合评价指标是通过神经网络模型分析出的能够体现供应商的综合能力的指标。例如,可以是评分,根据分值的大小来区分综合能力的好坏。
最后,基于每个供应商的综合评价指标,以及供应商的信息与需求信息之间的特征匹配度,获取到供应商和需求信息之间的匹配程度。也就是说在本方案中不但要考虑产品相关的匹配情况,还需要考虑每个供应商的信誉,效率等其他方面的综合因素,避免由于对供应商的信誉和效率了解不全面,导致最终产生纠纷,或者不能如期履约导致的成本增加的问题。
S104、基于每个供应商与采购清单中的至少一个需求信息之间的匹配程度,生成与采购清单对应的采购推荐列表,采购推荐列表中包括为每个需求信息推荐的至少一个可选供应商。
在本步骤中,在得到每个供应商与能够提供的至少一个需求信息之间的匹配程度之后,需要为该采购清单生成最终进行推荐的采购推荐列表,该列表中至少要包括为每个需求信息推荐的一个或者一个以上的可选供应商的名称。
在该方案的具体实现中,为了提高最后推荐结果的精准度,可以设置匹配程度的阈值,只有匹配程度高于该阈值的供应商才被纳入考虑。另外,在满足条件的供应商较多的情况下,还可以设置针对同一个需求信息选择的推荐供应商的数量限制,例如:设置针对某一需求信息的推荐给供应商的最大数量为5个,若某一需求信息,出现超过十个供应商与所述需求信息之间的匹配程度均大于了设置的阈值,那么可以从这些供应商中选择出匹配程度最大的五个供应商,作为入选采购推荐列表中的供应商。
可选的,进一步的还可以在该采购推荐列表中标识出推荐的这些供应商的信息以及该供应商的综合评价指标,每个供应商与对应的需求信息之间的特征匹配度,以便采购人员在看到采购推荐列表之后,能够知晓每个供应商被推荐的原因。
S105、将采购推荐列表在图形用户界面上进行输出。
在本步骤中,当采购数据管理平台获取到了针对输入的采购清单对应的采购推荐列表之后,则可以图形用户界面上输出该采购推荐列表。输出的方式可以是直接显示,也可以是通知用户点击下载等方式,对此本方案不做限制。
在本实施例中,在采购人员根据需求,输入了采购清单以后,采购数据处理管理平台需要基于采购清单中的需求信息,去获取能够提供采购清单中的产品的多个供应商的信息,供应商的信息中不止包括产品相关的信息,还包括信誉,处理效率相关信息。在获取到多个供应商的信息之后,基于供应商的信息与需求信息,计算出每个供应商与所述采购清单中至少一个需求信息之间的匹配程度,最后基于每个供应商与采购清单中的至少一个需求信息之间的匹配程度,生成与采购推荐列表,将该采购推荐列表输出给采购人员,节省采购人员查询相关资料,检索数据进行供应商材料整理的时间,提高采购清单的处理效率和精准度,降低综合成本。
图2是本申请实施例示出的采购数据管理方法实施例二的流程示意图。如图2所示,在前述实施例的基础上,本实施例提供一种步骤S102的具体实现方式,具体包括以下步骤:
S201、基于采购数据库中存储的历史采购数据,获取已成交的且可提供采购清单中的产品的第一类供应商的交易信息,每个第一类供应商的交易信息中包括第一类供应商的标识,成交产品,成交产品的价格,产品的交付周期。
在该方案中,这里的采购数据库指的是该需求方的企业自己的内部数据库,需要应用在本方案中需要在采购数据管理平台上进行企业注册,并需要授权采购数据管理平台接入该采购数据库,并能够获取该采购数据库中的数据。
在本步骤中,当采购数据管理平台获取到采购清单后,则首先从企业的采购数据库中存储的历史采购数据中,获取已成交的且可提供采购清单中的产品的第一类供应商的交易信息,这里的交易信息包括第一类供应商的标识(具体可以实现为名称,统一识别信用码等能够唯一标识供应商的信息),成交产品,成交产品的价格,产品的交付周期等。
S202、从供应商数据库中获取出可提供采购清单中的产品且未成交过的第二类供应商的供货信息,供货信息包括至少一个产品,每个产品的属性信息,每个产品的报价以及交付周期。
在本方案中,该供应商数据库可以是采购数据管理平台内部的数据库,为了平台能够为不同的企业提供服务,采购数据管理平台可以设置存储着各个领域各个产品的所有供应商信息的供应商数据库,以便在需要进行数据分析的时候能够从内部数据库获取相关的数据。该供应商数据库还可以是目前已有的采购服务平台的数据库,针对不同领域可能服务平台有所不同,该采购数据管理平台为了能够为不同领域的企业提供服务,则可以预先申请接入各个服务平台的供应商数据库,在得到授权且接入供应商数据库后,能够从该供应商数据库中获取到需要的数据。
在本步骤中,采购数据管理平台对供应商数据库进行访问,查询采购清单中的所有产品,获取出能够提供这些产品的所有供应商,这些供应商可能会与第一类供应商出现重复,只保留能够提供采购清单中的产品且没有与需求方企业成交过的第二类供应商,并获取这些第二类供应商的供货信息,每个第二类供应商的供货信息中包括能够提供的至少一种产品,每个产品的属性信息以及每个产品的报价及交付周期等。
可选的,在本实施例的一种具体实现方案中,如果从供应商数据库中获取到了与任一第一类供应商重复的供应商,则可以对从企业的采购数据库中获取的该第一类供应商的交易信息以及从供应商数据中获取到的该供应商的供货信息进行结合,保证信息的完整度和及时性,将该部分信息结合起来,即最终得到的该第一类供应商的信息中包括交易信息,供货信息以及信誉信息。
S203、从开源数据库中分别获取出第一类供应商的信誉信息和第二类供应商的信誉信息,信誉信息中包括资质,行业评级以及历史纠纷信息。
在本方案中,除了要考虑供应商与产品相关的信息,还需要考虑供应商的信誉信息,企业的信誉一般可以通过其注册的资质,在行业内的行业评级以及之前产生的纠纷数量还有每个纠纷的处理情况来确定。然而这些信息并不能在同一个地方获取到,例如:只有工商局才能获取到企业的注册资质,或者企业自己的网站上公开的;行业内行业评级可以从新闻网站,或者行业论坛以及企业自己的网站中获取,纠纷信息只有个别企业会在自己的网站中体现,大多数的情况都需要在公检法的数据库中才能获取到,因此,需要针对性的从不同的互数据库中去获取不同的信息。
可选的,在该方案的一种具体实现中,如果开源数据中无法获取到资质,行业评级以及历史纠纷信息中的任一个信息,则可以根据采购管理平台的运营情况,在相关数据库的管理方申请授权,以获取到相应的信息。
S204、根据第一类供应商的交易信息以及信誉信息,第二类供应商的供货信息以及信誉信息,得到可提供采购清单中的产品的多个供应商的信息。
在本步骤中,针对每个第一类供应商,在得到交易信息和信誉信息之后,将两部分的信息进行组合,得到该第一类供应商的信息;针对每个第二类供应商,在得到供货信息以及信誉信息之后,将两部分的信息进行组合得到该第二类供应商的信息。
在本实施例中,需要从多个不同的数据库中获取出所有能够提供采购清单中的产品的供应商的信息,其中需要从需求方企业的数据库获取交易信息,从供应商数据库中获取出供货信息,从其他开源数据库或者授权数据库中获取出供应商的信誉信息,综合每个供应商不同维度的信息作为分析的基础,能够在基于采购清单,确定出最后推荐的供应商的过程中对于每个供应商的综合能力进行分析,考察供应商的产品质量,处理效率以及信誉多个维度,避免由于对供应商的信誉和效率了解不全面,导致最终产生纠纷,或者不能如期履约导致的成本增加的问题。
图3是本申请实施例示出的采购数据管理方法实施例三的流程示意图。如图3所示,在前述实施例的基础上,本实施例提供一种步骤S103的具体实现方式,具体包括以下步骤:
S301、将的采购清单中的每个需求信息进行标准化处理,得到多个需求特征向量。
S302、针对每个供应商,将供应商的信息进行标准化处理得到由供应商可提供的每种产品的产品特征向量组成的特征向量矩阵。
在上述两个步骤中,每个需求信息中包括产品名称,产品的属性特征,产品的需求数量以及价格预算四个维度的特征,针对每个维度的特征,可以选择采用Z-score 标准化、Min-max 标准化、RobustScaler 和 Quantile Transformer中的任一种标准化方法进行标准化处理。这里需要注意的是,由于需求特征向量,最终是要和供应商的特征向量矩阵中的产品特征向量进行比对的,因此,在对供应商的信息中涉及产品的同一维度的信息进行标准化时,需要与需求信息标准化采用同样的标准化处理方式。
举例来说,如果需求信息中的产品名称选择了Robust Scaler方式,那么对供应商的信息中所有的产品名称都需要采用Robust Scaler方式进行标准化,以保证特征之间进行对比时的衡量尺度是一致的。
另外,在本方案中的具体实现中,需求信息中的四个维度特征可以采用同一个标准化方式,因此在供应商的信息标准化过程中也只能采用同样的方式进行标准化。由于供应商的信息中包括的信息内容比较多,因此这里需要理解供应商特征向量矩阵中只包括每个产品与需求信息对应的四个维度的特征向量,并不是将所有的信息全部标准化。举例来说:供应商可提供的每种产品的产品特征向量中就包括产品的名称,属性特征,供应商可以提供的产品数量,以及该产品的报价四个维度的特征,并不包括该供应商与产品不相关的其他特征。
具体的实现过程中,S302步骤中首先需要对每个供应商的信息中,可提供的每种产品的名称,属性特征,产品数量以及报价四个维度的信息筛选出来,然后再对每个产品的这四个维度的特征进行标准化,得到每个产品对应的产品特征向量。最后所有可提供的多个产品的产品特征向量共同组成了该供应商的特征向量矩阵。
S303、针对每个供应商,根据供应商的信息,获取供应商的综合评价指标,综合评价指标是采用预先训练的评分模型对供应商进行多维度分析得到的评价综合能力的指标。
在本步骤中,采购数据管理平台需要分析每个供应商的各个维度的特征,得到能够评价每个供应商的综合能力的综合评价指标。因此需要一种分析算法,将这些特征全部输入算法中进行分析计算,才能得到供应商的综合评价指标。因此需要预先设计和训练这样的算法模型,也就是上述的评分模型。
本步骤可以具体实现为:针对每个供应商,根据所述供应商的信息,采用所述评分模型对所述供应商进行多维度分析得到对应的综合评价指标,其中,所述评分模型是根据神经网络模型训练得到的基于产品特征和信誉特征计算商家的综合竞争能力指标的模型。
在该实现方式中,需要对每个供应商的信息进行按照维度进行区分,至少需要获取到每个供应商在产品,价格,交付周期,资质,行业评级以及纠纷情况六个维度的特征,针对每个供应商能够提供的产品可能包括至少一种,当供应商能提供的产品有多个时,需要将这些产品根据种类,数量以及价格几个维度进行特征整合,得到一个总的特征数据即可,例如:价格维度可以基于每个产品的报价与行业内的平均报价之间的差值得到价格维度的特征数据。
S304、针对每个需求特征向量,计算需求特征向量与每个供应商的特征向量矩阵中的每个产品特征向量之间的特征匹配度,特征匹配度用于描述产品特征向量与需求特征向量之间的符合程度。
在本步骤中,在得到了需求特征向量,以及每个供应商的特征向量矩阵以后,则可以进行特征向量之间的匹配。
具体的实现中,针对每一个需求特征向量,都需要和每一个供应商的特征向量矩阵中的每个产品特征向量之间进行特征匹配计算,得到一个特征匹配度。也就是说同一个需求特征向量和一个供应商之间的每个产品都会得到一个特征匹配度,同一个需求特征向量和一个供应商之间会得到至少一个特征匹配度,用来描述该需求信息与该供应商的产品之间的符合程度。
在一种具体实现中,该特征匹配度也可以设置成分值或者具体的指标,例如:设置1-10之间的整数值来表示匹配值,分数越高符合程度越高。也可以设置1-10之间的数值来表示,也可以设置1-100之间的数值来表示匹配程度,对此本方案不做限制。
在一种具体的实现方式中,计算需求特征向量与每个供应商的特征向量矩阵中的每个产品特征向量之间的特征匹配度,可以按照如下方式进行:
针对每个供应商的特征向量矩阵中的每个产品特征向量,根据所述产品特征向量和所述需求特征向量,采用公式:
,计算得到所述产品特征向量与所述需求特征向量之间的特征匹配度/>;
其中,,/>为配置的权重系数,/>表示需要的产品/>的需求特征向量,/>表示供应商b中的产品j的产品特征向量,/>用于表示所述/>和所述/>之间的汉明距离,用于表示基于汉明距离计算得到的/>与/>之间的相似度,/>用于表示需要的/>与供应商b中的产品j之间的特征匹配度。
S305、根据每个供应商的综合评价指标,以及预先配置的评价指标区间与推荐度之间的映射关系,确定出每个供应商的推荐度。
在本步骤中,采购数据管理平台在得到了供应商的综合评价指标之后,需要依据一个映射关系,确定出对这个供应商的推荐度,该映射关系是用来指示评价指标和推荐度之间的映射关系的。
在该方案的一种具体实施方式中,该综合评价指标可以是评分,根据评分规则可以设计评分模型的输出是具体的分值,然后根据不同的分值区间去对应不同的推荐度。分值区间的设定可以根据专家评定以及行业内的标准进行设计。
一种优选的方式中,对于综合评价指标的数值设置可以和特征匹配度采用接近或者一致的数值设置范围,这样有利于计算最终的匹配度。
S306、针对每个供应商,根据供应商的推荐度以及供应商可提供的每个产品对应的特征匹配度,计算得到供应商与采购清单中需求信息之间的匹配程度。
在本步骤中,采购数据管理平台在得到的每个供应商的推荐度,以及需求信息与供应商可提供的每个产品之间的特征匹配度以后,可以结合推荐度和特征匹配度计算出一个供应商的整体匹配程度。
在一种具体实现中,可以设置供应商的推荐度和特征匹配度在整体匹配程度中的权重,权重既可以是由采购数据管理平台设计的,也可以配置成为可修改参数,在平台中向企业用户提供修改接口,根据不同企业在采购的过程中不同的需求进行设置,有的企业更看重供应商的整体能力,则可以将推荐度的权重设置的更高一些,有的企业更看重供应商的产品是否符合要求,对其他方向要求较低,则可以将产品的特征匹配度的权重设置的更高一些。
在另一种可选的实现方式中,如果供应商能够提供的产品种类的超过一个,那么则在计算供应商中每个产品与采购清单中的需求信息之间的匹配程度之后,可根据供应商可提供的产品的种类,按照设置的算法将多个匹配程度进行整合,得到最终的供应商和采购清单的需求之间的匹配程度。例如:可以计算出每个产品与采购清单中需求中的匹配程度之后,将供应商可提供的多个产品的匹配程度求平均值,再根据可提供产品的数量加上一定的常数,举例来说:可以采用该公式:
;其中,/>表示供应商与采购清单的匹配程度,/>用于表示所述供应商可提供的采购清单中的任一需求信息中的产品1与该需求信息之间计算出来的匹配程度,以此类推,/>用于表示所述供应商可提供的采购清单中的任一需求信息中的产品m与该需求信息之间计算出来的匹配程度,m表示所述供应商可提供的需求信息中的产品总数,/>为预设常数。
可选的,可以计算出每个产品与采购清单中需求中的匹配程度之后,将供应商可提供的多个产品的匹配程度直接求平均值作为供应商的整体匹配程度,也可以采用百分比加权法,将供应商可提供的多个产品的匹配程度转换成为百分比形式,按照一定的权重进行加权求和,得到供应商的整体匹配程度,对于具体的计算总体匹配的方式可以根据实际情况进行选择,本方案不做限定。
在本实施例中,基于前述的方案提供一种计算供应商与采购清单之间的匹配程度的具体实现方式,在计算过程中充分考虑供应商的信誉,产品以及效率等综合特征,计算出能够表征一个供应商的总体能力的综合评价指标,基于该综合评价指标得到对供应商的推荐度。还需要计算出供应商可提供的产品与对应的需求信息之间的特征匹配度,最后基于推荐度以及产品特征匹配度综合计算出供应商和采购清单的匹配程度,基于该匹配程度生成最后的采购推荐列表,更充分的考虑了多个维度的特征和需求,提高了供应商推荐的精准度和处理效率,降低了企业的采购成本。
图4是本申请实施例示出的采购数据管理方法实施例四的流程示意图。如图4所示,在上述实施例的技术方案中,为了基于已经获取到的数据分析出供应商的综合能力的评价之标,需要采用一个评分模型,因此在整个方案实现之前,需要基于神经网络训练得到该评分模型,具体获取评分模型可以具体实现为以下步骤:
S401、根据神经网络模型创建初始模型,初始模型的输入层包括六个节点,分别用于输入产品,价格,交付周期,资质,行业评级以及纠纷情况六个维度的数据特征;初始模型包括多个隐藏层和一个输出层,每个隐藏层中包括至少12个节点,隐藏层的层数是根据输入数据数量以及每个维度的数据特征对模型输出的影响程度确定的;多个隐藏层与输出层通过全连接方式连接。
在本方案中,可选则卷积神经网络或者前馈神经网络模型进行初始模型的创建,由于需要考虑输入的六个维度的特征,因此在构建模型的过程中,输入层需要输入六个维度的数据,在隐藏中构建多与六的两倍的节点,采用至少两个节点对一个维度的输入数据进行分析处理,最终的隐藏层的数量可以根据输入数据数量以及每个维度的数据特征对模型输出的影响程度确定的。隐藏层和输出层之间采用全连接方式,该方案中的输出层只需要一个神经元,采用线性激活函数输出一个评分即可,在计算的过程中由于最后的评分是需要一定的范围的,例如1-10,或者1-100等,因此在输出层需要采用Sigmoid或Tanh等函数进行缩放,将最后输出的分数控制在设置的范围内。
S402、采集获取多个供应商的产品,价格,交付周期,资质,行业评级以及纠纷情况六个维度的数据,并根据行业标准以及预设评分规则对每个供应商进行评分标定,组成多维度数据集合。
在本方案中,为了能够综合六个维度的数据对一个供应商进行评分,在训练模型之前需要根据行业标准,企业需求设计合适的评分规则,该评分规则可以邀请多名专家组成专家组进行设置,在设计了评分规则之后,基于评分规则,基于数据库中预先采集的多个供应商的六个维度的数据,对每个供应商进行打分,也即是进行评分标定,得到每个供应商的六个维度的数据以及标定评分,组成一个数据组,六个维度的数据在训练时候作为模型的输入,标定评分作为输出。
所有的供应商的数据以及标定评分共同组成了多维度数据集合,该多维度数据集合用于对进行模型的训练和验证。
可选的,在具体应用该多维度数据集合之前,还需要对标定好的训练数据进行预处理,包括数据清洗、异常值处理和特征标准化等操作,以便更好地适用于模型训练。
S403、将多维度数据集合采用交叉验证的方式分成为训练集和测试集,并基于训练集,测试集以及损失函数对初始模型进行训练和验证,得到评分模型;其中,损失函数中包括用于调整模型结构的第一部分和用于收敛模型输出结果的第二部分。
在本方案中,在得到的多维度数据集合之后,需要将该多维度数据集合分成训练集和测试集,具体的可以按照一定的比例去拆分,本方案的具体实现中通过交叉验证的方式将多维度数据集合分为训练集和测试集,将数据集合拆分成为两个不重合的集合,充分利用数据,减少数据量不足造成的模型泛化问题。
并且在训练过程中,通过交叉验证,可尝试不同的参数组合或不同的算法模型,并评估它们在不同数据集上的表现。这有助于选择最佳的模型和参数组合,提高模型的性能和泛化能力。
另外,在本方案中,由于考虑到模型拟合过程中需要更好的拟合并且减少参数,并且还需要衡量模型的预测值与真实标定值之间的差异损失,因此基于数据的分布,模型输出特性以及计算任务的效率,设计了由两个部分功能组成的损失函数:第一部分的损失函数用于调整模型的结构,第二部分的损失函数用于收敛模型的输出结果,具体的:
损失函数S为:。
其中,所述损失函数的第一部分为:
;其中,/>表示模型对训练样本的对数似然函数,k表示模型中隐藏层的层数,n表示所述训练集中的训练样本的数量,/>表示模型结构损失值;
所述损失函数的第二部分为:
;其中,n表示所述训练集中的训练样本的数量,l为常数表示训练样本的序号,/>用于表示每个训练样本中标定的真实评分,/>用于表示模型基于每个训练样本预测的预测评分,/>表示模型预测结果的损失值,/>和/>分别为配置的权重系数。
在本实施例中,在初始模型的构建过程中以及训练数据标定时,充分考虑供应商的六个维度的数据对于供应商的综合能力的影响,基于神经网络构建合适的模型结构,提高数据分析能力的同时提高泛化能力,在设计损失函数时候,充分考虑模型结构的简化以及输出的预测值和实际值之间的损失,设计能够解决模型结构以及收敛两个方向的损失函数进行模型训练,使得本方案提供的评分模型对供应商的分析更加精准。
图5是本申请实施例示出的采购数据管理平台实施例一的连接结构示意图。如图5所示,采购数据管理平台500,包括:
订单请求接收模块501,用于响应于用户在图形用户界面上的输入操作,获取当前需要采购的采购清单,所述采购清单中包括多个需求信息,每个需求信息中包括产品,产品的属性特征,产品的需求数量以及价格预算;
供应商数据获取模块502,用于根据所述采购清单中需要的产品,获取可提供所述采购清单中的产品的多个供应商的信息,所述供应商的信息中包括与信誉、产品以及处理效率相关的信息;
供应商匹配分析模块503,用于根据所述多个供应商的信息以及所述采购清单,计算每个供应商与所述采购清单中至少一个需求信息之间的匹配程度;
供应商推荐分析模块504,用于基于每个供应商与所述采购清单中的至少一个需求信息之间的匹配程度,生成与所述采购清单对应的采购推荐列表,所述采购推荐列表中包括为每个需求信息推荐的至少一个可选供应商;
推荐结果显示模块505,用于将所述采购推荐列表在图形用户界面上进行输出。
本实施例提供的采购数据管理平台,用于执行前述任一方法实施例中的技术方案,其实现原理和技术效果类似,在此不再赘述。
在图5所示的采购数据管理平台500的一种具体实施方式中,所述供应商数据获取模块502具体用于:
基于采购数据库中存储的历史采购数据,获取已成交的且可提供所述采购清单中的产品的第一类供应商的交易信息,每个第一类供应商的交易信息中包括第一类供应商的标识,成交产品,成交产品的价格,产品的交付周期;
从供应商数据库中获取出可提供所述采购清单中的产品且未成交过的第二类供应商的供货信息,所述供货信息包括至少一个产品,每个产品的属性信息,每个产品的报价以及交付周期;
从开源数据库中分别获取出所述第一类供应商的信誉信息和所述第二类供应商的信誉信息,所述信誉信息中包括资质,行业评级以及历史纠纷信息;
根据所述第一类供应商的交易信息以及信誉信息,所述第二类供应商的供货信息以及信誉信息,得到可提供所述采购清单中的产品的所述多个供应商的信息。
在图5所示的采购数据管理平台500的一种具体实施方式中,所述供应商匹配分析模块503具体用于:
将所述的采购清单中的每个需求信息进行标准化处理,得到多个需求特征向量;
针对每个供应商,将所述供应商的信息进行标准化处理得到由所述供应商可提供的每种产品的产品特征向量组成的特征向量矩阵;
针对每个供应商,根据所述供应商的信息,获取所述供应商的综合评价指标,所述综合评价指标是采用预先训练的评分模型对所述供应商进行多维度分析得到的评价综合能力的指标;
针对每个需求特征向量,计算所述需求特征向量与每个供应商的特征向量矩阵中的每个产品特征向量之间的特征匹配度,所述特征匹配度用于描述所述产品特征向量与所述需求特征向量之间的符合程度;
根据每个供应商的综合评价指标,以及预先配置的评价指标区间与推荐度之间的映射关系,确定出每个供应商的推荐度;
针对每个供应商,根据所述供应商的推荐度以及所述供应商可提供的每个产品对应的特征匹配度,计算得到所述供应商与所述采购清单中需求信息之间的匹配程度。
在上述实施例的基础上,所述供应商匹配分析模块503具体用于:
针对每个供应商,根据所述供应商的信息,采用所述评分模型对所述供应商进行多维度分析得到对应的综合评价指标,其中,所述评分模型是根据神经网络模型训练得到的基于产品特征和信誉特征计算商家的综合竞争能力指标的模型。
图6是本申请实施例示出的采购数据管理平台实施例二的连接结构示意图。如图6所示,在上述实施例的基础上,该采购数据管理平台500还包括:
模型构建模块506,用于根据神经网络模型创建初始模型,所述初始模型的输入层包括六个节点,分别用于输入产品,价格,交付周期,资质,行业评级以及纠纷情况六个维度的数据特征;所述初始模型包括多个隐藏层和一个输出层,每个隐藏层中包括至少12个节点,隐藏层的层数是根据输入数据数量以及每个维度的数据特征对模型输出的影响程度确定的;所述多个隐藏层与所述输出层通过全连接方式连接;
训练数据获取模块507,用于采集获取多个供应商的产品,价格,交付周期,资质,行业评级以及纠纷情况六个维度的数据,并根据行业标准以及预设评分规则对每个供应商进行评分标定,组成多维度数据集合;
模型训练模块508,用于将所述多维度数据集合采用交叉验证的方式分成为训练集和测试集,并基于所述训练集,所述测试集以及损失函数对所述初始模型进行训练和验证,得到所述评分模型;其中,所述损失函数中包括用于调整模型结构的第一部分和用于收敛模型输出结果的第二部分。
在一种具体实施方式中,所述损失函数的第一部分为:
;其中,/>表示模型对训练样本的对数似然函数,k表示模型中隐藏层的层数,n表示所述训练集中的训练样本的数量,/>表示模型结构损失值;
所述损失函数的第二部分为:
;其中,n表示所述训练集中的训练样本的数量,l为常数表示训练样本的序号,/>用于表示每个训练样本中标定的真实评分,/>用于表示模型基于每个训练样本预测的预测评分,/>表示模型预测结果的损失值,/>和/>分别为配置的权重系数。
在一种具体实施方式中,所述供应商匹配分析模块504具体用于:
针对每个供应商的特征向量矩阵中的每个产品特征向量,根据所述产品特征向量和所述需求特征向量,采用公式:
,计算得到所述产品特征向量与所述需求特征向量之间的特征匹配度/>;
其中,,/>为配置的权重系数,/>表示需要的产品/>的需求特征向量,/>表示供应商b中的产品j的产品特征向量,/>用于表示所述/>和所述/>之间的汉明距离,用于表示基于汉明距离计算得到的/>与/>之间的相似度,/>用于表示需要的/>与供应商b中的产品j之间的特征匹配度。
上述任一实施例提供的采购数据管理平台,用于执行前述任一实施例提供的采购数据管理方法,其实现原理和技术效果类似,在此不再赘述。
图7是本申请实施例示出的电子设备的连接结构示意图。如图7所示,该电子设备600还包括:处理器601,存储器602,以及显示器603;
其中,所述存储器602用于存储所述处理器601的可执行指令;所述处理器601被配置为经由执行所述可执行指令来实现前述任一方法实施例提供的采购数据管理方法。
可选地,存储器602既可以是独立的,也可以跟处理器601集成在一起。
当所述存储器602是独立于处理器601之外的器件时,所述电子设备600还可以包括:
总线用于连接所述存储器602和处理器601。
本实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现前述任一方法实施例提供的采购数据管理方法。
本实施例还提供一种程序产品,该程序产品包括计算机程序,该计算机程序存储在可读存储介质中。电子设备的至少一个处理器可以从可读存储介质读取该计算机程序,至少一个处理器执行该计算机程序使得电子设备实施上述的各种实施方式提供的采购数据管理方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (8)
1.一种采购数据管理方法,其特征在于,应用于采购数据管理平台,所述方法包括:
响应于用户在图形用户界面上的输入操作,获取当前需要采购的采购清单,所述采购清单中包括多个需求信息,每个需求信息中包括产品,产品的属性特征,产品的需求数量以及价格预算;
根据所述采购清单中需要的产品,获取可提供所述采购清单中的产品的多个供应商的信息,所述供应商的信息中包括与信誉、产品以及处理效率相关的信息;
根据所述多个供应商的信息以及所述采购清单,计算每个供应商与所述采购清单中至少一个需求信息之间的匹配程度;
基于每个供应商与所述采购清单中的至少一个需求信息之间的匹配程度,生成与所述采购清单对应的采购推荐列表,所述采购推荐列表中包括为每个需求信息推荐的至少一个可选供应商;
将所述采购推荐列表在图形用户界面上进行输出;
所述根据所述多个供应商的信息以及所述采购清单,计算每个供应商与所述采购清单中至少一个需求信息之间的匹配程度,包括:
将所述的采购清单中的每个需求信息进行标准化处理,得到多个需求特征向量;
针对每个供应商,将所述供应商的信息进行标准化处理得到由所述供应商可提供的每种产品的产品特征向量组成的特征向量矩阵;
针对每个供应商,根据所述供应商的信息,获取所述供应商的综合评价指标,所述综合评价指标是采用预先训练的评分模型对所述供应商进行多维度分析得到的评价综合能力的指标;
针对每个需求特征向量,计算所述需求特征向量与每个供应商的特征向量矩阵中的每个产品特征向量之间的特征匹配度,所述特征匹配度用于描述所述产品特征向量与所述需求特征向量之间的符合程度;
根据每个供应商的综合评价指标,以及预先配置的评价指标区间与推荐度之间的映射关系,确定出每个供应商的推荐度;
针对每个供应商,根据所述供应商的推荐度以及所述供应商可提供的每个产品对应的特征匹配度,计算得到所述供应商与所述采购清单中需求信息之间的匹配程度;
所述计算所述需求特征向量与每个供应商的特征向量矩阵中的每个产品特征向量之间的特征匹配度,包括:
针对每个供应商的特征向量矩阵中的每个产品特征向量,根据所述产品特征向量和所述需求特征向量,采用公式:
,计算得到所述产品特征向量与所述需求特征向量之间的特征匹配度/>;
其中,,/>为配置的权重系数,/>表示需要的产品/>的需求特征向量,/>表示供应商b中的产品j的产品特征向量,/>用于表示所述/>和所述/>之间的汉明距离,用于表示基于汉明距离计算得到的/>与/>之间的相似度,/>用于表示需要的/>与供应商b中的产品j之间的特征匹配度。
2.根据权利要求1所述的方法,其特征在于,所述根据所述采购清单中需要的产品,获取可提供所述采购清单中的产品的多个供应商的信息,包括:
基于采购数据库中存储的历史采购数据,获取已成交的且可提供所述采购清单中的产品的第一类供应商的交易信息,每个第一类供应商的交易信息中包括第一类供应商的标识,成交产品,成交产品的价格,产品的交付周期;
从供应商数据库中获取出可提供所述采购清单中的产品且未成交过的第二类供应商的供货信息,所述供货信息包括至少一个产品,每个产品的属性信息,每个产品的报价以及交付周期;
从开源数据库中分别获取出所述第一类供应商的信誉信息和所述第二类供应商的信誉信息,所述信誉信息中包括资质,行业评级以及历史纠纷信息;
根据所述第一类供应商的交易信息以及信誉信息,所述第二类供应商的供货信息以及信誉信息,得到可提供所述采购清单中的产品的所述多个供应商的信息。
3.根据权利要求1所述的方法,其特征在于,所述针对每个供应商,根据所述供应商的信息,获取所述供应商的综合评价指标,包括:
针对每个供应商,根据所述供应商的信息,采用所述评分模型对所述供应商进行多维度分析得到对应的综合评价指标,其中,所述评分模型是根据神经网络模型训练得到的基于产品特征和信誉特征计算商家的综合竞争能力指标的模型。
4.根据权利要求1所述的方法,其特征在于,所述针对每个供应商,根据所述供应商的信息,获取所述供应商的综合评价指标之前,所述方法还包括:
根据神经网络模型创建初始模型,所述初始模型的输入层包括六个节点,分别用于输入产品,价格,交付周期,资质,行业评级以及纠纷情况六个维度的数据特征;所述初始模型包括多个隐藏层和一个输出层,每个隐藏层中包括至少12个节点,隐藏层的层数是根据输入数据数量以及每个维度的数据特征对模型输出的影响程度确定的;所述多个隐藏层与所述输出层通过全连接方式连接;
采集获取多个供应商的产品,价格,交付周期,资质,行业评级以及纠纷情况六个维度的数据,并根据行业标准以及预设评分规则对每个供应商进行评分标定,组成多维度数据集合;
将所述多维度数据集合采用交叉验证的方式分成为训练集和测试集,并基于所述训练集,所述测试集以及损失函数对所述初始模型进行训练和验证,得到所述评分模型;其中,所述损失函数中包括用于调整模型结构的第一部分和用于收敛模型输出结果的第二部分。
5.根据权利要求4所述的方法,其特征在于,所述损失函数的第一部分为:
;其中,/>表示模型对训练样本的对数似然函数,k表示模型中隐藏层的层数,n表示所述训练集中的训练样本的数量,/>表示模型结构损失值;
所述损失函数的第二部分为:
;其中,n表示所述训练集中的训练样本的数量,l为常数表示训练样本的序号,/>用于表示每个训练样本中标定的真实评分,/>用于表示模型基于每个训练样本预测的预测评分,/>表示模型预测结果的损失值,/>和/>分别为配置的权重系数。
6.一种采购数据管理平台,其特征在于,包括:
订单请求接收模块,用于响应于用户在图形用户界面上的输入操作,获取当前需要采购的采购清单,所述采购清单中包括多个需求信息,每个需求信息中包括产品,产品的属性特征,产品的需求数量以及价格预算;
供应商数据获取模块,用于根据所述采购清单中需要的产品,获取可提供所述采购清单中的产品的多个供应商的信息,所述供应商的信息中包括与信誉、产品以及处理效率相关的信息;
供应商匹配分析模块,用于根据所述多个供应商的信息以及所述采购清单,计算每个供应商与所述采购清单中至少一个需求信息之间的匹配程度;
供应商推荐分析模块,用于基于每个供应商与所述采购清单中的至少一个需求信息之间的匹配程度,生成与所述采购清单对应的采购推荐列表,所述采购推荐列表中包括为每个需求信息推荐的至少一个可选供应商;
推荐结果显示模块,用于将所述采购推荐列表在图形用户界面上进行输出;
所述供应商匹配分析模块具体用于:
将所述的采购清单中的每个需求信息进行标准化处理,得到多个需求特征向量;
针对每个供应商,将所述供应商的信息进行标准化处理得到由所述供应商可提供的每种产品的产品特征向量组成的特征向量矩阵;
针对每个供应商,根据所述供应商的信息,获取所述供应商的综合评价指标,所述综合评价指标是采用预先训练的评分模型对所述供应商进行多维度分析得到的评价综合能力的指标;
针对每个需求特征向量,计算所述需求特征向量与每个供应商的特征向量矩阵中的每个产品特征向量之间的特征匹配度,所述特征匹配度用于描述所述产品特征向量与所述需求特征向量之间的符合程度;
根据每个供应商的综合评价指标,以及预先配置的评价指标区间与推荐度之间的映射关系,确定出每个供应商的推荐度;
针对每个供应商,根据所述供应商的推荐度以及所述供应商可提供的每个产品对应的特征匹配度,计算得到所述供应商与所述采购清单中需求信息之间的匹配程度;
所述供应商匹配分析模块具体用于:
针对每个供应商的特征向量矩阵中的每个产品特征向量,根据所述产品特征向量和所述需求特征向量,采用公式:
,计算得到所述产品特征向量与所述需求特征向量之间的特征匹配度/>;
其中,,/>为配置的权重系数,/>表示需要的产品/>的需求特征向量,/>表示供应商b中的产品j的产品特征向量,/>用于表示所述/>和所述/>之间的汉明距离,用于表示基于汉明距离计算得到的/>与/>之间的相似度,/>用于表示需要的/>与供应商b中的产品j之间的特征匹配度。
7.一种电子设备,其特征在于,包括:
存储器,处理器,以及显示器;
其中,所述存储器用于存储所述处理器的可执行指令;所述处理器被配置为经由执行所述可执行指令来实现权利要求1至5任一项所述的采购数据管理方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现权利要求1至5任一项所述的采购数据管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311375355.4A CN117391583B (zh) | 2023-10-23 | 2023-10-23 | 采购数据管理方法及平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311375355.4A CN117391583B (zh) | 2023-10-23 | 2023-10-23 | 采购数据管理方法及平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117391583A CN117391583A (zh) | 2024-01-12 |
CN117391583B true CN117391583B (zh) | 2024-04-05 |
Family
ID=89466254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311375355.4A Active CN117391583B (zh) | 2023-10-23 | 2023-10-23 | 采购数据管理方法及平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117391583B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967927A (zh) * | 2020-07-03 | 2020-11-20 | 青岛檬豆网络科技有限公司 | 一种多准则计算满意度的商业采购方法 |
WO2021052126A1 (zh) * | 2019-09-20 | 2021-03-25 | 平安科技(深圳)有限公司 | 产品信息推荐方法及装置、存储介质、计算机设备 |
US10997641B1 (en) * | 2019-07-15 | 2021-05-04 | Coupa Software Incorporated | Enabling supplier catalogs based on procurement data from buyer community |
CN113706241A (zh) * | 2021-08-20 | 2021-11-26 | 南京鑫智链科技信息有限公司 | 一种线上购物方法、装置、设备及存储介质 |
CN114037502A (zh) * | 2021-12-07 | 2022-02-11 | 广州智会云科技发展有限公司 | 一种基于用户画像的采购推荐方法及系统 |
CN114282976A (zh) * | 2021-12-27 | 2022-04-05 | 赛尔网络有限公司 | 供应商推荐方法、装置、电子设备及介质 |
WO2022156529A1 (zh) * | 2021-01-21 | 2022-07-28 | 北京电解智科技有限公司 | 企业用户的商品推荐方法和装置 |
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 |
CN115082164A (zh) * | 2022-07-19 | 2022-09-20 | 大汉电子商务有限公司 | 基于b2b平台的采购报价信息处理系统 |
CN115330300A (zh) * | 2022-07-26 | 2022-11-11 | 上海东普信息科技有限公司 | 采购单处理方法、装置、设备及存储介质 |
CN115994767A (zh) * | 2022-12-14 | 2023-04-21 | 马鞍山市多岛湖电子商务有限公司 | 基于电子商务的产品供应链管理系统 |
CN116629904A (zh) * | 2023-05-08 | 2023-08-22 | 数聚云(苏州)科技有限公司 | 一种基于大数据的客户分层匹配方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150120486A1 (en) * | 2013-10-31 | 2015-04-30 | Siftit, Llc | System and method to compile and compare prices across multiple suppliers |
-
2023
- 2023-10-23 CN CN202311375355.4A patent/CN117391583B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10997641B1 (en) * | 2019-07-15 | 2021-05-04 | Coupa Software Incorporated | Enabling supplier catalogs based on procurement data from buyer community |
WO2021052126A1 (zh) * | 2019-09-20 | 2021-03-25 | 平安科技(深圳)有限公司 | 产品信息推荐方法及装置、存储介质、计算机设备 |
CN111967927A (zh) * | 2020-07-03 | 2020-11-20 | 青岛檬豆网络科技有限公司 | 一种多准则计算满意度的商业采购方法 |
WO2022156529A1 (zh) * | 2021-01-21 | 2022-07-28 | 北京电解智科技有限公司 | 企业用户的商品推荐方法和装置 |
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 |
CN113706241A (zh) * | 2021-08-20 | 2021-11-26 | 南京鑫智链科技信息有限公司 | 一种线上购物方法、装置、设备及存储介质 |
CN114037502A (zh) * | 2021-12-07 | 2022-02-11 | 广州智会云科技发展有限公司 | 一种基于用户画像的采购推荐方法及系统 |
CN114282976A (zh) * | 2021-12-27 | 2022-04-05 | 赛尔网络有限公司 | 供应商推荐方法、装置、电子设备及介质 |
CN115082164A (zh) * | 2022-07-19 | 2022-09-20 | 大汉电子商务有限公司 | 基于b2b平台的采购报价信息处理系统 |
CN115330300A (zh) * | 2022-07-26 | 2022-11-11 | 上海东普信息科技有限公司 | 采购单处理方法、装置、设备及存储介质 |
CN115994767A (zh) * | 2022-12-14 | 2023-04-21 | 马鞍山市多岛湖电子商务有限公司 | 基于电子商务的产品供应链管理系统 |
CN116629904A (zh) * | 2023-05-08 | 2023-08-22 | 数聚云(苏州)科技有限公司 | 一种基于大数据的客户分层匹配方法 |
Non-Patent Citations (2)
Title |
---|
化工行业竞价采购中多因素自适应智能推荐模型的研究;杨琳;江永忠;张金伟;;新型工业化;20190320(03);全文 * |
港口视角下煤炭供应商评价研究;袁旭梅;张旭;袁继革;;中国煤炭;20151222(12);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117391583A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5586373B2 (ja) | 支払請求を処理するコンポーネントの機能をコンピュータシステムに実現させるプログラムが記録されているコンピュータ読み取り可能な記憶媒体、およびコンピュータシステムに支払請求を処理させるコンピュータシステムの動作方法 | |
US20150012335A1 (en) | Automated rental amount modeling and prediction | |
US20150112874A1 (en) | Method and system for performing owner association analytics | |
Wu et al. | A validation scheme for intelligent and effective multiple criteria decision-making | |
US10614495B2 (en) | Adaptive and tunable risk processing system and method | |
US20080201247A1 (en) | Method, system and computer-readable media for evaluation or selection of real estate appraisers | |
US20170308540A1 (en) | Asymmetrical multilateral decision support system | |
US20210248485A1 (en) | Asymmetrical multilateral decision support system | |
CN101432769A (zh) | 拍卖结果预测和保险 | |
CN110728422A (zh) | 用于施工项目的建筑信息模型、方法、装置和结算系统 | |
McCartan et al. | Simulated redistricting plans for the analysis and evaluation of redistricting in the United States | |
JP2019096308A (ja) | 構造方程式モデルを活用した特許評価方法およびその方法を実行するシステム | |
CN117391583B (zh) | 采购数据管理方法及平台 | |
KR102423514B1 (ko) | 전문가가 직접 사고이력을 확인하고 현장검수를 완료하여 자체 보증으로 사후관리서비스를 제공하는 매도인과 매수인의 직거래를 지원하는 중고차 거래 플랫폼의 운영방법 | |
US20220058658A1 (en) | Method of scoring and valuing data for exchange | |
Guo et al. | Weight Analysis for Multiattribute Group Decision‐Making with Interval Grey Numbers Based on Decision‐Makers’ Psychological Criteria | |
CN113537759A (zh) | 一种基于权重自适应的用户体验度量模型 | |
CN111932196A (zh) | 案件处理方法、装置、设备及可读存储介质 | |
EP3257011A1 (en) | Asynchronous tendering for variable characteristic assets | |
Simbürger | Filter methods for MRIO tables: an evaluation | |
Lin et al. | Dynamic Pricing in the Resale House Market: The Effect of Buyer Visits and House Relisting | |
EP4138021A1 (en) | Method of scoring and valuing data for exchange | |
CN117372132B (zh) | 用户信用评分的生成方法、装置、计算机设备和存储介质 | |
CA2872163C (en) | Asymmetrical multilateral decision support system | |
WO2022265005A1 (ja) | 見積推定装置、見積推定方法および見積推定プログラム |
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 |