2. 智能寻源基础：寻源流程概述、供应商画像构建、需求匹配与评分模型

智能寻源是谈判支持系统的数据与策略入口。本章从寻源全流程出发，依次拆解供应商画像的构建方法、需求匹配的算法逻辑以及评分模型的设计原则，为后续谈判策略的驱动开发奠定基础。

2.1 寻源流程概述

智能寻源流程覆盖从需求提出到供应商入围的完整链路，通常包含以下五个核心阶段：

2.2 供应商画像构建

供应商画像是智能寻源的核心数据资产，由静态属性、动态行为、关系网络三个维度构成。画像的完整性与时效性直接影响匹配精度。

2.2.1 画像维度定义

2.2.2 画像构建流程

1. 数据接入： 从 ERP、SRM、外部征信 API 拉取原始数据。
2. 特征工程： 对文本类字段（如经营范围）进行分词、TF-IDF 向量化；对数值字段进行归一化与分桶。
3. 标签生成： 基于规则引擎或轻量模型生成品类标签、风险等级、产能等级。
4. 画像存储： 使用支持向量检索的数据库（如 Milvus、Elasticsearch）存储画像向量与标签。

// 画像构建伪代码示例
class SupplierProfileBuilder:
    def build(self, supplier_id):
        static = self.load_static_attrs(supplier_id)
        dynamic = self.load_dynamic_metrics(supplier_id)
        network = self.load_network_features(supplier_id)
        # 特征拼接与归一化
        feature_vector = self.normalize(concat(static, dynamic, network))
        # 标签推理
        tags = self.rule_engine.infer(feature_vector)
        return Profile(supplier_id, feature_vector, tags)

2.3 需求匹配与评分模型

需求匹配的核心是将采购需求转化为特征向量，与供应商画像进行相似度计算；评分模型则在此基础上引入业务权重与约束条件，输出可排序的推荐结果。

2.3.1 匹配算法选型

2.3.2 评分模型设计

评分模型采用多因子加权架构，支持动态权重调整。基础公式如下：

Score(S, R) = α · Match(S, R) + β · Risk(S) + γ · Cost(S) + δ · History(S)

其中：
- Match(S, R) 为需求 R 与供应商 S 的匹配度
- Risk(S)    为供应商风险评分（反向指标）
- Cost(S)    为成本竞争力评分
- History(S) 为历史合作满意度评分
- α, β, γ, δ 为可配置权重，满足 α+β+γ+δ = 1

2.4 性能调优要点

• 向量化计算： 使用 NumPy 或 GPU 加速匹配度矩阵计算，避免逐条循环。
• 缓存策略： 供应商画像中静态属性缓存至本地或 Redis，动态指标按 TTL 刷新。
• 索引优化： 对品类标签、产能等级等枚举字段建立倒排索引，加速初筛过滤。
• 评分预计算： 对于高频需求模板，提前计算部分评分因子，运行时仅做加权求和。