摘要：當前隨著市場環境的變化，供應鏈的風險和不確定性在增加。供應商的采購、生產和物流周期都存在較大的不確定性，供應能力和周期也存在不確定性。尤其對于供應商管控能力弱的中小企業而言，這種不確定性帶來極大的管理和交付難題。借助歷史供應數據對供應商進行畫像，摸底其供應能力和周期，并在制定供應計劃時充分尊重供應商的供應能力和供應周期，將是保障整個供應鏈中供應計劃可行性的重要手段。通過建立基于模型和數據的供應商畫像方法，實現基于歷史數據的供應商供應能力智能評判，提前預判可能的供應風險，并作為采購計劃制定的依據。

關鍵詞：供應鏈管理、供應計劃、供應商畫像

引言

供應鏈管理是指在滿足一定的客戶服務水平條件下，為實現企業經營成本最小化、整體利潤的最大化，對企業上、中、下游連接之間原料供應、產品制造、物件配送、成品銷售等連鎖經營活動進行管理的方法。其中，供應商管理是供應鏈中必不可少的一個環節，供應計劃的制定過程要充分考慮供應商的供應能力，而目前供應商的供應能力測算還更多依靠采購員估算，缺乏相應的科學依據。當前隨著市場環境的變化，供應鏈的風險和不確定性在增加。供應商的采購、生產和物流周期都存在較大的不確定性，供應能力和周期也存在不確定性。如果不能科學地評估供應商供應能力，就可能會錯誤地選擇供應商進而影響采購計劃的履行，影響自身的供應和交付。

對于大企業，可以采用自身在供應鏈的優勢地位來要求供應商嚴格履行采購計劃。而對于廣大中小企業而言，一方面采購量少，采購量不夠穩定，對供應商管控能力弱；另一方面也沒有足夠的資金構建完善的供應商管理系統，實時獲取供應商的采購、生產、質檢等信息。因此，中小企業更多依賴采購員的經驗來實施供應鏈管理，在客觀性方面有所不足，也容易帶來管理和交付難題。

為了不依賴經驗對供應商進行評價和判斷，需要采用科學的供應商畫像技術。其目標是基于供應商歷史的供貨數據來判斷供應商的供應能力和供貨質量，并針對具體的采購計劃分解，模擬供應商可能的交付日期和交付質量。基于整個供應鏈中的多個供應商的畫像數據，就可通過供應鏈仿真的方法模擬整條供應鏈的運作狀態，進而對采購計劃進行評價，提前發現可能的風險點，并加以預防。供應商畫像是用一連串的標簽簡短而形象地描述一個供應商的特征，主要是通過供應商歷史數據，預測供應商針對既定采購量的供貨周期和供貨質量[2]。

本文首先從供應商的供應周期將供應商種類分為一般供應商和瓶頸供應商，并闡述了一般供應商和瓶頸供應商供應周期預測的方法，之后論述了從供應商基本信息、供貨質量、供貨周期等三個方面對供應商畫像進行建模的方法，最后提出了基于歷史數據驅動的供應商畫像技術的應用模式。

一、供應商畫像分析

1.供應商分類

首先需要對企業的供應商進行分析，不同類別的供應商采用不同的畫像方法[3]。按照供應商對供應鏈整體的影響程度，供應商可分為如下兩類：

（1）一般供應商

供應總周期按從低到高排序，位于前95%且供應周期遠小于供應總周期，且可替代性比較強的供應商為一般供應商。此類供應商供應周期對供應鏈整體影響不大，在生產齊套時成為緊缺物料的可能性較低。因此在制定供應計劃時，不必對其特殊考慮，只需參考其歷史供應周期即可。供應商畫像只需根據其供應歷史，描述其供應周期。

（2）瓶頸供應商

供應總周期按從低到高排序，位于后5%且很難被替代的供應商為瓶頸供應商。此類供應商供應周期對供應鏈整體影響較大，在齊套裝箱時成為緊缺物料的可能性高。因此在制定供應計劃時，需對其特殊考慮。對瓶頸供應商而言，需逐一對其生產周期予以細化，其生產周期一般包括采購、加工、質檢、運輸四個環節，如圖1所示。

采購：即供應商采購原材料所耗費的時間周期，一般采購時間和采購批量相關，多數情況下多個供應波次會在第一次采購完成。采購完成后進入加工環節。

加工：即供應商在其原材料齊套后的生產加工時間，一般加工時間與批量相關，且存在最大和最小加工批量約束，當采購物料批量較大時，可能分若干批次加工完成。當完成采購訂單上一波產品的量時，進入質檢環節。

質檢：即供應商在加工完成后的質檢時間，一般是一個采購訂單所有生產批次均加工完成后才開始質檢，質檢周期和質檢類別和批量相關。質檢完成后進入運輸環節。

運輸：即供應商完成質檢后將產品運輸至需求地的時間，運輸時間和運輸距離相關，根據供應商所在地理位置確定運輸時間。

2.一般供應商供應周期預測方法

對一般供應商，在預測供應周期的過程中，主要采用數據驅動和模型驅動兩種方法，若在歷史數據庫中有與當前訂單相同的訂單時，采用數據驅動（利用歷史數據）的方式對供應時間進行預測；若在歷史數據庫中無法查到與當前訂單相同的訂單時，采用模型驅動的方式對供應時間進行預測。如圖2所示。

(1)模型驅動

模型驅動的基本思想是如果一般供應商不存在相同采購數量的供應歷史，則需對歷史供應數據進行擬合處理，得到采購數量和供應周期的函數模型，根據不同應用場景又分為一般產能預測函數以及極限產能預測函數。函數的計算方法如下：

首先對歷史數據進行清洗，清洗掉不合規的數據。一般而言，企業下達訂單會根據齊套性和自身產能需要，要求供應商分波次供應。供應商接到訂單后開始采購備貨，并分波次生產和供應。因此采購周期通常會發生在第一波次，即第一波次的供應時間為采購周期與生產周期之和，而后續波次供應時間只有生產周期。因此將歷史數據按訂單分開為第一波供應數據和第一波后的供應數據。第一波供應周期預測函數為：

Y1=X1/a+bX1

其中Y為需要計算的該供應商的供應時間，X為訂單給出的產品需求量。a、b分別為需要計算單日生產速度和平均到單件產品的采購時間。該函數表示供應時間由產品生產時間和采購時間兩部分構成，其中X/a、bX分別為對應數量為X的產品的生產時間和采購時間。

第一波后續波次供應周期函數為：

Yn=Xn/a

具體參數的計算方法如下：

將歷史數據中的第二波及以后的供應量、供應時間分別求和得到總供應量Xn與總供應時間Yn。由于多數情況下多個生產波次的采購在第一個波次完成，因此從第二個波次開始的采購可視為沒有準備時間。因此可認為Yn為已完成準備工作后生產Xn件產品所需的時間，則a=Xn/Yn為單日生產速度。同樣地，將歷史數據中第一波供應的供應量、供應時間分別求和得到總供應量X1與總供應時間Y1，則X1/a為X1件產品的生產時間，（Y1-X1/a）即為所有波次的總準備時間，將總準備時間（Y1-X1/a）除以X，得到平均每件產品的采購時間b。

(2)數據驅動

數據驅動的基本思想是如果一般供應商有相同采購數量的供應歷史，則按供應歷史預測本次采購的供應周期[4]。在歷史數據庫中，選擇供應批次、數量均與當前采購訂單相同的歷史訂單，若僅有一條相同歷史數據，則該歷史供應時間即為當前采購訂單的供應時間，若有多次相同數據，則計算多次供應時間的平均值作為當前采購訂單的供應時間。

二、供應商畫像建模

供應商畫像由供應商機理模型和供應商數據模型構成(如圖3所示)。供應商機理模型也可表述為“供應商生產能力評估模型”，是基于供應商的庫存和生產工藝來評估供應商針對當前訂單需求的供貨能力；供應商數據模型主要用于記錄供應商的基本信息和歷史供貨信息[5]。

1.供應商機理模型

構建供應商機理模型，主要考慮如下幾個指標：

（1）供應商成品庫存

供應商當前可用于供貨的貨物庫存量。指標值為具體的貨物庫存數量。當庫存量大于訂單需求時，表示庫存充足，在無需生產的情況下庫存量能夠滿足訂單要求；當庫存量小于訂單需求時，表示庫存不充分，表明還需開展生產才能滿足訂單需求。

（2）供應商原材料庫存

供應商可用于生產的原材料的庫存數量。新生產產品和庫存產品數量之和能夠滿足訂單，則表示原材料庫存充足，否則，原材料庫存不充足。

（3）生產批量

供應商生產該產品的最小經濟批量。針對貨物是否為關鍵產品，應采用不同精度的生產批量，例如，關鍵產品的生產批量應精確到個位數，非關鍵產品則精確到十位數即可。通過對關鍵產品和非關鍵產品的區分，可以充分且精簡地描述數百家供應商、每家供應商可提供多種產品等相關信息，利于數據的記錄分析與供應鏈數字孿生建模。

（4）生產周期

供應商生產該產品的生產周期。也需要區分關鍵產品和非關鍵產品。

以訂單需求某產品100件、供貨時間為10天舉例說明。

如表1所示，通過數據定期采集并評估供應商供貨能力，可知示例供應商1、2具備充足的供貨能力，此時，只需簡單查詢該供應商的數據模型，根據供應商歷史履約情況最終確定是否給該供應商下訂單。針對供應商3、4，則還需要深度分析該供應商的數據模型，確定是否向該供應商下訂單、確定訂單產品數量、確定是否需要其他供應商同時供貨等相關決策問題。

2.供應商數據模型

構建供應商數據模型，主要考慮如下幾個指標：

（1）供應商基礎信息

供應商基本的企業信息、供應商地理位置、供應商可生產產品等相關基礎信息，該類信息主要是指一些長期不變的基本信息。

（2）供應商歷史供貨信息

供應商在歷次的供貨活動中，每一次訂單的詳細情況、供貨情況、生產情況等信息，該類信息會隨著供貨次數的增加而不斷增加。

（3）供應商按時供貨能力

該類信息主要通過對“供應商歷史供貨信息”進行深度分析，清楚描述該供應商在各種情況下的供貨能力。

3.供應商畫像

在機理模型和數據模型對供應能力描述的基礎上，可以清晰地勾勒出供應商的畫像，但上述供應商機理模型和供應商數據模型包含多方面的信息，雖然數據詳實，但是不能直接進行可視化，需從用戶業務角度出發，對供應商的這些信息進行有機梳理和重組。通過詳細的調研和分析，供應商畫像可以歸納為三方面：“著重刻畫靜態信息”的基本信息方面、“描述動態實時能力”的供貨周期方面、“挖掘長期歷史知識”的供貨質量方面。其中，基本信息方面可以分為供應商的商務信息和具體業務信息兩個子方面；供貨周期方面可以分為供應商的瓶頸信息和供貨能力兩個子方面。供貨質量方面可以分為供應商的質量信息和時間性能兩個子方面。

基于上述設計，開展對供應商畫像工作。供應商畫像結構如圖4所示。

（1）基本信息

供應商畫像的基本信息可以分為供應商的商務信息和具體業務信息兩個子方面。

①供應商的商務信息包括：供應商名稱、聯系人、聯系電話、稅號、法定代表人、開戶行名稱、開戶賬號、往來單位信息id等。

②供應商的具體業務信息包括：供應商的資質、供應商地址、供應的產品、是否一級供應商、供貨比例、成品庫存、生產批量、日均產量、日最大生產量等。

這些基礎信息是對供應商最直觀的展現，并隨數據進行實時更新。數據主要來自于與供應商進行采購時簽訂的訂單，和供應商日常聯系情況，這些數據由采購部門進行整理后整合到相應的電子表格或數據庫中，并根據實際情況以及與供應商的聯系對此部分信息進行實時更新。通過此部分畫像構建，可以明確清晰地看到各個供應商在全國各個地區的分布情況，同時也可以查看部分產品在地圖上的分布情況以及對應供應商數量的統計。如圖5所示，將供應商基礎信息進行整合后，以地圖的形式直觀展現供應商地理位置分布。

（2）供貨周期

供應商畫像的供貨周期可以分為供應商的瓶頸信息和供貨能力兩個子方面。

①供應商的瓶頸信息包括：是否一般供應商、生產瓶頸供應商、采購瓶頸供應商、重點部件名稱、重點部件現有量等。

②供貨能力包括：采購周期（天）、檢驗周期（天）、運輸周期（天）、生產周期（天）。采購周期（天）是指從供應商發出原材料采購單，到供應商收到原材料的時間；生產周期（天）是指從供應商開始投產一個批次原材料至形成產品的時間；檢驗周期（天）是指供應商從產品形成到檢驗完成的時間；運輸周期（天）是指供應商運輸產品到研究所的時間。供應商交貨的日期減去訂單下單的日期為供應商本次供貨周期。即：供應周期（天）=交貨日期-下單日期。

根據供應周期（采購、生產、質檢和物流）進行供應商的劃分。如表所示，采購周期長的進入二級供應商，二級供應商按一般供應商核算；生產周期長的進入生產階段，每階段按周期、批量及階段關系核算；且瓶頸供應商需單獨建模和維護。

（3）供貨質量

供應商畫像的供貨質量可以分為供應商的質量信息和合格率與供貨量關系兩個子方面。

①供應商的商品質量信息包括：廢品率、檢驗合格率、質量事故、批量不合格率等。廢品率是指廢品數量在合格品、次品和廢品三者總數量中所占的百分數，它是反映產品生產工作質量水平的一個指標；檢驗合格率是指交付的產品,通過客戶驗貨被合格接收的數量占交付產品總數量的比率；質量事故是指每年由于產品不合格引起的生產停頓次數，導致供應商停止發貨，停止生產或者要求將以制造的產品進行修正；批量不合格率是指在一定期間內,在所有的檢驗批中,若因檢驗判定不合格而整個檢驗批需要返工(或返修或報廢)的批數占總的檢驗批的批數的比例。

②合格率與供貨量關系，即根據歷史供應數據，形成供應商產品合格率與供貨量的曲線圖，為描述供應商供貨質量提供參考。

三、供應商畫像系統開發

采用上述供應商畫像方法開發供應商畫像系統。供應商畫像系統總體數據關系圖如圖6所示。通過對一級供應商和二級供應商兩個對象進行屬性描述，將訂單、產品、零件和采購關系與各級供應商進行關聯，形成數據管理架構。

基于該系統，可以對供應商歷史供應數據進行查詢、統計和管理，并基于歷史數據對供應商畫像。由采購人員使用，通過設定評價分析指標和對象，結合訂單信息和采購信息對供應商進行綜合評價、分析和管理，供應商畫像的結果可作為采購計劃制定的依據，對減少采購計劃制定過程中的主觀因素具有積極作用。

四、結束語

為了應對持續增加的供應鏈風險，面向中小企業提出供應商畫像技術，盡可能避免人為因素對供應商評價的影響，基于歷史供應數據刻畫供應商特征，為采購計劃和過程的管理提供依據。但供應商畫像技術目前依然存在一些局限，如歷史數據量少、關鍵信息搜集困難、標準未統一等，這些局限阻礙了其進一步的應用，有待進一步的研究與探討。