从噪声到洞见：基于 AI 的调查完整性分析提升供应链决策支持

调查数据的可靠性在供应链决策中至关重要，尤其是在评估面向 AI 驱动工具（如安全库存优化系统）的就绪状况时。然而，调查常常吸引低效或假冒响应，导致从中派生的洞察 accuracy 降低。本研究提出了一种基于监督机器学习的轻量级 AI 框架，用于过滤不可靠的调查输入。在本扩大研究中，收集了 99 份行业响应数据，并通过逻辑不一致和响应模式进行人工标注以识别假冒响应。经过预处理和标签编码后，训练了随机森林和基线模型（逻辑回归、XGBoost），以区分真实与假冒响应。最佳模型实现了 92.0% 的准确率，显示出相较于先行研究显著提升的检测能力。尽管存在局限性，但结果凸显了将 AI 集成到调查管道中并为供应链研究（尤其在产品发布和技术采纳阶段）提高数据完整性的可行性。