一种基于机器学习的供应商风险分析方法及装置制造方法及图纸

本发明专利技术实施例提供一种基于机器学习的供应商风险分析方法及装置，所述方法包括：采集供应商的历史订单中的供应链评价数据及供应链资产数据，根据供应链评价数据确定评价关键词出现频率与订单等级间的关联函数，根据供应链资产数据建立与商品类型对应的关联神经网络模型，获取目标供应商的实时订单，根据实时订单的订单等级要求结合关联函数，确定目标供应商是否满足风险要求，根据实时订单的订单供应周期内的第三方关联信息结合神经网络模型得到目标供应商履行实时订单的风险系数。采用本方法能够先对目标供应商的对于订单完成的可能性进行评判，然后对订单进行实时跟踪监控，及时对可能影响订单完成的情况进行监控提醒，方便用户做出应对措施。方便用户做出应对措施。方便用户做出应对措施。

【技术实现步骤摘要】
一种基于机器学习的供应商风险分析方法及装置


[0001]本专利技术涉及风险分析
，尤其涉及一种基于机器学习的供应商风险分析方法及装置。

技术介绍

[0002]供应链（Supply chain）是指生产及流通过程中，涉及将产品或服务提供给最终用户活动的上游与下游企业所形成的网链结构,即将产品从商家送到消费者手中整个链条。并且随着移动网络不断迭代，供应链已经进入了移动时代。移动供应链，是利用无线网络实现供应链的技术。它将原有供应链系统上的客户关系管理功能迁移到手机。移动供应链系统具有传统供应链系统无法比拟的优越性。移动供应链系统使业务摆脱时间和场所局限，随时随地与公司进行业务平台沟通，有效提高管理效率，推动企业效益增长。
[0003]但在供应链的业务场景下，通常都需要业务人员进行供应商的各种资质考核，检测供应商是否满足需求，并且在订单的持续过程中，也要时刻监控是否能按约定完成，是否存在违约风险，上述问题通常是通过人工进行资质审核，以及实时监控的，不仅浪费人力资源，浪费时间的同时，得到的相应效果也不够好。

技术实现思路

[0004]针对现有技术中存在的问题，本专利技术实施例提供一种基于机器学习的供应商风险分析方法及装置。
[0005]本专利技术实施例提供一种基于机器学习的供应商风险分析方法，包括：采集供应商的历史订单中的供应链数据，并对供应链数据进行预处理，得到供应链评价数据及供应链资产数据；对所述供应链评价数据进行分类，获取每种分类结果中的评价关键词、评价关键词的出现频率，及每种分类结果对应的订单等级，并基于所述出现频率、订单等级确定每种分类结果中出现频率与订单等级之间的关联函数；获取所述历史订单对应的商品类型，结合所述供应链资产数据确定与所述商品类型关联的资产关键词及关键词幅度，并获取所述供应链资产数据对应的资产浮动数据，将所述关键词幅度及资产浮动数据作为输入数据，输入到神经网络模型进行模型训练，得到与所述商品类型对应的关联神经网络模型；获取目标供应商的实时订单，并基于所述实时订单确定对应的订单等级要求，结合所述关联函数，确定所述订单等级要求对应的每种分类结果中评价关键词的目标出现频率，基于所述目标出现频率判断所述目标供应商是否满足风险要求；当所述目标供应商满足风险要求时，获取所述实时订单的商品类型及订单供应周期，并根据所述实时订单的商品类型确定对应的关联神经网络模型，并在所述订单供应周期内获取第三方关联信息，实时检测所述第三方信息是否存在与所述商品类型对应的资产关键词；
当所述第三方信息存在资产关键词时，获取所述资产关键词对应的关键词幅度，将所述关键词幅度输入所述关联神经网络模型，得到输出的资产浮动数据，并结合所述目标供应商的资质属性，得到所述目标供应商履行所述实时订单的风险系数。
[0006]在其中一个实施例中，所述方法还包括：根据所述商品类型确定影响商品的自身属性及环境属性，并获取商品的自身属性的变化周期规律及环境属性的影响因子，并结合所述供应链资产数据确定变化周期规律、影响因子与商品类型的关联性；当所述变化周期规律、影响因子与商品类型的关联性大于预设阈值时，将所述变化周期规律对应的自身属性、影响因子对应的环境属性确定为所述商品类型关联的资产关键词，所述变化周期规律、影响因子确定为所述关键词幅度。
[0007]在其中一个实施例中，所述方法还包括：基于所述订单供应周期，周期性获取所述目标供应商的供应链评价数据，并确定目标供应商的供应链评价数据中评价关键词的周期频率，判断所述周期频率是否达到所述目标出现频率的对应要求。
[0008]在其中一个实施例中，所述方法还包括：根据所述目标供应商的资质属性确定所述目标供应商的资产浮动承受能力，结合所述资产浮动数据，得到所述目标供应商的违约可能性，根据所述违约可能性确定所述目标供应商履行所述实时订单的风险系数。
[0009]在其中一个实施例中，所述分类结果，包括：供应商服务满意度评价、质量检验评价、到货验收评价、交接试验验收、交货是否及时评价。
[0010]本专利技术实施例提供一种基于机器学习的供应商风险分析装置，包括：采集模块，用于采集供应商的历史订单中的供应链数据，并对供应链数据进行预处理，得到供应链评价数据及供应链资产数据；分类模块，用于对所述供应链评价数据进行分类，获取每种分类结果中的评价关键词、评价关键词的出现频率，及每种分类结果对应的订单等级，并基于所述出现频率、订单等级确定每种分类结果中出现频率与订单等级之间的关联函数；训练模块，用于获取所述历史订单对应的商品类型，结合所述供应链资产数据确定与所述商品类型关联的资产关键词及关键词幅度，并获取所述供应链资产数据对应的资产浮动数据，将所述关键词幅度及资产浮动数据作为输入数据，输入到神经网络模型进行模型训练，得到与所述商品类型对应的关联神经网络模型；获取模块， 用于获取目标供应商的实时订单，并基于所述实时订单确定对应的订单等级要求，结合所述关联函数，确定所述订单等级要求对应的每种分类结果中评价关键词的目标出现频率，基于所述目标出现频率判断所述目标供应商是否满足风险要求；检测模块，用于当所述目标供应商满足风险要求时，获取所述实时订单的商品类型及订单供应周期，并根据所述实时订单的商品类型确定对应的关联神经网络模型，并在所述订单供应周期内获取第三方关联信息，实时检测所述第三方信息是否存在与所述商品类型对应的资产关键词；风险预测模块，用于当所述第三方信息存在资产关键词时，获取所述资产关键词
对应的关键词幅度，将所述关键词幅度输入所述关联神经网络模型，得到输出的资产浮动数据，并结合所述目标供应商的资质属性，得到所述目标供应商履行所述实时订单的风险系数。
[0011]在其中一个实施例中，所述装置还包括：第二获取模块，用于根据所述商品类型确定影响商品的自身属性及环境属性，并获取商品的自身属性的变化周期规律及环境属性的影响因子，并结合所述供应链资产数据确定变化周期规律、影响因子与商品类型的关联性；第二训练模块，用于当所述变化周期规律、影响因子与商品类型的关联性大于预设阈值时，将所述变化周期规律对应的自身属性、影响因子对应的环境属性确定为所述商品类型关联的资产关键词，所述变化周期规律、影响因子确定为所述关键词幅度。
[0012]在其中一个实施例中，所述装置还包括：判断模块，用于基于所述订单供应周期，周期性获取所述目标供应商的供应链评价数据，并确定目标供应商的供应链评价数据中评价关键词的周期频率，判断所述周期频率是否达到所述目标出现频率的对应要求。
[0013]本专利技术实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于机器学习的供应商风险分析方法的步骤。
[0014]本专利技术实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述基于机器学习的供应商风险分析方法的步骤。
[0015]本专利技术实施例提供的一种基于机器学习的供应商风险分析方法及装置，采集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的供应商风险分析方法，其特征在于，包括：采集供应商的历史订单中的供应链数据，并对供应链数据进行预处理，得到供应链评价数据及供应链资产数据；对所述供应链评价数据进行分类，获取每种分类结果中的评价关键词、评价关键词的出现频率，及每种分类结果对应的订单等级，并基于所述出现频率、订单等级确定每种分类结果中出现频率与订单等级之间的关联函数；获取所述历史订单对应的商品类型，结合所述供应链资产数据确定与所述商品类型关联的资产关键词及关键词幅度，并获取所述供应链资产数据对应的资产浮动数据，将所述关键词幅度及资产浮动数据作为输入数据，输入到神经网络模型进行模型训练，得到与所述商品类型对应的关联神经网络模型；获取目标供应商的实时订单，并基于所述实时订单确定对应的订单等级要求，结合所述关联函数，确定所述订单等级要求对应的每种分类结果中评价关键词的目标出现频率，基于所述目标出现频率判断所述目标供应商是否满足风险要求；当所述目标供应商满足风险要求时，获取所述实时订单的商品类型及订单供应周期，并根据所述实时订单的商品类型确定对应的关联神经网络模型，并在所述订单供应周期内获取第三方关联信息，实时检测所述第三方信息是否存在与所述商品类型对应的资产关键词；当所述第三方信息存在资产关键词时，获取所述资产关键词对应的关键词幅度，将所述关键词幅度输入所述关联神经网络模型，得到输出的资产浮动数据，并结合所述目标供应商的资质属性，得到所述目标供应商履行所述实时订单的风险系数。2.根据权利要求1所述的基于机器学习的供应商风险分析方法，其特征在于，所述获取所述历史订单对应的商品类型，结合所述供应链资产数据确定与所述商品类型关联的资产关键词及关键词幅度，包括：根据所述商品类型确定影响商品的自身属性及环境属性，并获取商品的自身属性的变化周期规律及环境属性的影响因子，并结合所述供应链资产数据确定变化周期规律、影响因子与商品类型的关联性；当所述变化周期规律、影响因子与商品类型的关联性大于预设阈值时，将所述变化周期规律对应的自身属性、影响因子对应的环境属性确定为所述商品类型关联的资产关键词，所述变化周期规律、影响因子确定为所述关键词幅度。3.根据权利要求1所述的基于机器学习的供应商风险分析方法，其特征在于，所述基于所述目标出现频率判断所述目标供应商是否满足风险要求，包括：基于所述订单供应周期，周期性获取所述目标供应商的供应链评价数据，并确定目标供应商的供应链评价数据中评价关键词的周期频率，判断所述周期频率是否达到所述目标出现频率的对应要求。4.根据权利要求1所述的基于机器学习的供应商风险分析方法，其特征在于，所述结合所述目标供应商的资质属性，得到所述目标供应商履行所述实时订单的风险系数，包括：根据所述目标供应商的资质属性确定所述目标供应商的资产浮动承受能力，结合所述资产浮动数据，得到所述目标供应商的违约可能性，根据所述违约可能性确定所述目标供应商履行所述实时订单的风险系数。
5.根据权利要求1所述的基于机器学习的供应商风险分析方法，其特征在于，所述分类结果，包括：供应商服务满意...

【专利技术属性】
技术研发人员：陈晗，王庆，刘美意，谢志远，王涛，吴浩，金奕，黄永祥，何佳，谢颖，裘宏庆，陈强，
申请(专利权)人：国网浙江省电力有限公司物资分公司，
类型：发明
国别省市：