智決策   自評審

——基于大數據與人工智能的采購4.0時代

作者：林  嘯  張  倩  林靈淑

近年來，黨中央、國務院出臺了一系列政策，對現代供應鏈創新發展進行了全面部署。產業供應鏈領域積極響應政策號召，加快培育新增長點、形成新動能，展開了推動行業高質量發展的探索創新。采購作為供應鏈前端的重要環節，在供應鏈體系中發揮著促進內部融合貫通、帶動外部協同合作的重要作用。在國家政策的大力支持和信息技術革命的有力驅動下，企業尤其是國有企業在供應鏈管理中建立統一核心平臺、構建標準數據化管理體系的訴求日益強烈，數據驅動業務、業務驅動數據的良性循環體系開始逐步形成。

隨著國家優化營商環境工作的深入推進以及“互聯網+”、大數據算法等技術的快速發展，招標投標形態發生了深刻的變化，采購活動逐漸由線下向線上平臺轉移，電子化和信息化水平顯著提升，國內大型企業集團不斷深化應用集中規模采購模式，加快更新迭代，推動集中規模采購不斷向新的高度發展。

集中采購自誕生以來，經歷了三個主要發展階段。

以線下采購為主要特征的采購1.0時代依托大量紙質文件、人工集中操作，通過規模效應獲取成本效益，該階段歷時最久，效率也最低。

采購2.0時代是從線下采購向線上采購轉移的過渡期，眾多企業通過網絡信息載體完成采購活動，但各環節仍大量依靠人工主導，信息割裂的特征明顯。

采購3.0時代是當下正在經歷的現代智慧供應鏈建設階段，以全過程管控、全要素驅動、全周期協同、全方位融合、全鏈條貫通為導向，將供應鏈各環節貫通協同。采購3.0時代的采購模式雖然在較大程度上實現了供應鏈各環節的貫通，并通過各類信息化、數字化手段進一步解放了人力資源，但采購的核心仍然重度依賴人的參與和決策。隨著大數據與人工智能技術的不斷發展革新，以自我管理、自我驅動、自我決策為特征的智慧采購4.0時代正呼之欲出。

采購4.0時代將突出解決招標采購三大傳統掣肘和難題：一是采購策略依靠“人為決策”，缺乏科學合理的邏輯支撐體系；二是投標環節需要供應商“人工投標”，耗費大量人力、物力提供相關信息；三是采購評審依賴評審專家“人力評審”，信息分析效率低下。新的采購模式將打破并重構原有的行業模式、合作關系、用戶邊界，驅動采購人與供應商、設計單位等供應鏈伙伴緊密協同，加快營造信息集成、業務協作和資源共享的產業鏈生態圈，促進國內循環，形成強大國內市場，助力構建新發展格局。

基于大數據與人工智能的采購4.0時代是打破原有采購各環節信息系統獨立運行邊界，重構數據層、策略層、應用層的一體化概念。

在數據層，通過標準化底層設計及大數據技術對采購全流程的過程信息數據、供應商側生產運行實時信息、工商征信專利社保等社會端信息數據、檢測機構和認證機構及審計律所等提供的第三方機構數據進行識別與梳理，將信息直接應用于采購評審側，避免各中間環節的加工及信息丟失等情況發生。

在策略層，通過建立科學的支撐體系，從市場類型、供應商畫像、價格監控等角度為集中規模采購策略調整提供理論依據。同時，充分發揮采購策略的科學引導作用，減少采購活動中招標人及代理機構的主觀性，進一步提升決策科學性，并降低廉潔從業風險。

在應用層，通過人工智能技術將人工無法處理總結的海量復雜數據進行學習分析，識別內在聯系和規律，并推薦預測可能的結果分類，從而實現高效智慧的采購管理。

（一）數據層

數據作為企業信息化建設和數字化轉型的基礎性、戰略性資源，是采購4.0時代的核心要素。當前，供應鏈數據問題日益突出，主要表現為：供應鏈前后端數據標準與顆粒度不統一、不規范；供應鏈數據延伸深度、廣度不足，孤島化現象嚴重；供應鏈上下游各方信息反饋滯后，互動性差。為進一步實現物資領域的大數據與人工智能應用，亟需在三個方面實現數據的高效管理、協同共享。

1.形成供應鏈通用數據語言體系

通過建設并嚴格執行數據業務標準，形成涵蓋采購物資、設備參數、供應商信息的統一編碼規則，構建通用且唯一的供應鏈數據語言，打通采購標準、合同管理、供應商管理、物資供應等業務模塊的數據壁壘，實現從計劃、標準化、采購到后續履約、監造環節的全流程數據貫通應用。數據的規范化管理不僅是實現數字化的基礎條件，更是進一步鞏固深化供應鏈智慧運營的重大底層設計。

2.高效整合物資領域上下游信息

通過智能化數據感知手段，實現基建、設備、營銷等需求側數據的實時采集，同時實時獲取供應商生產工單、排產計劃、生產設備運行情況等供給側數據，以及社會信用信息系統、地理交通物流系統跨行業數據，解決投標信息層層編輯修改、反復儲存的問題，減少系統中冗余信息儲存，有效釋放效能。通過將設備監造、出廠驗收、履約協調、現場安裝、項目投產啟動以及日常運行等各關鍵環節出現的問題進行多維量化，形成評價分值并應用于采購階段，從而將物資領域上下游信息高效整合匯聚至采購環節。

3.搭建信息實時交互共享平臺

通過搭建涉及設計單位、業主單位、監管部門、制造商等供應鏈各方的實時交互共享平臺，為供應鏈全局提供多元化信息與意見，構建智能化交互模型，引領供應鏈上下游數據實時引流、共享共治、自主迭代、除舊納新，從根本上解決各環節間信息反饋滯后、數據沉淀冗余等問題。

高效、協同、共享的供應鏈數據底層構架是招標人獲取供應鏈全量數據、避免“人為制定”采購策略的基礎，是供應商擺脫“人工投標”、實現一鍵投標的關鍵，也是減輕評標專家“人力評審”工作量、提升評審智能化水平的重要前提。

（二）策略層

當前采購模式下，采購策略的制定主要依靠人工決策。面對復雜的市場環境、眾多的市場主體，人工統計分析通常難以找出采購策略的調整與中標人價格或質量變動的關聯關系，不同采購策略與中標結果缺乏系統性規律總結，采購策略的制定缺少科學合理的支撐體系，無法真正發揮調節與引導作用。采購4.0模式下，利用大數據與人工智能技術，通過深度學習歷史采購數據與市場信息，應用市場競爭態勢、市場群體畫像、市場價格跟蹤等理論體系，建立從市場研究到主體分析再到價格追蹤的多維策略智能制定分析框架，有效指導企業采購與定價策略。

1.市場態勢實時分析

招標投標活動是一個招標人和投標人互相博弈的過程，招標采購策略的制定必須依據市場環境的變化和雙方博弈的結果動態調整。應用大數據技術實時跟蹤市場波動，通過市場中企業的數量、市場份額、企業規模的關系獲知市場結構，自動研判當前及未來一定時間內的供應商競爭態勢、市場競爭類型、具象化市場特點。對于不同的市場情況，針對性提出差異化的采購策略，從而實現不同的采購目標與市場引導訴求，如圖1所示。如對于投標廠家充足的完全競爭市場，在策略上應進一步強化技術和質量評審，著重選優選強。又如對于投標廠家較少的寡頭壟斷市場，在保證質量的同時，一方面需適度降低門檻，增加供應商數量，防止供應鏈斷裂風險；另一方面需著重監控價格趨勢，分析報價異常，警惕惡意抬升價格。

2.供應商畫像迭代更新

供應商群體能力參差、各具特點，分析掌握供應商的各方面能力是支撐采購策略進行有效調整的重要前提?；诓少徣鞒谭e累的供應商多維度信息，構建供應商能力畫像模型。供應商能力畫像采用大數據分布式算法，將供應商在供應鏈不同環節的多維度信息進行歸納整合。在采購評審初評階段，進行合格性審查，通過構建產品實力指標，體現供應商產品研發與生產能力。在采購評審詳評階段，進行優劣性評價，橫向對比各供應商在技術、商務、價格方面的差異，整合形成技術競爭能力、商務競爭能力、供應商報價行為等要素，如圖2所示。在采購結束后，及時跟蹤收集中標供應商在生產制造、安裝調試、物資供應、運行維護等環節的評價反饋，持續對供應商畫像信息進行迭代更新。在市場競爭態勢分析的基礎上，通過細化供應商能力畫像，進一步聚焦微觀個體，豐富差異化的采購策略方案。

3.采購價格跟蹤預警

價格策略作為招標采購中重要的招標策略，直接影響著投標人群體報價水平以及招標人的經濟利益。通過建立價格波動預警及調控機制，充分考慮市場價格水平受宏觀經濟、原材料價格、當前市場競爭態勢等客觀因素影響，持續跟蹤市場價格長期、中期、短期三個不同階段的波動情況，利用智能算法確定產品價格合理性波動區間。持續追蹤不同批次采購價格變化，根據價格波動設定分級預警機制，當價格波動達到設定閾值后將觸發不同等級的預警，按照規則自動調整策略導向，從而建立價格追蹤及負反饋機制。

通過長期的實踐積累和算法的自我學習，采購策略模型得以不斷優化完善，改變了以往“拍腦袋”的主觀性制定方式，解決了采購策略“人為制定”的掣肘。

(三)應用層

傳統集中采購模式中，單一化的評審要素往往忽視了需求側的個性化需求。同時,評審階段出現的圍標串標現象難以人為界定，供應商后續生產供貨延遲和同類型產品質量問題等情況時有發生，難以預測。采購4.0模式下，利用大數據與人工智能技術，能夠挖掘供應商鏈條表象背后隱藏的深層邏輯關系，有效預警各類潛在風險。以電網設備采購為例，可以實現以下四個方面的智能化應用。

1.采購質量導向預警

基于大數據的質量問題分析，能夠利用設備型號、技術標準、所屬路線、組件廠商、投運時間等信息，構建電力設備知識圖譜，深挖設備事故關鍵誘因。通過將圖譜與采購需求、供應商投標相應信息進行分析比對，對相關供應商及設備依據、關聯性進行否決或相應扣分處理，有效防范設備并發事故風險，避免電力設備“家族性病癥”，支撐電力設備并發故障預測。

2.圍標串標監控預警

利用機器學習的算法訓練模型有效分析分類投標文件，把歷史真實串標的投標人投標報價、相似度高的文字描述等“行為特征”作為增強學習模型的輸入值，不斷迭加訓練出特定特征與圍標串標行為的對應關系模型，從而在評標時給出本批次投標文件圍標串標的監控預警。

3.因地制宜差異化評審

針對低溫、潮濕、高海拔等惡劣環境或位于電網關鍵樞紐區域的重點站線，自動匹配供應商歷史供貨及運行情況，優化技術評審因子，分級分類考量供應商應對特別情況的能力，加大特殊技術參數差異性指標評審占比，在先進適用的基礎上，遴選最匹配的供應商，實現專區專供。

4.風險分級產能預警

通過構建模糊和長短期記憶神經網絡模型，綜合利用網絡抓取技術、文本識別技術，整合電網經營大數據與外部公開信息，自動獲取供應商動產抵押、資金困難等信用信息，以及供應商生產工單、排產計劃、生產設備運行等情況，預期供應商破產、延期交貨等風險，構建智能評級模型，實現對企業信用、價值及風險的精準評級，合理限制風險估值異常的供應商中標量，保障資金安全、物資供應時效和質量。

1.智慧引領采購變革，采購全流程自動化、科學化、智能化

基于大數據與人工智能的采購4.0時代，人力資源將從采購流程中釋放，轉向頂層設計環節，大幅減少當前采購模式中的人為干預因素，降低人力成本，實現采購全流程的自動化、科學化、智能化。全要素信息自動抓取分析，信息流自動貫穿采購全流程，減少人工機械化操作；搭建科學分析框架，分析采購全流程數據，輔助進行采購決策，提升采購科學性；利用系統學習與深度學習技術，智能研判分析，定制化采購方案，采購質效飛躍性提升。

2.落實“碳達峰、碳中和”要求，大幅節省招標方及供應商資源成本

基于大數據與人工智能的采購4.0時代，招標方從采購流程與組織中釋放，供應商擺脫繁雜的投標活動，人力資源、經濟資源等都得到大幅釋放。依托自動化系統，采購全流程周期大幅縮短，采購需求得以高效滿足，實現采購精益規范、供應及時準確、設備安全可靠、管理優質高效，推動采購活動向智慧卓越模式發展。