第6章

智能供應(yīng)鏈管理XX老師本章內(nèi)容

6.1傳統(tǒng)和智能化供應(yīng)鏈管理的比較6.2智能供應(yīng)商推薦6.3智能客戶風(fēng)險評價機器學(xué)習(xí)平臺網(wǎng)址

01傳統(tǒng)和智能化供應(yīng)鏈管理的比較6.1.1傳統(tǒng)供應(yīng)鏈管理的不足6.1.2智能化供應(yīng)鏈管理的優(yōu)勢6.1.1傳統(tǒng)供應(yīng)鏈管理的不足供應(yīng)鏈管理是指對供應(yīng)鏈涉及的全部活動進行計劃、組織與管理，以確保產(chǎn)品或服務(wù)能夠以最低的成本、最高的效率和最佳的質(zhì)量，從原材料供應(yīng)商流向最終客戶。供應(yīng)鏈管理的定義與傳統(tǒng)供應(yīng)鏈管理的不足信息孤島問題嚴(yán)重。企業(yè)內(nèi)部不同部門之間以及不同企業(yè)之間都缺乏有效的信息共享機制，降低企業(yè)的決策效率，阻礙了整個供應(yīng)鏈的高效運作。對動態(tài)環(huán)境適應(yīng)性差。傳統(tǒng)的供應(yīng)鏈管理方法大多基于靜態(tài)或相對穩(wěn)定的假設(shè)，難以對快速變化的市場需求和突發(fā)事件做出準(zhǔn)確、及時的反應(yīng)。成本與效率難以兼顧。技術(shù)手段有限，依靠人工，導(dǎo)致企業(yè)不得不在控制供應(yīng)鏈管理成本和提高供應(yīng)鏈管理效率之間尋找最佳平衡點，最終的決策結(jié)果可能是在成本約束下的一種妥協(xié)。010203傳統(tǒng)供應(yīng)鏈管理的不足協(xié)同度與透明度提升數(shù)據(jù)驅(qū)動決策通過大數(shù)據(jù)技術(shù)實時收集并分析供應(yīng)鏈上各環(huán)節(jié)的數(shù)據(jù)，從而為企業(yè)提供更為準(zhǔn)確、及時的決策支持。實現(xiàn)了各環(huán)節(jié)之間的緊密連接，信息的實時共享不僅提升了供應(yīng)鏈的透明度，還加強了各環(huán)節(jié)之間的協(xié)同合作。智能化管理降低成本實現(xiàn)諸多操作的智能化和自動化，不僅能夠降低人力成本，還大幅提升了運營效率和準(zhǔn)確性?？蛻粜枨蟮捻憫?yīng)更及時風(fēng)險管理能力提升通過大數(shù)據(jù)分析，幫助企業(yè)及時發(fā)現(xiàn)并預(yù)警各種潛在風(fēng)險。借助實時的大數(shù)據(jù)分析技術(shù)，更準(zhǔn)確地把握市場動態(tài)和客戶需求，從而及時調(diào)整生產(chǎn)和供應(yīng)鏈策略，更好地滿足客戶需求。6.1.2智能化供應(yīng)鏈管理的優(yōu)勢02智能供應(yīng)商推薦6.2.1實訓(xùn)任務(wù)要求與特點6.2.2基于隨機森林的供應(yīng)商推薦（1）供應(yīng)商在歷史交易中的中標(biāo)次數(shù)，作為判斷該供應(yīng)商是否具有合作價值的依據(jù)；（2）供應(yīng)商基本信息，包括供應(yīng)商名稱和編碼；（3）供應(yīng)商財務(wù)指標(biāo)，包括注冊資金、資產(chǎn)規(guī)模、固定資產(chǎn)、營業(yè)額、年利潤等；（4）供應(yīng)商非財務(wù)信息，包括企業(yè)性質(zhì)、員工數(shù)量、研發(fā)能力、制造工藝、質(zhì)量保證能力等。其中，后兩類變量共有23個，是此次任務(wù)的預(yù)測因子。（1）對供應(yīng)商數(shù)據(jù)進行導(dǎo)入和清洗；（2）計算供應(yīng)商中標(biāo)次數(shù)的累積頻率，將累積頻率超過80%的供應(yīng)商視為貢獻最大的20%，即值得推薦的供應(yīng)商，在此基礎(chǔ)上，生成名為“是否推薦”的虛擬變量，作為預(yù)測目標(biāo)；（3）將供應(yīng)商數(shù)據(jù)按固定比例隨機劃分為訓(xùn)練集和測試集，選擇合適的分類算法進行模型訓(xùn)練、預(yù)測和評估，輸出推薦的供應(yīng)商名單；（4）對模型特征的重要性進行分析，展示在推薦供應(yīng)商時重點考慮的指標(biāo)及其權(quán)重。數(shù)據(jù)表中的列變量分類任務(wù)要求6.2.1實訓(xùn)任務(wù)要求與特點本次任務(wù)旨在為某制造業(yè)企業(yè)建立智能化的供應(yīng)商推薦模型6.2.2基于隨機森林的供應(yīng)商推薦供應(yīng)商推薦的技術(shù)流程供應(yīng)商推薦的技術(shù)流程圖供應(yīng)商推薦屬于分類任務(wù)，可以采用Logistic回歸、決策樹、隨機森林、XGBoost、深度神經(jīng)網(wǎng)絡(luò)等常見的分類算法來完成。結(jié)合本次任務(wù)的數(shù)據(jù)特征，我們選擇以隨機森林模型為例來展示預(yù)測過程。6.2.2基于隨機森林的供應(yīng)商推薦步驟一：數(shù)據(jù)導(dǎo)入與處理0102數(shù)據(jù)導(dǎo)入導(dǎo)入名為“供應(yīng)商基礎(chǔ)信息數(shù)據(jù).xlsx”的原始數(shù)據(jù)文件。030405刪除缺失觀測直接刪除缺失變量較多的供應(yīng)商。生成目標(biāo)變量根據(jù)供應(yīng)商的“中標(biāo)次數(shù)”生成“是否推薦”變量，“是否推薦”取值為1表示中標(biāo)次數(shù)大于或等于20，應(yīng)推薦該供應(yīng)商。生成虛擬變量選用類別法對“企業(yè)性質(zhì)”生成虛擬變量，可得到8個啞變量，均以“企業(yè)性質(zhì)_”為前綴來命名。數(shù)據(jù)標(biāo)準(zhǔn)化處理調(diào)整特征變量值的大小，使其符合均值為0、標(biāo)準(zhǔn)差為1的標(biāo)準(zhǔn)正態(tài)分布。6.2.2基于隨機森林的供應(yīng)商推薦虛擬變量生成結(jié)果在訓(xùn)練集和測試集的劃分中，我們將90%的數(shù)據(jù)作為訓(xùn)練集，10%的數(shù)據(jù)作為測試集。劃分方法采用隨機劃分，并記錄下使用的隨機數(shù)種子，以備在每次操作時都能得到相同的隨機數(shù)序列。數(shù)據(jù)集劃分得到的訓(xùn)練集包含141條觀測，測試集包含16條觀測。劃分訓(xùn)練集和測試集模型訓(xùn)練步驟二：隨機森林建模過程6.2.2基于隨機森林的供應(yīng)商推薦本次任務(wù)的預(yù)測目標(biāo)為“是否推薦”，預(yù)測因子為經(jīng)過處理之后的供應(yīng)商特征變量。使用隨機森林分類模型時需要指定一些重要參數(shù)的取值。我們指定參數(shù)n_estimators的值為100，即構(gòu)建100個基學(xué)習(xí)器（決策樹）；其他參數(shù)均采用默認(rèn)值。我們利用構(gòu)建好的隨機森林模型對訓(xùn)練集數(shù)據(jù)進行擬合。樣本內(nèi)預(yù)測。用測試集運行，結(jié)果顯示目標(biāo)變量的真實值、預(yù)測值以及每個供應(yīng)商被推薦的概率值。模型評估得到分類模型的混淆矩陣。全局特征重要性分析展示各項特征變量對預(yù)測目標(biāo)的取值結(jié)果的影響程度，明確評價標(biāo)準(zhǔn)。隨機森林模型預(yù)測及效果評估6.2.2基于隨機森林的供應(yīng)商推薦步驟三：隨機森林模型預(yù)測及效果評估模型共分類正確15個測試集樣本，把11個真實值為“不推薦”的樣本預(yù)測為了“不推薦”，同時將4個真實值為“推薦”的樣本預(yù)測為了“推薦”。右上角的“1”說明模型將一個真實值為“不推薦”的樣本錯誤地預(yù)測為了“推薦”。左下角的“0”說明模型沒有遺漏需要推薦的樣本。隨機森林模型混淆矩陣6.2.2基于隨機森林的供應(yīng)商推薦隨機森林模型分析圖示：模型評估與全局特征重要性分析隨機森林模型評估結(jié)果全局特征重要性分析結(jié)果分類模型的性能評估通常采用準(zhǔn)確率、精確率、召回率、F1-score和AUC值等，各指標(biāo)的取值越大，說明模型的擬合程度和預(yù)測效果越好。如圖，模型的各項指標(biāo)取值都很大，綜合性指標(biāo)AUC達到0.9583，這表明模型的擬合效果很好，預(yù)測值與實際值之間存在較小偏差，模型的解釋能力較強。對供應(yīng)商推薦模型的分類結(jié)果貢獻最大的特征變量是供應(yīng)商的專利數(shù)，其次是供應(yīng)商有無資質(zhì)證明，說明客戶企業(yè)十分看重供應(yīng)商的創(chuàng)新能力和質(zhì)量保障能力。03智能客戶風(fēng)險評價6.3.1實訓(xùn)任務(wù)要求與特點6.3.2基于隨機森林的客戶風(fēng)險評價6.3.1實訓(xùn)任務(wù)要求與特點預(yù)測目標(biāo)名單屬性、是否黑名單客戶（是為1）預(yù)測因子客戶編號、注冊資本、實繳資本、出資未到位比例、所屬行業(yè)二級代碼、對外投資企業(yè)異常數(shù)量占比、凈資產(chǎn)收益率(%)、銷售利潤率(%)、總資產(chǎn)報酬率(%)、盈余現(xiàn)金保障倍數(shù)、總資產(chǎn)周轉(zhuǎn)率(次)、存貨周轉(zhuǎn)率(次)、應(yīng)收賬款周轉(zhuǎn)率(次)、流動資產(chǎn)周轉(zhuǎn)率(次)、兩金占流動資產(chǎn)比重(%)、資產(chǎn)負(fù)債率(%)、速動比率(%)、現(xiàn)金流動負(fù)債比率(%)、帶息負(fù)債比率(%)、已獲利息倍數(shù)、研發(fā)經(jīng)費投入強度(%)、營業(yè)現(xiàn)金比率(%)、是否經(jīng)營異常（是為1）、是否失信被執(zhí)行（是為1）、是否行政處罰（是為1）、是否環(huán)保處罰（是為1）、是否欠稅（是為1）、欠稅余額占實繳資本比重、是否為納稅非正常戶（是為1）、負(fù)面涉案占實繳資本比重、是否與本單位發(fā)生訴訟（是為1）、是否為建筑企業(yè)黑名單（是為1）、本年應(yīng)收賬款周轉(zhuǎn)率(次)、本年應(yīng)收賬款收回率(%)、上年末應(yīng)收賬款周轉(zhuǎn)率(次)、上年末應(yīng)收賬款收回率(%)、應(yīng)收賬款平均賬齡變量列表本次任務(wù)以某集團公司為例，利用該公司掌握的客戶信息，通過構(gòu)建機器學(xué)習(xí)模型對客戶風(fēng)險進行智能評價。所使用數(shù)據(jù)表中的“是否黑名單客戶”是基于案例公司提供的黑白名單而生成的虛擬變量。任務(wù)要求：（1）對客戶風(fēng)險評價數(shù)據(jù)進行清洗和計算，生成所需的特征變量；（2）選擇合適的分類算法，建立客戶風(fēng)險評價模型，輸出黑白名單客戶；我們以隨機森林算法為例來展示預(yù)測過程；（3）進行全局特征重要性分析，展示評價客戶風(fēng)險的關(guān)鍵指標(biāo)及其權(quán)重。6.3.2基于隨機森林的客戶風(fēng)險評價客戶風(fēng)險評價的技術(shù)流程圖客戶風(fēng)險評價的技術(shù)流程6.3.2基于隨機森林的客戶風(fēng)險評價步驟一：數(shù)據(jù)導(dǎo)入與處理0102數(shù)據(jù)導(dǎo)入導(dǎo)入名為“客戶風(fēng)險評價數(shù)據(jù)”的數(shù)據(jù)文件，并查看描述性統(tǒng)計結(jié)果。030405缺失值填充對高缺失率的四個缺失值按照“企業(yè)所屬二級行業(yè)”的中位數(shù)進行分組填充。。生成行業(yè)虛擬變量將“企業(yè)所屬二級行業(yè)”轉(zhuǎn)化為虛擬變量，虛擬變量的生成方法選擇“類別（屬于特定類別則取1，反之取0）”。刪除缺失觀測刪除變量有缺失值的觀測記錄，在機器學(xué)習(xí)平臺中，這一步可以通過設(shè)置一個極小的缺失比例閾值（例如1%）來實現(xiàn)。數(shù)據(jù)標(biāo)準(zhǔn)化處理調(diào)整特征變量值的大小，使其符合均值為0、標(biāo)準(zhǔn)差為1的標(biāo)準(zhǔn)正態(tài)分布。在訓(xùn)練集和測試集的劃分中，我們將80%的數(shù)據(jù)作為訓(xùn)練集，20%的數(shù)據(jù)作為測試集。劃分方法采用隨機劃分，并記錄下使用的隨機數(shù)種子，以備在每次操作時都能得到相同的隨機數(shù)序列。最終得到的訓(xùn)練集包含264條觀測，測試集包含66條觀測。劃分訓(xùn)練集和測試集模型訓(xùn)練步驟二：隨機森林建模過程6.3.2基于隨機森林的客戶風(fēng)險評價本次任務(wù)的預(yù)測目標(biāo)為“是否黑名單客戶”，預(yù)測因子為經(jīng)過處理之后的客戶特征變量。隨機森林模型對異常值與噪音的容忍度較高，相比于決策樹模型有更好的分類性能。使用隨機森林分類模型時需要指定一些重要參數(shù)的取值.我們指定參數(shù)n_estimators的值為500，其他參數(shù)可采用默認(rèn)值。樣本內(nèi)預(yù)測。利用測試集運行構(gòu)建好的隨機森林模型，得到目標(biāo)變量的真實值、預(yù)測值以及每個客戶被納入黑名單的概率值。模型評估得到分類模型的混淆矩陣，66條測試集觀測記錄中，真正例為18，真負(fù)例為40，假正例和假負(fù)例分別為2和6。模型準(zhǔn)確率為0.88，召回率為0.75，精確率為0.9，AUC為0.85全局特征重要性分析通過機器學(xué)習(xí)平臺來查看模型的特征重要性。失信被執(zhí)行、銷售利潤率低和總資產(chǎn)報酬率低的客戶最有可能成為黑名單客戶隨機森林模型預(yù)測及效果評估6.3.2基于隨機森林的客戶風(fēng)險評價步驟三：隨機森林模型預(yù)測及效果評估隨機森林模型混淆矩陣全局特征重要性分析結(jié)果04暢銷品預(yù)測6.4.1實訓(xùn)任務(wù)要求與特點6.4.2基于LSTM的物料排產(chǎn)量預(yù)測6.4.3暢銷品分析6.4.1實訓(xùn)任務(wù)要求與特點本次任務(wù)以某生產(chǎn)型企業(yè)為例，基于其歷史經(jīng)營過程中積累的排產(chǎn)數(shù)據(jù)，從物料排產(chǎn)數(shù)據(jù)中洞察市場需求以及消費者偏好的變化趨勢。本次任務(wù)所需的原始數(shù)據(jù)表名為“生產(chǎn)型企業(yè)排產(chǎn)數(shù)據(jù).xlsx”，其中包含信息屬于時間序列數(shù)據(jù)。任務(wù)要求：（1）對需要預(yù)測排產(chǎn)量的物料進行數(shù)據(jù)清洗，包括缺失值處理、歸一化等。（2）采用LSTM模型，對物料的日排產(chǎn)量進行時間序列預(yù)測。（3）將每種物料在未來一個月內(nèi)的日排產(chǎn)量求和，得到月排產(chǎn)總量。按月排產(chǎn)量降序排列所有物料，排名最靠前的定義為暢銷品?；蛘撸陬A(yù)測的月排產(chǎn)量與過去一個月的歷史月排產(chǎn)量來計算排產(chǎn)量的環(huán)比增長率，將增長率最高的物料定義為暢銷品。6.4.2基于LSTM的物料排產(chǎn)量預(yù)測LSTM時間序列預(yù)測的技術(shù)流程圖LSTM時間序列預(yù)測的技術(shù)流程步驟一：數(shù)據(jù)導(dǎo)入與處理01導(dǎo)入名為“生產(chǎn)型企業(yè)排產(chǎn)數(shù)據(jù).xlsx”的原始數(shù)據(jù)文件。本任務(wù)主要使用到“物料編號”、“單據(jù)日期”、“排產(chǎn)量”等三個變量。數(shù)據(jù)導(dǎo)入02刪除上述三個變量缺失的觀測記錄。在機器學(xué)習(xí)平臺中，這一步可以通過設(shè)置一個極小的缺失比例閾值（例如1%）來實現(xiàn)。缺失觀測刪除03排產(chǎn)數(shù)據(jù)中可能存在同一物料在同一天內(nèi)的排產(chǎn)量分多筆來記錄的情況，我們需要將這種情況聚合為一條記錄。數(shù)據(jù)聚合6.4.2基于LSTM的物料排產(chǎn)量預(yù)測6.4.2基于LSTM的物料排產(chǎn)量預(yù)測步驟二：物料篩選數(shù)據(jù)篩選預(yù)測暢銷品意味著我們需要先對每種物料的排產(chǎn)趨勢進行獨立預(yù)測，需要逐一篩選出單次預(yù)測的物料對象。數(shù)據(jù)歸一化處理對篩選出的物料的歷史排產(chǎn)量數(shù)據(jù)進行歸一化處理?？紤]到標(biāo)準(zhǔn)化處理后的數(shù)值可能含有負(fù)數(shù)，因此，本任務(wù)采用歸一化處理。數(shù)據(jù)歸一化處理結(jié)果將聚合后的排產(chǎn)量（圖中最后一列）進行最值歸一化縮放，即通過線性變換，使得數(shù)據(jù)的最小值映射到0、最大值映射到1，從而將變量的取值范圍縮放到[0,1]范圍內(nèi)6.4.2基于LSTM的物料排產(chǎn)量預(yù)測步驟三：LSTM建模過程劃分訓(xùn)練集和測試集將時間序列數(shù)據(jù)劃分為訓(xùn)練集和測試集時，需要保留客觀上時間的先后順序。我們在保留時序的前提下，將前80%的數(shù)據(jù)劃分為訓(xùn)練集，后20%的數(shù)據(jù)劃分為測試集。構(gòu)建LSTM模型之前，需要生成時間序列的滯后數(shù)據(jù)，以供LSTM模型后續(xù)訓(xùn)練使用。生成滯后數(shù)據(jù)是指將時間序列數(shù)據(jù)中的當(dāng)前觀測值延遲（滯后）若干個時間步，作為特征變量輸入到模型中。本例中，我們將時間步數(shù)設(shè)置為15，即利用過去十五日（t-15、t-14、t-13、…、t-2、t-1）的排產(chǎn)量數(shù)據(jù)來預(yù)測當(dāng)天（t）的排產(chǎn)量，從而完成模型構(gòu)建。模型訓(xùn)練6.4.2基于LSTM的物料排產(chǎn)量預(yù)測步驟四：LSTM模型預(yù)測及效果評估樣本內(nèi)預(yù)測利用構(gòu)建好的LSTM模型在訓(xùn)練集上進行時序樣本內(nèi)預(yù)測，得到物料WL0001日排產(chǎn)量的預(yù)測值。模型評估基于測試集樣本的預(yù)測結(jié)果，采用均方誤差（MSE）、均方根誤差（RMSE