物资主数据作为企业物资管理的最小对象，是企业信息系统运行的基础，其质量的好坏直接影响信息系统运行的效果，进而影响企业业务管理的效率。伴随着重资产行业多年的ERP建设成果，部分企业已实现了企业实物流、信息流、资金流的整合，但接踵而至的是冗长的业务管控流程以及高水位的库存。因此，为业务提速、为库存减负、盘活积压成为重资产行业物资降本增效的核心诉求。
英诺森认为，在物资集中管控模式逐步成为主旋律的情况下，作为业务纽带的物资主数据贯穿企业内部的绝大部分部门，具备很强的专业性，其物资数据质量将直接影响企业的采办效率、存货水平和运营效率，如何高效便捷的实现对存量物料主数据的清洗治理，对新增物料主数据的合理规范的控制，降低“一物多码”，“一码多物”的情况，是企业急迫需要解决的问题。
图1：物资数据涉及的业务领域
传统数据涉及的业务领域
1.脱离业务谈数据
做为贯穿供应链全域的物资主数据，治理过程往往忽略了物资数据在业务中的关系表现，在注重物资数据本身的属性特征的同时，忽略了物资主数据在企业内部的业务应用环节的场景诉求。
2.人工工作量大
传统的物资数据治理工作主要由企业内外部大量的物资专家和物资业务人员构成，通过对物资多种属性的综合判断进行人工标注，清洗，查重等工作，需要投入大量的人力，物力，时间去实施物资数据的治理工作，缺少智能化工具的支持。
3.难以长效保持
传统的物资主数据治理结果往往是短期内形成了企业内部的物资数据标准，随着业务逐步产生的物资数据难以延续之前数据治理的过程和结果，导致数据治理的效果难以长效保持，缺少工具落地物资数据标准。
英诺森提供的解决方案
针对上述物资主数据治理的核心问题，我们认为物资主数据的治理不应该仅仅局限于数据标准化，而是借助前沿技术的支持，在标准化的基础上搭建物资数据知识体系，形成企业内部数字资产，结合供应链全环节的业务数据实现业务数据反哺物资数据治理，物资数据赋能供应链业务运营的目标。
1.搭建体系化的物资主数据知识模型
物资主数据的建设目标是通过统一的物资标识打通供应链全链路环节，物资主数据不是孤立存在的，除了对物资的传统基础属性的管理外，还需要对物资涉及到的其它业务数据进行归纳和总结，用于主数据的高效识别。英诺森基于多年的重资产行业供应链咨询和软件实施，形成了一套体系化的主数据模型，可以帮助企业快速的对主数据形成清晰明了主数据知识体系，为后续清洗工作奠定坚实
图2：英诺森物资主数据知识模型
2.基于ETL的多数据源采集工具提升数据采集效率
围绕物资主数据的知识体系，会涉及从多个业务系统中抽数、清洗，传统的主数据采集是从各业务系统中导出数据，放在对应的模板中进行合并、归纳，存在效率低、工作量大、准确性不高的问题，为了解决上述问题，英诺森基于自主研发Supply Chain ONE的数据采集工具，通过与ETL工具集成，实现对各种交互方式、颗粒度、同步频次的数据抽取，支持超过20种以上的主流数据平台、SQL数据源及EXCEL文件数据集，保证数据资源采集的可靠性。
图3：英诺森多数据源采集工具
3.采用NLP-NER的可视化主数据标注工具
对主数据进行清洗前，需要梳理元数据集，准确的元数据将对数据的清理起到至关重要的作用，传统企业的数据治理都是基于物资命名的规则，对物资的文本进行拆分、映射和纠错，存在工作量巨大、效率低的问题，英诺森在过往的项目实施中，通过运用基于NLP-NER的主数据标注工具，将数据治理环节的元数据可视化、标准化、体系化和规范化，减少物资数据治理环节中的人工工作量，建立企业数据治理长效运营的元数字资产。
图4：基于NLP-NER的可视化主数据标注工具
4.通过AI机器学习提升物资数据清洗效率
数据治理最核心的目标是提升主数据的质量保证数据的可用性，数据治理既要从大处着眼，更要小处着手，作为数据治理过程中最细节最繁琐的清洗环节，传统的软件都是运用关系型数据进行识别、连接和纠错，存在操作不便利、清洗质量不高、清洗效率低等问题，无法解决集团企业大批量物资数据的清洗诉求。英诺森Supply Chain ONE物资主数据智能清洗工具，依托不同品类的特性分类信息，通过近千万条MRO物资的训练，形成一套基于不同品类特性分类（如阀门的特性分为公称直径、压力等级、驱动方式、连接方式、材质等）的物资主数据模型，可实现对物资名称的智能拆分和自动纠错。例如通过查重算法可以识别出每个物资的相似度比例、通过物资名称关联分布可判断出名词是否存在归类错误、是否有别名，是否存在缺失关键值、是否存在异常值等情况。同时配合在线标注工具，对初步清洗的结果进行二次标注，实现对错误信息的再次纠正和模型纠正，提升清洗的效率和准确性。
图5：英诺森物资主数据训练模型结构
5.实现基于知识图谱的多维度物资主数据检索
为了精准匹配不同用户群体的检索需求，我们对用户特定的行为或事件进行捕获，针对不同的行为进行埋点采集，异常点替换等，识别用户检索项中内容乱序、符号混用、口语化搜索等场景，获取不同用户查询以及浏览的行为数据，对于用户的搜索偏好进行记录和分析，并通过编辑距离、夹角余弦计算等匹配现有标准物资库相似度检索和查询最优结果集推荐。
图6：基于知识图谱的智能
结语：
英诺森物资主数据治理解决方案的定位是将物资主数据知识体系化、标准规范化、治理智能化、查询简单化，通过先进的数据治理理念，唤醒沉睡数据，运用智能的AI技术让物资主数据的质量更高，让物资主数据回归业务本质，从根本上对业务数据提质，为数字化供应链建设提供坚实的基础，加速企业一体化供应链平台的建设。
