大數據時代，還在用老一套方式管理采購與供應商嗎？
2021-01-29 09:50:00
次
歐洲供應鏈頂級物流專家、克蘭菲爾德大學物流與運輸研究中心主席馬丁·克里斯托弗（Martin·Christopher）曾于1992年深刻指出：“21世紀的競爭不再是企業和企業之間的競爭，而是供應鏈和供應鏈之間的競爭。”
1月26日，國際貨幣基金組織（IMF）發布最新的《世界經濟展望》，預計2021年全球經濟增長5.5%。IMF稱，雖然2020年下半年經濟增長勢頭強于預期，但近期新一輪疫情反彈和變異病毒的出現，給世界經濟的復蘇帶來很大的不確定性。未來經濟活動及收入可能長期在低位徘徊，發展仍面臨風險。
全球經濟的低迷，讓許多企業面臨著嚴峻的考驗：資金與市場資源不足、原材料價格上漲、出口形勢嚴峻、市場風險加大、企業轉型升級困難重重。
采購和供應商管理作為現代企業運營的重要環節，擁有并保持高效采購與供應管理體系，對于降低企業生產成本，提升企業市場競爭力有著重要意義。
隨著物聯網、大數據、人工智能和云計算的發展，基于信息技術的大數據管理，為企業加強采購管理和供應商管理提供了全新的思路與方法。
鋼鐵行業采購與供應商管理背景
鋼鐵行業一直是我國經濟的基石之一。作為資源消耗型行業，鋼鐵企業的成本中，原材料、運輸及存貨等占據了企業絕大部分成本，而原材料的采購在生產成本占比達到了70%-80%。
鋼鐵企業的原材料采購具有品種多、數量大、采購環境復雜等特點。通常大宗原材料采購以期貨的方式進行交易，所以就會存在巨大的價差。由于每個采購人員在經驗或者能力上的差異，采購策略也有所不同，不同的采購策略有可能會對企業利潤產生巨大的影響。面對這種情況，鋼鐵企業對采購人員的能力要求非常高。同時，原材料供應商在交貨、產品質量、提前期、庫存水平服務等方面的不同表現也同樣影響著鋼鐵企業經營效益。
業務痛點
在傳統的采購與供應管理體系中，鋼鐵企業的采購人員對于鐵礦石、鐵合金、煤、電極等重要原材料的采購主要依靠人工經驗、粗略評價等方式，通過參標頻率、中標頻率、中標金額和采購人員的日常評價等指標對供應商進行評估和等級劃分，評價方法相對簡單，缺乏根據所供物料對供應商進行科學評估和分類，同時存在評價維度單一、缺乏持續動態性、評價周期長等問題。即使有采購管理與供應商評價管理體系，體系中的指標值也難以避免受到主觀因素及個人利益的影響。
解決方案
針對鋼鐵行業在采購與供應商管理問題，美林數據圍繞鋼鐵企業采購業務場景，基于Tempo 大數據分析平臺，利用大數據技術，實現采購人員盡職水平量化分析與供應商動態評價，幫助鋼鐵企業完成采購過程透明化管理并選出優質供應商，規避物資采購風險，降低總生產成本，提升產品質量，實現鋼鐵行業采購與供應鏈的數字化賦能。
目前，該解決方案已經通過了中國軟件測評中心的測評，正式獲頒大數據解決方案認定證書。
鋼鐵行業采購盡職水平分析與供應商智能管理解決方案
業務目標
1、構建采購人員盡職水平綜合評價模型
圍繞采購業務全過程的行為數據和業務數據，如采購計劃、采購成本、采購物資的質量、供貨履約率、庫存穩定水平等，以及行業公開平臺相關的市場數據，通過規劃定性或定量的評價指標，建立采購盡職水平綜合分析評價數據模型，對采購人員履職全過程進行工作績效綜合評估，進而優化采購人員在履職過程中的盡職水平，推動采購管理流程優化和采購管理制度完善。
2、構建供應商智能管理模型
運用大數據分析算法及建模技術，對供應商數據庫中的所有供應商數據，圍繞質量穩定性、供貨周期性、合同兌現率、價格差異率等關鍵動態指標進行聚類分析，尋找各類供應商的共性特點，得到行為分析評價結果。在供應商歷史數據綜合評價的基礎上，使用監督學習算法建立預警模型，對未來一定時期內的供應商的表現進行預警分析，實現供應商的科學評估和精細化管理。
系統架構
整個解決方案的系統架構總共分為四層：數據源層、數據存儲層、數據服務層和業務應用層。
數據源層：從ERP、MES、電子交易平臺等信息化管理系統，采集供應商在招投標過程中的供應商基本信息、行為數據、采購訂單信息、供應商履約信息以及采購業務全過程相關的行為數據和業務數據；并從天眼查、全球金屬網、我要不銹鋼等相關行業公開網站獲取供應商企業社會公信、資質級別、司法和經營風險、原料物資市場價格等信息數據，為模型建立提供數據支撐。
數據存儲層：利用ETL/ESB技術將駐留在不同數據源中的數據進行整合，集成多個數據庫，減少數據冗余，提高了數據庫關聯度。采用關系型數據庫和Hadoop大數據存儲相結合的混合架構實現系統數據的安全高效存儲。
數據管理層：數據預處理通過數據清洗、缺失值的處理以及對數據進行標準化轉換，在此基礎上分別使用最大值、最小值、均值、標準差等統計計算方式完成衍生特征的構造，最后將處理結果數據存儲到Hive倉庫，以供建模調用；算法服務包括運用TOPSIS算法、K-Means聚類、人工神經網絡、隨機森林分類、邏輯回歸分類等算法，構建采購人員盡職水平綜合評價模型以及供應商智能管理模型。
模型建立過程
業務應用層：運用大數據相關算法建立所需的數據模型，實現對采購人員履職全過程進行工作績效綜合評估、供應商的科學聚類排序、各項指標的展示對比、供應商信息的檢索和查詢、供應商異常預警以及優質供應商的置頂推薦等，幫助企業實時了解供應商動態情況和采購人員的盡職水平，進而推動優化采購管理流程，完善采購和供應商管理制度。
應用價值
1、全方位精細化管理采購行為
構建采購人員盡職水平分析綜合評價數據模型，促進采購組內在價值的評估和考量趨于數據化和顯性化，基于數據及時發現采購問題并總結經驗指導采購管理，使采購行為更細致和可控，全方位精細化管理采購行為，逐步推動建立成本和庫存驅動動態采購管理機制。
采購人員盡職水平綜合評估頁可展示不同采購群組在采購不同物資時，其盡職水平的綜合評價，同時分別從質量直通率、計劃兌現率、采購成本管理、計劃兌現率等維度進行展示。
2、供應商表現動態預警
通過供應商智能管理模型，為企業選擇和評價供應商提供可靠依據，為優化供應鏈管理提供重要支撐。同時，實現對原燃料供應商進行動態預警分析，給企業提供了一套更為科學的實踐指導方法。企業可根據預警結果，結合自身條件主動采取應對措施以適應市場波動，提升市場競爭中的準確性、速度和質量。
供應商綜合預警頁可通過綜合預警模型將供應商分為優質供應商、合格供應商和預警供應商。同時分別根據合同兌現率、質量穩定性、供貨周期和價格差異率單項指標將供應商分為A、B、C三類，以供不同工廠、工序根據業務需求側重點選擇供應商。
結語
全球化和新一代信息技術的高速發展，為全球經濟運行方式、生產方式、流通方式帶來了巨大變化，采購與供應商管理作為供應鏈中連接社會生產、流通和消費的核心環節及關鍵職能，利用新技術優化采購與供應商管理成為企業可持續發展的必然選擇。
麥肯錫調研數據此前對數字化采購效果有研究，如果采用端到端的數字采購計劃，企業每年可節省20%~30%的成本，交易性采購可減少約30%的時間，而且價值漏損將減少50%。
美林數據憑借多年的行業數字化升級應用落地經驗，依托成熟的大數據分析工具（Tempo大數據分析平臺），助力鋼鐵行業以大數據為驅動，推進采購與供應鏈管理的數據化與智能化升級，實現包括采購業務的分析與改善、供應商管理、庫存占有量預測、日常業務可視化監控和預警。
未來，美林數據還將繼續發揮技術優勢與產品優勢，助力航空航天、汽車、建材、家電等更多制造型產業構建智慧化的采購與供應商管理模式，完成數字化升級。
Tempo商業智能平臺
Tempo人工智能平臺
Tempo數據工廠平臺
Tempo指標平臺
Tempo數據治理平臺
Tempo主數據管理平臺
首頁
陜公網安備 61019002000171號
