大数据的成长之痛 附供应链数据分析最佳实践流程

供应链管理领域如何正确引入大数据分析技术

附供应链数据分析最佳解决方法

来源：CSCMP供应链管理通讯第一期

作者：Lisa Harrington, Dr. Zac Rogers, Dale Rogers, Richard Sharpe and Susan Lacefield 翻译：高珉

时间：2019年3月14日星期四

编者按：根据最近的一项调查显示，大数据分析这项技术正在逐步向更加广泛

的领域应用。从托盘、卡车再到一袋蔬菜，任何物体都有收集、储存和传输信

息的能力。如果企业能够把这些数据进行人工智能的分析，就会得到十分准确

的结果，这样就可以帮助他们做出更快、更好的决策。同时减少浪费，增加价

值。但是很多企业在供应链数据分析的应用上无从下手，也有的企业已经开始

投入大量的资金和人力来进行大数据分析这项工作，但是他们得到的数据往往

会出现数据丢失或者不准确的状况。那么我们应该如何掌握甚至将这项技术应

用到自己的企业当中呢？在接下来的文章中会通过一些实际的案例来跟大家分

享，大数据分析这项技术的应用以及如何解决各个阶段遇到的障碍。同时总结

出供应链数据分析最佳解决实践方法。

“大数据分析的时代已经到来！”数据分析公司Competitive Insights LLC在“第二届年度大数据分析研究”活动上说到。同时参加讨论的有Harrington Group, CSCMP供应链管理季刊以及两所著名的供应链管理学院，亚利桑那州立大学和科罗拉多州立大学。这几家机构在2017到2018年联合推出了一项研究，旨在为企业提供一个基准，能够让他们了解供应链数据分析的现状并认识到如何在该领域中利用大数据分析采用何种策略。这么做的目的就是帮助企业在开展数据分析的同时发现并解决遇到的困难和障碍。

这项研究的调查对象是由CSCMP《供应链管理季刊》的读者、《竞争观察》杂志的读者以及亚利桑那州立大学和科罗大多州立大学研究人员编制的一份联系人名单组成。其中2017年度共搜集到了133条可用的调查信息，2018年度共搜集到了125可用的调查信息。

图一：大数据分析成熟度级别

在实际应用当中，企业变得越来越实际

在调查中我们想受访对象提出的一个问题是“在大数据分析方面，您如何描述您供应链组织的成熟程度？”（见图一）。总的来说，根据调查结果显示，很多企业都已经开展和实施大数据分析这项工作。在两年间，实施数量增长了14%。但是根据上图中显示，这些已经开展实施这项技术的企业当中，很少有人提出将这项技术作为“转型”或“升级”的方式去实施。大多数采用的是“早期”或“开发”阶段。这就表明，大多数企业要么让在进行概念验证的测试，要么只是推出了最初的实践。

同时我们还可以看出，到了2018年“转型”和“升级”的关注数量是下降的，我们认为，与2017年相比，企业不是不关注大数据分析的实践，相反，跟多企业在“转型”这个定义上的关注程度是有所增加的。随着越来越多的企业在关注并实施大数据分析的工作，他们也是梳理和学习如何更好的去理解和应用这项工作。换句话说，企业正在对自己在成熟度曲线上的实际位置和未来所面对困难处理的程度上做一个客观的分析和评估。而2017年涨幅的原因就像所有新兴技术一样，企业从一个普遍的兴奋期逐渐向理性、客观的状态转变。

我们在调查中的满意度数据上就可以看出，企业对2018年数据质量和可用性低于2017年。与2017年相比，2018年受访者对数据可用性的满意度平均降低了4%，对数据完整性的满意度降低了7%。在两年间，人们对数据可靠性的满意度也下降了5%。也许从这些数据上企业会认为大数据分析的必要性问题，但是我们认为，随着企业对数据分析实现的深入，他们会越来越意识到自身现有的数据问题，并对解决这些问题所需的努力和承诺的力度做出更好的理解。

理所当然的是，如果受访者对数据质量不满意，他们对数据分析结果的满意度也会降低。实际上，2018年的调查显示受访者对2018年大数据分析工作相对于2017年实现的收益的评估略有下降。在这两年中，调查受访者被要求使用七分制来量化他们的影响。已经从各个领域的大数据分析中实现，例如盈利能力，库存管理以及总体服务成本的可见性。得分1等于没有影响，7等于变革影响。图2显示2018年与2017年相比所有潜在收益的感知影响略有下降。

图二：大数据分析工作的平均实现收益

显然，如果受访者对他们的数据质量不满意，那么他们对自己的数据分析结果也不会满意。事实上，2018年的调查显示，与2017年相比，受访者对2018年大数据分析工作实现效益的评估略有下降。在这两年当中，我们通过使用一个7分制的量表来量化他们已经从大数据分析中实现的影响，这些内容包括盈利能力、库存管理和对总服务成本的可见性。1分代表没有影响，7分代表变革性的影响。图二显示了这两年的对比数据，可以看出所有潜在收益的感知影响都略有下降。

分析的数据类型很重要

在评估大数据分析实现的预期收益时，了解分析的类型有很多是至关重要的。对于调查，我们定义了一下几个不同类型的数据分析：

●描述：正在发生的事情

●诊断：为什么会这样

●预测：接下来会发生什么

●规范：应该怎么做

●认知：使用机器学习来告诉我们应该做什么或可以做什么

图三：每种分析的平均使用水平

受访者再次需要用一个7分制的量表来选择他们企业目前使用的每种类型的分析来说明他们供应链决策的程度（1分表示没有使用，7分表示大量使用）。平均而言，受访者对描述性分析的评分为4.61分（在“部分使用”和“经常使用”之间），对诊断性分析的评分为4.02分，对预测性分析的评分为3.16分（在“部分使用”和“偶尔使用”之间），对规范性分析的评分为3.56分，对认知性分析的评分为2.27分（“不经常使用”）参见图三。这些分数与去年相似，或者略低于去年。调查结果表明，在现实生活中的许多供应链中，复杂的分析类型仍然比基本的方法使用得少。

图四：分析类型与现实收益的关联性

通过对调查结果进行回归分析，企业使用的分析类型与他们报告所获得的收益之间存在显著的相关性。标注1通常，越复杂的分析往往与越广泛的结果相关联。在图四中显示了描述性分析的使用至于客户服务的改进相关。这一发现是有道理的，因为了解供应链中正在发生的事情，可以帮助企业在客户发现问题之前，更好地告诉他们所面临的问题。虽然诊断分析的使