摘要：目前，我国的经济在快速发展，社会在不断进步，综合国力显著加强，供应商管理作为购买者实行信用风险管理的重要前提，高质量的风险管理信息系统得到广泛实践。目前，供应商信用风险管理较为零散，供应商信息不全面，这些问题一直阻碍我国电力企业的持续发展。因此，建立供应商信用风险管理方案，采用科学的方法收集和统计实现供应商信用风险管理成为了电力企业工作人员的首要工作。本文简要地分析了国内外数据挖掘技术的研究现状，提出了基于大数据分析的电力企业供应商信用风险管理方案。
关键词：数据挖掘；供应商画像；信用风险
引言
信用风险又称交易风险或履约风险，是指借款人、证券发行人或交易对方因种种原因，不愿或无力履行合同条件而造成违约，致使银行、投资者或交易对方遭受损失的可能性。在国务院“打造大数据支撑、网络化共享、智能化协作的智慧供应链体系”的政策指引下，国家电网有限公司提出应用大云物移智等现代信息技术，打造智慧决策中心，在风险管控方面做到事前预警、事中监控、事后反馈。国网山东省电力公司淄博供电公司（以下简称“淄博供电公司”）坚持供应商关系全过程管控，通过信息技术采集供应商风险数据、预控供应商信用风险，提高供应商守信主动性，打造物资供应诚信环境。
1电力行业供应商信用评价
对电力行业供应商在经营和管理过程中执行国家相关法律、法规及政策，履行相关经济和社会责任的能力及意愿的综合评价。
2基于大数据分析的电力企业供应商信用风险管理
2.1画像构建与数据分析
供应商画像模型旨在帮助管理供应商、优化投标决策，因此画像构建的关键过程在于结合实际业务情况定性地选取投标决策关心的供应商评价指标，定量化评价指标，最后选取合适的评价维度给供应商贴上标签，通过不同维度的标签还原供应商的“画像”。因此，数据处理和分析建模的过程应该基于上述关键过程的指标数据特征以及业务分析逻辑。现在针对供应商画像的研究还不算特别多，我们以流行的“用户画像”分析进行对比，从而可以发现供应商画像和用户画像有何异同，从用户画像当中又能寻找到什么可行的分析思路。可以发现供应商画像与用户画像的建模过程本质上都是数据收集-建模-画像成型的过程，区别只是在于：首先，画像构建的目的不同，用户画像的目的是进行精准营销，而精准营销的建模工作是要对用户分类后对不同类别用户的消费行为进行预测。而供应商画像的目的是为了精准管理、精准招标，建模工作是要对供应商分类后对不同类别的供应商进行评级。其次，画像的标签维度不同，标签维度的构建同样是从画像构建的目的出发，用户画像关心的是用户的购买能力、行为特征、社交网络等，供应商画像关心的是供应商的商务状况、产品质量、信用状况。具体分析数据的思路如下所示。（1）数据收集。通过访谈和调研搜集数据，确定供应商指标的打分逻辑和统计口径。（2）数据预处理。对收集到的数据进行清洗，目前收集到的数据量非常小，且需要进行整合、预处理，包括缺失值和异常值的处理、数据数量级的统一、后续分析所要进行的标准化处理。在构建供应商画像的现有数据中，资格评审涉及的商务与技术两大维度的数据已经根据权重进行了打分，分数的数量级为10以内，因此部分数据只需要剔除不满足资格评审的数据（表现为所有维度都为0值）以及数值超出权重的分值。履约评价的数据有物资合同签订及时率（0-100%）、一次性试验通过率（0-100%）、到货及时率（0-100%）和不良行为记录（分值范围0.1-12）。对于这部分数据需要根据权值进行标准化，由于权值需要根据评价标准进一步确定，因此目前只需要将不良行为记录的量化数值压缩到与0-100%相同的范围。（3）数据降维。目前的供应商信用风险评级指标过多，不能满足供应商画像的特征提取与分类要求，需要进行降维处理。拟采用关联性分析和主成分分析降低指标维度，同时最大化保留原有数据的信息。
在资格评审中，商务基本面信息的数据涉及15个指标，技术能力更是高达10余个，这些指标反映的意义具有较强的关联性（共线性）且在有限的数据量的情况下变量过多将会大大降低模型的自由度从而影响精确度，因此为了满足后续的分类和拟合要求，必须要剔除冗余变量，对指标进行降维处理。（4）特征分类。结合业务理解初步确定分类个数（供应商不同特征维度的级别个数），利用聚类分析算法对供应商不同特征维度进行分类，后续根据分类情况和数据特征适当调整分类个数。在构建标签之前，需要对供应商进行分类，由于目前的数据是不具有分类结果标签（y值），因此这是一个无监督的分类问题，无法采用决策树、神经网络等学习类模型；又因为目前数据集的数据量非常少，需要大量训练数据的无监督深度学习模型也不适用，因此，针对无监督和小样本的特点，选用聚类分析解决分类问题。
2.2指标分类及代码
指标分类。电力行业供应商信用评价指标分为基本指标和专项指标。基本指标。电力行业供应商信用评价基本指标由一级指标、二级指标和三级指标组成，一级指标又分为：企业申报信息指标；企业基本条件指标；企业产品或服务指标；企业经营管理能力指标；企业财务状况指标；企业发展潜力指标；企业社会责任指标；企业信用记录指标。专项指标。电力行业供应商信用评价专项指标分为：制造企业指标；信息技术及服务企业指标；其他类企业指标。
2.3供应商信用风险预警
通过分析供应商信用风险级别、特征得分以及全息画像，了解供应商的各项薄弱环节，针对性进行风险预警，输出供应商信用风险预控报告。单个供应商全息画像利用雷达图展示各个指标项得分情况并对薄弱环节进行风险预警，利用标签库展示供应商服务特点，通过表格展示各指标项明细得分，通过排名得到单个供应商的行业位置。两类供应商全息画像对比分析利用雷达图展示各个指标项得分情况并对薄弱环节进行风险预警，利用标签库展示各类供应商服务特点，通过表格展示各类供应商指标项明细得分的对比情况，通过排名得到各类供应商在所属类别的行业位置。
2.4供应商信用特征差异化分析
基于供应商资质、绩效、信用三大领域评价结果，结合物资种类对各领域权重进行调整，完成供应商综合性评价，强化对供应商的差异化分析。构建供应商特征标签库，结合可视化手段多维度展示供应商信用特征标签信息，提升供应商管理的精准度。从供应商资质能力、履约能力、社会信用等方面，提取出精准描述供应商全貌的数据特征，结合业务目标，对数据特征进行归类整理，构建并不断丰富供应商标签模型库。
结语
本文通过对我国市场经济环境下大数据挖掘技术的现状分析，研究了基于大数据分析的电力企业供应商信用风险评价指标体系。通过数据挖掘等技术定制供应商行为标签及评价指标，构建供应商画像。通过税务信息、司法信息、抵押信息、违法信息、质检抽检信息等数据对供应商潜在风险及信用进行评估，将供应商管理体系纳入风险管控原则。同时，对供应商画像相关业务进行优化，针对群体的分析，进行供应商画像的可视化展示，根据供应商信用风险细分指标及原则，可用来评估供应商资格准入条件，辅助项目评标，同时也可以细分出优质供应商、评估某一群体供应商的潜在价值空间，提出针对性的运营和管理策略。
参考文献
[1]郭秀红.大数据时代物流信息平台构建与建设对策研究[J].现代信息科技，2018，2（9）：149-150+153.
[2]庄希瑞.基于电网大数据的电力需求侧管理[J].现代信息科技，2017，1（3）：125-126.
[3]陈红，苏运东，付婷，等.试论电力大数据在电网规划中的运用[J].现代信息科技，2018，2（9）：101-102.