1. 课程导论：采购支出数据仓库的价值、合同符合率校验的业务意义、课程整体架构与学习目标
1.1 为什么企业需要采购支出数据仓库？
在供应链管理中，采购支出通常占企业总成本的 50%–80%。然而，大多数企业的采购数据分散在 ERP、SRM、财务系统、电子招投标平台和手工 Excel 中，形成严重的“数据孤岛”。采购支出数据仓库（Procurement Spend Data Warehouse）的核心价值在于：将分散、异构的采购交易数据统一建模、清洗、整合，形成企业级“单一事实来源”，从而支撑支出分析、供应商绩效评估、预算管控与合规审计。
关键收益： 采购支出数据仓库可帮助企业实现支出透明度提升 40%–60%，合同符合率从平均 65% 提升至 90% 以上，每年节省 3%–8% 的采购成本。
| 维度 | 数据仓库建设前 | 数据仓库建设后 |
|---|---|---|
| 数据来源 | ERP、SRM、OA、Excel 碎片化存储 | 统一 ODS + 数仓分层，集中管理 |
| 支出分析 | 手工汇总，滞后 2–4 周 | 实时或 T+1 多维分析 |
| 合同合规 | 事后抽查，覆盖率 < 20% | 全量自动校验，异常实时预警 |
| 决策支持 | 依赖经验判断 | 数据驱动，可钻取到单据级 |
1.2 合同符合率校验的业务意义
合同符合率（Contract Compliance Rate）是指实际采购订单（PO）或发票与已签署合同条款的匹配程度，通常包括：价格符合率、条款符合率、供应商符合率、交付条件符合率。在采购支出数据仓库中，ETL 过程不仅要完成数据抽取与转换，还必须嵌入合同符合率校验逻辑，确保进入分析层的数据是“合规可信”的。
- 防止价格欺诈： 校验 PO 单价是否超过合同约定价格，避免供应商违规涨价。
- 控制预算外支出： 识别无合同采购、超合同金额采购，堵住“先斩后奏”漏洞。
- 提升供应商管理质量： 将符合率作为供应商绩效考核的关键 KPI，驱动供应商履约改进。
- 满足审计合规要求： 保留完整的校验日志与异常记录，支持内外部审计追溯。
行业基准： 根据 APQC 采购基准报告，世界级企业的合同符合率通常 ≥ 95%，而一般企业仅为 60%–75%。每提升 10% 的符合率，可降低 1.5%–2% 的采购成本。
1.3 课程整体架构与学习目标
本课程共 30 章，采用“理论 + 实战”双线并行模式，覆盖从数据仓库建模到 ETL 校验引擎实现的全链路。课程围绕以下四大模块展开：
- 基础篇（第 1–6 章）： 采购支出数据仓库概念、维度建模、合同数据模型设计。
- ETL 实现篇（第 7–18 章）： 数据抽取策略、清洗规则、合同符合率校验引擎开发（价格校验、条款校验、供应商校验）。
- 质量与监控篇（第 19–24 章）： 数据质量度量、异常预警、校验日志与审计追溯。
- 实战与优化篇（第 25–30 章）： 真实业务场景演练、性能调优、数据仓库运维与持续改进。
1.4 学习目标与预期产出
完成本课程后，学员将具备以下能力：
| 能力维度 | 具体目标 |
|---|---|
| 数据建模 | 独立设计采购支出数据仓库的星型/雪花型模型，包含合同、采购订单、发票、供应商维度表 |
| ETL 开发 | 使用 SQL + Python/Spark 实现增量抽取、数据清洗、合同符合率校验（价格、条款、供应商） |
| 校验规则引擎 | 构建可配置的合同符合率校验规则库，支持规则热加载与异常分级 |
| 质量监控 | 设计数据质量仪表盘，实现校验通过率、异常分布、趋势分析的可视化 |
| 业务落地 | 将数据仓库与校验结果对接采购 BI 报表，驱动采购合规改进 |
前置要求： 学员需具备 SQL 基础、数据仓库基本概念（事实表/维度表）、至少一种 ETL 工具或编程语言（Python/Java）的使用经验。每章均提供代码示例与数据集，建议动手实践。