基于数据挖掘的采购决策系统设计

唐山学院 杜芳芳

在经济高速发展的今天，信息技术发展日新月异，经济活动日益国际化，企业面临的竞争对手越来越多，竞争也越来越激烈。在残酷的市场竞争中，企业如何才能立于不败之地？企业如何获取利润、降低成本，就成了企业管理中最为关注的内容。

在企业生产过程中，原料采购是非常重要的一环。企业的订单一旦确定，制定好生产计划，只有通过采购生产所需要的原料，才能够保证生产有效、顺利地进行。原料采购管理的好坏将直接影响到企业的信誉和经济效益。企业通过合理地组织采购，才可以确保产品质量，降低生产成本，保障资金周转等。目前许多企业的采购决策是凭采购人员的经验和直觉。但随着越来越多的企业实现信息化管理，优化采购管理的信息化也日渐被提上日程。

本文利用数据技术，站在优化的角度，通过建模和信息化手段，开发了可灵活运用的采购优化系统，辅助采购决策人员进行采购决策，具有重要的意义。

1 数据挖掘技术概述

1.1 数据挖掘的概念

较公认的定义是：数据挖掘(DM，Data Mining)就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又潜在的有用信息和知识的过程[1]。常用的数据挖掘技术有统计分析、聚类分析、关联规则等。设计数学模式是数据挖掘的基础，利用数学模式实现对大量数据的挖掘。

1.2 数理统计与数据挖掘

数据挖掘是数理统计的延伸和扩展。借助于数理统计，应用数据挖掘方法[2]，可以进行市场研究，对市场的研究可以分为探测性研究、描述性研究、因果性研究和预测性研究。此外，利用聚类分析、判别分析、因子分析等方法还能对经济活动进行分析，例如：采用因子分析方法，利用企业经营状况的大量指标来确定影响经济效益的潜在因素；根据经营状况采用聚类分析方法对企业或部门进行分类等。

截至目前，预测型数据挖掘还没有一种被共同接受的理论框架。预测型数据挖掘的实现方法大致可以分为：基于距离的方法、基于逻辑的方法和基于数学的方法。其中基于数学的方法被广泛的使用，主要有经典的参数估计方法、经验非线性方法(如前向人工神经网络)和基于统计学习理论的实现方法。统计学习理论是专门研究有限样本情况下的统计问题。这种理论体系下的统计推理规则，处理有限样本的统计问题时要考虑对渐近性能的要求，同时追求得到最优结果。

本文利用统计方法，建立所要解决问题的模型，将数学优化模型转化为参数估计，然后将参数估计转化为复杂函数的优化问题，寻找合适的最优化方法对模型中的参数进行估算。

1.3 数值优化方法

从不同的角度出发，可以把优化方法分为不同类别。根据优化问题有无约束条件，可以分为无约束优化方法和有约束优化方法。本文在解决问题的时候有约束条件的限定，而约束非线性优化问题求解的常用方法有复合形法、逼近规划法、惩罚函数法等。近几年又有模拟退火算法、遗传算法等新方法出现。但这些通用算法都存在一些问题，比如算法复杂，计算量大，优化过程时间长等。本次设计选用了算法结构简单、解决约束非线性优化问题的最常用的方法——复合形法。复合形法是一种直接局部搜索算法，它是通过对单纯形法的改进而形成的。下面介绍复合形法的基本思想：在可行集内构建一个初始复合形，通过比较各个顶点的函数值，在可行域中找到一个目标函数值有所改善的新点，并用其替换目标函数值较差的顶点，构成新的复合形。不断地剔除最坏点，用满足约束条件的新点代替，复合形不断的变形、转移、缩小，逐步逼近最优点。

复合形法是一种试验最优化方法，经常用于目标函数梯度难以计算的问题的求解。此方法不但不被约束条件个数、约束性质限制，而且具有算法思路清晰、程序结构简单、计算量不大等优点，因而可以用来求解经济模型，为企业生产提供指导，广泛应用于一些领域。

2 采购优化系统的设计与实现

为降低企业采购成本，增加企业利润，辅助采购决策人员进行采购决策，方便企业更高效快捷的管理采购工作，本文将数据挖掘技术应用于企业的采购，开发了可灵活运用的采购优化系统。下面将详细介绍系统设计的过程。

2.1 总体设计

采购优化系统的开发，主要用于辅助决策者制定采购计划之用，因此本系统主要完成以下目标：

(1)根据生产计划，配合产品物料清单，进行物料需求决策，确定物料需求量和需求时间。

(2)建立供应商评价指标体系结构，利用企业原有的ERP系统提供的供应商基本信息，对供应商进行评价和选择决策，运用数据挖掘技术，从而为企业选择恰当的供应商。

(3)在物料需求量，需求时间以及供应商确定的基础上，进行采购优化决策，明确向各供应商采购的数量和时间。

根据系统的开发目标和功能，采购优化系统功能模块结构如图1所示。

采购优化系统利用由客户订单生成的主生产计划，库存基本信息、物料基本信息以及供应商基本信息完成物料需求决策、供应商评价、供应商选择决策和订货优化决策，并将最终的优化决策提供给管理者查看。此外，本系统还有一些辅助功能：各种数据的录入、浏览、查询以及打印报表等。

2.2 数据库设计

根据系统的总体设计方案，本文将数据库分为三个功能库：即采购主题功能库、采购模型功能库和采购决策功能库。采购主题功能库主要存放从其他位置处(管理信息系统等)遴选的所需数据，采购模型功能库中存放采购决策需要的各种决策模型数据，最后建立的决策方案则存储到采购决策功能库中。

2.3 主要模块设计与介绍

2.3.1 物料需求决策模块

本模块的主要功能是确定生产各种产品所需物料的数量以及物料需求时段。

首先确定每种产品的物料结构表，进而完成单位产品所需要物料基本信息的确定：根据产品结构图，确定产品所用的物料清单，通过添加各节点，构建产品结构树。也可以对己构建好的产品结构树进行调整。使用“重新生成”功能可以对已经建立了需求表的产品修改，重新确定产品所需最终物料、数量和提前期。

随后，根据生产管理部门提供的主生产计划，结合本企业的物料库存信息以及物料结构表，确定各个产品的物料需求数量以及需求的时间。最后按时间段归结各物料的需求情况。

2.3.2 供应商评价、选择决策模块

此模块的功能是确定物料的最终供应商。

首先，完成供应商评价指标的建立，物料不同，对应的评价指标体系也不同。接着确定指标体系中各评价指标的权重：根据ERP系统中的供应商供货能力、供货价格和质量报表提供的数据以及供应商的其他考核指标，对供货供应商进行综合的考察和评估，评估的最后结果保存到系统中。供应商供货的质量、交货准时率，采购总量、总金额、采购价格等信息通过查看或报表的形式反映出，并把此作为评价供应商的依据。ERP系统对供应商评价否认信息基本都停留在定性分析的层次上。本文引入数据挖掘的方法，建立一个适当的模型，应用数值计算方法，确定最终的供应商。如果决策者不满意系统的决策结果，则由采购管理者与系统交互确定最终供应商。

下面详细介绍一下供应商的选择方法：

大多数企业在选择原料供应商时，首要考虑是货物质量，其次是货物单价和交货提前期。综合考虑多数企业的实际采购情况，本文采用供货质量等级、货物价格、交货时间、运输成本、以及供应商信誉度等作为供应商评价指标。

质量和交货期都符合本企业要求的供应商，进一步比较分析本次采购成本的差别。一般情况下，采购成本为货物总价、采购花费以及运输费等支出的累计。采购成本比较法是通过计算分析不同供应商的采购成本，从中选择成本较低的供应商的一种方法。

在建立优化系统模型前，需要做如下假设：(1)运输时间与距离成正比：采购订单确定之后，供应商立即发货，即交货时间与运输时间相同。(2)运输成本与运输距离、运输货物量成正比，采购方承担运费。各种原材料的运输成本各自独立。(3)库存量、采购量之和大于预计的需求消耗量。

供应商的信誉度定为1~10个不同的信誉等级，对应的供货质量也有Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅵ五个质量等级，可以量化成1~5对应的值。

基于以上的分析，利用系统中的评价数据，量化指标，建立的采购优化模型目标函数如下：

其中，后面三个式子表示约束条件。上式中各符号表示的意义如下：xij—从第j供应商处订购第i类原材料数量；Lij—原材料的成本价格；bj—为常数；dj—交通距离；Gj—信誉等级；Qij—供货质量等级；Tj—交货时间，其中Tj= cj*dj，cjw为常数；Mi—第i类原料所需采购量；Oi—现库存量；Ni—计划时间内需求量；ji—第i类原材料的供应商家数目；Cij—供应商j的供应能力；Yij—最低采购量；。Klj—交货时间Tj的影响因子；K2j—信誉度Gj的影响因子，质量等级Qij的影响因子是K3ij。从上面的式子可以看到，当Qij和Gj的值越大，即供应商的质量等级和信誉度越高，总采购成本越低，函数取值最小。利用前面介绍的数值优化方法中的复合形法，结合采购量必须满足生产需要的数量、供应商的供应能力等约束条件，求得此函数的最小值，从而完成对供应商的选择。

2.3.3 订货优化决策

本模块的任务是确定每次采购的货物数量和订货时间。

根据前面确定的物料需求数量和需求的时间，选用优化选定的供货供应商，结合本模块采用的优化决策模型，确定物料的采购数量和采购时间，同时给出相应采购物料的成本信息。“订货优化决策”模块采用最小的总成本法、最小单位费用法作为优化模型。通过比较，找到相对较好的方案。如果决策者不满意优化系统给出的决策方案，那么系统允许决策者手工操作确定最终的决策方案。

3 结语

本文利用数据挖掘技术，开发了带有优化决策功能的采购系统。它能为企业提供各种采购管理信息以及采购优化方案，全面地反映决策过程，有效地、智能地解决企业采购的难题，从而减轻管理者的负担，使他们能更加专注在最需要决策智慧和经验的工作上，使企业决策的质量和效率进一步提高。采购优化系统能弥补一般ERP系统不具有优化决策模型的弊端，增加决策的针对性。同时本系统既可以由系统推荐方案，又允许用户手工选择参数确定方案，增加了系统的灵活性，具有一定的使用价值和广阔的应用前景。

[1]Han J W,Kamber M.Data Mining:Concepts and Techniques,2000.

[2]马江洪,张文修,徐宗本.数据挖掘与数据库知识发现:统计学的观点[J].工程数学学报,2002.