基于品名准入的采购选商智能化探索和实践

采购选商是企业采购管理的核心业务之一，既是企业供应链管理的基石，也是企业产品质量和可靠性的保障以及企业成本控制的关键。近年来，随着人工智能和机器学习技术的日益成熟，业务智能化正逐渐成为未来采购管理发展的新趋势。通过数字技术实现业务自动化智能化，能够有效提升企业核心竞争力和业务效率，降低人为失误和采购成本。因此，本文探讨基于品类准入的选商智能化方法（简称“智能选商”）。

1.人工业务流程的解构与重组

基于对人脑思维判断过程的模拟，开展人工选商业务流程解构和重组，建立全新的数字化（结构化）业务流程。从仿生学角度来看，人工智能的本质是与人类思考方式相似、能按逻辑规律进行分析的计算机程序。因此，基于人工选商业务处理流程，模拟人脑思维判断过程，是一种能够快速建立数字化（结构化）业务流程的方法[1] 。通过对人工选商业务处理流程的梳理，开展业务流程的解构与重组，并依托数字技术将采购选商业务规则精准融入流程，重构和优化采购选商业务流程，进一步完成业务执行工作流的搭建；同时基于业务执行对工作流的需求，确立数字化采购选商业务流程的决策驱动数据源，通过数字技术拓展人脑思维广度，优化决策驱动数据源，最终构建以采购业务数据为驱动的采购选商数字化业务流程的决策和执行双螺旋结构。

（1）对传统寻源采购人工选商业务流程的解构

传统采购基于人工选商，业务流程如下：前期经单一来源采购、目录采购，人员收到采购计划后，依据个人对业务规则理解，判断各种采购方式（包括单一来源采购、目录采购和招标采购），分流大额采购、集中采购等特殊采购后，剩余金额较小且零星的采购计划进入寻源采购，业务人员依据供应商品类准入的范围，开展品名组合，并依据个人经验（个人与供应商在过去交易过程中累积的印象和评价），选择供应商，最后确定具体选商方案。

人工选商的具体流程如图1所示，可以解构为：（1）主要工作流程：采购计划—采购方式判断—品名组合—采购选商—确定选商方案；（2）人脑逻辑思维判断点：采购方式判断和选商方案确定；（3）驱动数据源：物资采购计划、个人对业务规则的理解和个人在过去交易过程中对供应商的印象和评价。采购计划为业务主数据，个人对业务规则的理解和个人对供应商的评价为决策驱动数据。

图1 人工选商流程

（2）智能选商业务流程的搭建

传统采购人工选商，在编制物资采购方案和品名组合判断上，主要依靠业务人员的个人主观经验和个人对选商规则的理解，其效率低、主观性强及不可控因素多，基于传统人工选商业务流程，数字化智能选商业务流程以物资采购计划为业务驱动，将企业业务规章制度精准融入数字化选商业务流程，实现多个采购方式的自动判断；在寻源采购选商过程中，以供应商考核和采购系统数据为决策驱动，以多个决策算法平衡方案品质和效率，实现模拟人脑思维过程，最终输出最优采购方案。

经梳理优化后，数字化选商业务工作流程如下：物资采购计划依据融入模型的数字化采购业务规则，依据单一来源说明书、金额、目录品名先后对单一来源采购、目录采购、招标采购进行判断分流（并自动输出目录采购方案）；最后进入寻源采购，以供应商考核和采购系统业务数据为基础，经品名组合和多个决策算法模拟人脑，平衡方案品质和效率后，输出一个或多个寻源采购最优采购方案。

在辅助决策数据源方面，通过精准融入业务规则替代个人对业务规则的理解；以全面供应商考核和客观全面采购业务数据替代个人经验和个人对供应商的评价，将业务客观数据充分应用于选商全过程，扩展人脑认知范围，降低选商人为因素影响，最终实现采购选商全过程公开、公平、公正。智能选商模型数字化业务流程，如图2。

图2 智能选商模型数字化业务流程图

2.逻辑判断节点的梳理和分析

选商逻辑判断节点的算法，是影响智能选商决策准确性的主要因素之一。通过对智能选商业务流程工作流的梳理，确定其业务流涉及的判断节点。同时对每个判断节点开展具体分析，确定其算法具体类型，并建立对应的算法清单（BOM），梳理其中存在可替代性算法的判断节点，并对其算法进行模块化处理，后期可通过算法迭代，进一步完善优化智能选商模型。

智能选商模型先后涉及对单一来源、目录采购、招标采购和寻源采购等方式的逻辑判断以及最优采购方案确定等多个判断节点（如图3）

图3 智能选商模型涉及判断节点

分析各判断节点，按算法类型、算法依据、可替代性、算力需求进行梳理，建立各判断节点的算法清单（BOM），将业务规则数字化。如单一来源依据单一来源推荐书，确定采购供应商；目录采购依据品名匹配和中标标识；招标采购依据金额进行逻辑判断，确定采购供应商。

经梳理后，其主要算法主要包括：逻辑判断、数学组合、熵权法、层次分析法、模糊层次分析法、兼容度差异度择优、Topsis算法、数学规划法、神经网络等多种算法，结合业务客观需求和现有数字技术，最终选择逻辑判断、数学组合、熵权法、兼容度差异度择优和Topsis算法作为适合目前条件主线算法[2] ，同时对存在可替代性算法的判断节点，梳理数据流向并对其算法进行模块化处理，为后期算法优化迭代做准备。自动选商模型主要判断节点算法清单，如表1所示。

表1 智能选商模型主要判断节点算法清单

3.基于数据闭环的数据流优化

数据流承载智能选商模型的业务主数据和辅助决策业务数据。通过对智能选商模型数据流的梳理（如图4），进一步开展业务算法优化和数据反馈。

图4 智能选商模型数据流

在智能选商模型中来自数据源1的业务主数据（采购计划），基于辅助决策数据（数据源2数字化业务规则）进行逻辑判断，经单一来源（逻辑判断后进入专有流程）、目录采购（逻辑判断后输出目录采购选商方案）、招标采购（一般以国家企业规定的金额大小确定，逻辑判断后进入专有流程）实现业务数据分流后，剩余业务数据进入寻源采购，汇合辅助决策数据（数据源3供应商考核和采购业务数据）结合多种算法组合，最终输出最优选商方案。

智能选商模型以数据为驱动，通过数据闭环实现智能选商模型内外业务数据的贯通和优化，具体以数据流系统内循环，实现对智能选商模型内的业务流程和算法优化；以数据流模型外循环，实现智能选商模型对业务实体的相互影响。

（1）数据流的模型内循环优化

数据闭环的核心是将数据采集、分析、决策和执行形成一个闭环，通过数据反馈不断优化和改进自动决策系统业务流程和算法。具体而言，基于PDCA循环，通过数据反馈对业务数据流不断迭代更新[3]。对系统输出的过程数据和结果数据的开展监控，并进行数据清洗、分析和深度挖掘，逐步完善智能选商模型的业务流程和优化算法。前期根据情况增加人工审核流程，确保选商方案的品质；后期可通过人员组织和技术工具的使能替代，逐步实现模型数据自动收集、清洗、分析和挖掘。智能选商模型数据流系统内循环，见图5。

图5 智能选商模型数据流系统内循环

智能选商模型通过不断录入测试数据（物资采购计划），驱动模型数据流进行PDCA循环，以数据反馈模式，对模型产生的过程数据和结果数据，进行数据分析和挖掘，通过不断迭代更新，最终实现对智能选商模型的业务流程和算法的优化。如对过程数据的挖掘中，结合方案组合数（分包数）与方案综合分值的散点图，通过对过程数据的整理和分析，确定采用同一组合数（分包数）下，方案合集的最优值参与最终决策算法，从而大幅提高模型运行效率，节省大量算力，实现对模型算法优化；在对输出结果数据挖掘中，在原有最优选商方案的基础上，利用原有计算过程中的分步输出结果，在不增加算力的基础上，增加品质最高选商方案（分包数多）和效率最高选商方案（分包数最少）输出，供业务人员多角度选择，从而提升智选商模型的柔性和适用范围。

（2）数据流的模型外循环优化

建立智能选商模型输出结果、业务实体和辅助决策数据三者的数据闭环，构建数据流模型外循环。具体而言，按决策—执行双螺旋结构，将智能选商模型输出结果，直接作用于业务实体，业务实体在执行过程中产生新的业务数据，形成新的智能选商模型辅助决策数据，最终再次影响智能选商模型的下次决策，产生新的输出结果。这种基于数据反馈的数据流模型外循环（数据闭环），经过不断优化迭代，最终实现智能选商模型与业务实体之间的相互影响和相互促进。

业务人员将智能选商模型的输出结果，应用于具体采购选商业务，产生新的采购业务数据和采购后评价，经数据反馈后，产生新的辅助决策数据，再经智能选商模型输出新的最优选商方案，继续参与后期具体采购业务；同时自动选商模型输出的结果应用于具体采购业务后产生采购结果，经数据反馈，也能对后期业务规则的完善改进产生一定影响。通过数据流系统外循环（数据闭环，如图6），对智能选商模型不断迭代优化，最终实现智能选商模型输出结果与实际采购业务相互影响和促进。

图6 智能选商模型数据流系统外循环

4.基于数据源的数据库建立

数据是影响智能选商品质的主要因素，建立全面、客观、精准的数据库是智能选商模型运行的基础。智能选商模型是以数据为驱动，业务规则数据库为运行基础，供应商考核、采购业务大数据为辅助决策基础。经数据清洗、数据分析、数据挖掘，构建对应业务流程的数据源数据库。

（1）建立业务规则数据库。根据业务需求，开展数据源分析，对智能模型辅助决策涉及的数据源：业务规则、供应商考核和采购业务数据，分别建立对应的业务数据库，辅助智能选商模型自动决策。其中业务规则数据库，包括目录编码、目录供应商、目录品名、供应商品名等数据库（如图7）。

图7 智能选商软件业务流程数据库

（2）建立供应商品质数据库。以供应商考核和采购业务大数据为基础。重点建立客观全面供应商指标考核体系，从市场情况、供货能力、质量、诚信、价格、技术、处罚、协同、业绩等多方位全面考核供应商（如图8）[4]，客观反映供应商的真实品质，后期可适当引入第三方评价数据作为辅助；同时引入采购大数据（如图9），以熵权法平衡各指标权重，形成每个供应商的客观综合品质评分。

图8 供应商考核指标

图9 智能选商软件供应商品质数据库

5.小结

综上所述，基于品名准入的智能选商模型构建思路如下：

（1）基于对人脑思维过程模拟，对人工业务流程的解构与重组，在业务流程中精准融入业务规则，同时基于数据辅助决策，扩展人脑认知范围，构建数字化业务流程，并在此基础上梳理数字化业务流程的判断节点，建立与之对应的判断节点算法清单（BOM），并对其中存在可替代性的算法进行模块化处理，并为后期算法迭代更新做准备。

（2）基于数据闭环，以业务数据为驱动，构建自动决策业务系统数据流程。采用数据流系统内循环和系统外循环两种方式，通过数据反馈迭代更新，实现对自动决策业务系统的算法优化、流程完善、功能拓展和对业务实体的相互影响和促进。

（3）建立精准、全面、客观的供应商考核评价指标体系及数据库，以精准全面的供应商考核数据和业务大数据库确保自动输出选商方案的质量。多角度对供应商开展全方位评估，确保寻源选商的结果的准确性；并基于业务流程，开展数据清洗、数据分析、数据挖掘。此外，由于供应商考核数据和业务大数据的准确性、完整性和及时性直接影响智能选商输出方案品质，同时加强其配套辅助制度的建设。

（4）依据智能选商模型搭建智能选商系统，通过模型化软件化，完成采购选商全过程自动化、智能化，最终实现阳光采购。

1.案例分析

以某公司下发的采购计划为例，将采购计划导入基于品类的智能选商软件中，软件会自动进行数据分析和处理，自动生成单一来源采购、招标采购以及目录采购物资的最佳供应商推荐（如图10）。用户可以轻松查看各类采购物资的最佳供应商建议，帮助企业快速、准确地做出采购决策，提高采购效率和质量。

图10 采购方式分析结果

剩余采购物资进入寻源采购，进入采购方案优选模块即可生成最优选商方案，同时输出一个包数最少和包数最多的方案作为参考方案（如图11）。

图11 寻源采购方案输出结果

在本案例分析中，通过将采购计划导入智能选商软件，成功实现了单一来源采购、招标采购、目录采购和寻源采购的判断，以及最佳供应商推荐，并确定了需要进行采购选商决策的寻源采购物资清单，然后自动对寻源采购物资进行熵权－差异度的择优-TOPSIS等多属性决策算法运算，计算其最佳供应商方案。同时对于软件推荐的最优方案，经人工检验，表明该软件推荐的选商方案符合企业规定下的最优选商方案。

2.应用效果

基于品名准入的智能选商软件具有客观公正、自动高效的特点，它将业务规则和客观业务数据（供应商考核数据和采购历史数据）结构化后融入自动化流程，提高选商决策的科学性，确保输出选商方案的品质和合规性，实现了阳光选商。它通过自动分析决策功能实现了选商全过程的简洁高效，并为企业节省了大量时间和人力成本，相比传统人工选商模型其效率提升了143%，以往花费3～7天完成的批量复杂选商方案，仅需几分钟，即可实现最优选商方案的批量自动输出；同时企业的采购成本降低了78%，为企业带来了可观的经济效益和 竞争优势。并且，企业可以更加灵活地应对不同采购需求，优化供应链管理，提高绩效表现。在软件的实际运用中，采用计算智能的单一来源选商、招标选商、目录选商的模块可直接独立运行，采用多属性决策算法的寻源采购模块，初期可增加人工审核流程，确保选商方案的品质；后期对数据和算法逐步优化后，也可独立运行。

智能选商属于综合性研究领域，涉及众多学科，其实现方法有多种。本方法适用于基于供应商品名准入的采购选商，从算法、数据和业务管理等多角度出发，依据企业制度和采购物资的特殊性和重要性，基于逻辑判断法，自动判断采购方式并直接输出单一来源采购、目录采购的最优选商方案，其他金额较小、重要性较低的普通采购物资进入寻源采购，并基于动态的供应商考核数据和业务系统大数据，采用多属性决策算法自动输出寻源采购的最优采购方案。后期可通过数据挖掘和算法迭代提高智能选商输出方案的品质和效率。同时智能选商是智能采购的核心，后期可直接搭建对应的采购场景，实现智能采购。它将改变传统重选商、轻考核的工作模式，将采购人员从过去依靠记忆和经验的选商工作中解放出来，更加重视前期市场调研和供应商考评工作，客观公正地开展选商工作，可实现选商全过程无人参与，杜绝人为失误，降低采购从业风险。