隨著科技的發展，供應鏈正逐漸轉型以擁抱工業4.0的變革，而大數據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。

　　亞馬遜使用大數據來監控，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品，然后根據預測結果預先將商品運送到最終目的地附近的倉庫，極大的優化了其供應網絡以及供應效率。

　　沃爾瑪每小時處理超過一百萬次客戶交易，會產生超過2.5PB的交易數據，這些交易數據都會存儲在數據庫中以支持用戶的購買行為分析等大數據分析，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（RFID）來標記貨物，RFID產生的數據量是傳統條形碼標注系統的100到1000倍，這些數據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網數據用以指導其全球化的物流網絡的重新規劃設計。

　　從以上案例我們不難發現這種催化效應的本質在于，大數據分析技術能夠將供應鏈每個環節產生的大量的、多源異構的數據整合到大數據平臺中，并基于機器學習算法、運籌學、人工神經網絡等分析技術對大量數據進行綜合分析，然后將分析結果輻射回供應鏈的各個環節中進行流程優化和決策指導，使得供應鏈從傳統的鏈狀模式，轉型為以數據為中心的網狀智能協同供應鏈。

　　然而，依然有許多傳統企業因沒有利用起大數據分析技術，導致其無法跟進全球化的供應鏈轉型，在工業變革面前裹足不前。本文從供應鏈流程中大數據的產生、數據的打通和整合，以及如何通過大數據分析進行決策指導三方面進行闡述，希望對想要利用大數據分析技術促進供應鏈轉型，卻望而生畏的企業有所幫助。

　　供應鏈中數據產生

　　人們經常提及大數據的概念，那么多大量的數據是大數據呢？關于這個問題并沒有一個明確的定義，但是人們經常用3V來描述大數據：

Volume：數據量的大小，顧名思義數據量越大越，越傾向于為大數據

Velocity：數據產生速度的快慢，數據產生速度越快，越傾向于大數據

Variety ：數據種類的多少，數據種類越繁多，數據結構越復雜，越傾向于大數據

　　經統計（Ivan Varela Rozados & Benny Tjahjono Research 2014），供應鏈中的全量數據主要有52種來源，除去我們所熟知的ERP、CRM等8種內部數據源（白色字體部分），還有44種外部數據源，從3V的角度劃分，其分布如圖所示：

　　這52種數據源，不僅包含我們所熟知的ERP、CRM等系統中的內部交易數據，更包含交通數據、地理位置GPS數據、天氣數據、社交媒體數據、以及工廠生產中機器所產生的實時數據等。這些數據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據。然而值得憂慮的是，SCM中80%對分析有價值的數據均為非結構化的數據（Roberts，2010），如：交通地圖數據、用戶反饋UGC（User Generated Contents）數據、新聞網絡中的輿情數據等等，均為圖像、文本等非結構化數據。

　　所以，無論從數據源的廣度，數據量的大小，以及非結構化數據的比重來看，現有SCM數據的處理對傳統的關系型數據庫而言都是很大的挑戰。而基于Hadoop生態的大數據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據的存儲和計算成為可能，而數據的獲得是我們對供應鏈進行大數據分析的重要基礎。

　　供應鏈中數據整合打通

　　那么，獲取數據后，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的交互，就會形成信息孤島，依舊沒有產生價值。所以，獲取數據后，至關重要的一步就是數據的整合和打通。數據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，物流就可以根據交通情況，天氣情況，訂單的分布情況及產品的生產情況等等，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其相關環節的信息進行實時優化，就達到了我們所說的智能協同供應鏈。那么，以上所提到的52種數據源，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據分析主要集中于四個主要環節：采購（Procurement）、倉儲和運營（Warehouse and Operations）、物流（Transportation）、需求鏈（Demand Chain）。以這四個環節為中心，對這52個數據源進行整合后，信息的流通和共享，變得一目了然。

　　供應鏈中的大數據分析

　　那么，從整合后的數據版圖不難看出，針對供應鏈的大數據分析或是針對采購、倉儲、物流和需求鏈四個環節本身進行分析，或是針對四個環節間的關聯部分進行分析。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和運輸，以達到“零庫存”的最佳狀態，這樣生產和庫存將均達到最優。

　　當然，絕對理想的情況在現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，宏觀經濟的變化，上下游產業的變化等等息息相關，而再引入大數據之前我們只有企業系統中的內部交易數據，無法準確描述需求的變化。

　　在我們引入大數據后隨之而來的是能夠準確刻畫市場的大量外部數據，我們可以將結合歷史銷售數據，經濟指標數據，產品輿情數據，上下游產業情況數據等等數據，通過自然語言處理從文本數據中提取特征，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，可以優化排產，降低庫存成本。那么如果市場對我們產品的需求不理想，我們怎么去改變現狀呢？我們下一代產品要如何改進，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據中去挖掘用戶的觀點和態度， 這對企業中所有部門都是有重要價值的：

研發部：了解真實的客戶需求和產品口碑，有針對性地進行新產品的研發和產品改進。

市場部：了解產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，更有效地制定產品推廣策略，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小時監測網絡中的熱門事件，第一時間發現重要輿情事件，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？首先通過網絡爬蟲技術從社交媒體、電商網站、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，并根據預警條件進行預警。

　　生產設備的預測性維護：

　　在設備被作為生產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，企業逐漸從被動式維修（即宕機后維修）轉變為主動式維護。如通過制定定期保養計劃，制定簡單保養策略，記錄保養日志等方式，周期性的對設備進行檢修，降低宕機停產的可能性。而后隨著設備的網絡化、智能化發展，企業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的保養計劃，在保證設備持續健康的情況下，降低設備運維成本；同時對于已發生的故障，能夠快速產生解決方案。

　　以往的預測性維修，主要依賴于行業專家的分析，去建立故障樹，按照故障樹的分支進行排查。當我們引入大數據技術后，我們有能力實時采集到機器運行中的各種參數數據來反應機器的運行狀態。那么我們就能夠根據歷史故障信息以及相關運行數據，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數據流，并根據參數值對機器是否會故障給出實時判定和相應告警。

　　結語

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