隨著科技的發(fā)展，供應鏈正逐漸轉型以擁抱工業(yè)4.0的變革，而大數(shù)據(jù)分析技術在供應鏈的轉型中更是不可或缺的催化劑，這種催化效應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，跟蹤和保護其庫存中15億商品，這些商品在世界各地約有200個訂單執(zhí)行中心，亞馬遜通過預測性分析來預測客戶何時購買何種產(chǎn)品，然后根據(jù)預測結果預先將商品運送到最終目的地附近的倉庫，極大的優(yōu)化了其供應網(wǎng)絡以及供應效率。

　　沃爾瑪每小時處理超過一百萬次客戶交易，會產(chǎn)生超過2.5PB的交易數(shù)據(jù)，這些交易數(shù)據(jù)都會存儲在數(shù)據(jù)庫中以支持用戶的購買行為分析等大數(shù)據(jù)分析，從而進行精準營銷。并且沃爾瑪要求其供應商使用射頻識別系統(tǒng)（RFID）來標記貨物，RFID產(chǎn)生的數(shù)據(jù)量是傳統(tǒng)條形碼標注系統(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在其貨運部門廣泛采集車聯(lián)網(wǎng)數(shù)據(jù)用以指導其全球化的物流網(wǎng)絡的重新規(guī)劃設計。

　　從以上案例我們不難發(fā)現(xiàn)這種催化效應的本質在于，大數(shù)據(jù)分析技術能夠將供應鏈每個環(huán)節(jié)產(chǎn)生的大量的、多源異構的數(shù)據(jù)整合到大數(shù)據(jù)平臺中，并基于機器學習算法、運籌學、人工神經(jīng)網(wǎng)絡等分析技術對大量數(shù)據(jù)進行綜合分析，然后將分析結果輻射回供應鏈的各個環(huán)節(jié)中進行流程優(yōu)化和決策指導，使得供應鏈從傳統(tǒng)的鏈狀模式，轉型為以數(shù)據(jù)為中心的網(wǎng)狀智能協(xié)同供應鏈。

　　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，導致其無法跟進全球化的供應鏈轉型，在工業(yè)變革面前裹足不前。本文從供應鏈流程中大數(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)分析進行決策指導三方面進行闡述，希望對想要利用大數(shù)據(jù)分析技術促進供應鏈轉型，卻望而生畏的企業(yè)有所幫助。

　　供應鏈中數(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？關于這個問題并沒有一個明確的定義，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)結構越復雜，越傾向于大數(shù)據(jù)

　　經(jīng)統(tǒng)計（Ivan Varela Rozados & Benny Tjahjono Research 2014），供應鏈中的全量數(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)中機器所產(chǎn)生的實時數(shù)據(jù)等。這些數(shù)據(jù)全面而客觀的描述了了整個供應鏈流程，為供應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%對分析有價值的數(shù)據(jù)均為非結構化的數(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)絡中的輿情數(shù)據(jù)等等，均為圖像、文本等非結構化數(shù)據(jù)。

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

　　供應鏈中數(shù)據(jù)整合打通

　　那么，獲取數(shù)據(jù)后，如果我們只是簡單的把這些信息存儲起來，這些信息之間若沒有適當?shù)慕换ィ蜁纬尚畔⒐聧u，依舊沒有產(chǎn)生價值。所以，獲取數(shù)據(jù)后，至關重要的一步就是數(shù)據(jù)的整合和打通。數(shù)據(jù)打通可以保證供應鏈中信息流的順暢，整個供應鏈將變得透明化。

　　此時，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，進行實時調整，保證最高效運行。而若供應鏈中每一步都可以根據(jù)其相關環(huán)節(jié)的信息進行實時優(yōu)化，就達到了我們所說的智能協(xié)同供應鏈。那么，以上所提到的52種數(shù)據(jù)源，將如何進行整合和打通，本文給出如下方案供參考：

　　我們認為供應鏈大數(shù)據(jù)分析主要集中于四個主要環(huán)節(jié)：采購（Procurement）、倉儲和運營（Warehouse and Operations）、物流（Transportation）、需求鏈（Demand Chain）。以這四個環(huán)節(jié)為中心，對這52個數(shù)據(jù)源進行整合后，信息的流通和共享，變得一目了然。

　　供應鏈中的大數(shù)據(jù)分析

　　那么，從整合后的數(shù)據(jù)版圖不難看出，針對供應鏈的大數(shù)據(jù)分析或是針對采購、倉儲、物流和需求鏈四個環(huán)節(jié)本身進行分析，或是針對四個環(huán)節(jié)間的關聯(lián)部分進行分析。我們按照這個思路給出一些供應鏈中比較有價值的分析點、分析思路、以及分析方法供大家參考。

　　需求預測：

　　在供應鏈的流程中，存在一個我們都熟知的等式 “庫存=產(chǎn)量-需求”，這個等式所要考慮的核心是需求。因為，在最理想的情況下，若我們能夠準確預知需求，我們就能夠通過需求的拆解去制定相應的采購計劃，按照需求的時間點進行相應的排產(chǎn)和運輸，以達到“零庫存”的最佳狀態(tài)，這樣生產(chǎn)和庫存將均達到最優(yōu)。

　　當然，絕對理想的情況在現(xiàn)實情況中是不存在的，不過不妨礙我們說明需求預測的重要性。需求的變化與市場的波動，宏觀經(jīng)濟的變化，上下游產(chǎn)業(yè)的變化等等息息相關，而再引入大數(shù)據(jù)之前我們只有企業(yè)系統(tǒng)中的內部交易數(shù)據(jù)，無法準確描述需求的變化。

　　在我們引入大數(shù)據(jù)后隨之而來的是能夠準確刻畫市場的大量外部數(shù)據(jù)，我們可以將結合歷史銷售數(shù)據(jù)，經(jīng)濟指標數(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行處理后，利用時間序列分析或結合回歸分析，建立集成模型，對需求進行預測。

　　輿情分析：

　　如果我們可以預測需求，那么就可以指導采購，可以優(yōu)化排產(chǎn)，降低庫存成本。那么如果市場對我們產(chǎn)品的需求不理想，我們怎么去改變現(xiàn)狀呢？我們下一代產(chǎn)品要如何改進，才能適應用戶的需要，才能提高銷量呢？

　　這就要求我們去傾聽用戶的聲音，要求我們在海量文本數(shù)據(jù)中去挖掘用戶的觀點和態(tài)度， 這對企業(yè)中所有部門都是有重要價值的：

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

市場部：了解產(chǎn)品在不同平臺和不同群體中的關注度和市場反應，同時掌握競爭對手的市場動態(tài)，更有效地制定產(chǎn)品推廣策略，建立適合的品牌形象。

公關部：第一時間獲知輿情事件和信息傳播路徑，針對關鍵人物、關鍵時間點等進行更有效地輿情處置和應對。

　　7*24小時監(jiān)測網(wǎng)絡中的熱門事件，第一時間發(fā)現(xiàn)重要輿情事件，實時給出預警，并提供輿情的傳播分析、關鍵人物與關鍵時間點等，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)絡爬蟲技術從社交媒體、電商網(wǎng)站、新聞、論壇等輿論集中點爬取相關語料，然后通過分詞處理提取其主要特征詞，然后通過自然語言處理結合機器學習分類算法進行情感傾向的標注，通過機器學習聚類算法挖掘用戶關注點，然后給出實時展示，并根據(jù)預警條件進行預警。

　　生產(chǎn)設備的預測性維護：

　　在設備被作為生產(chǎn)資料用以輔助或替代人工而引入車間的相當長的一段時間內，企業(yè)逐漸從被動式維修（即宕機后維修）轉變?yōu)橹鲃邮骄S護。如通過制定定期保養(yǎng)計劃，制定簡單保養(yǎng)策略，記錄保養(yǎng)日志等方式，周期性的對設備進行檢修，降低宕機停產(chǎn)的可能性。而后隨著設備的網(wǎng)絡化、智能化發(fā)展，企業(yè)越來越關心是否能利用設備自身的運轉情況分析來制定更優(yōu)的保養(yǎng)計劃，在保證設備持續(xù)健康的情況下，降低設備運維成本；同時對于已發(fā)生的故障，能夠快速產(chǎn)生解決方案。

　　以往的預測性維修，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行排查。當我們引入大數(shù)據(jù)技術后，我們有能力實時采集到機器運行中的各種參數(shù)數(shù)據(jù)來反應機器的運行狀態(tài)。那么我們就能夠根據(jù)歷史故障信息以及相關運行數(shù)據(jù)，訓練出一個能夠學習到機器是否會故障的機器學習分類模型，這個訓練好的模型能夠實時接收機器當前運行參數(shù)數(shù)據(jù)流，并根據(jù)參數(shù)值對機器是否會故障給出實時判定和相應告警。

　　結語

　　大數(shù)據(jù)分析還可以幫助供應鏈進行物流網(wǎng)絡的優(yōu)化以提高物流效率，為采購提供詢價議價參考模型以降低采購成本，為生產(chǎn)提供根因挖掘以保障產(chǎn)品質量，為銷售提供用戶標簽以達到精準營銷等等?？梢哉f大數(shù)據(jù)分析滲透到供應鏈的每個角落，助力優(yōu)化供應鏈效率，降低供應鏈成本，打通供應鏈信息流，催化傳統(tǒng)供應鏈向智能化協(xié)同化的供應網(wǎng)轉型。希望所有傳統(tǒng)企業(yè)都能利用起大數(shù)據(jù)分析技術，推動供應鏈轉型，在工業(yè)4.0革命中乘風破浪。