基于大数据分析的企业供应链管理研究

赵克鼎

摘要：针对锌冶炼企业生产过程中出现的原料采购成本过高、原料供应不稳定、原料库存安排不当以及生产鲁棒性差等问题，通过对企业进行供应链管理优化制定更优的采购/库存計划，降低企业原料采购成本及运营风险，提高企业生产稳定性。将从最小净锌需求量确定、价值预测、净锌采购总量确定、供应商选择优化、供应商采购决策五大方面出发，深入分析企业供应链管理业务特点，结合物联网多源信息实时共享、大数据存储、业务高度集成等特点，研究相应的优化方法解决实际当中的原料采购决策、库存优化以及量价预警等难题，从而实现企业的供应链管理优化。

关键词：供应链;大数据;库存优化;采购决策

1 引言

供应链管理是企业除研发和营销以外的支柱职能，全面覆盖计划、采购、生产、配送等职能。供应链管理对企业的经营利润和资本周转率影响重大[1]。当前的市场竞争激烈，从企业与企业的竞争已经逐渐演变为企业各核心职能的竞争，尤其 在新零售的蓬勃发展、疫情时代带来转折的当下，

2 供应链管理优化总体框架

供应链管理优化系统总体框架包括最小净锌需求量确定、价值预测、净锌采购总量确定、供应商选择优化、供应商采购决策五个方面。通过生产计划、当前库存及来料状态确定最小净锌需求量;基于历史价格数据，利用计量经济学与深度学习等方法建立价值预测模型;基于价值预测趋势，结合库存及资金约束等，确定净锌采购总量;对供应商大数据进行挖掘分析，构建“供应商画像”，确定优质候选供应商;最后根据供应商评价管理与实际约束，综合考虑采购成本与生产因素，建立采购优化模型，得到各供应商各品位原料采购数量。

3 最小净锌需求量确定

在锌冶炼企业当中，对于给定的生产计划，其原材料采购数量通常由相关工作人员根据个人经验确定，然而人工决策存在主观性强、决策随意、缺乏合理依据等问题，这使得当前原料采购通常出现采购过剩、资金占用过高或采购不足、影响安全库存等问题。因此，本项目拟构建净锌投入量决策系统确定最小净锌需求量。

本项目拟采用机器学习、专家系统等方法建立净锌投入量决策系统，基于采购历史数据、生产日志、车间工况信息等，通过机器学习、专家系统等建立净锌投入量决策系统。当系统构建完成后，给出生产计划锌锭生产总量即可获得相应工况条件下最佳净锌投入量。接着考虑原料现有库存数量、原料在途物流信息等，得到最小净锌需求数量。

4 价值预测

对于锌冶炼企业而言，其发展很大程度上依赖于锌精矿原料成本的控制，锌精矿价格直接影响到企业经济的走势，其剧烈波动给企业带来巨大的风险。如果能正确预测锌精矿价格波动，就能在企业的生产规划中占得先机，利用这些信息调整企业的生产计划，采取有力措施对冲价格波动的风险;其次如果能够对锌精矿价格进行正确预测，就能在准确把握原料采购时机，在锌精矿价格发生残酷性变化之前进行操作，从而可以节约大量采购成本，提高企业利润。因此，本项目拟研究锌精矿价格变化因素并对其进行非线性集成预测。

由于锌精矿价格具有高度的波动性、复杂性和不规则性，其不仅具有线性和非线性特征，还经常受一些不规则突发事件的影响，因此线性模型或非线性模型以及两者的混合都不能充分建模和预测。除了线性模型和非线性模型之外，有必要利用新技术来捕捉这种不规则突发事件的影响。本项目锌精矿价格预测建模框架如图4-16所示：首先，利用ARIMA模型来对锌精矿价格序列的线性趋势建模;其次，利用LSTM模型拟合锌精矿价格的非线性周期规律;接下来，利用文本挖掘和专家系统来捕捉和量化重要事件对锌精矿价格的影响;最后，利用集成预测技术将这三种结果进行综合集成，实现对锌精矿价格变动的中长期预测。

5 净锌采购总量确定

在当前原材料采购运行模式下，原材料采购数量通常由操作员根据生产计划凭个人经验进行确定，其虽能在一定程度上满足生产需求，但忽视了原材料价格变动带来的影响，不能实现多采购期灵活决策，采购成本仍有较大的降低空间。另一方面，由于采购和生产受市场变化、政策调控、天气状况、生产状态等多方面因素影响，存在较大不确定性，而人工面对海量信息显得无所适从，难以做出合理的判断与决策。因此，本项目拟分析原料价格变化趋势并构建鲁棒不确定性优化模型，对净锌采购总量进行决策。

本项目首先基于原材料价格变化趋势，考虑库存约束、资金约束、生产约束等确定净锌最大/最小采购量，当未来采购点原材料价格呈上升趋势时增大当前采购数量，当未来采购点原材料介个呈下降趋势时减小当前原料采购数量。接着考虑市场变化、政策调控、天气情况、生产工况等不确定性因素影响，构建鲁棒不确定优化模型，得到最佳净锌采购总量，在保证生产的同时使单位原材料成本最低，并提升原料供给鲁棒性。

6 供应商选择优化

由于锌冶炼企业供应商数量多，其供应商总计达100多家;供应商类型多，既有直销商又有中间商，这导致原料的品位参差不齐;供应商供货不稳定，直销商供货主要受所在区域天气影响，中间商供货受库存、天气、订单等多种复杂因素影响，并且不同区域的供应商原料运输也存在时滞不确定性;供应商原矿价格差异大，不同供应商对不同品位锌精矿的定价千差万别。以上多种复杂因素在人工主观判断下下通常无法得到较好的供应商选择结果，为此本项目拟采用数据包络分析构建“用户画像”的方法对供应商选择进行优化，选择较好的供应商以提高原料品位质量、保证原料供货稳定。

各供应商在经营当中存在信用程度、原料质量、订单数目等多项指标的历史数据，结合多项评价指标可对各供应商建立“用户画像”进行评价分级，从而选择综合指标较优的供应商。本项目拟采用数据包络分析的方法对各供应商进行评价分级，首先结合企业实际需求对Dickson供应商评价规范的二十三条准则进行分析，提取重要的指标特征;接着以各供应商为决策单元，以信誉度、运费等作为单元输入，以原料质量、订单数目等作为单元输出，构建以最大产投比为目标函数的非线性规划模型;最后通过求解其对偶问题得到各决策单元产投比，从而选择综合评价值较高的原料供应商。

7供应商采购计划

在以往锌精矿采购当中，原材料供应通常处于供过于求的状况，各品位原料充足供应满足了生产流程對元素含量的需求，管理人员通常只考虑采购成本。随着市场行情的变化，目前锌精矿供应处于供不应求状态，尤其优质矿更为稀缺，这就使得以只考虑采购成本的传统人工运行模式采购的原料难以满足生产流程对各元素含量的需求。因此，本项目拟构建多目标优化的供应商采购决策模型，取代传统被动采购的运行方式，实现满足生产需求下的综合成本最小采购。

基于各供应商锌精矿品位及报价、供应商矿石各元素预报值、富含金属回收价格、各品位原料实时库存信息、净锌采购总量、各供应商评分等数据，综合考虑供应商供给能力约束、净锌采购总量约束、采购资金限额约束、生产流程中元素含量约束、矿仓库存容量限制等约束条件，构建以最小化采购成本和高评分供应商优先为目标的多目标优化模型，得到各供应商各品位原料采购数量，在满足生产需求的同时实现总体采购成本最低，且提升原料供货稳定性与质量优良性。

8 技术实现

在进行供应链优化分析时，遵循一定的流程，包含需求定义、数据准备、数据预处理、模型构建、模型评估、模型部署与更新等。技术体系以大数据Hadoop为基石，采用分布式计算框架Hive，采用分布式Hadoop体系技术搭建的基于分布式文件系统HDFS，分布式数仓Hive的体系架构，可以完全支持企业供应链管理离线数据分析和在线流式数据处理的业务场景，基于数据开发工具，从源系统数据，到数据仓库进行数据的统一清洗、加载、转换，覆盖了数据开发的各种场景，能够处理企业供应链过程中海量的、类型多样的数据存储和计算，完全整合企业供应链全域数据，有效支撑数据场景化应用。通过利用开源的大数据组件整合搭建轻量级数据平台，提供数据接入，数据处理与分析，数据可视化等工具和模块，实现供应链管理优化。

数据可视化中，为了将最终结果更好的呈现给业务人员，方便他们进行数据的进一步分析，可以选择一些成熟的可视化软件进行数据展示和业务的二次分析。以FineBi为例，其操作简单，用户只需要进行简单的拖拽操作，选择和拖拽自己需要分析的字段，即时就可以观察自己的数据规律;交互强大，通过下钻、上卷、旋转、切片、联动等OLAP多维分析功能，可以迅速的帮助用户洞察数据背后的问题;效果炫酷，支持众多的图表类型和样式，可打造出炫酷的可视化效果，让用户的数据以更生动更有冲击力的方式展示出来。用户可以自动的根据数据仓库关联关系进行建模，也能手动配置关联关系，这样既解放了数据管理员的工作，也提升了分析人员的效率。

9结语

供应链子项目主要包括供应商评价管理及采购量决策优化两大部分，通过本项目实施，形成智锌供应链管理系统及供应链驾驶舱。在智锌供应链管理系统的供应商评价中，可汇总统计大数据平台中供应商各项供货信息，并自动计算季度、年度、综合评价结果，极大减轻相关人员的工作负担，提升评价结果的准确性，提升供应商评价管理效率;采购决策优化部分可实时展示生产计划、库存情况、锌产品价格、加工费等采购相关的信息，并给出锌精矿采购量建议，有助于确定最佳采购量，在保证生产需求的前提下降低原料采购成本，提升经营利润。供应链驾驶舱直观展示生产计划、预报信息、库存情况、产品价格、到货量分析、到货成分分析供应商评价等信息，有助于运营管理部、营销中心等部门人员快速掌握锌精矿供应链的各项信息。通过本项目实施，有助于提升供应链相关业务管理效率及决策水平，降低原料采购成本，提升企业运营利润。

参考文献：

[1] 徐家旺，黄小原. 市场供求不确定供应链的多目标鲁棒运作模型[J]. 系统工程理论与实践，2006（6）：37-40.

[2] 徐家旺，黄小原. 电子市场环境下需求不确定供应链多目标鲁棒运作模型[J]. 系统工程，2006，24（5）：1-6.

[3] 盛锋. 需求不确定下的鲁棒供应链网络优化设计[J]. 科学技术与工程，2012，12（11）：2649-2654.

[4] 邱若臻. 基于最小最大后悔值准则的供应链鲁棒协调模型[J]. 系统管理学报，2011，20（3）：296-302.

[5] Pishvaee M S， Rabbani M， Torabi S A. A robust optimization approach to closed-loop supply chain network design under uncertainty[J]. Applied Mathematical Modeling， 2011（35）：637-649.