物資主數據作為企業(yè)物資管理的最小對象，是企業(yè)信息系統(tǒng)運行的基礎，其質量的好壞直接影響信息系統(tǒng)運行的效果，進而影響企業(yè)業(yè)務管理的效率。伴隨著重資產行業(yè)多年的ERP建設成果，部分企業(yè)已實現了企業(yè)實物流、信息流、資金流的整合，但接踵而至的是冗長的業(yè)務管控流程以及高水位的庫存。因此，為業(yè)務提速、為庫存減負、盤活積壓成為重資產行業(yè)物資降本增效的核心訴求。

英諾森認為，在物資集中管控模式逐步成為主旋律的情況下，作為業(yè)務紐帶的物資主數據貫穿企業(yè)內部的絕大部分部門，具備很強的專業(yè)性，其物資數據質量將直接影響企業(yè)的采辦效率、存貨水平和運營效率，如何高效便捷的實現對存量物料主數據的清洗治理，對新增物料主數據的合理規(guī)范的控制，降低“一物多碼”，“一碼多物”的情況，是企業(yè)急迫需要解決的問題。

 圖1：物資數據涉及的業(yè)務領域

做為貫穿供應鏈全域的物資主數據，治理過程往往忽略了物資數據在業(yè)務中的關系表現，在注重物資數據本身的屬性特征的同時，忽略了物資主數據在企業(yè)內部的業(yè)務應用環(huán)節(jié)的場景訴求。

傳統(tǒng)的物資數據治理工作主要由企業(yè)內外部大量的物資專家和物資業(yè)務人員構成，通過對物資多種屬性的綜合判斷進行人工標注，清洗，查重等工作，需要投入大量的人力，物力，時間去實施物資數據的治理工作，缺少智能化工具的支持。

傳統(tǒng)的物資主數據治理結果往往是短期內形成了企業(yè)內部的物資數據標準，隨著業(yè)務逐步產生的物資數據難以延續(xù)之前數據治理的過程和結果，導致數據治理的效果難以長效保持，缺少工具落地物資數據標準。

針對上述物資主數據治理的核心問題，我們認為物資主數據的治理不應該僅僅局限于數據標準化，而是借助前沿技術的支持，在標準化的基礎上搭建物資數據知識體系，形成企業(yè)內部數字資產，結合供應鏈全環(huán)節(jié)的業(yè)務數據實現業(yè)務數據反哺物資數據治理，物資數據賦能供應鏈業(yè)務運營的目標。

物資主數據的建設目標是通過統(tǒng)一的物資標識打通供應鏈全鏈路環(huán)節(jié)，物資主數據不是孤立存在的，除了對物資的傳統(tǒng)基礎屬性的管理外，還需要對物資涉及到的其它業(yè)務數據進行歸納和總結，用于主數據的高效識別。英諾森基于多年的重資產行業(yè)供應鏈咨詢和軟件實施，形成了一套體系化的主數據模型，可以幫助企業(yè)快速的對主數據形成清晰明了主數據知識體系，為后續(xù)清洗工作奠定堅實的基礎。

 圖2：英諾森物資主數據知識模型

圍繞物資主數據的知識體系，會涉及從多個業(yè)務系統(tǒng)中抽數、清洗，傳統(tǒng)的主數據采集是從各業(yè)務系統(tǒng)中導出數據，放在對應的模板中進行合并、歸納，存在效率低、工作量大、準確性不高的問題，為了解決上述問題，英諾森基于自主研發(fā)Supply Chain ONE的數據采集工具，通過與ETL工具集成，實現對各種交互方式、顆粒度、同步頻次的數據抽取，支持超過20種以上的主流數據平臺、SQL數據源及EXCEL文件數據集，保證數據資源采集的可靠性。

 圖3：英諾森多數據源采集工具

對主數據進行清洗前，需要梳理元數據集，準確的元數據將對數據的清理起到至關重要的作用，傳統(tǒng)企業(yè)的數據治理都是基于物資命名的規(guī)則，對物資的文本進行拆分、映射和糾錯，存在工作量巨大、效率低的問題，英諾森在過往的項目實施中，通過運用基于NLP-NER的主數據標注工具，將數據治理環(huán)節(jié)的元數據可視化、標準化、體系化和規(guī)范化，減少物資數據治理環(huán)節(jié)中的人工工作量，建立企業(yè)數據治理長效運營的元數字資產。

 圖4：基于NLP-NER的可視化主數據標注工具

數據治理最核心的目標是提升主數據的質量保證數據的可用性，數據治理既要從大處著眼，更要小處著手，作為數據治理過程中最細節(jié)最繁瑣的清洗環(huán)節(jié)，傳統(tǒng)的軟件都是運用關系型數據進行識別、連接和糾錯，存在操作不便利、清洗質量不高、清洗效率低等問題，無法解決集團企業(yè)大批量物資數據的清洗訴求。英諾森Supply Chain ONE物資主數據智能清洗工具，依托不同品類的特性分類信息，通過近千萬條MRO物資的訓練，形成一套基于不同品類特性分類（如閥門的特性分為公稱直徑、壓力等級、驅動方式、連接方式、材質等）的物資主數據模型，可實現對物資名稱的智能拆分和自動糾錯。例如通過查重算法可以識別出每個物資的相似度比例、通過物資名稱關聯分布可判斷出名詞是否存在歸類錯誤、是否有別名，是否存在缺失關鍵值、是否存在異常值等情況。同時配合在線標注工具，對初步清洗的結果進行二次標注，實現對錯誤信息的再次糾正和模型糾正，提升清洗的效率和準確性。

 圖5：英諾森物資主數據訓練模型結構

為了精準匹配不同用戶群體的檢索需求，我們對用戶特定的行為或事件進行捕獲，針對不同的行為進行埋點采集，異常點替換等，識別用戶檢索項中內容亂序、符號混用、口語化搜索等場景，獲取不同用戶查詢以及瀏覽的行為數據，對于用戶的搜索偏好進行記錄和分析，并通過編輯距離、夾角余弦計算等匹配現有標準物資庫相似度檢索和查詢最優(yōu)結果集推薦。

編輯

 圖6：基于知識圖譜的智能

英諾森物資主數據治理解決方案的定位是將物資主數據知識體系化、標準規(guī)范化、治理智能化、查詢簡單化，通過先進的數據治理理念，喚醒沉睡數據，運用智能的AI技術讓物資主數據的質量更高，讓物資主數據回歸業(yè)務本質，從根本上對業(yè)務數據提質，為數字化供應鏈建設提供堅實的基礎，加速企業(yè)一體化供應鏈平臺的建設。

更多產品資料請查閱英諾森供應鏈產品站：https://www.supplychainone.com