3. 关系数据来源

供应链风险因子的识别，本质上不是“算法问题”，而是“数据视野问题”。你能否提前发现某家二级供应商的产能瓶颈、某条航线的港口拥堵、某个客户的回款异常，取决于你是否把分散在 ERP、SRM、CRM、物流系统和外部数据源中的关系数据接入了同一张分析网。本节聚焦这些数据源的采集边界、整合逻辑与落地方法。

一、核心原理：关系数据是“实体+关系+事件”的三层结构

供应链关系数据不是简单的表格堆叠，而是由三类信息构成：实体（供应商、客户、工厂、仓库、承运商）、关系（供货关系、股权关系、合同关系、物流关系）、事件（订单、发货、交付、付款、投诉、舆情）。风险因子往往藏在“关系”和“事件”的交叉处，例如：某供应商同时是另一家高风险供应商的股东，或某客户近三个月回款周期持续拉长。

因此，采集与整合的目标不是把数据“搬到一个库”，而是建立以实体为锚点、以关系为边、以事件为时间戳的可追溯数据模型。只有做到这一点，后续的风险评分、图谱分析和预警才有意义。

二、方法流程：六源采集与四步整合

不同系统的数据结构和更新频率差异很大，建议按“先定实体、再抽关系、后接事件”的顺序推进。以下流程可直接作为实施清单使用：

1. ERP 采集：抽取供应商主数据、采购订单、收货记录、发票与付款记录。重点关注供应商编码、物料编码、订单交期与实际到货日期的偏差。
2. SRM 采集：抽取供应商准入信息、绩效评分、合同条款、资质证书有效期、整改记录。SRM 是供应商风险标签最密集的来源。
3. CRM 采集：抽取客户主数据、销售订单、回款记录、投诉工单、服务履约记录。用于识别需求波动与客户信用风险。
4. 物流系统采集：抽取运单、轨迹节点、港口/机场代码、延误时长、异常事件（破损、丢件、清关滞留）。
5. 公开数据采集：企业工商信息、司法涉诉、行政处罚、招投标、舆情新闻。建议按供应商名称与统一社会信用代码双键匹配。
6. 第三方数据采集：征信报告、行业风险指数、海关数据、天气与灾害预警、汇率与大宗商品价格。

采集完成后进入整合四步：主数据对齐（统一实体 ID）、关系映射（建立供货、股权、物流、资金四类边）、时间对齐（统一到同一时间粒度）、质量校验（空值率、重复率、逻辑冲突检测）。

三、案例场景：某电子制造企业的供应商风险预警

某电子制造企业曾遇到一个典型问题：ERP 显示某连接器供应商交期正常，但物流系统显示其最近三批货均从备用港口出运，且 SRM 中该供应商的资质证书将在 45 天后到期。三个系统各自看都没有触发预警，但整合后形成了一条清晰的风险链：资质到期 + 物流路径异常 + 交期余量不足。

该企业随后建立了如下整合规则：

四、误区与复盘

复盘时建议重点检查三项指标：实体匹配率（应达到 95% 以上）、关系边完整率（核心供应商的供货、物流、合同关系是否齐全）、风险因子覆盖率（已定义的风险因子中，有多少能从现有数据源计算得出）。这三项指标直接决定后续风险模型的可用性。