基于商业智能的BOM自动生成方法的研究

申请免费试用、咨询电话：400-8352-114

面向客户定制生产是企业依据客户需求生产产品的一种生产模式。在面向客户定制生产的过程中，制造业企业首先根据客户的需求确定物料清单(Bill of Materials，BOM)，BOM是制造业企业整个EI心流程的核心。但是，面向客户定制生产方式决定了制造业企业必须充分考虑客户的个性化需求，这给管理和维护BOM数据带来了很大困难。郑巍等分析了单层、多层、按层次码等3种BOM的构造结构，提出了基于单层BOM的改进模型;李大伟等提出了基于模板、模块、约束的BOM可配置模型，利用模板特征属性、模块选项配置产品结构，实现产品变型和BOM的快速生成;陈畅等通过构建可变型的产品结构，提高了BOM生成效率和成本核算的准确度。

商业智能(Business Intelligence，BI)是对商业信息的搜集、管理和分析过程，目的是使企业的各级决策者获得知识或洞察力，促使他们做出对企业更有利的决策。在生产制造领域，BI可以“采用各种优化模型确定主生产计划。这些优化模型有随机优化、线性/非线性优化、动态优化等等，同时对客户需求进行分析，根据销售预测模型对供应链的生产制造进行动态管理。”，“对生产领料可以按照领料部门、原材料进行快速统计，按照数量、金额进行同比环比分析，查看领料趋势，并且可以按客户或按原材料进行出库分析。”但目前BI并未广泛应用于BOM的管理领域。在面向客户定制生产的制造模式中，由于客户需求不同，产品种类繁多，虽然基于产品族的模块化BOM管理方法可以解决BOM信息爆炸的问题，但在生成制造BOM时，仍需要工作人员根据经验进行选择，不仅对人员的经验依赖较大，而且过程难追溯，容易导致BOM不合理，直接影响产品的交付率并有可能造成返工。本文尝试构建基于BI的BOM自动生成方法，为企业提高客户需求响应提供一种可行的解决方案。

1 基于产品族的模块化BOM管理方法

以设计BOM(engineering BilI of Materials，EBOM)为例进行分析，EBOM以树状结构呈现各部件的父子关系和数量需求关系，如图1所示。

图1 EBOM结构图

在面向客户定制生产的方式中，应充分满足客户需求，如果制造业企业根据每个客户的不同需求建立相应的EBOM，将使EBOM数据库冗杂，难以维护;同时因为客户需求生成的BOM之间互换性很差，给实现BOM的快速生成和动态管理带来很大困难。

产品族是在功能域、技术域和结构域中，组成产品的模块的所有变型都具有相同内部接口的产品集合，每个域中的接口必须标准化以允许变型模块之间的完全替换。通过同一产品族共享可互换的主题项目整机结构、全约束模块、配置机制，并根据客户需求配置可选择部件或零件，实现各功能模块的补充、变型，可以形成不同的产品变型实例，如图2所示。

图2 基于产品族的EBOM结构图

通过以上方式，将面向单一项目整机的设计模式转变为面向产品族的设计模式，这不仅大大减少了BOM的数量，使企业维护BOM数据更加方便和简洁，同时使满足客户的多样化需求成为可能。本文指出的BOM自动生成方法正是基于产品族的设计思想，通过引入BI的理论方法，实现BOM的自动生成。

2 基于BI的BOM自动生成方法

2.1 基于BI的BOM生成流程设计

根据客户主体需求确定出产品族BOM模板后，通过BI对客户需求进行分析，最终确定符合客户需求的BOM。具体流程如下：首先从企业物料需求计划系统的子数据库(订单数据库、BOM数据库等)中提取有效的数据，经过数据的抽取(Extraction)、转换(Tramfonnation)和装载(Load)，即ETL过程，合并至企业级的数据仓库，并形成了企业级的整体数据视图。基于此视图，采用查询分析工具、联机分析处理工具等，对新输入的客户订单信息进行分析，得到BOM，为设计师提供可靠的决策支持，流程如图3所示。

图3 BI的BOM中可选择部分的处理过程

2.2 基于BI的BOM自动生成算法

以某汽车股份有限公司的某车型BOM的生成方法为例进行分析。

假设，n个客户需求与BOM中某种零件规格均满足线性关系，则可构建如下线性模型：

其中：y1，y2，…，yn代表车辆配置零件规格(如轮胎胎宽);x1，x2，…，xn代表客户需求元素(如立柱高度等);e1，e2，…，en是随机变量，表示可能随机摆动的期望值为0的变量。

设

则上式可改写为：

Y=Xβ+e

这样，要完成对客户需求的准确定位，以确定BOM中需求零件规格的函数关系，只需求解最小二乘估计β。根据线性回归分析的知识可以得到：有且只有一个β=(X’X)-1X’Y，使β满足Q(β)=Y’(1-(X’X)-1X’)Y足够小(其中Q表示拟合残差的平方和，反映回归线和观测数据的接近程度)。

当然，对于BOM中的部分零件规格不满足线性关系的情况，可以利用建立非线性回归模型或聚类模型进行分析。

3 应用举例

仍以该公司的某车型BOM中轮胎胎宽选择为例进行分析。

3.1 数据提取

数据提取是BI应用的基础，从该汽车股份有限公司现有的物料需求计划(Material Requirement Planning，MRP)系统的子系统“营销管理系统”和“生产管理系统”中进行数据提取，可以得到客户需求清单、订单、车辆配置单E-R图，如图4所示。

图4 某汽车公司客户需求、订单、车辆配置单E-R图

通过ETL过程，在数据仓库中实现了3个数据实体的联合，使客户需求的原始数据转变为数据仓库中的有效数据源。从图4中可以看出，3个实体之间关系的构建目的是为了实现如下过程：客户提出车体的使用需求，制造企业根据以往客户需求和车辆配置零件的匹配关系，并参考客户需求给车体零件带来的不同要求，分析数据，提出合理的各零件兼容性方案，并生成BOM。

对数据仓库中订单信息、客户需求清单信息和车辆配置零件信息进行提取，得到某车型若干次BOM中“轮胎胎宽(y)”关于“最大载质量(x1)”和“最小离地高度(x2)”、“立柱增高(x3)”、“摩擦系数(x4)”的对应数据样本，如图5所示。

图5 某车型轮胎胎宽与客户需求要素对应数据

3.2 结果分析

利用SPSS(Statistical Program for Social Sciences)分析软件，所得结果如图6所示。

图6 相关系数矩阵

从图6可知：轮胎胎宽与最大载质量、最小离地高度、立柱增高的相关系数分别为0.969，0.942，0.941，说明轮胎胎宽与以上三者存在明显的相关关系，与摩擦系数存在不明显的相关关系。从常识可知，实际应用中摩擦系数受工作场地、轮胎纹路等因素影响远大于轮胎胎宽，两者不存在明显的相关关系。图7所示为SPSS软件得出的回归系数。

图7 回归系数

回归过程中建立的2个回归模型分别为：

模型1：y(轮胎胎宽)=170.879+2.610x1(最大载质量)

模型2：y(轮胎胎宽)=162.149+1.727x2(最小离地高度)+0.079x3(立柱增高)

根据表3中标准化系数可知，回归过程建立的2个标准化回归模型分别为：

模型1：y(轮胎胎宽)=0.969x1(最大载质量)

模型2：y(轮胎胎宽)=0.642x2(最小离地高度)+0.365x3(立柱增高)

根据以上模型，可以对BOM中轮胎的选择，提供很好的辅助决策作用。

从图8可以看出，残差的分布基本满足预定结果。

图8 残差分析

4 应用效果

在该汽车股份有限公司采用商业智能技术自动生成BOM前，根据订单信息确定主生产计划和BOM的效率低下。订单处理信息主要由人工完成，工程师根据以往经验对车辆制造计划和物料需求计划进行评估和确定。

在该汽车股份有限公司采用商业智能技术自动生成BOM后，BOM的生成时间减少20%，BOM的维护人员减少40%。同时，该方法为公司深刻了解客户需求、把握市场定位提供了有效的数据保障。该方法实施前后工作状况对比见表1。

表1 商业智能技术实施前后工作状况对比

　　5 结束语

针对面向客户定制生产的制造业企业BOM数据量大、难以维护的问题，通过分析企业现有的BOM，构建了一种基于商业智能思想的产品族模块化BOM生成方法。该方法的优点在于：(1)极大减少了企业BOM的数量，减轻了BOM维护工作的压力。(2)着眼于面向对象的解决方案，能够很好地为企业管理层提供有效的服务和决策支持。(3)可以较好把握客户需求、产品成本和企业发展方向，实现对市场变化的迅速响应。