CN111415213A - 认知采购 - Google Patents
认知采购 Download PDFInfo
- Publication number
- CN111415213A CN111415213A CN201911236817.8A CN201911236817A CN111415213A CN 111415213 A CN111415213 A CN 111415213A CN 201911236817 A CN201911236817 A CN 201911236817A CN 111415213 A CN111415213 A CN 111415213A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- vendor
- purchase
- procurement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0611—Request for offers or quotes
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
定义了认知采购和主动连续进货的示例。在一个示例中,***接收采购请求。该***实现人工智能组件以将供应商数据分类到多个域中。该***基于所接收的新供应商数据修改来自多个数据域中的域。该***基于采购交互和来自多个数据域中的域来生成用户采购行为数据。***建立与采购交互相关联的指南相对应的用户采购行为模型。该***基于多个数据域中的修改来确定是否应当更新用户采购行为模型,并对其进行更新。该***通知用户关于由于用户选择的所接收的供应商数据的域的改变而导致的用户采购行为模型的改变。
Description
背景技术
采购作为关键业务过程的重要性最近已大大提高。最初,采购开始作为在大多数大型公司都在努力管理其运营成本的时候将采购整合到供应链管理中的一种方式。当前的采购过程始于买方提出采购请求,然后由采购代理咨询市场情报报告。这些报告可以是例如供应商或类别情报报告,并且可以帮助读者使用市场情报来针对特定类别进行供应商选择。在许多情况下,可用的报告只是过时的。在自动化以及各种信息检索和信息提取功能的帮助下,按需生成报告已变得可行。
业务环境已经成为“始终在线”的环境。此外,基于买方或采购代理的请求进行的市场情报的反应性综合可能与业务预期不一致。公司采购过程经常使用合同管理和进货软件应用来提高采购效率并节省成本。但是,这些应用中的大多数都是由需求驱动的,这可能会限制公司采购过程的效率,因为在“始终在线”的世界中,这种公司采购过程可能没有被优化,其中市场格局、技术中断和供应商状况一直持续不断发展。
因此,当前可用的采购处理的技术问题在于它们可能是低效率的、不准确的和/或不可扩展的。需要一种能够持续进行进货范式的优化采购模型,其中包括对新出现的风险和机会的不断感测、对推荐的评估、以及与供应商协商最佳结果的快速动作/约定。
附图说明
图1示出了根据本公开的示例实施例的用于认知采购和主动连续进货的***的图。
图2示出了根据本公开的示例实施例的用于认知采购和主动连续进货的***的各个组件。
图3示出了根据本公开的示例实施例的连续进货的关键区域。
图4示出了根据本公开的示例实施例的用于对业务需求进行主动感测的过程流程图。
图5示出了根据本公开的示例实施例的用于连续供应商情报的过程流程图。
图6示出了根据本公开的示例实施例的用于连续市场情报***的过程流程图。
图7示出了根据本公开的示例实施例的用于开发针对市场、供应商和技术的行为模型的过程流程图。
图8示出了根据本公开的示例实施例的用于评估行为模型的改变的过程流程图。
图9示出了根据本公开的示例实施例的用于基于种子实体的mi报告生成的迭代细化的过程流程图。
图10示出了根据本公开的示例实施例的用于价格透明的过程流程图:将替代物归一化为相同的定价。
图11示出了根据本公开的示例实施例的用于总信息意识的过程流程图。
图12示出了根据本公开的示例实施例的用于构造供应商行为模型的过程流程图。
图13示出了根据本公开的示例实施例的用于供应商创新的过程流程图。
图14示出了根据本公开的示例实施例的用于供应链的操作风险评估的过程流程图。
图15示出了根据本公开的示例实施例的用于供应商合作策略制定流程图的过程流程图。
图16示出了根据本公开的示例实施例的,用于实现***的硬件平台。
图17示出了根据本公开的示例实施例的用于连续进货的过程流程图。
具体实施方式
为了简单和说明目的,通过主要参考本公开的示例来描述本公开。本文描述的本公开的示例可以以不同的组合一起使用。在以下描述中,阐述了细节以便提供对本公开的理解。然而,将显而易见的是,可以在不限于所有这些细节的情况下实践本公开。同样,在整个本公开中,术语“一”和“一个”旨在表示特定元素中的至少一个。术语“一”和“一个”还可以表示多于特定元素中的一个。如本文所使用的,术语“包括”是指包括但不限于,术语“包含”是指包括但不限于。术语“基于”是指至少部分地基于,术语“根据”是指至少部分地根据,并且术语“诸如”是指诸如但不限于。
本公开描述了用于认知采购和主动连续进货(CPPCS)的***和方法。为了简单起见,在下文中将认知采购和主动连续进货被称为***。该***可以记录用户在不同时间发送的采购请求,并记录采购请求的结果以供将来参考。该***可以筛选各种供应商,并基于采购需求来选择供应商来授予合同或从供应商那里获得投标。该***可以证明针对采购请求的供应商选择是合理的。该理由可以基于各种因素,诸如运营成本、风险、先前的合作等。
根据本公开的示例,本文描述的***可以包括处理器。处理器可以耦合到建模器、监视器和更新器。建模器可以从多个数据源接收供应商数据。建模器可以实现人工智能组件,以将供应商数据分类到多个数据域中。人工智能组件可以是数据提取器、数据分类器、数据关联器、数据比较器、关系提取器、依赖性解析器等之一。在一个示例中,该***还包括使用人工智能组件来从所接收的供应商数据中研究供应商的可用性、供应商的绩效、供应商的能力、创新评估、风险评估、技术评估和供应商合作中的至少一项。建模器还可以基于新的供应商数据从供应商数据的多个数据域中修改域。在一个示例中,建模器可以从供应商数据的多个数据域中统一域,以用于标识具有类似绩效的供应商集群。
在一个示例中,可以例如通过监视器从用户接收采购交互。采购交互可以指示用户发送给***的查询,以用于处理商品和服务的采购。可以基于采购交互和供应商数据的多个数据域中的域来生成用户采购行为数据。采购行为数据可以是用户针对采购交互选择的多个数据域中的域。在一个示例中,用户的采购交互还包括以下至少一项:筛选历史采购请求、调查成本波动、开发建议请求、跟踪促销、建立采购推荐、监视遵守的采购指南、以及监视商品、服务或信息的采购。
采购行为数据和供应商数据集合可以例如由更新器接收。更新器可以建立与指南相对应的用户采购行为模型,指南与用户的采购交互相关联。可以通过对从所接收的供应商数据的多个数据域中的域和所接收的用户采购行为数据执行认知学习操作来建立用户采购行为模型。更新器可以基于供应商数据的多个数据域中的修改和用户采购行为数据的修改来确定是否应当更新用户采购行为模型。
可以基于供应商数据的多个数据域中的修改和用户采购行为数据的修改来更新用户采购行为模型。当由于来自用户选择的所接收的供应商数据的多个数据域中的域中的改变而在用户采购行为模型中存在改变时,可以通知用户。在一个示例中,更新器可以提供用户的采购交互的结果作为认知见解。更新器可以实现为采购交互提供的认知见解。更新器可以被配置为将用户采购行为模型与认知见解相关联。更新器还可以提供建立通过对来自所接收的供应商数据的多个数据域中的域和所接收的用户采购行为数据执行认知学习操作所建立的用户采购行为模型的证据。
根据本公开的示例,该***可以进一步包括与用户的采购交互相关联的指南,该指南是与来自多个数据源的供应商的数据源的交互。此外,还可以生成响应于与用户的采购交互相关联的指南的电子文档。
在操作中,可以检测到来自用户的采购请求。此外,可以收集使用各种资源来处理采购请求的供应商情报。来源可以包括如市场情报报告的外部来源、各种外部数据库、或如以前的供应商交互历史的内部来源等。供应商情报可以分类为各种类别,并且对供应商数据执行类别情报操作。这样可以汇总跨多个供应商的信息,并为其提供解释。该信息可以包括供应商历史、成本波动、先前的合作、当前冲突、合规性问题、运营成本等。然后,***对供应商数据运行认知操作,选择供应商以获得采购请求的投标。然后,***协助用户进行投标选择和采购请求的完成。
根据本公开的另一方面,可以管理采购请求。在一个示例中,可以提供用于提交采购请求的***,可以收集采购请求数据,可以存储数据库中的请求数据,可以警告采购请求的用户,可以使用户能够从采购请求向RFX传递数据。出于说明而非限制的目的,术语RFX用作通用术语,包括对信息请求(RFI)、建议请求(RFP)、报价请求(RFQ)和投标请求(RFB)的全部引用。
在另一个示例中,本公开使得用户能够例如使用现有的用户定义字段(UDF)来创建请求模板。还可以使用户能够定制请求状态以更好地描述请求的状态。
在一个示例中,本公开提供了主动的连续进货。对于主动的连续进货,可以汇总跨多个供应商之间的信息,并且可以监视各种预定义类别上的供应商。在一个示例中,监视包括合同合规性、创新指数、技术指数、运营成本、运营风险、道德影响等。在另一个示例中,监视可以触发合同过程步骤中的动作,例如通知、付款、罚款或纠纷。
在又一个示例中,本公开可以提供用于监视来自供应商数据的类别的市场改变,以触发来自用户的采购请求。该***可以包括扩展供应商数据。在一个示例中,可以通过自动发现具有类似功能的供应商来执行扩展。
在另一个示例中,可以选择根据最高价值回报用于执行来自用户的采购请求的供应商。该***提供了支持使用人工智能(AI)组件进行选择的证据。在一个示例中,人工智能组件可以是数据提取器,数据分类器,数据关联器,数据比较器,关系提取器或依赖性解析器。
根据本公开的示例,***可以被配置为为用户携带我们的战略性进货。战略性进货可以包括选择最近降低其商品和服务价格的供应商、最近升级其技术的供应商、最近改变其可能对来自用户的采购请求产生积极影响的政策的供应商。
根据本公开的示例,该***可以包括对采购和供应商数据的连续监视和修改。***可以结合上面描述的认知操作来实现上面描述的人工组件以用于管理采购请求。在一个示例中,可以基于采购行为的改变来修改已经应用于供应商数据的类别情报。***可以基于修改供应商情报来确定是否需要修改用户的采购行为。该***将确定的结果呈现给用户阅读,从而辅助用户做出有关采购请求的决定。将在本说明书的以下部分中借助于附图来描述细节。
因此,本公开旨在使编译供应商情报并做出供应商决定的繁琐任务更容易和更高效。本公开提供了对供应商数据的高效且连续的分析,其进而提供了对用户的采购请求的连续、高效和准确的分析。该***可以被配置为支持用于处理采购请求的人工决定。此外,***然后可以基于采购行为模型来分析各种类别的供应商数据,以准确地解释交易文件。因为***可以捕获指南的所有相关元素(过程和/或特征),并且可以基于与这些元素相对应的知识模型来执行对交易文档的后续分析,所以该分析可以基本上没有错误。
图1示出了根据本公开的示例实现的用于认知采购和主动连续进货的***110(在下文中称为***110)。在一个示例中,***110可以包括处理器120。处理器120可以耦合到建模器130、监视器140和更新器150。
在一个示例中,建模器130可被配置为从多个数据源接收供应商数据。在一个示例中,多个数据域还包括研究以下至少一项:特征、收益、成本、可用性、位置、商品、服务和信息的交付方法、创新评估、风险评估、技术评估、来自供应商数据的供应商合作等。建模器130可以进一步被配置为实现人工智能组件,以将供应商数据分类和分析成多个数据域。人工智能组件可以是数据提取器、数据分类器、数据关联器、数据比较器、关系提取器以及依赖性解析器等之一(通过图2进一步解释)。
建模器130还可被配置为基于连续所接收的新供应商数据,从供应商数据的多个数据域中修改域。建模器130可以从多个数据域的分析中得出类别情报。类别情报可以包括内部数据的分析,包括用于处理来自用户的采购请求的供应商投标提交及时性、供应商投标使用和供应商准时绩效。***110可以包括基于采购请求的整个生命周期而不只是其初始购买价格来处理由整体业务和战略价值驱动的供应商投标选择。
在一个示例中,建模器130可将供应商数据的多个数据域中的域统一起来,以用于标识具有相似绩效和行为的供应商集群,以用于处理来自用户的采购请求。例如可能有供应商,它们在投标提交及时性、供应商投标使用和供应商准时绩效、收益、成本、可用性、位置、商品、服务和信息的交付方式、创新评估、风险评估、技术评估、来自接收供应商数据的供应商合作等方面展现出相似的行为。建模器130可以标识相似的行为模式并且为了采购请求的目的将这些供应商分组在一起。这些组也可以称为供应商集群。
在一个示例中,监视器140可以被配置为从用户接收采购交互。采购交互可以指示由用户发送到***110的用于处理商品和服务的采购的查询。用户的采购交互还可以包括以下至少一项:筛选历史采购请求、调查成本波动、开发建议请求、跟踪促销、建立采购推荐、监视遵守的采购指南、以及监视商品、服务或信息的获取。
监视器140可基于采购交互和供应商数据的多个数据域中的域来生成用户采购行为数据。采购行为数据可以是用户针对采购交互选择的多个数据域中的域。在一个示例中,用户的采购交互还包括以下至少一项:筛选历史采购请求、调查成本波动、开发建议请求、跟踪促销、建立采购推荐、监视对采购指南的遵守、并监视对商品、服务或信息的获取。
在一个示例中,更新器150可以被配置为从建模器130接收供应商数据集合。更新器150可以被配置为从监视器140接收采购行为数据。更新器150可以被配置为建立与指南相对应的用户采购行为模型,指南与用户的采购交互相关联。与用户的采购交互相关联的指南可以是与来自多个数据源的供应商的数据源的交互。例如该指南可以是与如数据库的外部数据库交互以用于获得供应商人员详细信息的查询。在一个示例中,该指南可以是与内部数据库进行交互,以用于以下至少一项:筛选历史采购请求、调查成本波动、开发建议请求、跟踪促销、建立采购推荐、监视遵守的采购指南、以及监视商品、服务或信息的获取。
可以通过对所接收的供应商数据的多个数据域中的域和所接收的用户采购行为数据执行认知学习操作来建立用户采购行为模型。更新器150可以基于供应商数据的多个数据域中的修改和用户采购行为数据的修改来确定是否应当更新用户采购行为模型。更新器150可以被配置为基于供应商数据的多个数据域中的修改和用户采购行为数据的修改来更新用户采购行为模型。更新器150可以被配置为当由于来自用户选择的所接收的供应商数据的多个数据域中的域中的改变而导致用户采购行为模型存在改变时通知用户。
在一个示例中,更新器150可以被配置为提供用户的采购交互的结果作为认知见解。更新器150可以进一步被配置为实现为采购交互提供的认知见解。更新器150可以被配置为将用户采购行为模型与认知见解相关联。在一个示例中,认知见解可以包括选择哪个供应商以从采购请求获得投标。
更新器150还可被配置为提供证据,该证据支持通过对来自所接收的供应商数据的多个数据域中的域和所接收的用户采购行为数据执行认知学习操作而创建的用户采购行为模型。例如证据可以基于供应商针对采购请求所报价的价格来证明供应商选择、基于供应商针对采购请求可利用的技术来证明供应商选择等。其他示例包括基于供应商针对采购请求的先前客户供应商合作、对供应商针对采购请求的政策和法规的遵守、供应商的创新指数等来证明供应商选择。
选择供应商的理由可以基于筛选历史采购请求、调查成本波动、开发建议请求、跟踪促销、建立采购推荐、监视遵守的采购指南、监视商品、服务或信息的获取、根据采购要求的商品和服务可用性、位置、商品、服务的交付方法、风险评估等。在一个示例中,更新器150可以基于对关于来自用户的采购请求的订单履行的可能影响来选择供应商以从中获取投标。
***110可以进一步包括生成器,用于响应于与用户的采购交互相关联的指南来生成电子文档。在一个示例中,该指南可以涉及标识与客户和与实物安排有关的业务伙伴的合同;标识履约义务,诸如在特定时间向特定地点交付商品或服务的需求;确定交易价格以及其他这种元素。
***110可以包括支持做出用于处理采购请求的人工决定。***110可以包括使决定自动化以用于处理采购请求。***110可以包括自动化对供应商数据和类别的相关分析,供应商数据和类别包括用于处理采购请求的竞争供应商。***110可以包括使用各种源收集供应商情报以用于处理采购请求。***110可以包括将供应商情报分类为各种类别并且对供应商数据执行类别情报操作以用于处理采购请求。
图2示出了根据本公开的示例实施例的***110的各个组件,以用于实现用于认知采购和主动连续进货的***。
根据本公开的示例,本文描述的***110可以包括处理器120。处理器120可以耦合到建模器130,监视器140和更新器150。建模器130可以被配置为从多个数据源接收供应商数据。在一个示例中,多个数据域还包括研究以下至少一项:特征、收益、成本、可用性、位置、商品、服务和信息的交付方法、创新评估、风险评估、技术评估、来自接收供应商数据的供应商合作。建模器130可以进一步被配置为实现人工智能组件220,以将供应商数据分类到多个数据域250中。建模器130还可被配置为基于被连续接收的新供应商数据来修改来自供应商数据的多个数据域中的域。在一个示例中,建模器130可以统一来自多个数据域的域,以用于标识具有相似绩效的供应商集群。
监视器140可以被配置为从用户接收采购交互255。采购交互255可以指示用户向***发送的查询260,以用于处理商品和服务的采购。在一个示例中,用户的采购交互255还包括以下至少一项:筛选历史采购请求、调查成本波动、开发建议请求、跟踪促销、建立采购推荐、监视遵守的采购指南、以及监视商品、服务或信息的获取。采购交互255也可以称为采购请求255。
监视器140可以基于采购交互255和来自供应商数据的多个数据域250的域来生成用户采购行为数据270。采购行为数据270可以是来自用户针对采购交互255所选择的多个数据域270中的域。采购行为数据270可以是例如用户针对特定于采购交互255选择的多个数据域270中的域。***110可以被配置用于为用户采购行为数据270建立内部数据库。用于用户采购行为数据270的内部数据库可以包括与多个用户有关的数据。该数据库可以包括提供本质上用户特定的细节。在一个示例中,用户采购行为数据270可以由***110监视,以用于认知采购和主动连续进货。
更新器150可以被配置为从建模器130接收以多个数据域250形式的供应商数据集合。更新器150可以被配置为从监视器140接收采购行为数据270。更新器150可以被配置为建立与指南265相对应的用户采购行为模型275,指南265与用户的采购交互255相关联。可以通过对来自所接收的供应商数据的多个数据域250中的域和所接收的用户采购行为数据270执行认知学习操作来建立用户采购行为模型275。更新器150可以基于供应商数据的多个数据域250中的修改和用户采购行为数据270的修改来确定用户采购行为模型275是否应当被更新。
更新器150可以被配置为基于供应商数据的多个数据域250中的修改和用户采购行为数据270的修改来更新用户采购行为模型275。例如如果供应商已经改变了他们对于特定的商品或服务集合的定价,用于认知采购和主动连续进货的***可以使用该特定供应商信息来更新所有用户采购行为模型270。可以作为用户采购数据270中的改变的结果来更新用户采购行为模型270。可以作为来自供应商数据的多个数据域250中的域之一的修改的结果来更新用户采购行为模型270。
在一个示例中,更新器110还可包括提供支持用户采购行为模型275的建立的证据,用户采购行为模型275是通过对所接收的供应商数据的多个数据域250中的域和所接收的用户采购行为数据270执行认知学习操作来建立的。证据可能是及早检测的供应市场的新创新,标识费率降低之外的成本节省的机会并产生底线影响,标识同类供应商中的最佳供应商和进货实践等。还应考虑通过图1列出的许多其他类型的证据,以提供支持用户采购行为模型275的建立的证据,用户采购行为模型275是通过对所接收的供应商数据的多个数据域250中的域和所接收的用户采购行为数据270执行认知学习操作来建立的。
更新器150可以被配置为当由于用户选择的所接收的供应商数据的多个数据域250中的域中的改变而导致用户采购行为模型275存在改变时通知用户。
在一个示例中,更新器150可以被配置为提供用户的采购交互255的结果作为认知学习操作280。在一个示例中,认知见解可以是供应商的总体信息分析。供应商的总体信息分析可以包括对供应商行为、供应商定价、供应商人员、供应商与其他客户的关系、供应商与当前用户的关系、供应商创新索引、供应商技术索引、供应商提供的物流质量、基于订单的整个生命周期的整体业务和战略价值的分析,而不仅仅是其初始购买价格、供应商投标提交的及时性、供应商投标用法、供应商财务、与供应商相关联的风险、有关具有类似行为的其他供应商的信息、基于对订单履行和供应商准时绩效的可能影响来对供应商出价选项的分析。在一个示例中,认知学习操作280可以包括以下一项或多项:用于与供应商机会性地进行战略进货、为投标选择中做出的推荐提供证据以及为报告提供自动的价格证明。
更新器150可以进一步被配置为实现为采购交互255提供的认知学习操作280。在一个示例中,***110可以基于用户采购行为数据270以自动化的方式实现认知学习操作280。***110可以在接收到作为采购交互255的一部分的指南265时实现认知学习操作280。
更新器150可以被配置为将用户采购行为模型275与认知学习操作280相关联。更新器150还可以被配置为提供建立用户采购行为模型275的证据,用户采购行为模型275是通过对所接收的供应商数据的多个数据域250中的域和所接收的用户采购行为数据270执行认知学习操作来建立的。例如如果用户对多个数据域250的特定数据域集合表现出偏好,以便选择供应商用于采购请求255,则***110可以将其存储为采购请求255的用户采购行为模型275。***110可以存储许多用户采购行为模型,如用户采购行为模型275,每个都与用户采购行为数据270有关,用户采购行为数据270与如采购请求255的单个采购请求有关。
在一个示例中,可以基于用户设置的多个偏好,将采购请求255与如用户采购行为数据275的多个用户采购行为模型相关联。认知操作可以包括识别可以导致用户采购行为模型275的建立的模式。用户采购行为模型275可以包括例如假设问题和逻辑流程,逻辑流程用于获得对假设问题的推论。可以针对组织、产品类别等来生成用户采购行为模型275。可以存储针对指南265的用户采购行为模型275以供进一步使用。
根据本公开的示例,***可以进一步包括:与用户的采购交互255相关联的指南265是与来自多个数据源的供应商的数据源的交互。***110还包括耦合到处理器的生成器,以响应于与用户的采购交互255相关联的指南来生成电子文档。
图3示出了根据本公开的示例实施例的流程图300,其作为用于认知采购和主动连续进货的***110的示例被呈现。
在一个示例中,***110的监视器140可以被配置为实时地从包括互联网,市场情报,用户历史,用户输入等的各种来源接收与采购请求相关的信息。这可以被称为实时上下文305。监视器140可以进一步包括对业务需求的主动感测340。此外,监视器140可以被配置为跟踪直接和间接的进货需求375。在一个示例中,监视器140可以是配置为使得对直接和间接进货需求375的跟踪可以导致对业务需求的主动感测340。此外,对业务需求的主动感测340可以导致实时上下文305的生成。
***110可以进一步被配置为使得建模器130可以包括可用供应商310的数据库。建模器130可以被配置为使得收集连续的供应商情报345。建模器130可以被配置为使得连续的供应商情报345可以被分类为各种类别。建模器130可以包括要通过连续类别情报380执行的分类。此外,连续类别情报380可以基于具有先前关系的供应商380-1。在一个示例中,***110可以被配置为使得具有先前关系的供应商380-1可以影响连续类别情报380,以将连续供应商情报345分类为维护可用供应商310的数据库。此外,建模器130和监视器140可以被配置为使得实时上下文305可以被耦合到可用供应商310的数据库,以用于跟踪直接和间接进货需求375以及对业务需求的主动感测340。在一个示例中,可用供应商310可以是由建模器130维护为数据库的可用供应商列表。
在一个示例中,***110的建模器130可以被配置为确保定价透明度315。建模器130可以组装供应商投资组合350。建模器130可以被配置为从组装的供应商投资组合350获得定价385。在一个示例中,建模器130可以通过从组装的供应商投资组合350获得定价385并对其进行比较来确保定价透明度。
在一个示例中,建模器130可包括总信息意识***320。总信息意识***320可包括跟踪供应商人员355、跟踪供应商行为390和跟踪供应商人员行为390-1。供应商人员355的跟踪可以例如通过使用如各种业务目录等的人力资源管理资源来进行。可以例如通过先前的合作、对与其他类似的采购请求的供应商行为的市场情报报告等来执行对供应商行为390的跟踪。可以例如通过市场情报报告、各种业务目录、先前的合作、先前的请求评论等来执行对供应商人员行为390-1的跟踪。在一个示例中,总信息意识***320可以是建模器130的一部分,并且可以影响连续类别情报380。
在一个示例中,建模器130可以被配置为在可用供应商310中进行创新评估325。建模器130可以被配置为在可用供应商310中跟踪创新360。在一个示例中,建模器130可以被配置为在将供应商包括在可用供应商310列表之前,跟踪供应商侧的创新395。此外,创新评估325可能会影响连续供应商情报345和连续类别情报380。
在一个示例中,建模器130可以被配置为在可用供应商310中进行操作风险评估330。建模器130可以被配置为从行业门户网站收集操作风险事实、数据、历史等。这被描绘为从行业门户网站收集操作风险399。建模器130然后可以使用从行业门户网站收集的操作风险399来形成操作风险度量365。操作风险度量365可以用于操作风险评估330。
在一个示例中,建模器130和更新器150可以被配置为跟踪客户–供应商合作335和扩展的客户供应商关系370。建模器130可以进一步被配置为基于以下各项来扩展客户供应商关系370:实时上下文305、直接和间接进货需求375、对业务需求的主动感测340、可用供应商310、连续供应商情报345、连续类别情报380、总信息意识***320、创新评估325、操作风险评估330和操作风险度量365。
在一个示例中,根据本公开,***110可以使用监视器140来评估实时上下文305。此外,***110可以使用建模器130来维护和评估可用供应商310的数据库。可以使用定价透明度315、总信息意识***320、创新评估325、操作风险评估330和客户-供应商合作335来进行可用供应商310的评估。此外,建模器130和监视器140可以通过处理器120彼此链接。处理器120可以允许监视器140和建模器130共享与采购数据和可用供应商数据310有关的实时上下文评估305。
图4示出了根据本公开的示例实施例的用于对业务需求的主动感测340的过程流程图400,其作为对认知采购和主动连续进货的***110的示例被呈现。
过程流程图400提供了***110的工作示例,***110的工作用于分析直接和间接进货需求375和对业务需求的主动感测340。在一个示例中,监视器140可以参与分析直接和间接进货需求375,以及对业务需求的主动感测340。
过程400可以从策略分析402开始。策略分析402可以是新合并、新收购、新合并和收购、新业务领域等。策略分析402可以检测到新的业务区域404。对新业务区域404的检测导致***110专门针对新业务区域404的主动市场情报收集406。市场情报收集406可以是实时上下文305的一部分。
在一个示例中,策略分析402可能未检测到新的业务区域404。在这种情况下,监视器140将执行产品/服务需求分析408。此外,从市场情报收集406获得的数据将也可以用于产品/服务需求分析408。产品/服务需求分析408可以检测对现有产品/服务组件/零件分析410的需求。现有产品/服务组件/零件分析410可以包括采购请求,其对于特定用户可能是周期性的。在检测到周期性采购请求时,监视器140可以对可用供应商发起主动的市场情报分析412。在一个示例中,可以对可用供应商310的数据库执行主动市场情报分析412。此外,主动市场情报分析412可以包括使用定价透明度315、总信息意识***320、创新评估325、操作风险评估330和客户-供应商合作335。在一个示例中,主动市场情报分析412可以导致主动合作418。主动合作418可以包括形成类似于客户-供应商合作335的新客户-供应商合作的开始。
在一个示例中,产品/服务需求分析408可以不检测对现有产品/服务组件/零件分析410的需求。产品/服务需求分析408可以检测对新产品或服务组件的需求。基于这种检测,监视器140将执行主动采购仿真414。主动采购仿真414可以包括策略分析402的再现。此外,主动采购仿真414可以包括市场情报分析以找到新产品或服务,这可能与现有产品/服务组件/零件分析410所涵盖的产品或服务不同。***110被配置为使得主动采购仿真414的过程直到产品/服务需求分析408将仅检测针对现有产品/服务组件/零件分析410的需求的时间。
在一个示例中,主动合作418可以导致客户和供应商之间的联盟420的形成。在一个示例中,主动合作418可能不会导致客户和供应商之间的联盟420的形成。在这样的情况下,***110被配置为执行主动采购仿真414。主动采购仿真414将被执行直到主动合作418可以导致客户和供应商之间联盟的形成420的时间。
上面描述的示例是根据本公开的过程,***110的监视器140可以通过该过程执行直接和间接进货需求375、对业务需求的主动感测340,这可以导致对实时上下文305的评估。
图5示出了根据本公开的示例实施例的用于连续供应商情报345的过程流程图500,其作为用于认知采购和主动连续进货的***110的示例被呈现。
过程流程图500提供了用于收集连续供应商情报345并将其分类为连续类别情报380的***110的工作示例。在一个示例中,建模器130可以涉及收集连续供应商情报345,并将其分类为连续分类情报380。
过程500可以从用户发起进货项目502开始。建模器130可以从处理器120接收进货项目502。在一个示例中,进货请求502可以是采购交互255。进货项目502可以被解构以形成进货项目目标504。进货项目目标504可以包括来自对业务需求的主动感测340的结果、主动采购仿真414、或来自实时上下文305的评估的结果。
进货项目目标504可用于为市场、供应商、技术等开发行为模型506。可以针对每个市场、供应商、技术分别开发行为模型506。行为模型506可以被开发为特定供应商、技术、市场等的合并。过程500可以进一步包括对任意行为模型506上的改变的评估508。在一个示例中,建模器130可以检测行为模型506中的改变。建模器130然后可以发起新的市场情报需求510。***110可以被配置为使得在框510处确定是否需要新的市场情报需求。如果可以确定不需要新的市场情报510,则过程500可以进一步包括对任意行为模型506上的改变508的评估,如图5中的“否”分支510-B所示。如果确定需要新的市场情报需求,则过程500将在框510处使用新的市场情报需求的结果来建立用于收集供应商情报345的方法512,如图5中的“是”分支510-A所示。方法512被用于探索市场情报并完善问题陈述514。然后,问题陈述514可以被周期性地用于修改已建立的方法512,以便进一步完善问题陈述514。过程500还包括基于方法512和问题陈述514来发起标记情报项目516。在一个示例中,标记情报项目516可以链接到进货项目目标504。
***110被配置为使得建模器130将继续发起类似于市场情报需求510的新的市场情报需求,直到没有在行为模型506中的改变508的评估中检测到改变为止。
上面描述的示例是根据本公开的过程,***110的建模器130可以执行连续供应商情报345的收集并将其分类到连续类别情报380中,以用于形成可用供应商310的数据库。
图6示出了根据本公开的示例实施例的用于行为模型506中的改变508的评估的流程图600,其被呈现为用于认知采购和主动连续进货的***110的示例。
过程600可以从***110的建模器130开始,该建模器被配置为存储所有行为模型,如行为模型506。这些被描述为知识模型数据库602,作为描述过程600的示例。过程600可以包括使用知识模型数据库602作为用于构造类似于行为模型506的更多行为模型的支架(“scaffold”)。在一个示例中,过程600可以包括建模器130以构造知识和行为模型604。在一个示例中,知识和行为模型可以响应于采购交互255来被构造604。此外,知识和行为模型604可以是在知识模型数据库602中存储的知识模型之一。知识和行为模型604可以由建模器130使用模拟606来构造,其可以基于可以在知识模型数据库602中存储的其他知识和行为模型,如知识和行为模型604。在模拟606之后可以是计划组件608。计划组件608可以被配置为开发来自模拟606的结果,以便开发用于执行市场情报的计划。
在一个示例中,模拟606和计划组件608可以是连续供应商情报345的一部分。建模器130可以使用过程600的计划组件608来生成市场情报报告610。市场情报报告610可以根据技术供应商、市场或类似类别612来被分类。类别612可以形成如图3所解释的连续类别情报380。在一个示例中,市场情报报告610和类别612可以由建模器130用于连续类别情报380。建模器130可以使用类别612形成理解平台614。理解平台614可以执行类似于如通过图5解释的对行为模型506中的任意一个上的变化508的评估的功能。在一个示例中,***110可以使用理解平台614来定义对知识和行为模型604的进一步构造的需求。
根据本公开的示例,***110可以被配置为针对在知识模型数据库602中存储的所有知识和行为模型连续地重复过程600。
图7示出了根据本公开的示例实施例的用于开发类似于行为模型604的针对市场、供应商和技术的行为模型的过程流程图700,其被呈现为用于认知采购和主动连续进货的***110的示例。
用于开发针对市场、供应商和技术的行为模型的过程700可以从***110的更新器150构造行为模型702开始。行为模型702可以从历史数据中构造。历史数据可以是行为模型506或知识和行为模型604。历史数据可以被存储在知识模型数据库602中。行为模型702可以用于知识模型合成704。然后在步骤706处合成的知识模型704可以由建模器130通过供应商情报345来进行增强。建模器130可以通过包括用户查询、业务目录、各种外部数据库、内部行为历史、用户采购行为模型275等的各种来源来进一步增强合成知识模型704。然后,更新器150可以执行类似于认知学习操作280的操作,以决定是否需要合成知识模型704上的扩展708。
在一个示例中,更新器150可以检测到需要合成知识模型704上的扩展708,如图7中的“是”分支708-A所示。在这种情况下,更新器150被配置为使得它会合成类似于合成知识模型704的新知识模型。在一个示例中,更新器150可能不会检测到需要合成知识模型704上的扩展708,如图7中的“否”分支708-B所示。在这种情况下,更新器可以被配置为执行评估710。评估710可以包括类似于对行为模型506中的任意一个的改变508的评估。在一个示例中,更新器150可以相对于合成知识模型704的改变来评估采购请求255中的改变。更新器150可以被配置为使用认知学习操作280来决定是否需要调整712。调整712可以包括调整综合知识模型704。
在一个示例中,更新器150的认知学习操作280可检测需要调整712。在这种情况下,更新器150将对合成知识模型704执行调整712。更新器150还将在行为模型702中执行调整714。在一个示例中,更新器150的认知学习操作280可能未检测到需要调整712。在这种情况下,更新器150将执行类似于认知学习操作280的另一操作,以决定是否需要合成知识模型704上的扩展708。
***110可以被配置为使得对于在知识模型数据库602中存储的所有知识和行为模型可以重复扩展708、评估710、调整712和调整714。***110可以被配置为使得扩展708、评估710、调整712和调整714的结果可以被更新到知识模型数据库602中。
图8示出了根据本公开的示例实施例的用于评估类似于行为模型702的行为模型中的改变的过程流程图800,其被呈现为用于认知采购和主动连续进货的***110的示例。
过程800可以开始于更新器150使用认知学习操作280来响应于采购请求255从行为模型做出预测802。预测802所接收的行为模型可以是行为模型506、或者知识和行为模型604、或者行为模型702或者综合知识模型704。更新器还可以开发类似于行为模型506、知识和行为模型604或行为模型702的实际行为模型、或特定于采购请求255的综合知识模型704。由预测802构造的行为模型还可包括行为模型结构814和行为模型参数818。
更新器150可以被配置为随后执行预测802与上面列出的实际行为模型之间的比较804。此外,更新器可以执行评估806,以便得出预测802和上面列出的实际行为模型之间的差异。在一个示例中,评估806可以基于从比较804获得的结果。
***110可以被配置为使得更新器150可以使用认知学习操作280来标记差异阈值808。在一个示例中,来自评估806的结果可以低于差异阈值808,如在图8中的“否”分支808-B所描绘。在这种情况下,更新器150可以使用认知学习操作280来确保在由预测802构造的行为模型中不发生进一步的改变。这在图8的步骤810中被示出。
在另一个示例中,来自评估806的结果可能高于差异阈值808,如图8中的“是”分支808-A所示。在这种情况下,更新器150可以使用认知学习操作280用于决定是否需要由预测802构造的行为模型中第一调整812。第一调整812可以与行为模型结构814中的调整有关,如图8中的“是”分支812-A所示。在一个示例中,调整812可以导致由预测802构造的行为模型的行为模型结构814的改变。此外,调整812可以包括调整合成知识模型704。在一个示例中,调整812可以不会导致行为模型结构的改变,如图8中的“否”分支812-B所示。在这种情况下,认知学习操作280可以进一步决定是否需要第二调整816。第二调整816可以与行为模型参数818中的调整有关。在一个示例中,第二调整816可以导致行为模型参数818中的改变,如图8中的“是”分支816-A所示。
***110可以被配置为使得重复执行评估806、第一调整812和第二调整816,直到认知学习操作280决定由预测802生成的模型有效的时间,如由图8中的“否”分支816-B所示。这可以导致市场情报报告820的生成。在一个示例中,市场情报报告820可以成为连续供应商情报345的一部分。
图9示出了根据本公开的示例实施例的用于市场情报报告820的迭代细化的过程流程图900,其被呈现为用于认知采购和主动连续进货的***110的示例。
过程900可以在***110已经生成市场情报报告820之后开始。在一个示例中,市场情报报告820可以用作具有进货实体的自举操作902的支架。建模器130可以被配置为通过处理器120从更新器150接收市场情报报告820。建模器130然后可以针对多个数据域250对市场情报报告820执行自举902。建模器130可以被配置为使用人工智能平台220从多个数据域250和自举902中开发语料库(corpus)904。语料库904可以包括关于来自多个数据域250的特定域的书面文本的集合。建模器130然后可以使用人工智能224从语料库904取回报告906。***110的更新器150可以被配置为接收报告906。更新器150可以被配置为使用认知学习操作280来决定报告是否已经实现了稳定性908。
在一个示例中,认知学习操作280可以发现已经实现了稳定性906,如图9中的“是”分支908-A所图示的。在这种情况下,更新器150将生成市场情报报告910。在一个示例中,认知学习操作280可以发现尚未实现稳定性906,如图9中的“否”分支908-B所示。在这种情况下,更新器150将对多个数据域250执行扩展812。***110可以被配置为使得扩展812之后可以是语料库904的生成和报告906的取回。扩展812、语料库904的生成和报告906的取回可以一直持续到认知学习操作280可以决定已经实现稳定性908的时间为止。在一个示例中,扩展812、语料库904的生成和报告906的取回可以形成连续供应商情报345的一部分。
根据本公开,过程900是示例,其可以用于连续供应商情报345和可用供应商数据310的扩展。在一个示例中,过程900可以用于基于多个数据域250的报告生成。在本说明书的某些部分中,多个数据域250也可以称为种子实体。在一个示例中,过程900示出了基于多个数据域250的用于市场情报报告生成的迭代细化。
图10图示了根据本公开的示例实施例的用于价格透明度315的过程流程图1000,其被呈现为用于认知采购和主动连续进货的***110的示例。
当市场情报报告910或市场情报报告820或市场情报报告610生成时,过程1000开始。***110的建模器130为市场情报报告910或市场情报报告820或市场情报报告610中的任意一个确定市场分段1002。建模器130可以为采购请求255组装供应商投资组合350。建模器130可以被配置为从针对采购请求255的已组装的供应商投资组合350中获得定价385。
更新器150可以接收针对采购请求255的组装的供应商投资组合350。更新器150可以被配置为从针对采购请求255的组装的供应商投资组合350获得定价385。更新器150可以执行认知学习操作280,用于在组装的供应商投资组合350中标识各种替代供应商1004。认知学习操作280可以对从针对采购请求255的组装的供应商投资组合350接收的定价385之间进行比较1006。认知学习操作280可以被配置为根据本公开的示例实施例对定价之间的差异执行转换1008,并且向相同的定价呈现归一化的替代方案。
图11示出了根据本公开的示例实施例的用于总体信息意识320的过程流程图1100,其被呈现为用于认知采购和主动连续进货的***110的示例。
在一个示例中,***110如此配置为建模器130和更新器150可以被配置为执行图11所描述的过程1100。
建模器130可以包括总信息意识***320。总信息意识***320可以包括跟踪供应商人员355。在一个示例中,如过程1100所示,建模器130可以执行提取1102。提取1102可能与从例如提取供应商的雇员有关。提取1102可以包括跟踪供应商人员355。
建模器130可以将提取1102用于标识1104。在一个示例中,标识1104可包括标识存在供应商的市场。建模器130还可将标识1104用于供应商行为提取1106。供应商行为提取1106可包括跟踪供应商行为390。供应商行为提取1106可包括各种市场上的供应商行为、供应商评论、供应商评分等。在一个示例中,市场可以包括诸如eBay、阿里巴巴、e2open等的网站。供应商行为提取1106可以例如通过先前的合作、关于具有其他类似采购请求的供应商行为的市场情报报告等来执行。
建模器130可将提取1102用于提取1108。提取1108可包括提取社交媒体上的雇员行为。建模器130可以进一步将提取1108用于供应商行为开发1110。供应商行为开发1110可以包括评估各种社交媒体平台上的雇员行为。供应商行为开发1110可以包括跟踪供应商人员行为390-1。供应商行为开发1110通过市场情报报告、各种业务目录、先前的合作、先前的请求评论等。
建模器130可以将提取1102用于建立1112。建立1112可以包括为供应商建立预测市场。建模器130可以进一步将建立1112用于供应商行为趋势标识1114。在一个示例中,建模器130可以使用预测标记供应商行为趋势标识1114。
***110可以被配置为使得供应商行为提取1106、供应商行为开发1110和供应商行为趋势标识1114可以用于开发供应商行为模型1116。在一个示例中,建模器130可以使用人工智能组件220用于提取1102、标识1104、供应商行为提取1106、提取1108、供应商行为开发1110、建立1112或供应商行为趋势标识1114。在一个示例中,过程1100可以影响连续类别情报380。
图12示出了根据本公开的示例性实施例的用于构造供应商行为模型1116的过程流程图1200,其被呈现为用于认知采购和主动连续进货的***110的示例。
在一个示例中,***110可以被配置为使得建模器130和更新器150可以被配置为执行图12所示的过程1200。
建模器130可以被配置为将人工智能组件220用于标识1202。标识1202可以包括标识从可用供应商数据310引用供应商的社交媒体。标识1202可以包括例如市场评分1204、社交媒体评分1206、社交媒体评论审查1208、或在线贸易期刊讨论1210。在一个示例中,市场评分1204可以包括来自等的评论或评分。社交媒体评分1206可以包括例如来自等的评论或评分。社交媒体评论审查1208可以包括在诸如 等网站上的评论评估。
在一个示例中,市场评分1204、社交媒体评分1206、社交媒体评论审查1208和在线贸易期刊讨论1210合并为针对特定供应商的社交监听1212。***110的更新器150可以被配置为通过处理器120从建模器130接收社交监听1212下的数据。更新器150可以使用执行认知操作来进行标识1214。标识1214可以包括标识来自社交监听1212下每个发布的原因和效果。在一个示例中,原因和效果可以包括供应商针对如采购交互255的采购交互对定价压力的响应。更新器然后可以开发集群1216。集群1216可以包括来自社交监听1212下每个发布的原因和效果的集群,并由标识1214标识。在一个示例中,集群1216可以由用户监督。在另一个示例中,集群1216可以是自动化的并且不受用户的监督。更新器150可以使用集群1216来生成上下文效果行为模型1218。更新器150可以使用集群1216来生成上下文效果雇员模型1220。在一个示例中,供应商行为模型1116可以包括上下文效果行为模型1218。进一步地,供应商行为模型1116可以包括上下文效果雇员模型1220。
图13示出了根据本公开的示例实施例的用于供应商创新评估325的过程流程图1300,其被呈现为用于认知采购和主动连续进货的***110的示例。
在一个示例中,建模器130可以被配置用于可用供应商310中的创新评估325。建模器130可以被配置为跟踪可用供应商310中的创新360。建模器130可以从可用供应商310中选择与采购请求255相关的供应商1302。建模器310可以将人工智能组件220用于供应商研究与开发(R&D)预算确定1304。确定1304可以包括确定针对与供应商1302和采购请求255相关的相似大小的行业中的公司的归一化的年度R&D预算。建模器130可被配置为发出专利提交确定1306。专利提交确定1306可以包括确定针对与供应商1302和采购请求255相关的类似大小的公司所提交的专利的归一化的数量。建模器可以确定每个供应商的预算1308。预算1308可以包括总的R&D预算作为与供应商1302和采购请求255有关的销售的百分比。建模器130可以确定活动项目数量1310。与和供应商1302和采购请求255相关的类似大小的公司相比,活动项目数量1310可以是活动项目的归一化数量。建模器130可以确定雇员想法数量1312。雇员想法数量1312可以是雇员提交的关于与供应商1302和采购请求255相关的雇员总数的归一化的想法的数量。建模器130可以确定与供应商1302和采购请求255相关的新产品销售数量1314。新产品销售数量1314可以是来自例如过去5年引入的产品的销售百分比。建模器130可以被配置为改变新产品销售数量1314的年数。
建模器130可以被配置为使用供应商1302、确定1304、确定1306、预算1308、活动项目数量1310、雇员想法数量1312、新产品销售数量1314来开发效用功能1316。效用功能1316可以是创新评估325的指示器。在一个示例中,过程1300可以用于跟踪创新360。在一个示例中,建模器130可以被配置为在将供应商包括到可用供应商列表310中之前跟踪供应商方侧395的创新。此外,创新评估325可能会影响连续供应商情报345和连续类别情报380。
图14示出了根据本公开的示例实施例的用于作为可用的供应商310中的操作风险评估330的过程流程图1400,其被呈现为用于认知采购和主动连续进货的***110的示例。
在一个示例中,建模器130可以被配置用于在可用供应商310中的操作风险评估330。建模器130可以被配置成从行业门户网站收集操作风险事实、数据、历史等。这在图3中被描绘为从行业门户网站收集风险操作399。建模器130然后可以使用从行业门户网站收集的操作风险399来形成操作风险度量1402。在一个示例中,操作风险度量1402可以包括操作风险度量365。操作风险度量1402可用于操作风险评估330。
在一个示例中,操作风险度量1402可以用于风险标识1404。风险标识1404可以包括供应链风险标识。操作风险度量1402可将方法1406用于风险标识1404。方法1406可包括将操作风险度量1402应用于例如金融风险1408、业务操作风险1410、业务连续性风险1412、监管风险1414和社会风险1216的风险标识1404。金融风险1408可能包括供应商***的风险,并且可能无法满足采购交互255的需求。业务操作风险1410可能包括供应商不具有操作设施的合适的基础设施以便于满足采购交互255的需求的风险。业务连续性风险1412可能包括供应商在满足采购交互255的需求之前关闭业务的风险。监管风险1414可能包括供应商不遵守法律法规或遵守法律需求以合法地满足采购交互255的需求的风险。社会风险1216可以包括道德风险、环境风险等。社会风险1216可以包括供应商使用例如童工的不道德做法以满足采购交互255的需求的风险。社会风险1216可以包括供应商对环境造成不适当危害以满足采购交互255的需求。
建模器130可以被配置为合并金融风险1408、业务操作风险1410、业务连续性风险1412、监管风险1414、社会风险1216,以形成风险报告1218。风险报告1218可以是取回的建模器130。风险报告1218可用于供应商风险评估1420。在一个示例中,操作风险评估330可包括供应商风险评估1420。
过程1400是根据本公开的用于执行操作风险评估330的示例。
图15示出了根据本公开的示例实施例的用于在可用供应商310中开发供应商合作策略335的过程流程图1500,其被呈现为用于认知采购和主动连续进货的***110的示例。
在一个示例中,建模器130和更新器150可以被配置为跟踪客户–供应商合作335和扩展的客户供应商关系370。建模器130可以执行供应商策略评估1502。供应商策略评估1502可以包括来自可用供应商310的供应商标识1504。供应商策略评估1502可以包括产品或服务确定1506。产品或服务确定1506可以包括确定与采购交互255相关的特定产品或服务的重要性。供应商策略评估1502可以包括供应困难1508。供应困难1508可以包括基于在从可用供应商310获得产品或服务的供应的困难程度来评估产品或服务。
更新器150可以被配置为执行供应商能力评估1510。供应商能力评估1510可以包括供应商绩效评估1512。供应商绩效评估1512可以包括针对先前的合同履行、或类似合同的履行等来评估来自可用供应商310的供应商。
更新器的认知学习操作280可以将来自供应商策略评估1502和供应商能力评估1510的结果合并到策略制定1514中。在一个示例中,当产品或服务具有低供应难度1508并且供应商具有低的供应商能力评估1510和低的供应商绩效评估1512时,则***110可以提出替换1516作为针对该供应商的选项。在一个示例中,当产品或服务具有高供应难度1508并且供应商具有低供应商能力评估1510时,则***110可以将动机1518呈现为针对供应商的选项。在一个示例中,当供应商具有高供应商能力评估1510和低供应商绩效评估1512时,***110可以将开发1518呈现为该供应商的选项。在一个示例中,当供应商具有高供应商能力评估1510和高供应商绩效评估1512时,则***110可以呈现伙伴关系1518作为对该供应商的选项。
建模器130还可被配置为基于实时上下文305、直接和间接进货需求375、对业务需求的主动感测340、可用供应商310、连续供应商情报345、连续类别情报380、总信息意识***320、创新评估325、操作风险评估330和操作风险度量365来扩展客户供应商关系370。
图16示出了根据本公开的示例实施例的用于实现***110的硬件平台。特别地,诸如但不限于内部/外部服务器群集、量子计算机、台式机、膝上型计算机、智能电话、平板计算机和可穿戴设备的计算机器可以用来执行***110或者可以具有硬件平台1600的结构。硬件平台1600可以包括未示出的附加组件,并且可以移除和/或修改所描述的组件中的一些。在另一个示例中,具有多个GPU的计算机***可以位于外部云平台上,包括Amazon WebServices、内部公司云计算集群或组织计算资源等。
在图16上,硬件平台1600可以是可与本文所述示例一起使用的计算机***1600。计算机***1600可以表示包括可以在服务器或另一计算机***中的组件的计算平台。计算机***1600可以由处理器(例如单个或多个处理器)或其他硬件处理电路执行本文描述的方法、功能和其他过程。这些方法、功能和其他过程可以体现为存储在计算机可读介质上的机器可读指令,该计算机可读介质可以是非瞬态的,诸如硬件存储设备(例如RAM(随机存取存储器)、ROM(只读存储器)、EPROM(可擦除、可编程ROM)、EEPROM(电可擦除、可编程ROM)、硬盘驱动器和闪存)。计算机***1600可包括处理器1605,该处理器执行在非瞬态计算机可读存储介质1610上存储的软件指令或代码以执行本公开的方法。该软件代码包括例如收集数据和文档以及分析文档的指令。在一个示例中,建模器130、监视器140和更新器150是执行这些步骤的软件代码或组件。
读取计算机可读存储介质1610上的指令,并将指令存储在存储装置1615或随机存取存储器(RAM)1620中。存储装置1615提供了用于保持静态数据的大空间,其中可以存储至少一些指令供以后执行。所存储的指令可以被进一步编译以生成指令的其他表示并且被动态地存储在RAM 1620中。处理器1605从RAM 1620读取指令并且按照指令执行动作。
计算机***1600还包括输出设备1625,以将执行结果的至少一些提供为输出,包括但不限于给用户的视觉信息,诸如外部代理。输出设备可以包括在计算设备上的显示器和虚拟现实眼镜。例如显示器可以是手机屏幕或膝上型计算机屏幕。GUI和/或文本作为输出被显示在显示屏上。计算机***1600还包括输入设备1630,以向用户或其他设备提供用于输入数据和/或以其他方式与计算机***1600交互的机制。输入设备可以包括例如键盘、小键盘、鼠标、或触摸屏。在一个示例中,更新器150的输出被显示在输出设备1625上。这些输出设备1625和输入设备1630中的每一个可以由一个或多个附加***设备连接。在一个示例中,输出设备1625可以用于显示认知学习操作280的结果。
可以提供网络通信器1635,以将计算机***1600连接到网络,并进而连接到与网络连接的其他设备,其他设备包括例如其他客户端、服务器、数据存储和接口。网络通信器1635可以包括例如网络适配器,诸如LAN适配器或无线适配器。计算机***1600包括用于访问数据源1645的数据源接口1640。数据源是信息资源。作为示例,例外和规则的数据库可以是数据源。此外,知识库和策展(curated)数据可以是数据源的其他示例。在一个示例中,多个数据域250可以是数据源1645。
图17示出了根据本公开的示例实施例的用于认知采购和主动连续进货的方法1700。
应当理解,本文示出的方法步骤仅用于参考,并且步骤的其他组合是可能的。此外,除了图17中所示的步骤之外,方法1700还可以包含一些步骤。为了简洁起见,在图1、图2、图3、图4、图5、图6、图7、图8、图9、图10、图11、图12、图13、图14、图15和图16的描述中详细说明的***110的结构和操作特征在图17的描述中没有详细说明。方法1700可以由***110的组件执行,诸如处理器120、建模器130、监视器140和更新器150。
在框1702,可以从用户接收采购交互。采购交互可以由***110接收。该采购交互指示由用户向***发送给的用于处理商品和服务的采购的查询。在一个示例中,用户的采购交互还包括以下至少一项:筛选历史采购请求、调查成本波动、开发建议请求、跟踪促销、建立购推荐、监视对采购指南的遵守、并监视对商品、服务或信息的获取。在框1702,可以从多个数据源接收供应商数据。在一个示例中,***110还包括使用人工智能组件来研究以下至少一项:供应商可用性、供应商绩效、供应商能力、创新评估、风险评估、技术评估、以及来自接收到的供应商数据的供应商合作。
在框1704处,实现人工智能组件以将供应商数据分类到多个数据域中。人工智能组件可以是人工智能组件220。
在框1706,基于新的供应商数据来修改来自供应商数据的多个数据域中的域。***110可以连续地接收新的供应商数据。
在框1708中,生成用户采购行为数据。用户采购行为数据可以基于采购交互和来自供应商数据的多个数据域中的域。采购行为数据可以是用户针对采购任务选择的多个数据域中的域。
在框1710处,建立用户采购行为模型。通过对来自所接收的供应商数据的多个数据域中的域和所接收的用户采购行为数据执行认知学习操作,可以建立与指南相对应的用户采购行为模型,指南与用户的采购交互相关联。在一个示例中,该方法包括提供证据,该证据支持通过对来自所接收的供应商数据的多个数据域中的域和所接收的用户采购行为数据执行认知学习操作而制成的用户采购行为模型。
在框1712处,是否应当更新用户采购行为模型的确定的发生。该确定可以基于供应商数据的多个数据域中的修改和用户采购行为数据的修改。
在框1714,更新用户采购行为模型。更新可以对应于供应商数据的多个数据域中的修改和用户采购行为数据的修改。
在框1716处,当由于来自由用户选择的所接收的供应商数据的多个数据域中的域中的改变而在用户采购行为模型存在改变时,通知用户。在一个示例中,方法1700可以进一步包括提供用户的采购交互的结果作为认知见解。方法1700还包括实现为采购交互提供的认知见解。在一个示例中,可以使用非瞬态计算机可读介质来实践方法1700。在一个示例中,方法1700可以是计算机实现的方法。
本公开提供信息的连续收集和分析,并且还可以按需提供相关推荐,从而允许用户从基于事件的进货转变为连续的进货。本公开可以实质上减少响应市场机会所需的时间。用于认知采购和主动连续进货的本公开可以消除花费在劳动密集型分析上的大量时间,从而极大地提高了敏捷性、响应能力和生产率。
本文已经描述和说明的内容是本公开的示例。本文所使用的术语、描述和附图仅以说明的方式阐述,并不意味着限制。在主题的精神和范围内,可能有许多改变,其旨在由所附权利要求及其等同物来定义,其中除非另外指出,否则所有术语均意味着其最宽泛的合理含义。
Claims (20)
1.一种***,包括:
处理器;
建模器,被耦合到所述处理器,所述建模器用于,
从多个数据源接收供应商数据;
实现人工智能组件以将所述供应商数据分类到多个数据域中;以及
基于新的供应商数据,修改来自所述供应商数据的所述多个数据域中的域;
监视器,被耦合到所述处理器,所述监视器用于,
接收来自用户的采购交互,所述采购交互用于指示由所述用户向所述***发送的、用于处理商品和服务采购的查询;以及
基于所述采购交互和来自所述供应商数据的所述多个数据域中的域,生成用户采购行为数据,所述采购行为数据是来自由所述用户针对所述采购交互选择的所述多个数据域中的域;以及
更新器,被耦合到所述处理器,所述更新器用于,
从所述建模器接收供应商数据集合;
从所述监视器接收所述采购行为数据;
通过对来自所接收的所述供应商数据的所述多个数据域中的域和所接收的所述用户采购行为数据执行认知学习操作,建立与指南相对应的用户采购行为模型,所述指南与所述用户的所述采购交互相关联;
基于所述供应商数据的所述多个数据域中的修改和所述用户采购行为数据中的修改,确定所述用户采购行为模型是否应当被更新;
基于所述供应商数据的所述多个数据域中的修改和所述用户采购行为数据中的修改,更新所述用户采购行为模型;以及
当由于来自由所述用户选择的、所接收的所述供应商数据的所述多个数据域中的域中的改变而在所述用户采购行为模型中
存在改变时,通知所述用户。
2.根据权利要求1所述的***,其中与所述用户的所述采购交互相关联的所述指南是与来自所述多个数据源的供应商的数据源的交互。
3.根据权利要求1所述的***,其中所述***还包括被耦合到所述处理器的生成器,所述生成器用于响应于与所述用户的所述采购交互相关联的所述指南来生成电子文档。
4.根据权利要求1所述的***,其中所述***还包括使用所述人工智能组件以用于研究以下项中的至少一项:供应商可用性、供应商绩效、供应商能力、创新评估、风险评估、技术评估、以及来自所接收的所述供应商数据的供应商合作。
5.根据权利要求1所述的***,其中所述用户的所述采购交互还包括以下项中的至少一项:筛选历史采购请求、调查成本波动、开发建议请求、跟踪促销、建立采购推荐、监视对采购指南的遵守、以及监视对商品、服务或信息的获取。
6.根据权利要求1所述的***,其中所述***还包括所述更新器,所述更新器用于提供所述用户的所述采购交互的结果作为认知见解。
7.根据权利要求6所述的***,其中所述***还包括所述更新器,所述更新器用于实现为所述采购交互提供的所述认知见解。
8.根据权利要求6所述的***,其中所述***还包括所述更新器,所述更新器用于将所述用户采购行为模型与所述认知见解相关联。
9.根据权利要求1所述的***,其中所述***还包括所述更新器,所述更新器用于提供支持所述用户采购行为模型的证据,所述用户采购行为模型通过对来自所接收的所述供应商数据的所述多个数据域的域和所接收的所述用户采购行为数据执行所述认知学习操作而被创建。
10.根据权利要求1所述的***,其中所述***还包括所述建模器,所述建模器用于从所述供应商数据的所述多个数据域中统一域,以用于标识具有相似绩效的供应商集群。
11.一种由至少一个处理器执行的计算机实现的方法,所述方法包括:
接收来自用户的采购交互,所述采购交互用于指示由所述用户向***发送的、用于处理商品和服务的采购的查询;
从多个数据源接收供应商数据;
实现人工智能组件以将所述供应商数据分类到多个数据域中;
基于新的供应商数据,修改来自所述供应商数据的所述多个数据域中的域;
基于所述采购交互和来自所述供应商数据的所述多个数据域中的域,生成用户采购行为数据,所述采购行为数据是来自由所述用户针对所述采购任务选择的所述多个数据域中的域;
通过对来自所接收的所述供应商数据的所述多个数据域中的域和所接收的所述用户采购行为数据执行认知学习操作,建立与指南相对应的用户采购行为模型,所述指南与所述用户的所述采购交互相关联;
基于所述供应商数据的所述多个数据域中的修改和所述用户采购行为数据中的修改,确定所述用户采购行为模型是否应当被更新;
对应于所述供应商数据的所述多个数据域中的修改和所述用户采购行为数据中的修改,更新所述用户采购行为模型;以及
当由于来自由所述用户选择的、所接收的所述供应商数据的所述多个数据域中的域中的改变而在所述用户采购行为模型中存在改变时,通知所述用户。
12.根据权利要求11所述的计算机实现的方法,其中所述方法还包括使用所述人工智能组件以用于研究以下项中的至少一项:供应商可用性、供应商绩效、供应商能力、创新评估、风险评估、技术评估、以及来自所接收的所述供应商数据的供应商合作。
13.根据权利要求11所述的计算机实现的方法,其中所述方法还包括提供所述用户的所述采购交互的结果作为认知见解。
14.根据权利要求13所述的计算机实现的方法,其中所述方法还包括:实现为所述采购交互提供的所述认知见解。
15.根据权利要求11所述的计算机实现的方法,其中所述方法还包括提供支持所述用户采购行为模型的证据,所述用户采购行为模型通过对来自所接收的所述供应商数据的所述多个数据域的域和所接收的所述用户采购行为数据执行所述认知学习操作而被创建。
16.一种包括机器可读指令的非瞬态计算机可读介质,所述机器可读指令由处理器可执行以用于:
接收来自用户的采购交互,所述采购交互用于指示由所述用户向***发送的、用于处理商品和服务的采购的查询;
从多个数据源接收供应商数据;
实现人工智能组件以将所述供应商数据分类到多个数据域中;
基于新的供应商数据,修改来自所述供应商数据的所述多个数据域中的域;
基于所述采购交互和来自所述供应商数据的所述多个数据域中的域,生成用户采购行为数据,所述采购行为数据是来自由所述用户针对所述采购任务选择的所述多个数据域中的域;
通过对来自所接收的所述供应商数据的所述多个数据域中的域和所接收的所述用户采购行为数据执行认知学习操作,建立与指南相对应的用户采购行为模型,所述指南与所述用户的所述采购交互相关联;
基于所述供应商数据的所述多个数据域中的修改和所述用户采购行为数据中的修改,确定所述用户采购行为模型是否应当被更新;
对应于所述供应商数据的所述多个数据域中的修改和所述用户采购行为数据中的修改,更新所述用户采购行为模型;以及
当由于来自由所述用户选择的、所接收的所述供应商数据的所述多个数据域中的域中的改变而在所述用户采购行为模型中存在改变时,通知所述用户。
17.根据权利要求16所述的非瞬态计算机可读介质,其中所述***还包括使用所述人工智能组件以用于研究以下项中的至少一项:供应商可用性、供应商绩效、供应商能力、创新评估、风险评估、技术评估、以及来自所接收的所述供应商数据的供应商合作。
18.根据权利要求16所述的非瞬态计算机可读介质,其中所述用户的所述采购交互还包括以下项中的至少一项:筛选历史采购请求、调查成本波动、开发建议请求、跟踪促销、建立采购推荐、监视对采购指南的遵守、以及监视对商品、服务或信息的获取。
19.根据权利要求16所述的非瞬态计算机可读介质,其中所述更新器用于提供所述用户的采购交互的结果作为认知见解。
20.根据权利要求19所述的非瞬态计算机可读介质,其中所述更新器用于实现为所述采购交互提供的所述认知见解。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/241,749 | 2019-01-07 | ||
US16/241,749 US11270253B2 (en) | 2019-01-07 | 2019-01-07 | Cognitive procurement |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111415213A true CN111415213A (zh) | 2020-07-14 |
CN111415213B CN111415213B (zh) | 2023-10-20 |
Family
ID=71404730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911236817.8A Active CN111415213B (zh) | 2019-01-07 | 2019-12-05 | 认知采购 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11270253B2 (zh) |
CN (1) | CN111415213B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114549124A (zh) * | 2022-02-17 | 2022-05-27 | 杭州麦科斯韦网络科技有限公司 | 一种基于仿真和数字样机的供应链*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101061498A (zh) * | 2004-09-30 | 2007-10-24 | 邓尼赫姆拜有限公司 | 用于执行零售分析的方法 |
CN106716459A (zh) * | 2014-06-30 | 2017-05-24 | A·F·沙班 | 用于跟踪开销和计费的***和方法 |
CN108108942A (zh) * | 2017-12-15 | 2018-06-01 | 上海才扬软件科技有限公司 | 一种企业互联网采购综合管理云服务*** |
US20180165585A1 (en) * | 2016-12-09 | 2018-06-14 | Cognitive Scale, Inc. | Method for Providing Procurement Related Cognitive Insights Using Blockchains |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10467631B2 (en) * | 2016-04-08 | 2019-11-05 | International Business Machines Corporation | Ranking and tracking suspicious procurement entities |
-
2019
- 2019-01-07 US US16/241,749 patent/US11270253B2/en active Active
- 2019-12-05 CN CN201911236817.8A patent/CN111415213B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101061498A (zh) * | 2004-09-30 | 2007-10-24 | 邓尼赫姆拜有限公司 | 用于执行零售分析的方法 |
CN106716459A (zh) * | 2014-06-30 | 2017-05-24 | A·F·沙班 | 用于跟踪开销和计费的***和方法 |
US20180165585A1 (en) * | 2016-12-09 | 2018-06-14 | Cognitive Scale, Inc. | Method for Providing Procurement Related Cognitive Insights Using Blockchains |
CN108108942A (zh) * | 2017-12-15 | 2018-06-01 | 上海才扬软件科技有限公司 | 一种企业互联网采购综合管理云服务*** |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114549124A (zh) * | 2022-02-17 | 2022-05-27 | 杭州麦科斯韦网络科技有限公司 | 一种基于仿真和数字样机的供应链*** |
Also Published As
Publication number | Publication date |
---|---|
US20200219040A1 (en) | 2020-07-09 |
CN111415213B (zh) | 2023-10-20 |
US11270253B2 (en) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10192172B2 (en) | Methods and systems for predictive engine evaluation and replay of engine performance | |
US9984138B2 (en) | Visual representations of recurring revenue management system data and predictions | |
Haug et al. | The costs of poor data quality | |
US7574379B2 (en) | Method and system of using artifacts to identify elements of a component business model | |
US20210118054A1 (en) | Resource exchange system | |
US20080140514A1 (en) | Method and system for risk evaluation and management | |
Datta et al. | Incentive issues in performance-based outsourcing contracts in the UK defence industry: a simulation study | |
US11295328B2 (en) | Intelligent prospect assessment | |
Li et al. | AI-driven customer relationship management for sustainable enterprise performance | |
Loshin et al. | Using information to develop a culture of customer centricity: customer centricity, analytics, and information utilization | |
Stormi et al. | Forecasting sales in industrial services: Modeling business potential with installed base information | |
US11631092B2 (en) | Methods and apparatus for maintaining and/or updating one or more item taxonomies | |
JP6301326B2 (ja) | サービスアセットマネジメントシステム及び方法 | |
Even et al. | Economics-driven data management: An application to the design of tabular data sets | |
CN109213729B (zh) | 结果驱动的案例管理 | |
CN111415213B (zh) | 认知采购 | |
CA3169819C (en) | Systems and methods for automated product classification | |
US20230139339A1 (en) | Method and system for adaptive product categorization | |
US20230244837A1 (en) | Attribute based modelling | |
Athanasoulias et al. | Increasing business intelligence through a CRM approach: An implementation scheme and application framework | |
Sepehri | Supplier Selection and Relationship Management: An Application of Machine Learning Techniques | |
Kadge et al. | Sales and invoice management system with analysis of customer behaviour | |
US20240144654A1 (en) | System and method for automated construction of data sets for retraining a machine learning model | |
Xavier et al. | A mobile application for sales representatives: a case study of a liquor brand | |
Batini et al. | Information quality in use |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |