JP7437545B2 - 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 - Google Patents

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 Download PDF

Info

Publication number
JP7437545B2
JP7437545B2 JP2023030995A JP2023030995A JP7437545B2 JP 7437545 B2 JP7437545 B2 JP 7437545B2 JP 2023030995 A JP2023030995 A JP 2023030995A JP 2023030995 A JP2023030995 A JP 2023030995A JP 7437545 B2 JP7437545 B2 JP 7437545B2
Authority
JP
Japan
Prior art keywords
ranking
supplier
weight
optimization
score
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
Application number
JP2023030995A
Other languages
English (en)
Other versions
JP2023129344A (ja
Inventor
ジエジェン リー
ビン ズオ
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Publication of JP2023129344A publication Critical patent/JP2023129344A/ja
Application granted granted Critical
Publication of JP7437545B2 publication Critical patent/JP7437545B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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)

Description

本発明は部品の供給元を自動的にランク付けする供給元（サプライヤー）自動ランク付け方法、供給元自動ランク付け装置及び記憶媒体に関する。
企業がある製品を製造する際には、通常、製品の構成部品を複数の供給元から入手する必要があり、ある構成部品についても、異なる複数の供給元から入手することもよくある。そのため、製品を製造する企業は、こうした供給元からの供給状況をランク付けする必要がある。従来、供給元をランク付けする際には、複数の評価指標に基づいてランク付けが行われていた。評価指標は、例えば、供給された部品の品質、納期通りに納品されたか否かなどであってよい。
特許文献１に記載されているように、従来の供給元ランク付け方法は、供給元の履歴データや、固定のランク付けロジックを活用した自動ランク付けが主流であるが、ランク付けロジックが固定されているため、ランク付けの妥当性のチェック機能が欠如しており、固定されているランク付けロジックは、変化に富んだサプライチェーン環境や経営戦略の適合性に悪影響を与え、自動最適化の機能を提供できない。
ＣＮ１１２６１３６９６Ａ
本発明は以上の事情に鑑み行われるものであり、動的ランク付けロジックを用いてランク付けロジックを自動的に最適化することができる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記憶媒体を提供することを特徴とする。
技術案１は、部品の供給元を自動的にランク付けする供給元自動ランク付け方法であって、モデル安定性チェック指標に基づいて、元のランク付け基準が供給元の新たなデータに対して妥当であるか否かを検証するランク付け妥当性検証ステップと、前記ランク付け妥当性検証ステップの検証結果、元のランク付け基準が妥当でない場合、スコア妥当性チェック指標に基づいて、供給元の新たなデータ及び供給元の評価指標のそれぞれの元の重みを利用して、前記評価指標のそれぞれの重みを最適化し、重み妥当性比較結果及び前記評価指標のそれぞれの新たな重みを取得する重み最適化ステップと、前記重み最適化ステップで取得された前記評価指標のそれぞれの新たな重みを利用して、最適化後のランク付け基準を取得し、この最適化後のランク付け基準を利用して、供給元の新たなデータについてランク付けを行う供給元ランク付け基準求解ステップと、を含むことを特徴とする供給元自動ランク付け方法。
これにより、技術案１の供給元自動ランク付け方法によれば、動的ランク付けロジックが実現され、すなわち、ランク付け妥当性検証ステップでは検証した結果、元のランク付け基準が供給元の新たなデータに適していない場合、重み最適化ステップによって各評価指標の重みを最適化し、さらに、最適化後の重みを用いて供給元ランク付け基準求解ステップによって最適化後のランク付け基準を取得するので、供給元の新たなデータについてランク付けを効果的に行うことができる。
また、技術案２では、前記重み最適化ステップは、前記スコア妥当性チェック指標に基づいて、供給元の新たなデータ及び供給元の前記評価指標のそれぞれの元の重みを利用して、スコア妥当性チェック指標の最大値に対応する重み、すなわち、初期重みを取得する初期重み選択ステップと、多層フィードフォワードニューラルネットワークアルゴリズムによって前記初期重みに対してニューラルネットワークコンピューティングを行い、最適化重みを取得する重み最適化求解ステップと、再度、前記スコア妥当性チェック指標に基づいて、前記初期重みと前記最適化重みに対して妥当性比較を行って、前記重み妥当性比較結果及び前記評価指標のそれぞれの新たな重みを取得する重み選別ステップと、を含むようにしてもよい。
これにより、技術案２の供給元自動ランク付け方法によれば、スコア妥当性チェック指標を導入することによって、複数の重み計算方法が同時に存在することが可能にあり、さまざまな場合に機能することを考慮して複数の重み計算方法が保留されることによって、重み計算方法の適用性及び妥当性を向上させることができる。
また、技術案３では、前記重み選別ステップにおいて、前記初期重みと前記最適化重みに対して妥当性比較を行う際に、前記最適化重みが前記初期重みに対して正の最適化か負の最適化かを判断し、判断結果が正の最適化である場合、前記最適化重みを評価指標のそれぞれの新たな重みとし、判断結果が負の最適化である場合、前記初期重みを前記評価指標のそれぞれの新たな重みとするようにしてもよい。
これにより、技術案３の供給元自動ランク付け方法によれば、負の最適化による重みを用いてランク付け基準を最適化することを回避することができ、評価指標の最適な重みを用いてランク付け基準を最適化することができる。
また、技術案４では、前記供給元ランク付け基準求解ステップは、前記評価指標のそれぞれの新たな重みを利用して、各供給元のスコアである供給元スコアを取得し、決定木アルゴリズムに基づいて、各前記供給元スコアから選択可能な階層点を抽出し、各前記選択可能な階層点によって前記供給元スコアを分割して複数の階層を得る点数階層検索ステップと、複数の前記階層を併合最適化し、所望の数の目標階層、すなわち前記最適化后ランク付け基準を得る階層併合最適化ステップと、を含むようにしてもよい。
また、技術案５では、前記点数階層検索ステップでは、各々の評価指標の値と該当する新たな重みとを乗算した値を加算して前記供給元スコアを得るようにしてもよい。
また、技術案６では、前記階層併合最適化ステップにおいて、隣接する２つの前記階層に逆順が存在すると、併合を行い、隣接する２つの前記階層で優秀供給元の割合が一致すると、併合を行うようにしてもよい。
決定木アルゴリズムの原理は、データ特性中の情報ゲインを利用して、データの最も良好で選択可能な階層点を選択してデータ分割を行うことである。技術案４～６の供給元自動ランク付け方法によれば、このようなメカニズムの優位性を活用して、モデル中の階層点を抽出して供給元階層の階層点とし、次に、業務の要求に基づいて、点数ソートドネス（Ｓｏｒｔｅｄ－ｎｅｓｓ）に従って、多くの階層を併合し、これによって、最終的には良好に最適化後のランク付け基準を得ることができる。
また、技術案７では、前記供給元の新たなデータは供給元指標スコア、関連業務データのうちの少なくとも１つであり、前記関連業務データは供給元の供給数、供給ロットを含んでもよい。
技術案８は、部品の供給元を自動的にランク付けする供給元自動ランク付け装置であって、モデル安定性チェック指標に基づいて、元のランク付け基準が供給元の新たなデータに対して妥当であるか否かを検証するランク付け妥当性検証部と、前記ランク付け妥当性検証部の検証結果、元のランク付け基準が妥当でない場合、スコア妥当性チェック指標に基づいて、供給元の新たなデータ及び供給元の評価指標のそれぞれの元の重みを利用して、前記評価指標のそれぞれの重みを最適化し、重み妥当性比較結果及び前記評価指標のそれぞれの新たな重みを取得する重み最適化部と、前記重み最適化部によって取得された前記評価指標のそれぞれの新たな重みを利用して、最適化後のランク付け基準を取得し、この最適化後のランク付け基準を利用して、供給元の新たなデータについてランク付けを行う供給元ランク付け基準求解部と、を含むことを特徴とする供給元自動ランク付け装置である。
これにより、技術案８の供給元自動ランク付け装置によれば、動的ランク付けロジックが実現され、すなわち、ランク付け妥当性検証部で元のランク付け基準が供給元の新たなデータに適していないと検証した場合、重み最適化部によって各評価指標の重みを最適化し、さらに、最適化後の重みを用いて供給元ランク付け基準求解部によって最適化後のランク付け基準を取得するので、供給元の新たなデータについてランク付けを効果的に行うことができる。
技術案９は、技術案１～７のいずれか１項に記載の供給元自動ランク付け方法をコンピュータに実行させる供給元自動ランク付けプログラムが記憶されていることを特徴とする記憶媒体である。
技術案９によっても、技術案１～７と同様な技術的効果が得られる。
本発明によれば、動的ランク付けロジックを利用してランク付けロジックを自動的に最適化する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記憶媒体を実現することができる。
供給元自動ランク付け方法の主要な流れを例示的に示す図である。 重み最適化ステップを例示的に示すフローチャートである。 供給元ランク付け基準求解ステップを例示的に示すフローチャートである。 点数階層検索ステップにおける決定木モデルを例示的に示す図である。 供給元自動ランク付け装置を例示的に示す構造ブロック図である。
以下、図面に基づいて本発明の実施形態を説明する。以下の説明は例示的なものであり、本発明を限定することを意図していない。
本明細書の供給元自動ランク付け方法は、例えばコンピュータによって実行されてよい。コンピュータは全体の制御を担当する中央処理装置、データを記憶するメモリ、データなどを出力して表示するディスプレイ、及びキーボードやマウスなどの入力装置を含む。また、該コンピュータは外部機器とも通信できる。
メモリには、例えば、元の供給元のランク付け基準、供給元の新たなデータ、元の供給元の重み、他の選択可能な重み（専門家の重みなど）、専門家の意見、履歴情報、最適化後のランク付け基準などの様々なデータが記憶され得る。供給元の新たなデータは、例えば、供給元指標スコア、関連業務データなどであり、履歴情報は、例えば、供給元スコア（指標及び合計スコア）、供給元ランク、関連業務データであり得る。関連業務データには、購買シェア（「供給数」とも呼ばれる）、納品ロット（「供給ロット」とも呼ばれる）などが含まれる。
図１は本実施形態の供給元自動ランク付け方法の主要な流れを例示的に示す図である。
図１に示すように、本実施形態の供給元自動ランク付け方法は、ランク付け妥当性検証ステップＳ１と、重み最適化ステップＳ２と、供給元ランク付け基準求解ステップＳ３と、を含む。
以下、図１の供給元自動ランク付け方法の各ステップを順次説明する。
＜ステップＳ１＞
最初のステップＳ１では、実ランク付け妥当性検証を実行する。コンピュータは元のランク付け基準及び供給元の新たなデータを読み込み、該新たなデータには供給元指標スコアや関連業務データなどが含まれてよい。次に、ランク付け妥当性検証を実行し、すなわち、元のランク付け基準が供給元の新たなデータに対して妥当であるか否かを検証し、すなわち、元のランク付け基準を用いて供給元の新たなデータについてランク付けを行うことができるか否かを判断する。
ランク付け妥当性検証を実行するために、ここで、モデル安定性チェック指標が導入され、このモデル安定性チェック指標はカイ二乗値、遷移行列指標、集団安定性指標、ケンドールの一致係数などのうちのいずれかであってよい。まず、元のランク付け基準の分割方式によって各供給元について採点を行い、例えばスコア＞９０点の場合、「優」とランク付けし、スコアが７０～８９点である場合、「良」とランク付けし、スコア＜７０点の場合、「差」とランク付けする。次に、モデル安定性チェック指標の計算方式によって供給元の新たなデータの元のランク付け基準におけるモデル安定性チェック指標値を計算する。モデル安定性チェック指標値が所定の範囲内である場合、元のランク付け基準が供給元の新たなデータに対して妥当であることを示し、モデル安定性チェック指標値が所定の範囲内ではない場合、元のランク付け基準が供給元の新たなデータに対して妥当ではないことを示す。
各ランクにおける供給元の集団が安定であるか否かを検証し、元のランク付け基準が供給元の新たなデータに適しているか否かを判断する。各ランク付けにおける供給元の集団がまだ安定である場合、ステップＳ４に入り、元のランク付け基準を引き続き使用し、各ランク付けにおける供給元の集団が不安定になる場合、重み又はランク付け基準が供給元の新たなデータに適さないか、実際の集団が確実に変化されたことを示す。このような場合は、評価指標の重み及びランク付け基準を再計算することにより解決できる。元のランク付け基準が適用されなくなった場合、再計算により最適化後のランク付け基準を求解し、集団が変化した場合、再計算すると類似の結果を求解することになり、元のランク付け基準を引き続き使用し、また、類似の結果を利用して集団の変化を判断したり見つけたりする。
＜ステップＳ２＞
ステップＳ１では、前記の通り、検証の結果、元のランク付け基準が供給元の新たなデータに対して妥当である場合、ステップＳ４に入り、元の評価指標の重み及びランク付け基準を引き続き使用して、供給元の新たなデータについてランク付けを行う。
ステップＳ１の検証結果、元のランク付け基準が供給元の新たなデータに対して妥当でない場合、ステップＳ２に入り、重み最適化を実行する。ここで、スコア妥当性チェック指標を導入し、該スコア妥当性チェック指標に基づいて、供給元の新たなデータ及び供給元の評価指標のそれぞれの元の重みなどを利用して、評価指標のそれぞれの重みを最適化し、重み妥当性比較結果及び評価指標のそれぞれの新たな重みを取得する。
図２は重み最適化ステップＳ２を示すフローチャートである。
図２に示すように、重み最適化ステップＳ２は、初期重み選択ステップＳ２１と、重み最適化求解ステップＳ２２と、重み選別ステップＳ２３と、を含む。
－ステップＳ２１－
初期重み選択ステップＳ２１では、スコア妥当性チェック指標に基づいて、供給元の新たなデータ及び供給元の評価指標のそれぞれの元の重みなどを利用して、スコア妥当性チェック指標の最大値に対応する重み、すなわち、初期重みを取得する。ここで、供給元の新たなデータ及び供給元の評価指標のそれぞれの元の重みに加えて、例えば専門家の重みなどの他の選択可能な重みを利用してもよい。
具体的には、前述のスコア妥当性チェック指標は、例えば、リフト値（Ｌｉｆｔ値：ＬＩＦＴ ｖａｌｕｅ）、曲線下面積（ＡＵＣ値：Ａｒｅａ Ｕｎｄｅｒ ｔｈｅ Ｃｕｒｖｅ、受信者動作曲線とも呼ばれる）、ジニ係数（Ｇｉｎｉ係数：Ｇｉｎｉ ｃｏｅｆｆｉｃｉｅｎｔ）、コルモゴロフ－スミルノフ検定値（ＫＳ値：Ｋｏｌｍｏｇｏｒｏｖ－Ｓｍｉｒｎｏｖ ｔｅｓｔ ｖａｌｕｅ）、離散性スコア（Ｄｉｖｅｒｇｅｎｃｅ Ｓｃｏｒｅ）、正確率（ＡＲ：ａｃｃｕｒａｃｙ ｒａｔｉｏ）のうちのいずれかであってよい。ここでは、スコア妥当性チェック指標を導入して各点数範囲にあるサプライヤーの分布を分析し、区分度が最も高い重みモデルを識別する。
まず、各評価指標の重みを利用して各供給元のスコアを計算し、次に、該スコアを良いものから悪いものへ並べ替えた後、等サイズビニングを行い、例えば表１に示すように５００個の供給元がある場合、供給元１００個ごとに１個のビンに分割して５個のビニングを得る。
Figure 0007437545000001
各評価指標のそれぞれの重みのスコア妥当性チェック指標値を計算して、異常重みを取り除き、残りのスコア妥当性チェック指標値のうち最大値に対応する重みを初期最適化重みとし、この初期最適化重みは前述の「初期重み」である。
一般的な業務シナリオでは、複数の重み計算方法がある場合、最も妥当な重みを選択する方法がなく、人間の経験で主観的に選別するしかない。本実施形態の供給元自動ランク付け方法では、スコア妥当性チェック指標を導入することによって、複数の重み計算方法が同時に存在することが可能にあり、さまざまな場合に機能することを考慮して複数の重み計算方法が保留されることによって、重み計算方法の適用性及び妥当性を向上させることができる。
－ステップＳ２２－
次に、重み最適化求解ステップＳ２２では、コンピュータは例えば供給元の新たなデータ、専門家の意見、履歴情報を読み込み、多層フィードフォワードニューラルネットワーク（ＢＰニューラルネットワーク）アルゴリズムによって初期重み選択ステップＳ２１で取得された初期重みニューラルネットワークコンピューティングを行い、最適化重みを取得する。ここでは、専門家の意見及び履歴情報を読み込まなくてもよい。
－ステップＳ２３－
次に、重み選別ステップＳ２３では、再度、スコア妥当性チェック指標に基づいて、初期重み選択ステップＳ２１で取得された初期重みと重み最適化求解ステップＳ２２で取得された最適化重みに対して妥当性比較を行って、重み妥当性比較結果及び評価指標のそれぞれの新たな重みを取得する。
重み選別ステップＳ２３では、再度、スコア妥当性チェック指標に基づいて初期重みと最適化重みに対して妥当性比較を行うことは、多層フィードフォワードニューラルネットワークによって最適化された最適化重みごとに初期重みよりも妥当であるか否かを検証するためである。例えばサンプルの数が不足したり、データ構造が不平衡であったりするなどの特殊な場合には、多層フィードフォワードニューラルネットワークアルゴリズムの負の最適化が発生し、すなわち、最適化重みが初期重みよりも妥当ではないことがある。重み選別ステップＳ２３では、初期重みと最適化重みに対して妥当性比較を行うときに、最適化重みが初期重みに対して正の最適化か負の最適化かを判断し、判断の結果正の最適化である場合、最適化重みを評価指標のそれぞれの新たな重みとし、判断結果負の最適化である場合、初期重みを評価指標のそれぞれの新たな重みとする。
これによって、本実施形態の供給元自動ランク付け方法によれば、負の最適化による重みを用いてランク付け基準を最適化することを回避することができ、評価指標の最適な重みを用いてランク付け基準を最適化することができる。
＜ステップＳ３＞
重み最適化ステップＳ２で評価指標のそれぞれの新たな重みを取得した後、供給元ランク付け基準求解ステップＳ３に入り、重み最適化ステップＳ２で取得された評価指標のそれぞれの新たな重みを利用し、最適化後のランク付け基準を取得し、この最適化後のランク付け基準を利用して、供給元の新たなデータについてランク付けを行う。
図３は供給元ランク付け基準求解ステップＳ３を表すフローチャートである。
図３に示すように、供給元ランク付け基準求解ステップＳ３は点数階層検索ステップＳ３１と階層併合最適化ステップＳ３２を含む。
－ステップＳ３１－
点数階層検索ステップＳ３１では、重み最適化ステップＳ２で取得された評価指標のそれぞれの新たな重みを利用し、各供給元のスコアである供給元スコアを取得し、決定木アルゴリズムに基づいて、各供給元スコアから選択可能な階層点を抽出し、各選択可能な階層点によって供給元スコアを分割して複数の階層を得る。
具体的には、コンピュータは、例えば供給元の新たなデータ、専門家の意見、履歴情報、及び重み最適化ステップＳ２で取得された評価指標のそれぞれの新たな重みを読み込み、各評価指標の値と該当する新たな重みとを乗算した値を加算して供給元スコアを得る。さらに、機械学習決定木アルゴリズムの中の分類アルゴリズムを利用して、供給元スコアを特徴として入力し、業務目標を目標値とし、例えば専門家の意見により優秀供給元である場合、１とマークし、専門家の意見により普通サプライヤーである場合、０とマークし、表２に示すように目標値は０と１である。
Figure 0007437545000002
次に、現在の点数に対して訓練モデルを行い、このサンプルに対する分類モデルを得る。本実施形態では、点数に基づいてＮクラスに分割し、ここでＮは２以上の整数である。点数及び目標業務指標に基づく全てのあり得る選択可能な階層点（分類分割点）を検索することが目的である。次に、図４に示すように、決定木モデルにおける選択可能な階層点を抽出し、図４においては、Ｎ＝４である。
すなわち、「はい」と「いいえ」の判断ごとの値を抽出し、その判断の値の点に基づいて供給元スコアを分割することにより、優秀供給元と通常供給元を区別することができ、これらの判断の値の点がすべてのあり得る選択可能な階層点となる。図４の場合、表３に示すカテゴリに分類することができる。
Figure 0007437545000003
－ステップＳ３２－
次に、階層併合最適化ステップＳ３２では、複数の階層を併合して最適化することによって、所望の数の目標階層である最適化后ランク付け基準を得る。
図４には、供給元が４つのカテゴリに分類されるが、通常、点数階層検索ステップＳ３１で取得された選択可能な階層点及び複数の階層の数が大きい、例えば、供給元が２０個のカテゴリに分類される場合があり、このような場合、一般には、供給元のカテゴリを併合して、例えば「優、良、差」の３つのランクや「１～５星」の５つのランクにする。このため、点数階層検索ステップＳ３１で分割された階層を併合する必要がある。具体的には、コンピュータは、例えば供給元の新たなデータ、専門家の意見、履歴情報、点数階層検索ステップＳ３１で取得された選択可能な階層点及び複数の階層を読み込む。次に、例えば、隣接する２つの階層に逆順（例えば「優」における優秀供給元の割合が「良」における優秀供給元の割合よりも低い）が存在すると、優先的に併合を行い、且つ、隣接する２つの階層で優秀供給元の割合が一致すると、２つの階層には区分度がないことを示すので、併合を行う。このように、併合を複数回行うと、業務に必要な数の目標階層、すなわち最適化后ランク付け基準を得る。ここでは、専門家の意見及び履歴情報を読み込まなくてもよい。
決定木アルゴリズムの原理は、データ特性中の情報ゲインを利用して、データの最も良好で選択可能な階層点を選択してデータ分割を行うことである。本実施形態の供給元自動ランク付け方法では、このようなメカニズムの優位性を活用して、モデル中の階層点を抽出して供給元階層の階層点とし、次に、業務の要件に基づいて、点数ソートドネス（Ｓｏｒｔｅｄ－ｎｅｓｓ）に従って、多くの階層を併合し、これによって、最終的に良好に最適化後のランク付け基準を得ることができる。
上記の本実施形態の供給元自動ランク付け方法によれば、動的ランク付けロジックが実現され、すなわち、ランク付け妥当性検証ステップでは検証した結果、元のランク付け基準が供給元の新たなデータに適していない場合、重み最適化ステップによって各評価指標の重みを最適化し、さらに、最適化後の重みを用いて供給元ランク付け基準求解ステップによって最適化後のランク付け基準を取得するので、供給元の新たなデータについてランク付けを効果的に行うことができる。
また、本実施形態の供給元自動ランク付け方法は、供給元自動ランク付け装置１によって実現されてもよい。図５は本実施形態の供給元自動ランク付け装置１を例示的に示す構造ブロック図である。
図５に示すように、供給元自動ランク付け装置１は、部品の供給元を自動的にランク付けし、モデル安定性チェック指標に基づいて、元のランク付け基準が供給元の新たなデータに対して妥当であるか否かを検証するランク付け妥当性検証部１００と、ランク付け妥当性検証部１００の検証結果、元のランク付け基準が妥当でない場合、スコア妥当性チェック指標に基づいて、供給元の新たなデータ及び供給元の評価指標のそれぞれの元の重みを利用して、評価指標のそれぞれの重みを最適化し、重み妥当性比較結果及び評価指標のそれぞれの新たな重みを取得する重み最適化部２００と、重み最適化部２００で取得された評価指標のそれぞれの新たな重みを利用して、最適化後のランク付け基準を取得し、この最適化後のランク付け基準を利用して、供給元の新たなデータについてランク付けを行う供給元ランク付け基準求解部３００と、を含む。
図５に示すように、重み最適化部２００は、スコア妥当性チェック指標に基づいて、供給元の新たなデータ及び供給元の評価指標のそれぞれの元の重みを利用して、スコア妥当性チェック指標の最大値に対応する重み、すなわち、初期重みを取得する初期重み選択部２０１と、多層フィードフォワードニューラルネットワークアルゴリズムによって初期重みに対してニューラルネットワークコンピューティングを行い、最適化重みを取得する重み最適化求解部２０２と、再度、スコア妥当性チェック指標に基づいて、初期重みと最適化重みに対して妥当性比較を行って、重み妥当性比較結果及び評価指標のそれぞれの新たな重みを取得する重み選別部２０３と、を含む。
重み選別部２０３は、初期重みと最適化重みに対して妥当性比較を行う際に、最適化重みが初期重みに対して正の最適化か負の最適化かを判断し、判断の結果正の最適化である場合、最適化重みを評価指標のそれぞれの新たな重みとし、判断結果負の最適化である場合、初期重みを評価指標のそれぞれの新たな重みとする。
図５に示すように、供給元ランク付け基準求解部３００は、評価指標のそれぞれの新たな重みを利用して、各供給元のスコアである供給元スコアを取得し、決定木アルゴリズムに基づいて、各供給元スコアから選択可能な階層点を抽出し、各選択可能な階層点によって供給元スコアを分割して複数の階層を得る点数階層検索部３０１と、複数の階層を併合最適化し、所望の数の目標階層、すなわち最適化后ランク付け基準を得る階層併合最適化部３０２と、を含む。
点数階層検索部３０１は各評価指標の値と該当する新たな重みとを乗算した値を加算して供給元スコアを得る。階層併合最適化部３０２は、隣接する２つの階層に逆順が存在すると、併合を行い、且つ、隣接する２つの階層で優秀供給元の割合が一致すると、併合を行う。
また、本実施形態の供給元自動ランク付け方法は記憶媒体によって実現されてもよい。該記憶媒体には、本実施形態の供給元自動ランク付け方法をコンピュータに実行させる供給元自動ランク付けプログラムが記憶されている。
以上は図面を参照して本発明の実施形態を説明した。ただし、以上の説明は本発明の具体例に過ぎず、本発明を理解するためのものであり、本発明の範囲を限定するものではない。当業者であれば、本発明の技術的構想に基づいて実施形態についてさまざまな変化を行うことができ、これにより得られる形態も本発明の範囲に含まれる。
なお、本発明は上記した実施形態に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明したすべての構成を備えるものに限定されるものではない。また、ある実施形態の構成の一部を他の実施形態の構成に置き換えることが可能であり、また、ある実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態の構成の一部について、他の構成の追加・削除・置換をすることが可能である。
また、上記の各構成・機能・処理部等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記録装置、または、ＩＣカード、ＳＤカード等の記録媒体に置くことができる。
また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしもすべての制御線や情報線を示しているとは限らない。実際には殆どすべての構成が相互に接続されていると考えてもよい。

Claims (9)

  1. 部品の供給元を自動的にランク付けする供給元自動ランク付け方法であって、
    供給元自動ランク付け装置が、モデル安定性チェック指標に基づいて、元のランク付け基準が供給元の新たなデータに対して妥当であるか否かを検証するランク付け妥当性検証ステップと、
    前記供給元自動ランク付け装置が、前記ランク付け妥当性検証ステップの検証結果、元のランク付け基準が妥当でない場合、スコア妥当性チェック指標に基づいて、供給元の新たなデータ及び供給元の評価指標のそれぞれの元の重みを利用して、前記評価指標のそれぞれの重みを最適化し、重み妥当性比較結果及び前記評価指標のそれぞれの新たな重みを取得する重み最適化ステップと、
    前記供給元自動ランク付け装置が、前記重み最適化ステップで取得された前記評価指標のそれぞれの新たな重みを利用して、最適化後のランク付け基準を取得し、この最適化後のランク付け基準を利用して、供給元の新たなデータについてランク付けを行う供給元ランク付け基準求解ステップと、を含む
    ことを特徴とする供給元自動ランク付け方法。
  2. 前記重み最適化ステップは、
    前記スコア妥当性チェック指標に基づいて、供給元の新たなデータ及び供給元の前記評価指標のそれぞれの元の重みを利用して、スコア妥当性チェック指標の最大値に対応する重み、すなわち、初期重みを取得する初期重み選択ステップと、
    多層フィードフォワードニューラルネットワークアルゴリズムによって前記初期重みに対してニューラルネットワークコンピューティングを行い、最適化重みを取得する重み最適化求解ステップと、
    再度、前記スコア妥当性チェック指標に基づいて、前記初期重みと前記最適化重みに対して妥当性比較を行って、前記重み妥当性比較結果及び前記評価指標のそれぞれの新たな重みを取得する重み選別ステップと、を含む
    ことを特徴とする請求項１に記載の供給元自動ランク付け方法。
  3. 前記重み選別ステップにおいて、前記初期重みと前記最適化重みに対して妥当性比較を行う際に、前記最適化重みが前記初期重みに対して正の最適化か負の最適化かを判断し、判断結果が正の最適化である場合、前記最適化重みを評価指標のそれぞれの新たな重みとし、判断結果が負の最適化である場合、前記初期重みを前記評価指標のそれぞれの新たな重みとする
    ことを特徴とする請求項２に記載の供給元自動ランク付け方法。
  4. 前記供給元ランク付け基準求解ステップは、
    前記評価指標のそれぞれの新たな重みを利用して、各供給元のスコアである供給元スコアを取得し、決定木アルゴリズムに基づいて、各前記供給元スコアから選択可能な階層点を抽出し、各前記選択可能な階層点によって前記供給元スコアを分割して複数の階層を得る点数階層検索ステップと、
    複数の前記階層を併合最適化し、所望の数の目標階層、すなわち前記最適化後のランク付け基準を得る階層併合最適化ステップと、を含む
    ことを特徴とする請求項２に記載の供給元自動ランク付け方法。
  5. 前記点数階層検索ステップでは、各々の評価指標の値と該当する新たな重みとを乗算した値を加算して前記供給元スコアを得る
    ことを特徴とする請求項４に記載の供給元自動ランク付け方法。
  6. 前記階層併合最適化ステップにおいて、隣接する２つの前記階層に逆順が存在すると、併合を行い、且つ、隣接する２つの前記階層で優秀供給元の割合が一致すると、併合を行う
    ことを特徴とする請求項４に記載の供給元自動ランク付け方法。
  7. 前記供給元の新たなデータは供給元指標スコア、関連業務データのうちの少なくとも１つであり、前記関連業務データは供給元が供給する部品の供給数、供給ロットを含む
    ことを特徴とする請求項１～６のいずれか１項に記載の供給元自動ランク付け方法。
  8. 部品の供給元を自動的にランク付けする供給元自動ランク付け装置であって、
    モデル安定性チェック指標に基づいて、元のランク付け基準が供給元の新たなデータに対して妥当であるか否かを検証するランク付け妥当性検証部と、
    前記ランク付け妥当性検証部の検証結果、元のランク付け基準が妥当でない場合、スコア妥当性チェック指標に基づいて、供給元の新たなデータ及び供給元の評価指標のそれぞれの元の重みを利用して、前記評価指標のそれぞれの重みを最適化し、重み妥当性比較結果及び前記評価指標のそれぞれの新たな重みを取得する重み最適化部と、
    前記重み最適化部によって取得された前記評価指標のそれぞれの新たな重みを利用して、最適化後のランク付け基準を取得し、この最適化後のランク付け基準を利用して、供給元の新たなデータについてランク付けを行う供給元ランク付け基準求解部と、を含む
    ことを特徴とする供給元自動ランク付け装置。
  9. 請求項１～６のいずれか１項に記載の供給元自動ランク付け方法をコンピュータに実行させる供給元自動ランク付けプログラム。
JP2023030995A 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 Active JP7437545B2 (ja)

Applications Claiming Priority (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
CN202210209097.1 2022-03-04

Publications (2)

Publication Number Publication Date
JP2023129344A JP2023129344A (ja) 2023-09-14
JP7437545B2 true JP7437545B2 (ja) 2024-02-22

Family

ID=87948378

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023030995A Active 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

Country Status (2)

Country Link
JP (1) JP7437545B2 (ja)
CN (1) CN116757511A (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020149625A (ja) 2019-03-15 2020-09-17 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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020149625A (ja) 2019-03-15 2020-09-17 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

Also Published As

Publication number Publication date
JP2023129344A (ja) 2023-09-14
CN116757511A (zh) 2023-09-15

Similar Documents

Publication Publication Date Title
Abdelilah et al. Flexibility and agility: evolution and relationship
Kulak et al. Joint order batching and picker routing in single and multiple-cross-aisle warehouses using cluster-based tabu search algorithms
Gallego et al. Bounds, heuristics, and approximations for distribution systems
JP7125358B2 (ja) 計算機システム及び入力データに対する予測結果の根拠に関する情報の提示方法
US9495654B2 (en) Stack handling operation method, system, and computer program
Nenova et al. Determining an optimal hierarchical forecasting model based on the characteristics of the data set
CN110188196A (zh) 一种基于随机森林的文本增量降维方法
US20090106299A1 (en) Shared-memory multiprocessor system and information processing method
CN110908982A (zh) 一种基于指标权重的数据质量科学算分评价方法及系统
JP7437545B2 (ja) 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
US20130013244A1 (en) Pattern based test prioritization using weight factors
JP3703064B2 (ja) ソフトウェア品質評価装置および品質評価方法
CN110298390A (zh) 一种风控模型的特征选择方法及装置
Ahuja et al. Understanding requirement prioritization techniques
US11113268B2 (en) Method and device for restoring missing operational data
KR102239385B1 (ko) 연구개발지원장치 및 그 동작 방법
Hou et al. A job assignment model for conveyor-aided picking system
De Moraes et al. An evolutive hybrid approach to cloud computing provider selection
Tekin et al. Inspection location in capacity-constrained lines
US20220260963A1 (en) Selection Controller Artificial Neural Network - SCANN
Engblom Order Picking Optimization in a Distribution Center
CN116228483B (zh) 基于量子驱动的学习路径推荐方法及装置
US20230018978A1 (en) Data Layout Model Generation System
US20230274225A1 (en) Methods and apparatus for generating planograms
EP4290426A1 (en) Accuracy calculation program, accuracy calculation method, and information processing device

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230301

TRDD Decision of grant or rejection written
A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20240130

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240206

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240209

R150 Certificate of patent or registration of utility model

Ref document number: 7437545

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150