大数据分析如何催化供应链转型

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，存在一个我们都熟知的等式 “库存=产量-需求”，这个等式所要考虑的核心是需求。因为，在最理想的情况下，若我们能够准确预知需求，我们就能够通过需求的拆解去制定相应的采购计划，按照需求的时间点进行相应的排产和运输，以达到“零库存”的最佳状态，这样生产和库存将均达到最优。

当然，绝对理想的情况在现实情况中是不存在的，不过不妨碍我们说明需求预测的重要性。需求的变化与市场的波动，宏观经济的变化，上下游产业的变化等等息息相关，而再引入大数据之前我们只有企业系统中的内部交易数据，无法准确描述需求的变化。

在我们引入大数据后随之而来的是能够准确刻画市场的大量外部数据，我们可以将结合历史销售数据，经济指标数据，产品舆情数据，上下游产业情况数据等等数据，通过自然语言处理从文本数据中提取特征，通过特征工程将特征进行处理后，利用时间序列分析或结合回归分析，建立集成模型，对需求进行预测。

舆情分析：

如果我们可以预测需求，那么就可以指导采购，可以优化排产，降低库存成本。那么如果市场对我们产品的需求不理想，我们怎么去改变现状呢？我们下一代产品要如何改进，才能适应用户的需要，才能提高销量呢？

这就要求我们去倾听用户的声音，要求我们在海量文本数据中去挖掘用户的观点和态度， 这对企业中所有部门都是有重要价值的：

研发部：了解真实的客户需求和产品口碑，有针对性地进行新产品的研发和产品改进。

市场部：了解产品在不同平台和不同群体中的关注度和市场反应，同时掌握竞争对手的市场动态，更有效地制定产品推广策略，建立适合的品牌形象。

公关部：第一时间获知舆情事件和信息传播路径，针对关键人物、关键时间点等进行更有效地舆情处置和应对。

7*24小时监测网络中的热门事件，第一时间发现重要舆情事件，实时给出预警，并提供舆情的传播分析、关键人物与关键时间点等，有助于将舆情的不利影响降到最低。

那么，这些如何做到呢？首先通过网络爬虫技术从社交媒体、电商网站、新闻、论坛等舆论集中点爬取相关语料，然后通过分词处理提取其主要特征词，然后通过自然语言处理结合机器学习分类算法进行情感倾向的标注，通过机器学习聚类算法挖掘用户关注点，然后给出实时展示，并根据预警条件进行预警。

生产设备的预测性维护： 

在设备被作为生产资料用以辅助或替代人工而引入车间的相当长的一段时间内，企业逐渐从被动式维修（即宕机后维修）转变为主动式维护。如通过制定定期保养计划，制定简单保养策略，记录保养日志等方式，周期性的对设备进行检修，降低宕机停产的可能性。而后随着设备的网络化、智能化发展，企业越来越关心是否能利用设备自身的运转情况分析来制定更优的保养计划，在保证设备持续健康的情况下，降低设备运维成本；同时对于已发生的故障，能够快速产生解决方案。

以往的预测性维修，主要依赖于行业专家的分析，去建立故障树，按照故障树的分支进行排查。当我们引入大数据技术后，我们有能力实时采集到机器运行中的各种参数数据来反应机器的运行状态。那么我们就能够根据历史故障信息以及相关运行数据，训练出一个能够学习到机器是否会故障的机器学习分类模型，这个训练好的模型能够实时接收机器当前运行参数数据流，并根据参数值对机器是否会故障给出实时判定和相应告警。

结语

大数据分析还可以帮助供应链进行物流网络的优化以提高物流效率，为采购提供询价议价参考模型以降低采购成本，为生产提供根因挖掘以保障产品质量，为销售提供用户标签以达到精准营销等等。可以说大数据分析渗透到供应链的每个角落，助力优化供应链效率，降低供应链成本，打通供应链信息流，催化传统供应链向智能化协同化的供应网转型。希望所有传统企业都能利用起大数据分析技术，推动供应链转型，在工业4.0革命中乘风破浪。