大数据分析加速供应链转型.docx

大数据分析加速供应链转型随着科技的发展，供应链正逐渐转型以拥抱工业4.0的变革，而大数据分析技术在供应链的转型中更是不可或缺的催化剂，这种催化效应早已为很多全球化大公司带来福音。亚马逊使用大数据来监控，跟踪和保护其库存中15亿商品，这些商品在世界各地约有200个订单执行中心，亚马逊通过预测性分析来预测客户何时购买何种产品，然后根据预测结果预先将商品运送到最终目的地附近的仓库，极大的优化了其供应网络以及供应效率。沃尔玛每小时处理超过一百万次客户交易，会产生超过2.5PB的交易数据，这些交易数据都会存储在数据库中以支持用户的购买行为分析等大数据分析，从而进行精准营销。并且沃尔玛要求其供应商使用射频识别系统（RFID）来标记货物，RFID产生的数据量是传统条形码标注系统的100到1000倍，这些数据极大的提高了商品的可追溯性。UPS在其货运部门广泛采集车联网数据用以指导其全球化的物流网络的重新规划设计。从以上案例我们不难发现这种催化效应的本质在于，大数据分析技术能够将供应链每个环节产生的大量的、多源异构的数据整合到大数据平台中，并基于机器学习算法、运筹学、人工神经网络等分析技术对大量数据进行综合分析，然后将分析结果辐射回供应链的各个环节中进行流程优化和决策指导，使得供应链从传统的链状模式，转型为以数据为中心的网状智能协同供应链。然而，依然有许多传统企业因没有利用起大数据分析技术，导致其无法跟进全球化的供应链转型，在工业变革面前裹足不前。本文从供应链流程中大数据的产生、数据的打通和整合，以及如何通过大数据分析进行决策指导三方面进行阐述，希望对想要利用大数据分析技术促进供应链转型，却望而生畏的企业有所帮助。供应链中数据产生人们经常提及大数据的概念，那么多大量的数据是大数据呢？关于这个问题并没有一个明确的定义，但是人们经常用3V来描述大数据：　　● Volume：数据量的大小，顾名思义数据量越大越，越倾向于为大数据　　● Velocity：数据产生速度的快慢，数据产生速度越快，越倾向于大数据　　● Variety ：数据种类的多少，数据种类越繁多，数据结构越复杂，越倾向于大数据经统计（Ivan Varela Rozados ? Benny Tjahjono Research 2014），供应链中的全量数据主要有52种来源，除去我们所熟知的ERP、CRM等8种内部数据源（白色字体部分），还有44种外部数据源，从3V的角度划分，其分布如图所示：这52种数据源，不仅包含我们所熟知的ERP、CRM等系统中的内部交易数据，更包含交通数据、地理位置GPS数据、天气数据、社交媒体数据、以及工厂生产中机器所产生的实时数据等。这些数据全面而客观的描述了了整个供应链流程，为供应链中的决策分析提供充足的数据。然而值得忧虑的是，SCM中80%对分析有价值的数据均为非结构化的数据（Roberts，2010），如：交通地图数据、用户反馈UGC（User Generated Contents）数据、新闻网络中的舆情数据等等，均为图像、文本等非结构化数据。所以，无论从数据源的广度，数据量的大小，以及非结构化数据的比重来看，现有SCM数据的处理对传统的关系型数据库而言都是很大的挑战。而基于Hadoop生态的大数据处理技术为以上所有问题提供了完备的解决方案，使得我们对大量的、多源异构的供应链数据的存储和计算成为可能，而数据的获得是我们对供应链进行大数据分析的重要基础。供应链中数据整合打通那么，获取数据后，如果我们只是简单的把这些信息存储起来，这些信息之间若没有适当的交互，就会形成信息孤岛，依旧没有产生价值。所以，获取数据后，至关重要的一步就是数据的整合和打通。数据打通可以保证供应链中信息流的顺畅，整个供应链将变得透明化。此时，物流就可以根据交通情况，天气情况，订单的分布情况及产品的生产情况等等，进行实时调整，保证最高效运行。而若供应链中每一步都可以根据其相关环节的信息进行实时优化，就达到了我们所说的智能协同供应链。那么，以上所提到的52种数据源，将如何进行整合和打通，本文给出如下方案供参考：我们认为供应链大数据分析主要集中于四个主要环节：采购（Procurement）、仓储和运营（Warehouse and Operations）、物流（Transportation）、需求链（Demand Chain）。以这四个环节为中心，对这52个数据源进行整合后，信息的流通和共享，变得一目了然。供应链中的大数据分析那么，从整合后的数据版图不难看出，针对供应链的大数据分析或是针对采购、仓储、物流和需求链四个环节本身进行分析，或是针对四个环节间的关联部分进行分析。我们按照这个思路给出一些供应链中比较有价值的分析点、分析思路、以及分析方法供大家参考。需求预测：在供应链的流程中，存在一个我们都