[發明專利]一種基于非監督學習和多屬性決策的分區間供應商選擇方法

在審

• 申請號: 201910252938.5
• 申請日: 2019-03-29
• 公開（公告）號: CN110084483A
• 公開（公告）日: 2019-08-02
• 發明（設計）人: 李中華;林柏濤
• 申請（專利權）人: 中山大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q10/08;G06K9/62
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

本發明涉及一種基于非監督學習和多屬性決策的分區間供應商選擇方法。當潛在供應商數據集S屬于大樣本區間時，本方法首先采用非監督學習方法將潛在供應商聚類成若干類，再借助多屬性決策方法對所有供應商類進行排序，從而選出優質供應商類，剔除一般供應商類。上述過程不斷迭代，直到潛在供應商數據集S減少到小樣本區間時，再通過多屬性決策方法對潛在供應商進行最終排序與選擇。當潛在供應商數據集S屬于小樣本區間時，本方法直接采用多屬性決策方法對潛在供應商進行排序與選擇。本方法可以便捷有效地實現從任意規模的潛在供應商數據集中篩選出預期數量的合作供應商，對大數據時代背景下企業的供應鏈管理決策提供有力支持。

技術領域

本發明涉及供應商選擇領域，更具體的，涉及一種基于非監督學習和多屬性決策的分區間供應商選擇方法。

背景技術

未來市場上，供應鏈之間的競爭將會取代企業之間的競爭，供應鏈上的節點企業構成一個利益共同體。供應商處于供應鏈的上游，供應商提供的材料質量關系到整條供應鏈的最終產品質量，很大程度上決定了供應鏈的核心競爭力。因此，對供應商進行科學有效的選擇，對于減小供應鏈整體風險和增大供應鏈整體效益，有著至關重要的影響。

供應商選擇通常被認為是多屬性決策問題，大量研究從多屬性決策理論方面對供應商選擇進行了相關分析。然而，該類研究大多數是從少量的供應商數據入手分析。如今在全球化的背景下，數據得到爆炸式的增長，供應鏈模式得到越來越多企業的重視，當面對海量的供應商數據時，僅僅應用多屬性決策方法(如AHP法和ELECTRE法)進行供應商選擇時會出現計算困難、復雜等問題，因此需要借助數據挖掘工具來進行深度處理。數據挖掘是指從大量的數據中提取有用的、潛在的、有著特殊關聯性知識的過程。聚類作為一種常用的非監督學習的數據挖掘技術，可以把數據劃分到不同的組類中，使得組類之間的差別盡可能大，組內的差別盡可能小。結合聚類分析與多屬性決策方法，能夠便捷有效地從任意規模的潛在供應商數據集中篩選出預期數量的合作供應商。

發明內容

為了解決現有技術應用多屬性決策方法從海量潛在供應商數據集中進行供應商選擇時可能會出現計算困難、復雜等問題的不足，本發明提供了一種基于非監督學習和多屬性決策的分區間供應商選擇方法。

為實現以上發明目的，采用的技術方案是：

一種基于非監督學習和多屬性決策的分區間供應商選擇方法，包括以下步驟：

步驟S1：選取供應商評價指標，結合供應商評價指標獲取潛在供應商的評價數據；

步驟S2：對潛在供應商數據集S進行預處理；

步驟S3：根據行業背景和企業的實際經營情況，設定一個規模閾值X，通過比較X與潛在供應商數據集S的規模大小|S|來判斷S的區間屬性，即若|S|>X，則潛在供應商數據集S屬于大樣本區間；若|S|<X，則潛在供應商數據集S屬于小樣本區間。若潛在供應商數據集S屬于大樣本區間，則執行步驟S4；若潛在供應商數據集S屬于小樣本區間，則執行步驟S6；

步驟S4：采用非監督學習方法對潛在供應商數據集S進行聚類分析，獲得聚類結果；

步驟S5：根據聚類結果得到的不同供應商類，采用多屬性決策方法對供應商類進行排序并篩選，重復該步驟直至潛在供應商數據集S減少到小樣本區間；

步驟S6：采用多屬性決策方法對潛在供應商進行最終排序，選擇出預期數量的合作供應商。

優選的，步驟S1中的供應商評價指標包括有產品質量、產品價格、交貨期、歷史績效、售后服務、管理組織、技術能力。

優選的，步驟S4進行聚類分析的具體步驟如下：