[发明专利]一种基于非监督学习和多属性决策的分区间供应商选择方法

说明书

本发明涉及一种基于非监督学习和多属性决策的分区间供应商选择方法。当潜在供应商数据集S属于大样本区间时，本方法首先采用非监督学习方法将潜在供应商聚类成若干类，再借助多属性决策方法对所有供应商类进行排序，从而选出优质供应商类，剔除一般供应商类。上述过程不断迭代，直到潜在供应商数据集S减少到小样本区间时，再通过多属性决策方法对潜在供应商进行最终排序与选择。当潜在供应商数据集S属于小样本区间时，本方法直接采用多属性决策方法对潜在供应商进行排序与选择。本方法可以便捷有效地实现从任意规模的潜在供应商数据集中筛选出预期数量的合作供应商，对大数据时代背景下企业的供应链管理决策提供有力支持。

技术领域

本发明涉及供应商选择领域，更具体的，涉及一种基于非监督学习和多属性决策的分区间供应商选择方法。

背景技术

未来市场上，供应链之间的竞争将会取代企业之间的竞争，供应链上的节点企业构成一个利益共同体。供应商处于供应链的上游，供应商提供的材料质量关系到整条供应链的最终产品质量，很大程度上决定了供应链的核心竞争力。因此，对供应商进行科学有效的选择，对于减小供应链整体风险和增大供应链整体效益，有着至关重要的影响。

供应商选择通常被认为是多属性决策问题，大量研究从多属性决策理论方面对供应商选择进行了相关分析。然而，该类研究大多数是从少量的供应商数据入手分析。如今在全球化的背景下，数据得到爆炸式的增长，供应链模式得到越来越多企业的重视，当面对海量的供应商数据时，仅仅应用多属性决策方法(如AHP法和ELECTRE法)进行供应商选择时会出现计算困难、复杂等问题，因此需要借助数据挖掘工具来进行深度处理。数据挖掘是指从大量的数据中提取有用的、潜在的、有着特殊关联性知识的过程。聚类作为一种常用的非监督学习的数据挖掘技术，可以把数据划分到不同的组类中，使得组类之间的差别尽可能大，组内的差别尽可能小。结合聚类分析与多属性决策方法，能够便捷有效地从任意规模的潜在供应商数据集中筛选出预期数量的合作供应商。

发明内容

为了解决现有技术应用多属性决策方法从海量潜在供应商数据集中进行供应商选择时可能会出现计算困难、复杂等问题的不足，本发明提供了一种基于非监督学习和多属性决策的分区间供应商选择方法。

为实现以上发明目的，采用的技术方案是：

一种基于非监督学习和多属性决策的分区间供应商选择方法，包括以下步骤：

步骤S1：选取供应商评价指标，结合供应商评价指标获取潜在供应商的评价数据；

步骤S2：对潜在供应商数据集S进行预处理；

步骤S3：根据行业背景和企业的实际经营情况，设定一个规模阈值X，通过比较X与潜在供应商数据集S的规模大小|S|来判断S的区间属性，即若|S|>X，则潜在供应商数据集S属于大样本区间；若|S|<X，则潜在供应商数据集S属于小样本区间。若潜在供应商数据集S属于大样本区间，则执行步骤S4；若潜在供应商数据集S属于小样本区间，则执行步骤S6；

步骤S4：采用非监督学习方法对潜在供应商数据集S进行聚类分析，获得聚类结果；

步骤S5：根据聚类结果得到的不同供应商类，采用多属性决策方法对供应商类进行排序并筛选，重复该步骤直至潜在供应商数据集S减少到小样本区间；

步骤S6：采用多属性决策方法对潜在供应商进行最终排序，选择出预期数量的合作供应商。

优选的，步骤S1中的供应商评价指标包括有产品质量、产品价格、交货期、历史绩效、售后服务、管理组织、技术能力。

优选的，步骤S4进行聚类分析的具体步骤如下：