张瑜
【摘 要】大数据时代将数据分析技术合理地、创新性地应用在供应链管理模式地发展、供应链管理战略地制定和供应链管理水平地提高上,成为当前亟需攻克的难题。本文在对数据分析技术、供应链管理内涵阐述的基础上,提出数据分析技术在供应链管理上的应用途径,指出了基于大数据的智能供应链发展的可能性。%The era of big data analysis of the data reasonably technology, innovation applied in the development of supply chain management, supply chain management strategies to develop and supply chain management to improve on, become an urgent need to overcome the problem. Based on the data analysis technology, supply chain management connotation elaborate on the proposed data analysis techniques applied in supply chain management approach, pointing out the possibility of intelligent supply chain development based on big data. 【期刊名称】《仪器仪表用户》 【年(卷),期】2016(000)003 【总页数】3页(P72-73,76)
【关键词】大数据分析;供应链管理;应用 【作 者】张瑜
【作者单位】中国石化工程建设有限公司,北京 100101
【正文语种】中 文 【中图分类】U9
进入信息时代以来,人们所面临的数据信息当量得到空前的发展,超过以往任何一个时期。“大数据时代”、“数据分析技术”和“数据科学”成为当今世界关注的焦点。其中,大数据分析是指对来自各种综合信息系统、社会媒体和互联网的规模庞大的数据进行分析,从而得出有利于产业发展的趋势或规律。因此,大数据时代的来临以及数据分析技术的发展为供应链管理提供了新的机会和挑战。如何在大数据时代将数据分析技术合理地、创新性地应用在供应链管理模式的发展、供应链管理战略的制定、和供应链管理水平的提高上成为当前亟需攻克的难题。 1.1 大数据分析的内涵
大数据分析是指基于互联网技术的当量巨大的数据分析应用,可以概括为5个特点,即规模大、传播迅速、种类多样、价值获取和真伪甄别。大数据已成为IT行业当下关注度最高的词汇,随之而来的一些大数据技术,如数据存储仓库、数据安全防护、数据结构分析、数据信息挖掘等,对大数据商业价值的挖掘逐渐成为行业人士利润角逐的焦点。大数据已成为这个时代的代名词,自然随之而来的既是机遇,又是挑战---大数据分析。 1.2 大数据分析的特点
大数据分析主要包括5个基本方面,即数据可视化、数据挖掘算法、数据预测性分析、语义引擎和数据筛选和数据处理[1]。其中,实现数据的可视化是数据分析的基本,可视化处理使得数据的展示更加直观,让数据更加直观地展示其内在价值;如果说数据的可视化分析是为了让数据分析人员更好地观察数据,那么数据挖掘则是为了更加深入的剖析数据本身所代表的价值,分割、集群、孤立点分析以及其他的一些算法让数据分析人员可以深入数据内部,窥探数据背后的价值。这些算法需
要克服两个难题:一方面,克服大数据的规模庞杂所带来的困难;另一方面,数据处理速度的提升也是这些算法必须克服的困难。数据挖掘可以让数据分析人员更充分地了解大数据背后的价值,而数据的预测性分析则是为了使数据分析人员根据数据的可视化和数据挖掘算法所带来的价值发现做出一些预测性的判断。数据的非结构化及其多样性为数据分析人员带来了新的挑战,因此,需要应用一系列数据分析工具去提取、筛选和分析数据。语义引擎的设计则是为了实现能够从“文档”中更加智能、主动地提取信息。数据筛选和数据处理作为一定情形下的最佳管理实践,通过流程的标准化和数据筛选、处理工具对数据进行预先设定好的数据结构化,从而实现一些预定义的高质量分析结果。 2.1 供应链管理的内涵
供应链管理是一种策略概念,它的顺利实现是基于高速发展的信息系统电脑管理技术,将处于供应链上游的原料材料采购、中游的制作加工、货物运输等环节以及处于供应链下游的经销商的销售环节集成为一个无缝接续的流程[2]。供应链管理包含的内容可以概括为3个大的方面:物料(产品)流动的管理,信息流动的管理以及资金流动的管理。为了在市场竞争中保持一定的优势,供应链管理显然应成为当下企业运营管理的重要组成成分。供应链管理的技术方面一般包括以下几个方面:首先是物流管理,目的是实现货物的顺畅流动,并保持一定的成本优势;其次是采购和供应链计划,可以保证上游原材料的充足供应;最后是相关的信息分析与财务管理,顺畅的信息流和资金流是企业顺利发展的血液。在经济全球化的大背景下,供应链管理内容和范围得到了进一步地扩充和完善。一些新的概念如国际物流通道、生产部门外包(企业的模块化)、战略原材料采购、供应链多方协作等得到了较大发展。当下,供应链管理的关注点已经从单纯的企业内部运营延伸到全球产业和价值链顺利运作上,同时更加注重相关风险的预控、管理和产业链发展的可持续性。 2.2 供应链管理的目标和目的
供应链管理的目标可以分为两个部分:首要原则是满足客户的需求;然后是整个供应链环节的综合管理,包括供货商、制造商、分销商到消费者等各个环节,例如从原材料采购和存储管理、产品制造、货物配送、产品营销,最终到达消费者所有供应链环节之间的物流、信息流和资本流。一方面保证核心业务规模的不断增长,另一方面将物流成本降到最小。
供应链管理是针对供应链系统的一系列的管理计划和策略,包括计划制定、环节协调、过程操作、物流控制和策略优化等各种管理手段,其目标是要实现合格的产品在适当的时间以准确的数量、完美的品质和完整的状态到达客户需求端。 全球供应链管理:供应链管理的范围扩展至全球,并延伸到全产业和价值链条的各个环节。其服务对象一般是国际性跨国公司,目标是对该类机构涉及的许多不同国家之间的供应链条衔接的策略设计进行优化和国际化。跨国公司的全球供应链管理策略的优化和国际化将会为其公司成本和时间的节省贡献巨大力量,同时会增加物流链各个环节的可靠性。
一个企业采用供应链管理策略的最终目的可以概括为以下3个方面:首先,作为处于竞争市场中的企业,其首要目标是提升客户的满意度,方式是提升货运交付的准确性和便利性;其次,企业实现降本增效,通过控制合理的库存、优化生产流程和减少分销环节达到降低成本的目的;最后,通过去除差异成本和消除偶然事件等方式实现企业的整体“流程质量”最优化。 3.1 组织、机制和人才改善
若要实现数据分析技术在公司的供应链管理中发挥作用,必须首先落实组织架构、机制改善和人才培养3个方面。组织架构制定上可以探索成立大数据中心,原先的信息部门改为大数据分析部门,从而实现大数据分析嵌入供应链管理的组织保障;机制上,将大数据的搜索、分析和价值应用贯彻到整个供应链管理的业务工作层面,形成全方位、立体化的大数据搜集、分析和应用模式;在人才发展方面,要自主培
养和人才引进相结合。做到以上3个方面,数据分析技术发挥的基础已经搭建完成。
3.2 明确大数据搜集途径
直接面向客户的供应链前端是数据搜集最有利的途径。为此,要搭建统一的前端信息系统和公司信息系统,形成前端交易数据和市场需求信息到公司大数据分析部门的快速通道。大数据分析部门做出统一的数据分析结果,包括交易信息、市场需求等,形成准确定位、快速响应的物流供应链条,从而降低成本。 3.3 实现无缝对接的供应链条
无缝对接的供应链条中要保证大数据一方面连接着需求者,另一方面连接着供给者。数据分析过程中要在3个层面进行数据挖掘:一是挖掘会员数据信息,二是管理平台数据,三是构建良性循环的生态圈,借助数据平台的优势和大数据分析技术消除信息孤岛的状态,打造智能供应链生态圈,使得供应链发展成为更加智能的、过程简化的、具体可视化的。为此,供应链管理者要做的就是建立渠道、数据收集、数据挖掘,最终实现数据价值发现,实现精准地上下游无缝对接。 3.4 数据分析对品牌发展的作用
通过与大数据的深度结合提升供应链实力。核心是对用户需求信息的收集及分析,战略指导原则是高度重视用户体验。通过设计和发起丰富的互动环节,实现用户粘性的提高,进一步实现用户信息和意见的搜集。接下来利用精准信息甄别、处理和价值发现系统实现信息的全方位数据价值挖掘,形成以数据分析为背景的供应链管理策略,形成双向整合互推式的信息闭环,从而提升供应链的整体影响力[3]。
3.5 大数据分析在供应链中的一个系统化框架
大数据分析在供应链管理中成功实现应用的一个系统化框架,成为SAM路线图[4]。其基本包括3个方面的内容:第一,分区,通过对市场特点的划分来设定相
应的供应链分区;第二,联合,只有实现企业与供应链各个环节的联合,才能保证数据分析技术的成功应用,保障最大的市场竞争力;第三,评估,设计市场普遍认同的策略性关键绩效指标,实现对市场分区特点的评估。
以上3步结合大数据和数据分析技术可以概括为以下3个步骤:第一,嵌入了大数据分析技术的供应链管理可以建立更加准确完善的供应链分区,从而进一步通过大数据分析技术为每一分区制定精确的优先发展要项;第二,利用大数据技术整合企业所有业务职能,保障竞争要项始终处于竞争优势状态下,大数据分析技术的应用将支持供应链分区中的竞争要项,不会出现随机实施的现象。因此,这会使企业得以集中数据优势,避免迷失发展方向或目标不明确;第三,企业还应该运用市场普通认同的联合策略模型或关键绩效指标对市场绩效和产品需求进行评估。模型应用的“持续完善”是这一环节最为重要的部分,供应链分区以及分区中竞争要项之间可以设立一种企业持续监控的反馈机制。 4 结论
如果供应链管理是为了使整个供应链发展更好地提升效率,无疑大数据以及数据分析技术是实现以上目标主要途径。在大数据和数据分析技术的支撑下,供应链得以更好地发展,而智能供应链的实现也将变为现实。大数据和数据分析技术在供应链管理中能做的事情还有很多。
《仪器仪表用户》
欢迎投稿,欢迎订阅,欢迎刊登广告。
Application of Big Data Analysis in Supply Chain Management ZhangYu(Sinopec Engineering Incorporation,Beijing,100101,China) Abstract: The era of big data analysis of the data reasonably technology, innovation applied in the development of supply chain management,
supply chain management strategies to develop and supply chain management to improve on, become an urgent need to overcome the problem. Based on the data analysis technology, supply chain management connotation elaborate on the proposed data analysis techniques applied in supply chain management approach, pointing out the possibility of intelligent supply chain development based on big data. Key words: big data analysis; supply chain management; application 作者简介:张瑜(1978-),女,江苏无锡人,硕士,中级职称,研究方向: 工程物流的应用。 收稿日期:2015-12-31 中图分类号:U9 文献标识码:B
文章编号:1671-1041(2016)03-0072-02
3.5 大数据分析在供应链中的一个系统化框架
大数据分析在供应链管理中成功实现应用的一个系统化框架,成为SAM路线图[4]。其基本包括3个方面的内容:第一,分区,通过对市场特点的划分来设定相应的供应链分区;第二,联合,只有实现企业与供应链各个环节的联合,才能保证数据分析技术的成功应用,保障最大的市场竞争力;第三,评估,设计市场普遍认同的策略性关键绩效指标,实现对市场分区特点的评估。
以上3步结合大数据和数据分析技术可以概括为以下3个步骤:第一,嵌入了大数据分析技术的供应链管理可以建立更加准确完善的供应链分区,从而进一步通过大数据分析技术为每一分区制定精确的优先发展要项;第二,利用大数据技术整合企业所有业务职能,保障竞争要项始终处于竞争优势状态下,大数据分析技术的应
用将支持供应链分区中的竞争要项,不会出现随机实施的现象。因此,这会使企业得以集中数据优势,避免迷失发展方向或目标不明确;第三,企业还应该运用市场普通认同的联合策略模型或关键绩效指标对市场绩效和产品需求进行评估。模型应用的“持续完善”是这一环节最为重要的部分,供应链分区以及分区中竞争要项之间可以设立一种企业持续监控的反馈机制。
如果供应链管理是为了使整个供应链发展更好地提升效率,无疑大数据以及数据分析技术是实现以上目标主要途径。在大数据和数据分析技术的支撑下,供应链得以更好地发展,而智能供应链的实现也将变为现实。大数据和数据分析技术在供应链管理中能做的事情还有很多。
【相关文献】
[1]LinkinPark.大数据分析与处理方法介绍[EB/OL]. http:// www.36dsj.com/archives/3512,1998,2013-09-23.
[2]刘丽文. 供应链管理思想及其理论和方法的发展过程[J].管理科学学报,2003,6(4). [3]赵方婷. 大数据:开辟供应链管控新蓝海[N[.现代物流报,2015-6-18.
[4]匿名 .从0到1,大数据智能供应链之路[EB/OL]. http:// www. news/2015-12-15/10960.htmlutm_source=tuicool&utm_ medium=referral,2015-12-15.
因篇幅问题不能全部显示,请点此查看更多更全内容