如何实现与Old Time Pottery的EDI无缝对接?

成立于1986年的Old Time Pottery,是一家领先的家居装饰品零售商。Old Time Pottery 为消费者提供丰富的家居装饰产品、厨房工具、餐具、床上用品、户外家具等。Old Time Pottery在不增加消费者钱包压力的情况下充分发挥想象力,在巨大的卖场中布置了不断变化、适合不同房间、各种个性和每个季节的独特物品供大家选择。

Old Time Pottery在2019年迎来的新任IT副总裁Siddon,带领Old Time Pottery 团队进行信息化改革,实现了EDI(Electronic Data Interchange,中文名称是电子数据交换)标准化,让大量需要使用纸张以及人工录入数据的工作量减少。Old Time Pottery首席执行官Jason Schmitt表示“今天,由于实现了数据自动化,团队的效率大大提高,决策也更加明智。” 与合作伙伴实现EDI对接,对于Old Time Pottery是一项巨大的进步,使其供应链管理水平迈上了新的台阶。

如果您是Old Time Pottery的合作伙伴,将会收到来自Old Time Pottery邀请建立EDI的信息:“为了不断改进Old Time Pottery与供应商开展业务的方式,Old Time Pottery对供应链流程进行了改进。Old Time Pottery所做的最大改进之一是使用 EDI(电子数据交换),让您能够以电子方式开具发票、提交 ASN 和接收采购订单。所有新加入的供应商都必须使用EDI,以轻松开始使用新的 EDI 工具来提交 ASN、根据您的订单处理发票、及时接收付款并简化业务关系。”

以下就是Old Time Pottery的EDI对接需求:

1. Old Time Pottery 要求必须实现EDI对接的业务单据

  • 810 – Invoice发票
  • 850 – Purchase Order 采购订单
  • 997 – Functional Acknowledgement 功能性确认

2. Old Time Pottery 可选的EDI对接业务单据

  • 820 – Payment Order/Remittance Advice 付款委托书或汇款通知
  • 855 – Purchase Order Acknowledgment 采购订单确认
  • 856 – Ship Notice/Manifest 发货通知或清单
  • 860 – Purchase Order Change Request 订单变更
  • 864 – Text Message 文本消息
  • Old Time Pottery所需的表格
  • GS1-128 (UCC 128) Labels
  • 定制包装单

3. Old Time Pottery EDI对接方式:目前仅支持VAN 增值网络通信服务

想要了解关于VAN的更多信息,参见 VAN 增值网络通信服务

供应商需要向Old Time Pottery的EDI团队提交以下EDI连接信息:

  • 生产 ISA Qualifier和、ISA ID ,测试ISA Qualifier和、ISA ID
  • 用于与 Old Time Pottery 通信的 VAN 名称
  • EDI供应商联系人的姓名和联系方式
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
首先,我们需要加载HSAUR包并读取pottery数据集: ```R library(HSAUR) data(pottery) ``` 接下来,我们可以使用相关系数作为距离度量来进行聚类分析。我们选择ward.D2作为聚类方法,因为它在样本数较大时表现较好。我们也可以尝试其他的聚类方法,如single linkage、complete linkage等。 ```R # 计算相关系数矩阵 corr_matrix <- cor(pottery) # 使用ward.D2作为聚类方法 hc <- hclust(as.dist(1 - corr_matrix), method = "ward.D2") # 绘制聚类树状图 plot(hc, hang = -1, cex = 0.8, main = "Pottery Clustering") ``` 聚类树状图如下所示: ![pottery clustering](https://i.imgur.com/2r3lqDv.png) 从聚类图中可以看出,当聚类数目为3时,可以得到比较明显的聚类结果。因此,我们将数据集分为三类。 ```R # 将数据分成三类 n_clusters <- 3 clusters <- cutree(hc, k = n_clusters) # 将聚类结果添加到数据集中 pottery_clustered <- data.frame(pottery, cluster = clusters) # 根据聚类结果对数据集进行汇总 aggregate(pottery[, 1:9], by = list(cluster = clusters), mean) ``` 最后,我们可以评价聚类效果。常用的方法包括轮廓系数和Calinski-Harabasz指数。轮廓系数越接近1,表示聚类效果越好;而Calinski-Harabasz指数越大,表示聚类效果越好。 ```R # 计算轮廓系数 library(cluster) silhouette <- silhouette(clusters, dist(1 - corr_matrix)) mean(silhouette[, 3]) # 计算Calinski-Harabasz指数 library(fpc) cluster.stats(corr_matrix, clusters)$ch ``` 通过运行上述代码,我们可以得到轮廓系数约为0.6,Calinski-Harabasz指数约为184。这表明我们的聚类结果相对较好。
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