《International Journal of Information Management Data Insights》：A data-driven decision-support framework for supply management using multi-criteria evaluation and machine learning
编辑推荐：
本文提出了一种基于数据驱动的供应管理框架，其基础是跨端到端供应流程的经整理的运营数据。数据通过自动化验证、交叉核对和可追溯性进行维护，从而确保分析的可靠性。在此基础之上，建立了三条分析流程：基于专家评估的层次分析法（Analytic Hierarchy Pro
本文提出了一种基于数据驱动的供应管理框架，其基础是跨端到端供应流程的经整理的运营数据。数据通过自动化验证、交叉核对和可追溯性进行维护，从而确保分析的可靠性。在此基础之上，建立了三条分析流程：基于专家评估的层次分析法（Analytic Hierarchy Process, AHP）、基于机器学习的预测建模以及探索性无监督分析。针对每条流程，研究人员构建了面向任务的数据集和特征表示，以服务于管理目标。该框架使用相互关联的请求、采购和收货数据进行验证。基于这些记录，AHP使用多准则对供应商进行评估和分类，而机器学习则从运营特征中预测由此产生的绩效类别。结果表明，在供应商-物料类型表示中融入聚合的物料类型信息通常能够提升预测性能，凸显了情境化特征工程的价值。探索性聚类揭示了员工工作负荷和处理效率方面的模式。总体而言，研究结果展示了该框架如何将运营数据转化为供应管理中可操作的洞察。
论文解读
一、研究背景与问题
供应管理是一个跨职能的流程，涵盖从计划、请求提交、处理、采购、仓储、配送到退货和处置等多个相互关联的阶段。在大型机构环境中，这些活动需要跨组织单元的协调，并对各阶段的物料、决策和交易进行持续跟踪。在传统的纸质环境中，这种复杂性常常导致延误、可追溯性受限和数据不一致，从而降低了决策信息的可靠性。数字化环境通过支持持续的数据捕获、验证和集成来克服这些限制，使供应活动形成一条连贯的工作流，前一阶段的操作会影响后续的决策和结果。然而，将这些信息转化为可靠的、可供多准则评估和预测建模使用的分析就绪数据，仍然是一项重大挑战。
尽管数字工具在采购和库存管理中已得到广泛应用，包括支持端到端运营的商业系统，但现有文献大多聚焦于供应管理流程的特定阶段。这些研究可能在单个阶段内提供详细分析，却很少涉及信息如何在完整的供应生命周期中被一致地捕获、验证和结构化。因此，现有洞察仍呈碎片化状态，阶段特定分析缺乏与更广泛的流程级数据和决策之间的连贯联系。此外，尽管端到端供应管理系统在实践中已相当成熟，但其详细实现很少在文献中记录。从研究角度来看，这反映了信息管理和数字化转型文献中的一个空白——对结构化数据整理和表示如何支持多准则决策建模与数据驱动学习在统一且迭代的决策支持框架内的集成，关注仍然有限。
为填补这一空白，本研究提出了一种以数据为中心的决策支持方法，其基础是真实世界中的数字化供应管理环境，重点关注经整理的运营数据如何支持结构化决策和分析建模。研究围绕四个核心问题展开：其一，端到端的运营信息如何被捕获、验证和整理，从而为供应管理中的多准则决策提供可靠基础；其二，机器学习模型在多大程度上能够利用基于AHP或专家定义的标签，从运营特征中逼近多准则决策结果；其三，特征表示（包括聚合信息和情境信息）如何影响多准则决策建模中的预测性能；其四，在没有预定义标签的情况下，从流程驱动的绩效数据中能够获得哪些额外的探索性分析洞察。
二、研究内容与结论
该研究依托约旦德国大学（German Jordanian University, GJU）开发的数字化供应管理环境，该环境支持端到端的供应流程信息捕获，将供应运营表示为相互关联的记录，并通过结构化验证、多阶段审批检查、运营记录与财务记录的交叉引用以及全生命周期的可追溯性来保障数据质量。在此基础之上，研究提出了一个多流程数据驱动框架，包含三条互补的分析路径：基于专家评估的层次分析法（AHP）流程、基于机器学习的预测建模流程以及探索性无监督分析流程。
在供应商绩效评估中，研究人员使用AHP方法，基于质量价值（Quality Value, Q）、交付效率（Delivery Efficiency, D）、报价成功率（Offer Success Ratio, O）和物料量比率（Item Volume Ratio, V）四个准则对供应商-物料类型记录进行评估。准则权重由专家判断确定，分别为0.20、0.20、0.20和0.40，一致性比率（Consistency Ratio, CR）为0.00，表明判断完全一致。评估结果将供应商划分为高、中、低不同绩效等级。
在机器学习流程中，研究人员使用支持向量分类器（Support Vector Classifier, SVC）和K近邻（K-Nearest Neighbors, KNN）等算法，以AHP生成的绩效类别作为目标标签，从运营特征中学习预测关系。研究特别关注特征表示的作用，设置了两种特征场景：原始特征和加入聚合情境信息的增强特征。结果表明，在供应商-物料类型表示中融入聚合的物料类型信息通常能够提升预测性能，凸显了情境化特征工程在捕捉多准则评估结构方面的价值。
在无监督分析流程中，研究人员使用K-Means聚类算法对员工绩效数据进行分析，基于处理请求数量、平均处理时间和最大处理时间等特征识别自然分组。聚类结果揭示了员工工作负荷和处理效率方面的不同模式：处理工作负荷较高且平均处理时间较短的员工可能与较高效率相关，而处理时间较长的群体可能表明存在潜在瓶颈。
该框架的核心贡献在于展示了经整理的运营数据如何使多准则评估、预测建模和决策支持在统一的分析框架内实现集成。与以往孤立应用这些方法的研究不同，该研究强调结构化数据表示和验证是逼近多准则决策结果的关键使能因素，揭示了数据生成、特征表示和决策逻辑之间的关系。此外，由于框架运行在持续生成的运营数据之上，更新后的数据集可用于定期重新训练模型，帮助保持与不断变化的运营条件的一致性，支持及时的决策制定。
三、关键技术方法
本研究主要采用了以下几项关键技术方法：其一，层次分析法（AHP），用于构建多准则评估模型，通过专家判断确定准则权重并生成可解释的绩效评分和类别；其二，机器学习分类算法，包括支持向量分类器（SVC）和K近邻（KNN），用于从运营特征中学习并预测供应商绩效类别；其三，K-Means无监督聚类算法，用于在无预定义标签的情况下识别员工绩效数据中的自然分组和模式；其四，特征工程方法，通过构建聚合和情境化特征（如物料类型聚合信息）来增强预测模型的表示能力。研究数据来源于约旦德国大学（GJU）数字化供应管理环境中的端到端运营记录，涵盖请求、采购和收货等相互关联的数据。
四、研究结果
供应商绩效评估（F1）：基于AHP的多准则评估框架对供应商-物料类型记录进行评分和分类。四个评估准则包括质量价值、交付效率、报价成功率和物料量比率，权重分别为0.20、0.20、0.20和0.40。一致性比率为0.00，表明专家判断完全一致，满足CR小于0.10的推荐阈值。
机器学习验证（F2）：以AHP生成的绩效类别作为目标标签，使用SVC和KNN等算法进行监督学习。研究设置了两种特征场景进行对比：仅使用原始特征，以及加入聚合情境信息的增强特征。结果表明，增强特征表示在预测性能上普遍优于原始特征，验证了情境化特征工程对多准则决策建模的积极作用。
敏感性分析：通过调整评估准则的权重设置，检验AHP评估结果的稳健性，确认评估框架对权重变化的敏感程度。
探索性聚类（F3）：使用K-Means聚类对员工绩效数据进行分析，基于请求处理数量、平均处理时间和最大处理时间等特征识别出不同的绩效群体。聚类结果揭示了员工工作负荷与处理效率之间的关联模式，高工作负荷且低平均处理时间的员工群体与较高效率相关，而处理时间较长的群体可能表明存在流程瓶颈。
跨流程讨论：三条分析流程虽然方法上相互独立，但共享相同的经整理数据基础，从不同角度为供应管理决策提供互补的洞察。
五、结论
本研究提出并验证了一个基于数据驱动的多流程决策支持框架，用于供应管理。该框架建立在经整理的端到端运营数据基础之上，通过自动化验证、交叉核对和可追溯性机制确保数据质量。框架包含三条互补的分析流程：基于AHP的专家评估、基于机器学习的预测建模和基于无监督学习的探索性分析。研究结果表明，经整理的运营数据能够有效支持多准则评估和预测建模的集成，而情境化特征工程能够显著提升预测性能。探索性聚类分析则为识别运营模式提供了额外视角。该框架的意义在于展示了数据整理、特征表示和决策逻辑之间的紧密联系，为供应管理中的综合决策支持提供了可复制的实现路径。未来工作可在更广泛的供应环境中验证该框架的适用性，并进一步探索特征表示和模型更新的优化策略。
