Supplier Evaluation Model（供应商评估模型）

Skill-Supplier-Evaluation-Model · 06-增长模型

pricing数据采集与治理定价与利润风控与合规WF-D 选品扫描WF-E Review监控WF-F 动态定价

年化 ROI15-25 万元

实现难度⭐⭐☆☆☆

业务优先级⭐⭐⭐☆☆

业务视角

适用角色CEO / 增长负责人 · CMO · 财务负责人

适用平台Amazon · TikTok Shop · DTC 独立站 · 多市场

什么情况下用公司增长放缓，不知道是市场饱和还是产品问题还是获客太贵；老板要 12 个月 GMV 预测，只能靠感觉

成功是什么样的建立增长拆解模型找到瓶颈，预测未来 6-12 个月营收区间，支撑融资/战略会议

业务痛点

增长放缓不知道问题在哪CAC 越来越高已经高于 LTV新市场要不要进没有数据支撑

1. 解决的问题

多准则决策（MCDM）——TOPSIS 方法评估供应商。综合质量、价格、交期、合规、沟通五个维度。

2. 核心算法逻辑

多准则决策（MCDM）——TOPSIS 方法评估供应商。综合质量、价格、交期、合规、沟通五个维度。

3. 业务应用场景

3 个吸奶器 OEM 供应商评估：厂商 A（质量高但价高交期长）、厂商 B（性价比最优）、厂商 C（价格最低但质量风险）。TOPSIS 综合评分：B > A > C。选择厂商 B 作为主供应商，厂商 A 作为高端线备选。

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

ROI：避免供应商踩坑（一次失败选品损失 $10-30K）；年化 15-25 万元
难度：⭐⭐☆☆☆ | 优先级：⭐⭐⭐☆☆

7. 代码模板

代码块数量：1 · 路径：未检测到

"""Supplier Evaluation — TOPSIS"""

import numpy as np

def topsis(matrix: np.ndarray, weights: np.ndarray, benefits: list):
    """benefits: True=越高越好, False=越低越好"""
    norm = matrix / np.sqrt((matrix**2).sum(axis=0))
    weighted = norm * weights
    ideal = np.array([weighted[:,i].max() if b else weighted[:,i].min() for i,b in enumerate(benefits)])
    anti_ideal = np.array([weighted[:,i].min() if b else weighted[:,i].max() for i,b in enumerate(benefits)])
    d_pos = np.sqrt(((weighted - ideal)**2).sum(axis=1))
    d_neg = np.sqrt(((weighted - anti_ideal)**2).sum(axis=1))
    return d_neg / (d_pos + d_neg)

# test: 3 suppliers × 5 criteria (quality,price,lead_time,compliance,communication)
m = np.array([[85, 120, 30, 90, 80], [75, 100, 20, 85, 70], [65, 85, 15, 70, 60]])
# higher better for quality, compliance, comm; lower for price, lead_time
scores = topsis(m, [0.30,0.25,0.15,0.20,0.10], [True,False,False,True,True])
for i, s in enumerate(scores):
    print(f"  Supplier {chr(65+i)}: {s:.3f}")
print(f"Best: Supplier {chr(65+np.argmax(scores))}")
print("[✓] Supplier Evaluation 测试通过")

8. 论文来源

未自动抽取；请查看原始 Skill 卡片。