一种企业竞争力分析方法与流程

本发明涉及商超行业大数据分析领域，尤其涉及一种企业竞争力分析方法。

背景技术：

现有传统金融信用评价，主要基于企业财务状况数据，来评价企业的信用等级，而企业财务数据由企业填报，由于存在虚假填报或未经专业审计等情况，因此存在信息失真的问题，无法基于相关数据对相关企业信用进行科学有效的评价分析。尤其是针对传统零售行业，传统零售行业所涉及商品关系民生，保证食品安全，提高商品质量是民生之本，通过对核心商超上游供应商进行竞争力分析评价，有利于筛选出更优质的商品供应商，淘汰不良供应商，对保证食品安全，提高商品质量具有十分重要的意义，而目前零售行业领域还没形成科学完善的评价体系，因此如何获取真实的企业数据，并形成科学的评价体系，以对核心商超上游供应商进行科学准确的竞争力分析是十分必须的。

技术实现要素：

本发明提供的一种企业竞争力分析方法，主要解决的技术问题是：如何对传统零售行业核心商超上游供应商竞争力进行科学准确的分析评价。

为解决上述技术问题，本发明提供一种企业竞争力分析方法，包括：

获取核心商超上游供应链的待分析企业的如下13维指标：近3月进货得分、近12月进货得分、近3月销售得分、近12月销售得分、近3月开票得分、近12月开票得分、近3月毛利得分、近12月毛利得分、ahp模型得分、进货竞争得分变化、销售竞争得分变化、开票竞争得分变化、毛利竞争得分变化；

基于各所述待分析企业的上述13维指标生成原始指标矩阵；

基于所述原始指标矩阵，建立其相关系数矩阵；

计算所述相关系数矩阵的特征值，并将各特征值按照从小到大依次进行排序；

设置贡献度阈值，利用主成分分析法pca筛选出累积贡献度大于所述贡献度阈值时所对应的特征值，从而得到对应的原始指标作为主成分指标；

构造评价体系函数，基于待分析企业的主成分指标，计算得到该待分析企业的竞争力评分。

可选的，在生成原始指标矩阵之后，在建立相关系数矩阵之前，还包括：对所述原始指标矩阵v进行标准化，生成标准化矩阵z；

zi,j＝(vi,j-vj)/sj

所述zi,j为标准化后的数据，所述vi,j为原始指标值，所述vj表示所述原始指标矩阵第j列的平均值，所述sj表示所述原始指标矩阵第j列的标准差。

可选的，所述建立其相关系数矩阵r包括：

所述ri,j为相关系数，所述zk,i为标准化矩阵z中第k行第i列对应的标准指标值，所述zk,j为标准化矩阵z中第k行第j列对应的标准指标值，所述为标准化矩阵z中第i行的平均值，所述为标准化矩阵z中第j列的平均值，所述n为待分析企业的个数。

可选的，所述ahp模型得分基于待分析企业与核心商超在合作强度、交易趋势、供应商类型、预警机制、信用情况5个维度的指标计算得到。

可选的，所述合作强度包括最近12月交易规模、最近3月交易规模、全国分布情况、合作时间、商品品类排名得分；所述交易趋势包括当前同比、最近交易趋势、波动性；所述预警机制包括冻结比例、库存占比、年均退货率；所述信用情况包括逾期次数、最大逾期天数。

本发明的有益效果是：

根据本发明提供的一种企业竞争力分析方法，通过获取核心商超上游供应链的待分析企业的如下13维指标：近3月进货得分、近12月进货得分、近3月销售得分、近12月销售得分、近3月开票得分、近12月开票得分、近3月毛利得分、近12月毛利得分、ahp模型得分、进货竞争得分变化、销售竞争得分变化、开票竞争得分变化、毛利竞争得分变化；基于各待分析企业的上述13维指标生成原始指标矩阵；基于原始指标矩阵，建立其相关系数矩阵；计算相关系数矩阵的特征值，并将各特征值按照从小到大依次进行排序；设置贡献度阈值，利用主成分分析法pca筛选出累积贡献度大于贡献度阈值时所对应的特征值，从而得到对应的原始指标作为主成分指标；构造评价体系函数，基于待分析企业的主成分指标，计算得到该待分析企业的竞争力评分。本发明主要抓住基于供应商与核心商超之间的交易数据为核心数据，保证数据真实，针对其底下贸易往来的供应商企业给予竞争力评价，通过交易数据挖掘，来判断企业经营风险性，同时结合主成分分析法pca和层次分析法(analytichierarchyprocess，简称ahp)给予企业综合评价，有利于筛选出更优质的商品供应商，淘汰不良供应商，形成了科学有效的评价体系，可促进供应商提供更优质、更具性价比的商品，而后基于消费者的购买反馈，可影响各供应商的交易数据，形成正反馈，从而实现竞争力评价-供应商筛选-消费反馈的良心循环。

附图说明

图1为本发明实施例一的一种企业竞争力分析方法流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例一：

本实施例提供一种企业竞争力分析方法，请参见图1，该方法主要包括如下步骤：

s101、获取核心商超上游供应链的待分析企业的如下13维指标：近3月进货得分、近12月进货得分、近3月销售得分、近12月销售得分、近3月开票得分、近12月开票得分、近3月毛利得分、近12月毛利得分、ahp模型得分、进货竞争得分变化、销售竞争得分变化、开票竞争得分变化、毛利竞争得分变化；

企业竞争力指标体系的构建，参见如下表1所示：

表1

其中，近3月进货得分主要计算供应商最近3个月进货金额贡献度的得分情况，近12月进货得分主要计算供应商最近12个月进货金额贡献度的得分情况。

其中rk_jz_rate_3m、rk_jz_rate_12m的贡献度主要计算核心是以商品品类为维度，同类商品竞争，最终汇总到供应商层级上，具体计算公式如下(其中销售竞争也是以同样方式计算)：

其中1-n代表的是商品品类序号的编码；

cust_m_rk代表该供应商在第i商品品类的进货额；

m_rk代表第i商品品类总的进货额；

cust_rk代表供应商的总进货额；

tot_rk代表核心商超近1年总的进货额；

其中3m代表是近3个月总额、同理12m代表近12月个总额。

进货竞争得分变化指标计算公式如下：

rk_jz_change＝(rk_jz_score_3m-rk_jz_score_12m)/rk_jz_score_12m；

近3月销售得分主要计算供应商最近3个月销售额贡献度的得分情况，近12月销售得分主要计算供应商最近12个月销售额贡献度的得分情况。

其中sls_jz_score_3m、sls_jz_score_12m的贡献度主要计算核心是以商品品类为维度，同类商品竞争，最终汇总到客户层级上，具体计算公式如下(其中销售竞争也是以同样方式计算)：

其中1-n代表的是商品品类序号的编码；

cust_m_sls代表该供应商在第i商品品类的销售额；

m_sls代表第i商品品类总的销售额；

cust_sls代表供应商的总销售额；

tot_sls代表核心商超近1年总的销售额；

其中3m代表是近3个月总额、同理12m代表近12个月总额。

销售竞争得分变化指标计算公式如下：

sls_jz_change＝(sls_jz_score_3m-sls_jz_score_12m)/sls_jz_score_12m；

近3月开票得分主要计算供应商最近3个月开票额贡献度的得分情况、近12月开票得分主要计算供应商最近12个月开票额贡献度的得分情况。

其中dz_jz_score_3m、dz_jz_score_12m贡献度主要计算核心是以开票商品品类为维度，同类商品品类竞争，最终汇总到供应商层级上。

其中1-n代表的是商品品类序号的编码；

cust_kz_dz代表该供应商在第i类商品品类中的开票额；

kz_dz代表第i类商品品类总的开票额；

cust_dz代表供应商总的开票额；

tot_dz代表核心商超近1年总的开票额；

其中3m代表是近3个月总额、同理12m代表近12个月总额。

开票竞争得分变化指标计算公式如下：

dz_jz_change＝(dz_jz_score_3m-dz_jz_score_12m)/dz_jz_score_12m；

近3月毛利得分主要计算供应商最近3个月毛利润贡献度的得分情况，近12月毛利得分主要计算供应商最近12个月毛利润贡献度的得分情况。

profit_jz_rate_3m、profit_jz_rate_12m的贡献度主要计算核心是以商品品类为维度，同类商品竞争，最终汇总到供应商层级上，具体计算公式如下：

其中1-n代表的是商品品类的编码；

cust_m_profit代表该该供应商在第i类中的商品毛利额；

m_profit代表第i类商品总的毛利额；

m_sales代表第i类商品总的销售额；

tot_sales代表核心商超近1年总销售额。

其中3m代表是近3个月总额、同理12m代表近12个月总额。

毛利竞争得分变化指标计算公式如下：

profit_jz_change＝(profit_jz_rate_3m-profit_jz_rate_12m)/profit_jz_rate_12m；

ahp模型得分基于待分析企业与核心商超在合作强度、交易趋势、供应商类型、预警机制、信用情况5个维度的指标计算得到。主要包括如下步骤：

1、基于核心商超数据构件kpi指标

合作强度包括最近12月交易规模、最近3月交易规模、全国分布情况、合作时间、商品品类排名得分；交易趋势包括当前同比、最近交易趋势、波动性；预警机制包括冻结比例、库存占比、年均退货率；信用情况包括逾期次数、最大逾期天数。

参见如下表2所示：

表2

合作强度：主要是能体现供应商与核心商超的合作粘性，最直接能反映该特性的指标有交易规模(3、12月)、合作时间、全国分布情况、以及各自供应商所在商品品类的排名得分。

交易趋势：体现最近交易的变化及波动情况，主要由以下3个指标：同比、交易趋势、波动率来体现。

预警机制：主要体现在以下几个方面：是否被财务冻结(冻结比例)、回款是否正常(货款回款时间间隔)、退货是否异常(退货率)、是否高库存(库存占比)。

信用情况：主要由逾期次数与最大逾期天数2个指标组成。

具体指标定义如下表3所示：

表3

2、基于层次分析法ahp建立指标各指标的权重

在层次分析法中采用两两互相比较，判断矩阵的元素依据saaty的1～9标度方法来给出，同时依据该标度方法建立准则层指标标度的比较矩阵。通过比较矩阵计算最大特征根及对应的特征向量，并进行一致性检验,最终计算出各个指标的权重关系。

ahp法指标标度的含义，请参见如下表4所示：

表4

在层次分析法中采用两两互相比较，根据上述标度含义建立准则层指标标度的判断矩阵，构造判断矩阵a＝(aij)n×n，单准则下分别构造，即在目标层下对合作强度、交易趋势、预警机制、信用情况、构造判断矩阵，参见如下示例(如表5)：

表5

同理，可构造准则层合作强度对指标层近12月、3月交易规模、合作时间、品类得分、全国分布情况的构造，判断矩阵参见如下示例(如表6)：

表6

以此类推可以得到所有层的判断矩阵，其中权重特征计算如下：

(1)针对判断矩阵进行归一化处理：

(2)计算判断矩阵特征

(3)归一化处理得到表中权重特征t

(4)计算一致性检验，也就是表中cr指标

其中ri为随机一致性指标，如果cr计算值小于0.1，说明判断矩阵一致性在容忍范围内。

3、建立ahp评分

根据以上ahp可以获得各指标层的权重占比，在根据每个细化指标分布情况建立得分公式，具体如下表7：

表7

针对某维度的ahp得分＝准则层权重*指标层权重*指标得分；例如，计算12个月交易规模5％，参见表5，合作强度对应的准则层权重为0.38，参见表6，指标层权重为0.16，参见表7，12个月交易规模5％对应的指标得分为1分，则对应该维度的ahp得分＝0.38*0.16*1＝0.0608。基于上述13维的ahp得分和，得到该供应商的ahp评分。

s102、基于各待分析企业的上述13维指标生成原始指标矩阵v；

经过上面计算可以得到每家供应商的13个指标，每1行代表1家供应商的相关13个指标数据，得到如下原始指标矩阵v：

s103、基于原始指标矩阵v，建立其相关系数矩阵r；

在生成原始指标矩阵之后，在建立相关系数矩阵之前，还包括：对原始指标矩阵v进行标准化，生成标准化矩阵z；

其中，zi,j＝(vi,j-vj)/sj；

所述zi,j为标准化后的数据，所述vi,j为原始指标值，所述vj表示所述原始指标矩阵第j列的平均值，所述sj表示所述原始指标矩阵第j列的标准差。

基于标准化矩阵z，构建相关系数矩阵r：

其中，

所述ri,j为相关系数，所述zk,i为标准化矩阵z中第k行第i列对应的标准指标值，所述zk,j为标准化矩阵z中第k行第j列对应的标准指标值，所述为标准化矩阵z中第i行的平均值，所述为标准化矩阵z中第j列的平均值，所述n为待分析企业的个数。

s104、计算相关系数矩阵的特征值，并将各特征值按照从小到大依次进行排序；

求解系数阵r的特征值，λ1≥λ2≥…≥λp≥0，以及特征向量t1、t2…tp；

相关系数矩阵r特征方程为：|λi-r|＝0；

利用特征方程可以求出矩阵r的特征根λj(j＝1,2,3,4.....p)；

同时将特征根从大到小排序λ1≥λ2≥…≥λp≥0；

再根据特征多项式rui＝λiui，求出相应特征向量ti(i＝1,2,.....p)，同时要求||ti||＝1；||||代表范数。

s105、设置贡献度阈值，利用主成分分析法pca筛选出累积贡献度大于贡献度阈值时所对应的特征值，从而得到对应的原始指标作为主成分指标；

主成分个数一般取自累计贡献度大于85％的特征值λ1,λ2,…λm；

所对应的第1、第2、....第m个主成分，其中累计贡献度计算方式如下：

其中第i个主成分表达如下：

yi＝(ti)'z

s106、构造评价体系函数，基于待分析企业的主成分指标，计算得到该待分析企业的竞争力评分。

(其中m为确定主成分的个数)

本实施例提供的企业竞争力分析方法，通过获取核心商超上游供应链的待分析企业的如下13维指标：近3月进货得分、近12月进货得分、近3月销售得分、近12月销售得分、近3月开票得分、近12月开票得分、近3月毛利得分、近12月毛利得分、ahp模型得分、进货竞争得分变化、销售竞争得分变化、开票竞争得分变化、毛利竞争得分变化；基于各待分析企业的上述13维指标生成原始指标矩阵；基于原始指标矩阵，建立其相关系数矩阵；计算相关系数矩阵的特征值，并将各特征值按照从小到大依次进行排序；设置贡献度阈值，利用主成分分析法pca筛选出累积贡献度大于贡献度阈值时所对应的特征值，从而得到对应的原始指标作为主成分指标；构造评价体系函数，基于待分析企业的主成分指标，计算得到该待分析企业的竞争力评分。本发明主要抓住基于供应商与核心商超之间的交易数据为核心数据，保证数据真实，针对其底下贸易往来的供应商企业给予竞争力评价，通过交易数据挖掘，来判断企业经营风险性，同时结合主成分分析法pca和层次分析法(analytichierarchyprocess，简称ahp)给予企业综合评价，有利于筛选出更优质的商品供应商，淘汰不良供应商，形成了科学有效的评价体系，可促进供应商提供更优质、更具性价比的商品，而后基于消费者的购买反馈，可影响各供应商的交易数据，形成正反馈，从而实现竞争力评价-供应商筛选-消费反馈的良心循环。

显然，本领域的技术人员应该明白，上述本发明的各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在计算机存储介质(rom/ram、磁碟、光盘)中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以，本发明不限制于任何特定的硬件和软件结合。

以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。