本發明涉及智能化采購管理，更具體地說，本發明涉及ai大模型驅動的采購管理決策支持系統。

背景技術：

1、隨著全球經濟一體化和電子商務的迅速發展，現代企業面臨著日益復雜的市場需求和競爭壓力。傳統的采購管理方法通常依賴于歷史經驗和靜態規則，無法實時響應市場變化，容易導致庫存積壓、資金浪費，或是供應不足，進而影響企業的運營效率和客戶滿意度。因此，傳統的采購決策方式已經無法滿足現代市場對采購精度、時效性和靈活性的要求。

2、近年來，人工智能的飛速發展為采購管理提供了新的解決方案。通過智能化的數據分析和預測，能夠幫助企業更準確地把握市場需求，優化庫存管理，并根據客戶需求的變化靈活調整采購策略。然而，現有的智能采購系統大多局限于單一數據源或靜態分析，難以全面考慮歷史銷售、客戶反饋、市場變化及采購群體行為等多維度數據。

3、因此，迫切需要一種集成多源數據、具有預測能力、并能夠根據實時反饋動態優化采購決策的系統，以實現采購流程的智能化、精準化和高效化，本發明提出的基于ai大模型驅動的采購管理決策支持系統，旨在通過集成多種數據源，應用大數據分析和機器學習算法，提升采購決策的準確性與響應速度，為企業的采購管理提供全方位的智能支持。

技術實現思路

1、為實現上述目的，本發明提供如下技術方案：

2、ai大模型驅動的采購管理決策支持系統，包括數據采集模塊、聚類分析模塊、自畫像構建模塊、市場分析模塊，以及優化調整模塊；

3、數據采集模塊用于采集預設各類商品歷史和當前的采購數據、市場價格數據、庫存狀態數據、銷售數據，以及客戶反饋數據；

4、聚類分析模塊用于基于每一類商品歷史的庫存狀態數據和市場價格數據，通過預設的聚類分析算法對采購群體進行劃分，得到與當前庫存情況和市場情況下，最相似的采購群體；

5、自畫像構建模塊用于基于每一類商品歷史的客戶反饋數據，構建每一類商品的客戶反饋自畫像，通過預設的綜合模型，生成基于客戶偏好的綜合型自畫像；

6、市場分析模塊用于基于歷史銷售數據分析市場趨勢，預測商品未來需求變化；

7、優化調整模塊用于根據商品未來需求變化的預測結果和客戶偏好綜合型自畫像，結合最相似的采購群體的采購數據，對最新一次商品采購時，每一類商品的采購量進行優化調整。

8、在一個優選的實施方式中，聚類分析模塊包含數據轉化單元和聚類單元，數據轉化單元用于將商品當前的庫存狀態數據和市場價格數據一同轉化為第一特征向量，將商品歷史的庫存狀態數據和市場價格數據均一同轉化為第二特征向量，然后將第一特征向量與所有的第二特征向量輸送至聚類單元進行聚類分析。

9、在一個優選的實施方式中，聚類單元進行聚類分析時使用k-means聚類算法，識別出與當前庫存情況和市場情況下，最相似的采購群體。

10、在一個優選的實施方式中，客戶反饋自畫像包含情感分類畫像、預設關鍵詞頻率畫像，以及滿意度評分畫像。

11、在一個優選的實施方式中，情感分類畫像通過支持向量機對歷史的客戶反饋數據進行情感分類并畫像得到，預設關鍵詞頻率畫像通過預置的文本特征提取算法提取歷史的客戶反饋數據中，預設關鍵詞并統計其出現頻率，然后進行畫像得到，滿意度評分畫像通過問卷調查結合賦值法，對歷史的客戶反饋數據進行滿意度評分并畫像得到。

12、在一個優選的實施方式中，通過預設的綜合模型，生成基于客戶偏好的綜合型自畫像指的是：

13、分別獲取每一類商品的情感分類畫像、預設關鍵詞頻率畫像，以及滿意度評分畫像結果，然后一同輸入至預設的卷積神經網絡模型中，輸出每一類商品對應的客戶偏好分值，接著根據所有商品的客戶偏好分值對商品類型進行降序排序，得到綜合型自畫像。

14、在一個優選的實施方式中，市場分析模塊用于基于歷史銷售數據分析市場趨勢，預測商品未來需求變化指的是：

15、獲取m個影響因素構建多元回歸模型，并且在構建多元回歸模型時，基于多元回歸模型中交互項的依賴關系，計算出所有交互項的互信息值，并統計均值、標準差和最大值，將均值、標準差和最大值進行加權求和，得到正則化指數，將正則化指數與預設的閾值一和閾值二進行對比，閾值一小于閾值二，若正則化指數大于閾值二則選擇l1正則化，若正則化指數小于閾值一則選擇l2正則化，若正則化指數在閾值一和閾值二范圍內，則選擇彈性網正則化，最終將訓練完成的多元回歸模型用于預測商品未來需求變化。

16、在一個優選的實施方式中，影響因素采用邏輯為：采用皮爾遜相關系數計算各個預設影響因素與銷售量之間的相關系數，然后取前m個相關系數對應的影響因素構建多元回歸模型。

17、在一個優選的實施方式中，優化調整的邏輯為：

18、分別獲取同一類商品的預測結果，最相似的采購群體的采購數據平均值，綜合型自畫像中的客戶偏好值，然后代入以下公式中：

19、；

20、和分別為商品類型對應的最大和最小采購量限值，為優化調整后的采購量，、和均為預設的非零比例系數。

21、本發明的技術效果和優點：

22、本系統能夠通過深度分析歷史數據、市場趨勢、客戶反饋和采購群體行為多維度數據，準確預測商品的未來需求變化，從而優化采購決策。通過智能化的數據處理和模型預測，系統避免了傳統采購管理中依賴經驗和靜態規則的局限性，能夠實時響應市場需求的波動，確保采購量與市場需求匹配，避免庫存積壓和短缺現象。

23、本發明通過自畫像構建模塊，結合情感分類、關鍵詞頻率提取和滿意度評分，全面分析客戶反饋數據，從而精準理解客戶偏好。綜合生成的客戶偏好自畫像幫助企業更加了解客戶的需求和期望，在制定采購策略時可以更加符合客戶的需求，從而提升客戶滿意度和市場競爭力。

24、本發明通過聚類分析模塊，能夠根據商品的歷史庫存狀態和市場價格數據，劃分出最相似的采購群體。這一功能能夠有效地借鑒相似群體的采購行為和庫存管理經驗，幫助企業優化庫存水平，減少庫存積壓和資金浪費。同時，結合優化調整模塊的采購量優化功能，進一步提升庫存管理的效率和采購計劃的合理性。

25、本發明通過市場分析模塊，實時跟蹤市場變化和趨勢，并預測商品未來的需求波動。結合多元回歸分析和正則化方法，系統能夠根據實時數據和變化趨勢靈活調整采購策略，確保企業能夠及時應對市場變化，提升供應鏈的靈活性和反應速度。

26、本發明通過智能化的預測和優化調整，幫助企業減少過度采購和庫存積壓，避免因缺貨或過多庫存導致的損失。同時，精確的采購量計算可以提高供應鏈效率，減少資源浪費，降低整體采購成本，為企業提供更高的運營效益。

27、本發明不僅能夠根據靜態數據進行決策支持，還具備動態調整的能力。基于實時獲取的市場數據和銷售反饋，系統能夠自動更新采購決策模型，持續優化采購策略，減少人工干預，提升決策效率。本發明通過ai大模型的深度學習能力，能夠從海量的數據中提取有價值的洞察，為決策者提供基于數據的科學決策支持，減少主觀判斷和人為錯誤，提升企業的智能化決策水平，推動企業的數字化轉型。