供應鏈數據處理

供應鏈數據處理，在數字化時代，企業擁有越來越豐富的數據，數據分析逐步成爲從業人員的必備技能之一。所以在供應鏈管理領域，我們應該注重做好數據分析。以下分享供應鏈數據處理。

供應鏈數據處理1

供應鏈管理中，及時和準確的數據，爲什麼如此重要？

1 、供應鏈中數據的類型

數據有許多類型，其中有一種分類方法是把它分爲靜態和動態數據，前者包括了公司基本信息、產品型號、採購價格、BOM等等相對固定的信息。

後者主要是一些交易性的信息，比如生產線每日的產量、客戶訂單數量、倉庫實際收貨數量、運輸所在位置等等變動的信息。

靜態數據做到準確即可，沒有實時性的要求，比如公司的名稱一般不會發生變動，只需要確保公司地址、法人和開戶銀行等信息是正確的。

動態數據的要求就很高了，不僅要準確，還要能反映出每時每刻的實際情況。

大家都有網購的經驗，在商品出庫以後，快遞公司會每隔一段時間刷新包裹所在位置，這是通過車載GPS定位實現的，然後根據卡車配送計劃，大致上能給出派送的時間。通過一臺卡車上的GPS，可以跟蹤整車的貨物，這是1對N的關係，因此實現動態數據的成本並不高。

離散型製造業的情況就複雜多了，一件商品需要從原材料供應商開始追溯，進入工廠以後，需要經過若干個不同生產加工中心，然後完成組裝、檢驗，最終才能入庫，配送給下游的經銷商或零售商。

我們很少會在原材料上放置追蹤】定位裝置，除非這批貨物價值很高，或是有這方面的強制監管要求，比如藥品。

如果想要跟蹤生產進度，就需要使用工業4、0的技術，在每臺設備上裝傳感器，完成加工後，系統自動上傳數據。如果要在每臺生產和內部搬運設備上都安裝傳感器，對於一家工廠來說負擔太大，性價比不高，除了少數的行業標杆企業以外，對於大多數工廠來說，想要做實時數據的想法並不強烈。

2、 爲什麼供應鏈需要及時和準確的數據？

話雖如此，供應鏈對於數據及時和準確性是有很強的需求的，因爲我們要在所有的生產、分銷、採購和售後服務之間建立數據的無縫鏈接。除此之外，還有兩個關鍵因素使得我們必須獲得及時和準確性。

2、1增強供應鏈可視性

對於供應鏈上的玩家來說，關鍵的可視性問題包括了貨物的預計生產出貨時間，比如供應商承諾了30天交貨，但是實際上他需要45天，因爲一些原材料漲價了，供應商需要更多的時間在市場上找到貨源，他不願意買更貴的原料，因爲這會增加成本，除非客戶願意接受供應商的調價請求。

原料和零部件庫存的所處位置也屬於可視性，客戶需要根據這些信息，來安排後續的生產和銷售計劃，並且非常依賴於信息的準確性。當供應商承諾貨物將會在某日送到客戶工廠後，供應鏈就把這個信息輸入系統，並以此爲依據來制定生產計劃，銷售根據生產完成日期來通知客戶，環環相扣。

一旦供應商的信息有誤，貨物晚於承諾時間到達，就會影響到供應鏈下游的安排，所謂的“計劃趕不上變化”就發生了。

追蹤交貨期和庫存位置僅是可視性的初階水平，更深層次的要求是可以預警供應鏈中斷風險。根據現有的信息，我們需要判斷何時何地會出現缺貨，以及對生產和銷售的影響是什麼。

比如，生產線缺少某種零部件，所以會停線4個小時。如果每小時產量是100套產品，每套售價是200元，那麼造成的損失就等於4*100*200=80000元。

當然在現實世界中計算的方式更加複雜，某種原料的短缺會牽涉到N多產品和N多客戶。如果我們能增強可視性，就能夠預見到未來的潛在供應短缺，並能夠在第一時間裏作出反應。

要實現這點，就必須讓數據及時和準確地在供應鏈上下游之間自動傳輸，儘量減少人爲的干預的環節。

2、2提高計劃的有效性

預測計劃的重要輸入是歷史銷售記錄，以數據爲基礎，結合預測模型，制定出中長期的預測。

對於製造企業來說，財務需要供應鏈提供的輸入，來制定未來的商業計劃和各類預算，比如庫存、採購金額、運費等等。

底層數據的準確性非常重要，所有的計劃都是在這些數據的基礎上，配以數據模型，然後“加工”出來的。供應鏈會花費一定的時間在數據維護上，就是要確保基礎數據的準確性。

我們知道預測有一個定律，近期的準確性高於遠期的，就像是預測天氣一樣，天氣預報上關於明天的天氣是最準的，越往後準確性越低。

供應鏈爲了增強預測準確性，就需要拿到最新的數據，這樣做出來的計劃準確性就越高。現在的需求波動越來越頻繁，可能一天一個樣，想要做出最準確的判斷，必須用最新的數據。

3、 獲取及時和準確的數據的關鍵事項

考慮到以上的兩點動因，供應鏈一直在努力獲得最及時和準確的數據。這裏有幾個需要特別留意的點值得大家關注。

3、1自動化數據採集

如有可能的話，應該儘量在實時情況下收集、傳輸數據。數據存儲在供應鏈內部和外部的各個節點上，爲了提升數據可靠性和及時性，最好的辦法就是自動化採集。

在內部實施這點相對容易，只需要投資數字化工具，實施IT項目就可以實現。

在外部夥伴實施起來難度就高了，其中的最大阻力是害怕共享數據後的商業機密泄露。

供應商擔心客戶知道了他的上游供應商的信息，可能會跳過中間商，不讓他繼續賺差價。因此在做系統對接的時候，要確保只分享可以分享的數據，比如包裝規格之類的。

3、2控制對相關數據的訪問

根據使用者在公司中的職能，給予特定的數據訪問權限，比如採購訂單隻能由採購計劃員進行創建和修改，公司裏的其他人只有查看的權限。

對於外部夥伴也是一樣，客戶可以查看供應商的庫存商品數量信息，但他絕對不能訪問商品的成本分析等商業機密。

3、3努力提升、維護數據的準確性

我們需要不斷提升數據的準確性，其中關鍵在於數據採集和輸入。我們要定期維護數據，比如系統中庫存或是倒衝過賬出現了負數，說明某些地方的數據存在問題，流程可能有漏洞，需要我們找到問題點並且儘快處理掉。

數據是供應鏈的根基，爲我們制定各類計劃提供了基礎。實現準確和及時的數據雖然有點小貴，但是在供應鏈大中斷時期（the Great Supply Chain Disruption），投資必然能帶來相應的回報。

供應鏈數據處理2

如何看待供應鏈數據分析的三種經典思路？

（一）數學公式

“數學”在許多朋友聽來好像有點頭疼，但它是現代商業（也包括相關的各種數字化系統）運行的基礎。我們日常用到的各種KPI計算也都是數學公式。而一些經典的公式則滲透到供應鏈運作的各個環節，例如Littles law：

平均排隊長度 = 平均吞吐速率 * 平均排隊時間

這個公式可以應用於各種場合，例如：如果某商超櫃檯在一段時間內的客戶平均排隊時間是1分鐘，平均吞吐速率（服務能力）是每分鐘可以爲三名客戶完成服務，則我們可以通過兩者相乘，計算出這個櫃檯處的平均隊列長度是三人（當然，實時的隊列長度會有所波動。但時間越長，平均值估計越準確）。

數學公式的優點是：類似littles law這樣的經典公式，可以透過紛繁複雜的現象直擊問題本質。無論外界環境如何變動、人員工作方式如何、應用了什麼信息系統，類似的定律都成立。

由此我們可以更好地理解一些知名企業的管理實踐。例如，許多車企要求“儘可能縮短造車過程在廠內所耗的時間”，實質上就是要求縮短排隊時間，從而可以降低排隊長度（壓縮庫存），減少對企業資金的消耗和對場地的佔用。

數學公式的主要缺點是：供應鏈各個環節涉及的場景紛繁複雜，能夠用精確公式來測算的並不多，許多時候最多隻能用一個近似公式來估計。隨着現代供應鏈涉及的人員、設備、系統等要素越來越複雜，我們就不能只靠數學公式了。

（二）計算機算法

如果說數學公式的計算更多給人一種手工時代的“親切感”，那麼在數字化時代，我們會更多依賴算法的運行來解決問題。例如，對於全國範圍內電商物流的庫存佈置、每天跨區調動貨物的物流流向等，這種問題可能會涉及成千上萬個變量，最優的決策絕對不是靠人腦所能夠做出來的。

阿爾法狗打敗人類圍棋高手，就是一個最形象的例子：將來，我們在各行各業都會需要“阿爾法狗”，因此也會越來越需要（懂得行業知識的）算法工程師。

在算法的幫助下，供應鏈系統能夠發掘出的潛力是十分巨大的。例如，某農產品公司基於數字化系統和AI優化現有的供應體系，可以爲農業供應鏈帶來10%-15%的成本節約。某大型製造業企業應用算法來求解現有生產線資源的最優配置，實現了20%以上的效率提升。有個“不成文”的經驗說：如果一個供應鏈系統以前從未做過整體效率優化工作，那麼發掘出20%以上的降本增效空間是不難的。

計算機算法的優點是：能夠適應更加複雜、更加大規模的問題，在腦力勞動的層面實現“機器換人”。

其缺點在於：

1）受目前發展階段的制約，算法在很多場合還不能確保計算出結果。比如說，一個物流路徑優化算法，在80%的情況下能夠求出解，在20%的情況下求不出來 。 如果是這樣的話，離實戰應用的要求往往就有較大距離了，尤其是工業場景往往要求（接近）100%的可用性。

2）算法計算出結果的“可解釋性”往往較差。許多時候，我們只看到一個冷冰冰的數字，而不清楚背後的邏輯。這也是導致很多一線員工抵制算法工具的原因。所以，近年來供應鏈領域的一個趨勢是算法的“白盒化”，要讓用戶理解算法是怎麼計算出結果的，以及結果究竟好在哪兒（可以體現在一些關鍵的KPI）。

（三）仿真工具

仿真是比數學公式、算法更加直觀的一種思路。即：無論供應鏈實際場景是什麼樣，我們都儘可能將這個場景在計算機中模擬出來。現場有多少倉庫設施，我們就在數字世界裏描繪多少倉儲設施。現場的貨物分揀是什麼順序，我們就在數字世界裏按一模一樣的順序來分揀。最終，我們實現物理世界和數字世界的一一對應。

這樣，我們可以達到的效果是：只需要在電腦中對各種元素作排列組合，就可以預知實際世界會產生什麼效果。試錯的成本被大大降低了。

和供應鏈管理相關的仿真工具，至少包括下列一些類型：

- 模擬離散或連續流程製造的生產線。

- 模擬整個工廠內部的設備運行，包括設備和CAD, ERP等軟件的通信。

- 模擬AGV、自動化立體庫等智能裝備；

- 模擬長途物流網絡運行，包括相關的財務指標；

- 模擬短途配送物流，以及廠內/場地內物流。

仿真工具的優點是：

1）比較直觀和圖形化，在電腦屏幕上能直接看到各種方案及其運行的效果；

2）現代的'計算機仿真工具也在與時俱進，能夠把越來越多的元素都包括進來。例如：可以模擬AGV小車的充電過程、以及模擬最新的自動化立體庫運作的各種細節。

其缺點是：商業化的仿真軟件，價格往往較爲昂貴，並且能夠模擬的場景總的來說還是比較標準化的，各家公司的個性化特徵不一定能模擬得出來。

總的來說，仿真軟件的功能會越來越強大，以至於可以在數字世界“元宇宙”裏面真的複製出一條完整的供應鏈。到那個時候，也許我們不需要再去刻意“分析”供應鏈的性能，只要“觀察”就夠了。

因爲，所見即所得。

小結

常見的供應鏈數據分析工具，包括數學公式、計算機算法和仿真工具。

總的來說，三者能夠應對的場景是越來越全面，分析功能越來越強大。隨着我們擁有的算力越來越強大，筆者相信，仿真工具是最終極的解決方案。通過仿真模擬，我們真的可以對供應鏈系統做到“未卜先知”。

然而，這並不意味着數學公式和計算機算法是“無用”的。事實上，新一代的“元宇宙”仿真工具背後都有強大的算法在支撐，而算法的實質性進展又要依靠數學的進步。所以，這三者就如同金字塔的不同層級，每一層都爲更高層級的發展打下了基礎。

在未來的供應鏈運行中，前臺操作會變得更加簡單，或許只需要圖形化的簡單拖拽就能完成各種功能。而後臺的算法、架構支撐則會變得越來越複雜。也許這就是創新弄潮兒們的使命吧。用自己幕後的艱難工作，讓前臺用戶的體驗更加輕鬆、感受更加美好。

供應鏈數據處理3

數據驅動供應鏈採購

1、 背景

隨着技術的發展，現代生產模式逐漸從大規模批量生產轉向小批量個性化生產。企業產能過剩，市場定製化需求的增加，驅動了企業的管理運營模式的變革。對於供應鏈而言，更快的響應，更高的柔性，都對供應鏈從業者提出了更嚴峻的挑戰。隨着信息技術的不斷髮展，數據能夠在任何地方，任何地點被收集。

隨着德國的工業4、0戰略，中國的智能製造2025戰略規劃，美國的信息物理系統的提出，企業利用數據進行管理變革，文化變革已經成爲一種無法阻擋的必然趨勢，賦予企業新的活力。

回望中國的供應鏈採購發展歷史，中國採購行業經歷了3個階段。

在90年代，無數中小企業的崛起，帶來了大量的需求，而不成熟的市場讓採購工作處於簡單的“”買和賣“”的過程中，價格爲先的採購模式作爲主流引導採購市場的發展，民營企業的供應鏈採購模式在摸索中前進。

20世紀初中國加入WTO後，外資的大量涌入讓中西方供應鏈管理模式有了新的交流。國內企業不斷吸收外資企業中優良的採購流程，管理方法。中國逐漸與世界接軌並形成了一套物料尋源戰略，供應商管理流程。

2010年後，供應鏈採購不斷髮展。公司的整合擴張，出現了更多的全球採購管理模式，項目採購新模式等通過降低所有權總成本，達到供應鏈的整體優化。

直到最近幾年，人工智能，大數據算法的風潮席捲了各個行業。數字孿生概念的提出和5G技術的應用落地爲數字化供應鏈刻畫了雛形。在2019年工博會上，京東等公司展示了縱向供應鏈的一站式集成，海爾等製造業巨頭展示了智慧生產鏈的實時可視化，而這一切都是基於數據算法以及前瞻性的管理模式。

在中國，海爾，博世，西門子等行業獨角獸已經廣泛利用數據的力量推動行業變革。然而國內廣大中小型企業卻依然停滯在工業3、0甚至2、0時代，在激烈的市場博弈中苦苦掙扎，如何打破供應鏈僵局，促成中小企業的“數據變革”，將是一個不斷被挑戰的議題。

這部分企業往往擁有自己的ERP系統，然而由於缺乏系統性的認知與數據管理方法，企業對於系統中數據的利用只有不到10%。所以，大多數企業首先應該關注數據層的價值挖掘，然後根據實際需求往大數據的方向進行變革。

本文首先介紹了針對於小數據的處理流程，並提出了數據驅動供應鏈採購框架，列舉了其應用。最後，給出了製造業供應鏈採購的一個案例用以論證數據驅動供應鏈採購框架的合理性。

2、 供應鏈採購的數據處理模式

數據驅動供應鏈採購的數據處理模式

數據收集是一個重要的開頭。它定義了數據挖掘的方向。正確的數據收集，首先需要定義高層次的目標，然後不斷分解得到目標工作包。分解架構不僅清洗定義了數據收集的方向，並且對最後的數據可視化提供了清洗的目標定義。

數據清洗歷來被看作是一項“髒活”，例如重複，錯誤值，格式變化等，讓人頭疼不已。然而數據驅動的高效性取決於數據的質量，這裏我們僅關注小數據的清洗，因爲小數據的清洗已然能夠滿足80%協助決策的需要。在只有幾萬行到十幾萬行的數據量情況下，Excel這款最基礎，每臺電腦必有的數據處理軟件無疑最合適不過。

內置Power Query模組提供了界面友好的數據處理功能，面向工程師的M語言能夠很好處理不同數據清洗的需求以便滿足不同場合的需要。當數據量不斷增大，需求不斷增長，python, Spark等具備完整數據處理功能的軟件能夠滿足應用的需要。

數據可視化的方式紛繁多樣，但核心思想是可視化的數據界面要與面向的客戶羣需求所匹配。同樣，僅對結構化的數據而言，市面上的數據可視化軟件非常多，例如Microsoft Power BI, Tableau，甚至Excel都能夠成爲數據交互的有效手段。就表達形式而言，直方圖，散點圖，餅圖，折線圖等等構成了可視化界面下的基本要素。

如何取捨選擇，需要視企業的不同情況而定。舉個例子，一家制造業初創公司，企業沒有多餘的資源部署數據可視化模塊，且企業內大部分職工對數據可視化相關軟件所知甚少，至少80%基礎的統計錄入工作通過Excel實現，那麼此時對於數據可視化的最佳實踐無疑會是Excel這個幾乎每個人都用的表格。

數據分析是數據驅動的核心。數據本身不產生價值，但是當數據被分析後轉化成了信息，被用作了決策的促成劑，才產生了其獨特的價值。在生產過程中，數據是否在6個西格瑪內受控是作爲數據是否異常的標誌。對於供應鏈而言，數據的大幅波動，數據的持續走低或擡高，都可被當做一種採購因素變化的信號。在小數據分析中，如何深度挖掘數據的價值，不光要靠對於數據的敏感，更需要深厚的行業經驗與來自一線的反饋作爲基礎。

3、 數據驅動供應鏈採購的框架

爲了適應市場的波動變化和產品生命週期的快速迭代，矩陣，甚至項目制的企業組織模式越來越受到企業的歡迎，越來越多的產品被以項目化，串聯了企業價值鏈，完成全生命週期的管理。

供應鏈作爲職能支持體系中最貼近產品物料相關的一環，能否保證物料以合適的價格以正確的數量被在正確的時間運送到正確的地點，是一個產品，一個項目成功的關鍵。因此，信息流的透明化，數據的可視化就變得非常重要。

數據驅動供應鏈採購的框架

在數字驅動供應鏈採購的框架中，三個核心架構被建立。第一個是採購數據庫，第二個是採購-供應交互系統，第三個是供應商數據庫。

3、1 採購模塊

物流數據和採購數據被傳輸到採購數據庫中，通過數據處理，我們可以有效管理物料狀態，優化供應鏈採購決策。

3、2 採購-供應交互系統

訂單信息傳輸到供應商後，供應商的訂單處理狀況將通過採購-供應交互系統反饋至企業採購端，員工可以根據項目進度及需求有效管控供應鏈上供應商的訂單加工情況，使得供應鏈系統既具備高速的響應和一定的柔性。

3、3 供應商模塊

供應商的基本信息數據，物料供應相關數據被系統所收集並傳輸至數據庫中，基於歷史的交貨情況以及訂單響應，供應商的績效會被實時反饋，評估。將數據轉化成信息，通過數據分析，發現供應商的優缺點，有效驅動供應商提升績效。

4、 數據驅動採購的應用

4、1 數據驅動採購指導決策

“”沒有數據支持的採購決策永遠都是在盲人摸象”。數據能夠有效支持企業日常運維。在數據驅動的架構中。歷史採購數據，物料數據能夠幫助人們回答

（1）爲什麼選擇這個供應商？

（2）爲什麼是這個價格？這兩個關鍵問題。通過物料在途數據，分析供應商交貨壓力，合理外協產能分配。

通過地理位置數據與供應商庫存數據，協助決策最佳的響應實踐。通過歷史價格數據，採購數據等，可以有效追蹤價格合理性。通過歷史質量數據，與經驗教訓數據，規避供應鏈採購風險。多維度的數據支持用以優化採購決策，是提升供應鏈流暢性有效的“潤滑劑”。

4、2 數據驅動供應商生產

供應鏈上下游的信息交互是保證供應鏈流暢性的關鍵。上下游交互系統的建立，爲數據交互提供了一個有效的平臺。來自上游企業內部的訂單數據，物料數據，和來自供應下游的生產數據，物流數據被集成在系統中。任何供應鏈需求的變動會被及時的通知到供應鏈下游的生產，充分保證了供應鏈的響應。

4、3 數據驅動供應商績效

供應商的績效數據是供應商各方面能力的體現。供應商實時績效數據的反饋爲當今供應鏈提倡的“牧人”模式提供了基礎。質量，交期，響應，服務等關鍵指標決定了供應商不同的培養模式。

在節奏不斷加快的市場中，針對實時績效的供應鏈管理能及時判斷供應鏈的市場變化，並針對不同的情況作出響應。最後，供應商相關數據既可以在採購決策中被作爲支持推動決策優化，也能夠在供應商生產環節作出指導。形成了數據流動閉環。

5、 案例分析-以製造業N公司爲例

在案例分析中，本文以N公司爲例，在不增加額外資源的前提下如何增加供應鏈採購的驅動力，提升供應鏈採購的流暢性和服務能力。N公司所屬行業爲製造業，機械零件，電子元器件等是日常採購的目標。其中機械零件的生產加工往往需要經過車或銑，鑽，磨等常規加工過程，同時還要依賴二級供應商的熱處理以及表面處理。

爲了保證機械零件的質量水平，以及小規模多品種下的批量效應，機加工供應鏈戰略側重於於維持穩定的供應商數量及開拓新的供應商培養模式。

因此，正確的採購決策，有效的採購-供應信息交互，供應商績效提升是讓機械零件採購持續保持優質服務的三個核心點。企業有健全的部門職能機制，擁有ERP系統能夠將企業日常運營中產生的數據關聯至指定數據庫。在採購中，採購人員日常面對如下三個問題。如何選擇一家正確的供應商？如何通過準確且快速的信息交互服務於產品（項目）？如何持續改善供應商績效？

N公司利用ERP數據庫，在不添加其他額外模組的情況下，利用Excel辦公軟件對於不同數據源兼容性良好的特點，進行了良好的實踐。

ERP導出數據並與Excel關聯後，經過數據存儲，數據清洗，數據可視化等數據處理流程，將數據在質量，交期，價格，服務等方面做了有效分析，以驅動供應鏈績效改善。通過實時的數據分析，員工可以獲得所有采購相關的重要信息協助優化採購與供應商培養決策。在後續的供應鏈績效提升工作中持續提供強有力的支持。

6、 總結

數據引導變革，本文爲尚未有效使用利用內部數據的企業提供了一種實踐的方案。然而我們不僅僅要發揮數據的價值，更要在企業中培養數據意識，對數據抱有正確的認知。對於企業級數據，我們必須理解數據的“相對正確性”而不是它的絕對性，注重數據量指數增長產生結果背後的數據內在相關性。