大數(shù)據(jù)分析如何催化供應(yīng)鏈轉(zhuǎn)型

隨著科技的發(fā)展，供應(yīng)鏈正逐漸轉(zhuǎn)型以擁抱工業(yè)4.0的變革，而大數(shù)據(jù)分析技術(shù)在供應(yīng)鏈的轉(zhuǎn)型中更是不可或缺的催化劑，這種催化效應(yīng)早已為很多全球化大公司帶來福音。

亞馬遜使用大數(shù)據(jù)來監(jiān)控，跟蹤和保護(hù)其庫(kù)存中15億商品，這些商品在世界各地約有200個(gè)訂單執(zhí)行中心，亞馬遜通過預(yù)測(cè)性分析來預(yù)測(cè)客戶何時(shí)購(gòu)買何種產(chǎn)品，然后根據(jù)預(yù)測(cè)結(jié)果預(yù)先將商品運(yùn)送到最終目的地附近的倉(cāng)庫(kù)，極大的優(yōu)化了其供應(yīng)網(wǎng)絡(luò)以及供應(yīng)效率。

沃爾瑪每小時(shí)處理超過一百萬次客戶交易，會(huì)產(chǎn)生超過2.5PB的交易數(shù)據(jù)，這些交易數(shù)據(jù)都會(huì)存儲(chǔ)在數(shù)據(jù)庫(kù)中以支持用戶的購(gòu)買行為分析等大數(shù)據(jù)分析，從而進(jìn)行精準(zhǔn)營(yíng)銷。并且沃爾瑪要求其供應(yīng)商使用射頻識(shí)別系統(tǒng)（RFID）來標(biāo)記貨物，RFID產(chǎn)生的數(shù)據(jù)量是傳統(tǒng)條形碼標(biāo)注系統(tǒng)的100到1000倍，這些數(shù)據(jù)極大的提高了商品的可追溯性。

UPS在其貨運(yùn)部門廣泛采集車聯(lián)網(wǎng)數(shù)據(jù)用以指導(dǎo)其全球化的物流網(wǎng)絡(luò)的重新規(guī)劃設(shè)計(jì)。

從以上案例我們不難發(fā)現(xiàn)這種催化效應(yīng)的本質(zhì)在于，大數(shù)據(jù)分析技術(shù)能夠?qū)⒐?yīng)鏈每個(gè)環(huán)節(jié)產(chǎn)生的大量的、多源異構(gòu)的數(shù)據(jù)整合到大數(shù)據(jù)平臺(tái)中，并基于機(jī)器學(xué)習(xí)算法、運(yùn)籌學(xué)、人工神經(jīng)網(wǎng)絡(luò)等分析技術(shù)對(duì)大量數(shù)據(jù)進(jìn)行綜合分析，然后將分析結(jié)果輻射回供應(yīng)鏈的各個(gè)環(huán)節(jié)中進(jìn)行流程優(yōu)化和決策指導(dǎo)，使得供應(yīng)鏈從傳統(tǒng)的鏈狀模式，轉(zhuǎn)型為以數(shù)據(jù)為中心的網(wǎng)狀智能協(xié)同供應(yīng)鏈。

然而，依然有許多傳統(tǒng)企業(yè)因沒有利用起大數(shù)據(jù)分析技術(shù)，導(dǎo)致其無法跟進(jìn)全球化的供應(yīng)鏈轉(zhuǎn)型，在工業(yè)變革面前裹足不前。本文從供應(yīng)鏈流程中大數(shù)據(jù)的產(chǎn)生、數(shù)據(jù)的打通和整合，以及如何通過大數(shù)據(jù)分析進(jìn)行決策指導(dǎo)三方面進(jìn)行闡述，希望對(duì)想要利用大數(shù)據(jù)分析技術(shù)促進(jìn)供應(yīng)鏈轉(zhuǎn)型，卻望而生畏的企業(yè)有所幫助。

供應(yīng)鏈中數(shù)據(jù)產(chǎn)生

人們經(jīng)常提及大數(shù)據(jù)的概念，那么多大量的數(shù)據(jù)是大數(shù)據(jù)呢？關(guān)于這個(gè)問題并沒有一個(gè)明確的定義，但是人們經(jīng)常用3V來描述大數(shù)據(jù)：

Volume：數(shù)據(jù)量的大小，顧名思義數(shù)據(jù)量越大越，越傾向于為大數(shù)據(jù)

Velocity：數(shù)據(jù)產(chǎn)生速度的快慢，數(shù)據(jù)產(chǎn)生速度越快，越傾向于大數(shù)據(jù)

Variety ：數(shù)據(jù)種類的多少，數(shù)據(jù)種類越繁多，數(shù)據(jù)結(jié)構(gòu)越復(fù)雜，越傾向于大數(shù)據(jù)

經(jīng)統(tǒng)計(jì)（Ivan Varela Rozados  & Benny Tjahjono Research 2014），供應(yīng)鏈中的全量數(shù)據(jù)主要有52種來源，除去我們所熟知的ERP、CRM等8種內(nèi)部數(shù)據(jù)源（白色字體部分），還有44種外部數(shù)據(jù)源，從3V的角度劃分，其分布如圖所示：

這52種數(shù)據(jù)源，不僅包含我們所熟知的ERP、CRM等系統(tǒng)中的內(nèi)部交易數(shù)據(jù)，更包含交通數(shù)據(jù)、地理位置GPS數(shù)據(jù)、天氣數(shù)據(jù)、社交媒體數(shù)據(jù)、以及工廠生產(chǎn)中機(jī)器所產(chǎn)生的實(shí)時(shí)數(shù)據(jù)等。這些數(shù)據(jù)全面而客觀的描述了了整個(gè)供應(yīng)鏈流程，為供應(yīng)鏈中的決策分析提供充足的數(shù)據(jù)。然而值得憂慮的是，SCM中80%對(duì)分析有價(jià)值的數(shù)據(jù)均為非結(jié)構(gòu)化的數(shù)據(jù)（Roberts，2010），如：交通地圖數(shù)據(jù)、用戶反饋UGC（User Generated Contents）數(shù)據(jù)、新聞網(wǎng)絡(luò)中的輿情數(shù)據(jù)等等，均為圖像、文本等非結(jié)構(gòu)化數(shù)據(jù)。

所以，無論從數(shù)據(jù)源的廣度，數(shù)據(jù)量的大小，以及非結(jié)構(gòu)化數(shù)據(jù)的比重來看，現(xiàn)有SCM數(shù)據(jù)的處理對(duì)傳統(tǒng)的關(guān)系型數(shù)據(jù)庫(kù)而言都是很大的挑戰(zhàn)。而基于Hadoop生態(tài)的大數(shù)據(jù)處理技術(shù)為以上所有問題提供了完備的解決方案，使得我們對(duì)大量的、多源異構(gòu)的供應(yīng)鏈數(shù)據(jù)的存儲(chǔ)和計(jì)算成為可能，而數(shù)據(jù)的獲得是我們對(duì)供應(yīng)鏈進(jìn)行大數(shù)據(jù)分析的重要基礎(chǔ)。

供應(yīng)鏈中數(shù)據(jù)整合打通

那么，獲取數(shù)據(jù)后，如果我們只是簡(jiǎn)單的把這些信息存儲(chǔ)起來，這些信息之間若沒有適當(dāng)?shù)慕换ィ蜁?huì)形成信息孤島，依舊沒有產(chǎn)生價(jià)值。所以，獲取數(shù)據(jù)后，至關(guān)重要的一步就是數(shù)據(jù)的整合和打通。數(shù)據(jù)打通可以保證供應(yīng)鏈中信息流的順暢，整個(gè)供應(yīng)鏈將變得透明化。

此時(shí)，物流就可以根據(jù)交通情況，天氣情況，訂單的分布情況及產(chǎn)品的生產(chǎn)情況等等，進(jìn)行實(shí)時(shí)調(diào)整，保證最高效運(yùn)行。而若供應(yīng)鏈中每一步都可以根據(jù)其相關(guān)環(huán)節(jié)的信息進(jìn)行實(shí)時(shí)優(yōu)化，就達(dá)到了我們所說的智能協(xié)同供應(yīng)鏈。那么，以上所提到的52種數(shù)據(jù)源，將如何進(jìn)行整合和打通，本文給出如下方案供參考：

我們認(rèn)為供應(yīng)鏈大數(shù)據(jù)分析主要集中于四個(gè)主要環(huán)節(jié)：采購(gòu)（Procurement）、倉(cāng)儲(chǔ)和運(yùn)營(yíng)（Warehouse and Operations）、物流（Transportation）、需求鏈（Demand Chain）。以這四個(gè)環(huán)節(jié)為中心，對(duì)這52個(gè)數(shù)據(jù)源進(jìn)行整合后，信息的流通和共享，變得一目了然。

供應(yīng)鏈中的大數(shù)據(jù)分析

那么，從整合后的數(shù)據(jù)版圖不難看出，針對(duì)供應(yīng)鏈的大數(shù)據(jù)分析或是針對(duì)采購(gòu)、倉(cāng)儲(chǔ)、物流和需求鏈四個(gè)環(huán)節(jié)本身進(jìn)行分析，或是針對(duì)四個(gè)環(huán)節(jié)間的關(guān)聯(lián)部分進(jìn)行分析。我們按照這個(gè)思路給出一些供應(yīng)鏈中比較有價(jià)值的分析點(diǎn)、分析思路、以及分析方法供大家參考。

需求預(yù)測(cè)：

在供應(yīng)鏈的流程中，存在一個(gè)我們都熟知的等式 “庫(kù)存=產(chǎn)量-需求”，這個(gè)等式所要考慮的核心是需求。因?yàn)椋谧罾硐氲那闆r下，若我們能夠準(zhǔn)確預(yù)知需求，我們就能夠通過需求的拆解去制定相應(yīng)的采購(gòu)計(jì)劃，按照需求的時(shí)間點(diǎn)進(jìn)行相應(yīng)的排產(chǎn)和運(yùn)輸，以達(dá)到“零庫(kù)存”的最佳狀態(tài)，這樣生產(chǎn)和庫(kù)存將均達(dá)到最優(yōu)。

當(dāng)然，絕對(duì)理想的情況在現(xiàn)實(shí)情況中是不存在的，不過不妨礙我們說明需求預(yù)測(cè)的重要性。需求的變化與市場(chǎng)的波動(dòng)，宏觀經(jīng)濟(jì)的變化，上下游產(chǎn)業(yè)的變化等等息息相關(guān)，而再引入大數(shù)據(jù)之前我們只有企業(yè)系統(tǒng)中的內(nèi)部交易數(shù)據(jù)，無法準(zhǔn)確描述需求的變化。

在我們引入大數(shù)據(jù)后隨之而來的是能夠準(zhǔn)確刻畫市場(chǎng)的大量外部數(shù)據(jù)，我們可以將結(jié)合歷史銷售數(shù)據(jù)，經(jīng)濟(jì)指標(biāo)數(shù)據(jù)，產(chǎn)品輿情數(shù)據(jù)，上下游產(chǎn)業(yè)情況數(shù)據(jù)等等數(shù)據(jù)，通過自然語(yǔ)言處理從文本數(shù)據(jù)中提取特征，通過特征工程將特征進(jìn)行處理后，利用時(shí)間序列分析或結(jié)合回歸分析，建立集成模型，對(duì)需求進(jìn)行預(yù)測(cè)。

輿情分析：

如果我們可以預(yù)測(cè)需求，那么就可以指導(dǎo)采購(gòu)，可以優(yōu)化排產(chǎn)，降低庫(kù)存成本。那么如果市場(chǎng)對(duì)我們產(chǎn)品的需求不理想，我們?cè)趺慈ジ淖儸F(xiàn)狀呢？我們下一代產(chǎn)品要如何改進(jìn)，才能適應(yīng)用戶的需要，才能提高銷量呢？

這就要求我們?nèi)A聽用戶的聲音，要求我們?cè)诤Ａ课谋緮?shù)據(jù)中去挖掘用戶的觀點(diǎn)和態(tài)度， 這對(duì)企業(yè)中所有部門都是有重要價(jià)值的：

研發(fā)部：了解真實(shí)的客戶需求和產(chǎn)品口碑，有針對(duì)性地進(jìn)行新產(chǎn)品的研發(fā)和產(chǎn)品改進(jìn)。

市場(chǎng)部：了解產(chǎn)品在不同平臺(tái)和不同群體中的關(guān)注度和市場(chǎng)反應(yīng)，同時(shí)掌握競(jìng)爭(zhēng)對(duì)手的市場(chǎng)動(dòng)態(tài)，更有效地制定產(chǎn)品推廣策略，建立適合的品牌形象。

公關(guān)部：第一時(shí)間獲知輿情事件和信息傳播路徑，針對(duì)關(guān)鍵人物、關(guān)鍵時(shí)間點(diǎn)等進(jìn)行更有效地輿情處置和應(yīng)對(duì)。

7*24小時(shí)監(jiān)測(cè)網(wǎng)絡(luò)中的熱門事件，第一時(shí)間發(fā)現(xiàn)重要輿情事件，實(shí)時(shí)給出預(yù)警，并提供輿情的傳播分析、關(guān)鍵人物與關(guān)鍵時(shí)間點(diǎn)等，有助于將輿情的不利影響降到最低。

那么，這些如何做到呢？首先通過網(wǎng)絡(luò)爬蟲技術(shù)從社交媒體、電商網(wǎng)站、新聞、論壇等輿論集中點(diǎn)爬取相關(guān)語(yǔ)料，然后通過分詞處理提取其主要特征詞，然后通過自然語(yǔ)言處理結(jié)合機(jī)器學(xué)習(xí)分類算法進(jìn)行情感傾向的標(biāo)注，通過機(jī)器學(xué)習(xí)聚類算法挖掘用戶關(guān)注點(diǎn)，然后給出實(shí)時(shí)展示，并根據(jù)預(yù)警條件進(jìn)行預(yù)警。

生產(chǎn)設(shè)備的預(yù)測(cè)性維護(hù)： 

在設(shè)備被作為生產(chǎn)資料用以輔助或替代人工而引入車間的相當(dāng)長(zhǎng)的一段時(shí)間內(nèi)，企業(yè)逐漸從被動(dòng)式維修（即宕機(jī)后維修）轉(zhuǎn)變?yōu)橹鲃?dòng)式維護(hù)。如通過制定定期保養(yǎng)計(jì)劃，制定簡(jiǎn)單保養(yǎng)策略，記錄保養(yǎng)日志等方式，周期性的對(duì)設(shè)備進(jìn)行檢修，降低宕機(jī)停產(chǎn)的可能性。而后隨著設(shè)備的網(wǎng)絡(luò)化、智能化發(fā)展，企業(yè)越來越關(guān)心是否能利用設(shè)備自身的運(yùn)轉(zhuǎn)情況分析來制定更優(yōu)的保養(yǎng)計(jì)劃，在保證設(shè)備持續(xù)健康的情況下，降低設(shè)備運(yùn)維成本；同時(shí)對(duì)于已發(fā)生的故障，能夠快速產(chǎn)生解決方案。

以往的預(yù)測(cè)性維修，主要依賴于行業(yè)專家的分析，去建立故障樹，按照故障樹的分支進(jìn)行排查。當(dāng)我們引入大數(shù)據(jù)技術(shù)后，我們有能力實(shí)時(shí)采集到機(jī)器運(yùn)行中的各種參數(shù)數(shù)據(jù)來反應(yīng)機(jī)器的運(yùn)行狀態(tài)。那么我們就能夠根據(jù)歷史故障信息以及相關(guān)運(yùn)行數(shù)據(jù)，訓(xùn)練出一個(gè)能夠?qū)W習(xí)到機(jī)器是否會(huì)故障的機(jī)器學(xué)習(xí)分類模型，這個(gè)訓(xùn)練好的模型能夠?qū)崟r(shí)接收機(jī)器當(dāng)前運(yùn)行參數(shù)數(shù)據(jù)流，并根據(jù)參數(shù)值對(duì)機(jī)器是否會(huì)故障給出實(shí)時(shí)判定和相應(yīng)告警。

結(jié)語(yǔ)

大數(shù)據(jù)分析還可以幫助供應(yīng)鏈進(jìn)行物流網(wǎng)絡(luò)的優(yōu)化以提高物流效率，為采購(gòu)提供詢價(jià)議價(jià)參考模型以降低采購(gòu)成本，為生產(chǎn)提供根因挖掘以保障產(chǎn)品質(zhì)量，為銷售提供用戶標(biāo)簽以達(dá)到精準(zhǔn)營(yíng)銷等等。可以說大數(shù)據(jù)分析滲透到供應(yīng)鏈的每個(gè)角落，助力優(yōu)化供應(yīng)鏈效率，降低供應(yīng)鏈成本，打通供應(yīng)鏈信息流，催化傳統(tǒng)供應(yīng)鏈向智能化協(xié)同化的供應(yīng)網(wǎng)轉(zhuǎn)型。希望所有傳統(tǒng)企業(yè)都能利用起大數(shù)據(jù)分析技術(shù)，推動(dòng)供應(yīng)鏈轉(zhuǎn)型，在工業(yè)4.0革命中乘風(fēng)破浪。