大数据环境下供应商评价设计与分析

贺绍鹏 李屹 邹兰青

[摘要]在大数据时代对供应商价值信息进行挖掘是当前供应商评价的一大研究方向。从电网企业实际出发，对内外部企业数据进行收集，构建了电力物资供应商的评价指标体系，提出关于供应商评价过程的指标权重测算、信息离散分布、得分映射、分级评价的一系列方法模型。最后从价值信息提取的角度分别进行了大数据指纹图谱、大数据基因图谱、sGCC-优质基因供应商等供应商特征信息可视化分析研究。

[关键词]供应商评价；分级模型；信息可视化；大数据环境

[中圖分类号]TP311.13；F274 [文献标识码]A [文章编号]1005-152X（2018）02-0096-05

1 引言

随着国民经济的不断发展，电网基础建设规模在不断扩大，电网企业对于物资的需求量不断增加，物资采购总量也在稳步增长。同时，在信息化不断推进的今天，行业内信息化数据的大数据特征日益明显。电力系统作为一个庞大的生产系统，源源不断的产生着大量的数据记录，在物资集约化管理的不断推广下，物资管理体系内积累了大量的关于采购、供货、库存、物资处置等数据；随着电力生产数据系统、电力营销类数据系统、用电信息采集系统GIS、ERP等各类电力信息系统的广泛应用，电力企业内部日常还流通着大量的与电网建设、电网规划、电网运行、电网检修相关的生产运行数据以及经营、市场销售、企业管理方面的经营管理数据等。除电力企业内部数据，还有许多潜在的外部数据源，如区域经济发展数据、财税缴纳记录或企业信用记录等公共服务数据以及气象信息等自然环境数据。这些数据中均蕴含着较多的商业信息，如供应商生产能力、履约能力、产品质量、商业信用等（如图1所示）。在当前大数据环境下，运用数据分析处理方法对供应商信息进行量化以及可视化展现，提取有价值的知识和信息，从而合理有效地评价供应商，是行业内一直研究的课题。

电网企业物资集约化管理的不断深入使得公开集中招标这种采购方式被广泛采用，在招标采购过程中对供应商进行合理评价，优选供应商以保障电网物资的正常供应以及电网的安全稳定运行具有重大意义。目前行业内对供应商的评价主要是根据供应商投标文件中的商务资质、业绩证明、技术方案对供应商进行即时性评价，较少针对供应商的评价过程与评价结果进行特征性分析。本文尝试在电网大数据环境下建立评价指标体系，并进行评价模型的设计，最后从供应商评价结果中提取供应商的特征信息进行信息可视化展现。

2 评价指标体系构建

供应商的评价应构建科学合理、涵盖范围广的评价指标体系。经过对现阶段电力行业内部供应商相关数据信息进行研究分析，通过整合ERP、ECP、物资调配平台、PMS系统数据等内部数据以及信用中国、工商注册等外部数据，建立健全供应商大数据集合，并将其量化形成多维度的、涵盖范围广的供应商量化评价指标体系，为实现科学、客观的供应商分级管理奠定基础。最终确定的指标体系由四级指标构成，具体如图2所示。

3 评价模型构建

3.1 供应商指标权重测算

指标体系建立后，需要对各个指标项的得分总值进行权重测算。目前较为成熟的权重计算方法主要分为两大类：主观赋权法和客观赋权法。主观赋权法就是根据专家的主观经验判断而得到权重；客观赋权法则根据备选方案数据，通过数学手段研究指标之间的相关关系或指标与评价结果的关系来确定指标权重。对于指标数量较少的指标项，采用德尔菲法确定指标间的相对重要性，并由专家评议确定指标的重要性程度；而指标项数量较多的指标权重测算采用“G1+熵值法”的方法（公式如下）进行量化测算来确认四级指标的权重。

w=αwGj+（1-α）wSj

其中：α为权重，wGj为使用“C1”法测算的第j个指标的权重，wsj为使用“熵值法”测算的第j个指标的权重。

以部分财务状况指标为例，综合权重计算结果见表1。

3.2 供应商信息离散分布

评价指标的权重测算完成后，需要根据具体指标数值的离散情况对供应商信息进行离散分布，是指在统计分析某一指标下样本供应商数据集的基础上，结合数据的分布情况，按照特定的逻辑方法，将该指标信息进行离散化处理，形成数据分段区间，并结合指标权重给各区间设定分值映射规则。供应商信息量化离散分布主要使用三种方法，一是对于数据量较大、数据间差异较大的指标，以正态分布5阶法原理测算评分区间；二是对于数据较少的供应商指标数据，先将数据进行从高到低排序后采用黄金分割3阶法测算评分区间；三是针对数据特征不明显的指标数据，采用等级型定量离散分布法。

3.3 供应商信息得分映射

在供应商信息离散分布的基础上，根据供应商某一指标数据对应的离散分布区间，按照分值映射规则，获取该指标的具体分值，即供应商信息得分映射。供应商信息得分映射包含了指标类型、权重、供应商信息量化离散分布等信息，见表2。

3.4 SGCC供应商分级模型

SGCC供应商分级模型应用正态分布法对供应商进行初步分级，得到SGCC不带刚性约束条件的分级结果后，结合信用和履约方面的记录对供应商级别进行调整，得到SGCC带刚性约束条件的分级结果，具体方法如下：

（1）SGCC不带刚性约束条件的分级结果。假设供应商群体的评价得分分值服从正态分布X～N（μ，σ2），正态分布函数为：

根据A、B、C三个等级

的供应商占比分别为20%、60%、20%.可以得到各个质量等级的划分线为：

x1|F（x1）=0.20

X2|F（x2）=0.80

（2）SGCC带刚性约束条件的分级结果。将信用中国黑名单和不良履约记录作为刚性约束条件，对分级结果进行向下调整处理，如信用中国黑名单的每项向下调整两级，不良履约记录的每项向下调整一级。为便于分级管理策略制定，累计最多向下调整两级。供应商等级向下调整一级的，用原等级加减号表示，如原等级为“A”，向下调整一级记为“A-”，向下调整两级则为“B”，最多调整至“D”级。

刚性约束条件：g（x）=-1，不良履约行为项目=1-2，不良履约行为项目≥2U信用中国黑名单≥1

调整后，得到SGCC带刚性约束条件的分级结果。按照行业内对供应商的综合评判标准对供应商级别进行定义，A级（A-级）供应商代表行业领先水平、B级（B-级）供应商处于行业平均水平、C级（C-级）供应商处于行业一般水平、D级（D-级）供应商低于行业一般水平。按照上述模型测算，并参考刚性约束条件进行级别调整处理的供应商分级与综合实力得分情况如图3所示（深黑色点为级别调整的供应商）。

4 供应商特征可视化分析

经过上述评价研究等过程后，再从价值信息提取的角度分别进行供应商大数据指纹图谱、供应商大数据基因图谱、优质基因供应商的供应商特征可视化分析。

4.1 供应商大数据指纹图谱

供应商大数据指纹图谱是指基于供应商最底层级的全量指标信息的量化结果，经归一化处理后，绘制出具有类似于人类指纹识别特性的图谱，从而反映出供应商的个性化特征。以某供应商的特征属性为例进行分析，将该供应商的所有指标项得分进行图形可视化展现，应用于供应商个体特征分析，如图4所示。

4.2 供应商大数据基因图谱

供应商大数据基因图谱是指基于供应商信息量化结果，挑选部分指標或对部分指标进行线性加权后形成的指标作为标杆性基因指标组，绘制类似于基因图谱的可视化图形，实现供应商的优质基因和缺陷基因筛选。以某供应商的特征属性为例进行分析，将该供应商的四级指标项得分进行图形可视化展现，应用于单个供应商个体特征分析，如图5所示。

4.3 SGCC-优质基因供应商

在供应商大数据基因图谱分析结果的基础上，对于所有基因指标得分均高于该指标平均分的供应商，定义为“SHCC-优质基因供应商”。此处筛选评价中的4家5个二级指标得分均高于本指标均值的优质基因供应商进行可视化图形展示，如图6所示。

5 研究结论及建议

本文以供应商分级评价为主要研究内容，在基于供应商资质能力、依存关系、信用表现的指标体系基础上，创新性地设计了SGCC供应商分级模型，评价后得出供应商评价结果，最后以信息图形的方式展现了供应商大数据指纹图谱、供应商大数据基因图谱、SGCC-优质基因供应商等可视化信息，为后续供应商个体特征、供应商群体特征的分析研究和供应商差异化管理提供信息支持。

大数据环境下的供应商评价是一个复杂而又值得深入研究的课题，为更客观地、科学化地对供应商进行全局性评价，建议下一步研究可从以下两方面进行：一是在评价模型中引入时间维度，考虑增加衡量单一或多个指标变化的速度矢量，跟踪供应商在资质能力、依存关系、信用表现等方面能力的变化情况，供发掘优质供应商或淘汰风险供应商等工作参考；二是开展类似供应商大数据指纹图谱的谱分析、傅里叶变换分析等研究，运用高等数学方法进行数字信号处理以及函数变换分析，以便寻找供应商的本征。