【转】评估类型 评估类别 评估类

https://blog.csdn.net/zhongguomao/article/details/13629065?locationNum=6&fps=1
https://blog.csdn.net/kangliujie/article/details/76681333

名词解释

评估类:valuation class
  是连接移动类型与财务科目。与物料类型,移动类型一起确定唯一的记账科目。
  因为SAP系统的以财务以核心及高度集成等特点,若能在后勤操作的同时自动记账而不是由财务人员手动控制,才能达到真正的集成效果。
  用事物码OMSK或OBYC可以看到相应的配置。当然,也可以用SPRO在IMG中配置,路径为:物料管理→评估和科目设置→科目确定→无向导的科目确定→定义评估类。

(1)激活“分割评估”功能;

(2)定义“评估类型”(Valuation Type)(如本文中提到“自制品”、“外购品”两种评估类型,并选择相应帐户分类参考参数(与评估类相关),评估类型是评估类别的细分);

(3)定义“评估类别”(Valuation Category)(分割评估的标准,将其中的评估类型与相应工厂激活);

(4)定义“评估区域”(Valuation Area)(评估区域可以公司范围内,也可以在工厂范围内)

(1)“评估类型”分配给“评估类别”,再与物料主数据关联;

(2)“评估类”(Valuation Class)分配给“物料类型”(Material Type),再与物料主数据关联;

功能解读

同一物料的使用,既有“自制品”,又有“外购品”,并且其来源不同,如同一外购品由不同的供应商提供,价格也不相同。也就是说:同一物料有不同的价值指派,即在不同的条件下,同一物料可能有不同的价值。

将“自制品”和“外购品”分成两个物料编码进行管理,将是显而易见的成本控制方法。却违背ERP系统中的重要原则——“一物一码”原则。

SAP系统提供的“分割评估”(Split Valuation)功能是解决此类问题的完美解决方案。

什么情况下将启用“分割评估”呢?

(1)自产的价值与外购的价格不一样;

(2)不同的制造商制造相同的物料,价格不同;

(3)相同物料不同批次有不同的价格;

(4)破损及维修后的物料与新的物料价值不一样

(5)其它同一物料价值不同的现象。

为了简便说明分割评估的作用,本文仅说明“自制品”与“外购品”成本不同,如何进行成本核算管理的问题。由于“分割评估”涉及技术部分更多,将主要步骤分享如下:

一、后台定义部分

(1)激活“分割评估”功能;
路径:SPRO→物料管理→评估和科目设置→分割评估→激活分摊评估

事务代码:OMW0
在这里插入图片描述
(2)定义“评估类型”(Valuation Type)(如本文中提到“自制品”、“外购品”两种评估类型,并选择相应帐户分类参考参数(与评估类相关),评估类型是评估类别的细分);

路径:SPRO→物料管理→评估和科目设置→分割评估→配置分摊评估

事务代码:OMWC
在这里插入图片描述
这个界面上有三个按钮,前两个按钮是用来配置全局性的评估类别(2)和评估类型(1)的。而第三个则用来将全局性的评估类别和评估类型分配给具体的工厂。

点击上图所示界面上的“全局类型”(评估类型)按钮,在系统中定义全局性的评估类型。注意在这里我们应该先定义评估类型、再定义评估类别。如下图:
在这里插入图片描述
图中的C1、C2和C3这三种评估类型就是由我们定义的评估类型。事实上,由于在此例中我们将只用到C1和C2这两种评估类型,我们假设C1是自制产品,C2是外购产品。

选中“C1”,点击“更改”按钮,如下图:
在这里插入图片描述
在这三个行项目中,有两个字段,分别是“外部采购单”字段和“内部采购单”字段。这两个字段的作用在于决定系统是否允许被分配了该评估类型的物料存在外部采购订单或者内部采购订单。这里我们都将其维护为“2”,即允许产生(相对应的是“0”为不允许,“1”为允许但产生警告信息)

评估类型指定一个科目类别参考。当创建了此评估类型的主记录后,您可选择此科目类别参考允许的评估类之一。系统将应用评估类型记录的评估类而非物料的评估类,针对与财务会计相关的评估类型事务执行科目确定流程。

设置评估类别的自动确定评估类型标识会导致在对该评估类型的首次收货进行过帐时将自动创建此评估类型的评估记录。此评估类别仅适用于受到批次管理要求的物料(单一批次评估)
(3)定义“评估类别”(Valuation Category)(分割评估的标准,将其中的评估类型与相应工厂激活);

我们回到OMWC的初始界面上,点击“全局类别”按钮。在系统中定义评估类别。评估类别其实就是评估类型的集合,如下图所示:
在这里插入图片描述
选中“C”状态,点击“更改”按钮,在这里设置哪个评估类型是外部采购还是内部产品,之后点击保存返回。

在这里插入图片描述
在评估类别页面(OMWC的初始界面),点击“类型->目录”,如下图所示:

在这里插入图片描述
在上图所示界面中,我们将“C1”和“C2”这两种评估类型分配给“C”这种评估类别。再点击下方的“激活”按钮就可以了。
(4)定义“评估区域”(Valuation Area)(评估区域可以公司范围内,也可以在工厂范围内)

我们再回到OMWC的初始界面,点击屏幕上方的“局部定义”按钮,为具体的工厂分配评估类别,如下图所示:
在这里插入图片描述
选中工厂,点击“类型->目录”按钮,为工厂分配评估类别。如下图:
在这里插入图片描述
选中评估类别,点击激活按钮即可。

二、前台操作部分

(1)定义物料主数据,将评估类别定义在会计视图中(其价格控制须选移动平均价V);
如果您希望对物料进行分别评估,您需在物料的会计数据中输入评估类别。此操作将规定可指定哪些评估类型。评估类型可表示某个评估类别的可能部分库存之一。
在这里插入图片描述
我们用事务代码MM01,对该物料的会计1视图进行扩充,分别维护对应于“C1”和“C2”这两种评估类型的评估价格。

(2)定义“评估类型”为自制品的物料主数据(其评估级别与价格控制据需要填制);

(3)定义“评估类型”为外购品的物料主数据(其评估级别与价格控制据需要填制);

注:前台操作第一步为第二步、第三步奠定基础,起作用的将是各制带评估类别的物料。

三、相关关联部分

(1)“评估类型”分配给“评估类别”,再与物料主数据关联;

(2)“评估类”(Valuation Class)分配给“物料类型”(Material Type),再与物料主数据关联;

带有分割评估的物料,在入库、消耗、出库等过程中,将与评估类型(如本文中的自制品和外购品)自动关联,进而与各自的成本相关,实现同一物料不同成本的管理功能。

  • 1
    点赞
  • 27
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: logistic回归是一种常用的分方法,其中包括二元分和多元分。其中,二元分是指将样本划分为两,而多元分则是将样本划分为多于两。 在进行多元分时,可以使用多项式逻辑回归(multinomial logistic regression)。这种方法与二元逻辑回归似,但是在计算间距离时使用的是多项式代价函数。 在进行多元分时,可以使用多种评估方法来评估模型的效果。常用的方法有准确率(accuracy)、混淆矩阵(confusion matrix)、精确率(precision)、召回率(recall)和 F1 值(F1 score)。这些指标可以帮助我们了解模型在分中的效果,并进行模型调优。 ### 回答2: 逻辑回归(Logistic Regression)是一种常用的分算法,用于解决二分问题。然而,在多分问题中,我们需要使用多项式逻辑回归(Multinomial Logistic Regression)来进行评估。 多项式逻辑回归是通过将多个二分逻辑回归模型结合起来来实现多分。具体而言,我们首先将类别之间进行两两组合,形成多个二分模型。然后,对于每个二分模型,利用逻辑回归的方法来拟合数据并计算得到决策边界。最后,通过将所有二分结果进行综合,即可得到多分问题的评估结果。 在使用多项式逻辑回归进行多分评估时,我们需要注意以下几点: 1. 数据预处理:对于多分问题,我们需要将类别变量进行独热编码,将其换为二进制形式,以便逻辑回归模型能够正确处理多个类别。 2. 模型训练:对于多分问题,我们需要同时训练多个二分逻辑回归模型。一种常用的方法是使用一对多(One-vs-Rest)的策略,即将每个类别作为一个二分问题的正类别,其他类别作为负类别,拟合对应的二分模型。 3. 决策边界选择:在多分问题中,需要确定不同类别之间的决策边界。一种常用的方法是使用 softmax 函数来进行类别概率的预测和划分。 4. 模型评估:对于多分问题,我们可以使用准确率(accuracy)等指标来评估模型的性能。同时,可以绘制混淆矩阵(confusion matrix)来衡量模型在每个类别上的表现。 总而言之,多项式逻辑回归是一种常用的多分评估方法。它通过结合多个二分模型,对类别之间的决策边界进行建模,从而得到准确的多分结果。 ### 回答3: Logistic回归多项式(Logistic Regression Multinomial)是一种常用的多分模型评估方法。多分是指将样本分为三个或三个以上的类别。Logistic回归多项式可以用于解决多分问题,并对分结果进行评估。 在Logistic回归多项式中,每个类别都与其他所有类别进行比较。这种方法使用了一个基础类别作为对比,然后将其他所有类别分别与该基础类别进行对比。对于每个类别,我们通过建立一个二分的Logistic回归模型来对其进行评估。 在多分评估中,我们通常使用混淆矩阵来评估模型的性能。混淆矩阵是一个二维矩阵,其行表示实际类别,列表示预测类别。矩阵的每个元素表示属于实际类别的样本数量被预测为该类别的数量。通过分析混淆矩阵,我们可以得出以下指标来评估模型的性能: 1. 准确率(Accuracy):准确率表示被正确分的样本占总样本数的比例。当各类别样本数量相当时,准确率是衡量模型性能的重要指标。 2. 精确度(Precision):精确度表示被正确分的正样本占所有被预测为正样本的比例。精确度可以衡量模型对正样本分的准确性。 3. 召回率(Recall):召回率表示被正确分的正样本占所有真正正样本的比例。召回率可以衡量模型发现所有真正正样本的能力。 4. F1-score:F1-score是精确度和召回率的调和平均值,用于综合评估模型的性能。 除了以上指标,我们还可以绘制ROC曲线和计算AUC来评估模型在不同阈值下的性能。 通过Logistic回归多项式的多分评估,我们可以更全面地了解模型对各类别的分能力,从而优化模型参数、特征选择以及改进其他建模方法。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值