摘要：大数据时代，数据已经成为最大的大宗商品，也是企业最有价值的资源。如何挖掘供应链的大数据资源，成为企业能否成功利用和获取大数据能量的关键。cscmp的调查报告揭示了企业正采取的策略，为中国企业实施供应链大数据分析提供了有价值的借鉴。
大数据时代，数据已经成为最大的大宗商品，也是企业最有价值的资源。企业如何挖掘供应链的大数据资源，成为能否成功利用和获取大数据能量的关键。
cscmp的调查报告，反映了美国企业在供应链数据挖掘方面所处的现状、面临的困惑和采取的策略，为中国企业实施供应链大数据分析提供了有价值的借鉴。
原文标题：《供应链中的大数据：如何应对数据浪潮？》，以下为编译的内容，本文有删节。
供应链中的数据量正呈指数级增长。企业也在付出努力，以期对可获得的信息进行更有效的利用。cscmp的调查报告揭示了企业正采取的策略，以驾驭大数据的能量。
技术的应用使得供应链组织可以从各种来源收集大量信息。供应链各网络节点、多元化的零售渠道、工业物联网，还有很多很多信息源，产生着数以十亿计的数据信息。
收集大量信息的目的，当然是对这些信息进行分析，以期获得创新和改进的机会。但是很少有公司能真正从它们积累的供应链数据中获得可持续价值。相反，他们正为如何确保数据的质量、如何分析数据、以及如何把从数据中学到的东西应用于实践而苦苦挣扎。
供应链管理专业协会（cscmp）的《供应链季刊》联合有关单位进行了一次大调查。参加调研组织的单位包括亚利桑那州立大学、科罗拉多州立大学、竞争洞察力公司（competitive insights llc）、哈灵顿咨询公司（lharrington group llc）。
本文给出了调查分析的基本结论。报告涉及的主要方面，包括企业对当前自身数据分析的满意度水平；企业数据挖掘和技术分析所采用的方法；管理日益庞大的供应链数据所面临的挑战和将来的收益；企业供应链数据分析的现状，以及近期内数据分析投资的重点。
企业对数据的满意度并不一致
调查于2017年6月进行，该调查通过电子邮件邀请供应链管理专业协会的《供应链季刊》的读者和竞争洞察力公司（competitive insights）时事通讯的用户参加调研。共收回126个完整的、可用的问卷，作为统计分析样本。
毫无疑问，大多数公司正在收集的数据量显着增加。当被问及过去三年来供应链数据的增长速度时，36％的人认为呈现中高速态势；38％的人认为高、或是非常高的。但是，情况往往如此，数量不一定等同于质量。
供应链经理对他们目前运行供应链的数据满意度如何？大部分受访者表示对供应链数据的可得性、可用性、完整性以及一致性至少是满意的。
然而，正向的结论（中等偏高，偏高或非常高的满意度）并不显著高于负面的数值（见图1）。
图1:企业数据满意度
有趣的是，只有极少数受访者表示对所有四个数据指标都非常满意，包括数据可得性（3％）、可用性（2％）、完整性（6％）和一致性（4％）。
竞争洞察力公司的首席执行官理查德夏普（richard sharpe）表示：
“数据相当于‘房子’的地基。调查结果清楚地表明，这个地基上存在着一些裂隙——企业在数据汇集能力、整合能力、对数据的信心、是否相信数据具有一致性等方面，都存在着分歧。为了利用大数据分析的优势，我们必须在这四个方面都做得更好。”
如果企业只对他们获得的部分数据感到部分满意，那么下一个逻辑问题就是：他们目前正在使用什么软件解决方案来收集这些数据?
显而易见，目前最常用的解决方案不是进阶分析法，也不是商业智能，更不是像仓库管理系统那样的可操点应用程序。虽然，市场上有很多复杂的分析软件，但目前用于管理供应链数据使用最广泛的工具却仍然是excel电子表格（图2）。
图2:分析技术类别
尽管公司依赖电子表格，但用户却认为它不是一个理想的数据管理工具。亚利桑那州立大学商学院的on半导体公司荣誉教授戴尔罗杰斯（dale rogers）说：
“我们的调查表明，在可用性、完整性和数据一致性方面，用户对excel都不满意。excel表格的问题在于每个人都建立他们自己的电子表格，这就导致了一致性的缺失，各部门之间不能实时共享，使得不同部门之间也很难完全相信已有的数据去做出跨部门的重大决策”。
调查还发现，大型公司毫无例外地大都采用erp系统来管理企业的财务。但对于供应链专业人士来说，erp有不足之处。
科罗拉多州立大学供应链管理专业的助理教授扎克罗杰斯（zac rogers）指出:“供应链的专业人员不太喜欢erp。很多人认为从erp系统中得出的数据对于实现他们目的而言并不是非常有用。”
他们认为erp系统过于僵化。他们也失去了用于支持供应链操作点解决方案所使用的粒度操作数据。就像对电子表格一样，他们并不信任erp数据——至少能像他们所需要的那样管理他们的供应链。
当谈到大数据分析时，供应链机构通常依赖以下五种基本工具：
·描述性工具—告诉你发生了什么
·诊断性工具—告诉你发生的原因
·预测性工具—告诉你即将发生什么
·规范性工具—告诉你应该/可以做什么
·认知性工具—利用机器学习，以此来告诉你应该做什么
调查结果显示，到目前为止，这五种工具中最广泛使用的是描述性分析工具。61%的调查对象表示使用这类分析工具。
此外，其他四种类型分析工具的使用频率远远低于描述性分析工具。根据调查，公司定期、频繁或大量使用以上基本工具的频率排序如下：诊断性工具42%，规范性工具36%，预测性工具31%，认知性工具18%（图3）。
图3:分析工具类别
对于仅限于使用描述性分析工具的供应链企业来说，不太可能在供应链数据应用方面取得很大进展。
夏普认为，
“采用描述性数据工具是绝对有必要的，但是它们仅仅有助于告诉你已经发生了什么，为了获得更深入的结论，企业需要采用其它类型的分析工具。”
然而，引入更高级的分析工具需要时间。从这一点来看，企业究竟在供应链大数据分析已经走了多远呢?在技术应用及获取回报方面已经有多成熟的应用呢？
答案是“并没有走太远”。调查给出的数据已经说明了这一点：
28%的公司处于“研发”阶段，正在开始采用一个或多个大数据分析工具。24％的公司处于“早期”阶段，正在进行概念验证测试以确定采用数据分析的收益和可能产生的负面影响。20%的公司没有进行供应链大数据分析。只有2%的公司认为自己在大数据应用方面是成熟的，也就是说，已经处于应用和收益的转型阶段。
关于供应链大数据分析成熟度的问题，还有一个有趣的发现：不仅不同的产业成熟度不同，在是否计划采用大数据分析方面也存在差异。
在等级为1-6的成熟度模型中，没有一种产业的成熟度能达到6。事实上，没有一个产业能达到最高的两个级别——“领先级”和“转型级”。
技术型产业成熟度水平最高是3.7，尚未达到“比较领先”的程度，而成熟度最低的生命科学类的企业，能进入“导入期”的成熟度只有2.3。
机械制造业成熟度略稍高于生命科学，第三方物流公司（3pls）和零售商的成熟度则介于“早期”和“研发期”之间，（其它行业没有显著的成熟度数值）。
在对这些排名进行分析时，夏普指出，有些产业对供应链数据分析价值的认知度较高，有些产业则对于走出传统的窠臼没什么兴趣。
比如说，尽管生命科学（也包括保健和制药）类的公司成熟度等级最低，但是这一行业对投资大数据分析给了非常高或比较高的优先级。
夏普说，“他们知道得迅速行动起来，因为这个行业更新换代很快，所以这类企业正在投资于供应链数据分析。”
阻碍与回报
如前所述，大多数公司仍处于供应链大数据分析的早期阶段。对于很多公司来说，并不是他们没有尝试。参与调查的企业给出了一系列的制约因素。
有些是技术的问题，比如分散的数据整合或者数据仓库建设的问题，已经成为一个比较大或者非常大的制约因素，47%的受访者反应了这个问题。
其他受访者反应的制约因素包括：需要对软件和硬件进行投资，用户对分析工具感到难以驾驭，安全性及其它风险（图4）。
图4:实施大数据分析的制约因素
大量的受访者认为比较大、或者非常大的其它制约因素包括商务管理的问题，而不是技术问题。
其中之一是获取人才和专业知识（41%）的难度，这可能与受访者认为分析工具难以驾驭密切相关。另一个是管理层的承诺和支持（44%）。同时，投资回报或价值的不确定性也是主要障碍，与前一种制约因素的比例相当（43%）。
罗杰斯认为：
供应链大数据分析这样的事情，通常是从上到下大幅度推动的事，但往往实施大数据分析计划是由中层的实际使用者提出来的，然后再向高层推销这个观点。我们已经发现，将大数据分析的概念推销给高层十分困难，他们根本不懂为什么需要投入时间和金钱搞这些东西。
已经实施了大数据分析的企业认为，在充分获取供应链数据价值的过程中，他们遇到了一些障碍。只有不到三分之二（64%）的人在某种程度上同意（略微同意、同意或强烈同意），传统体系中的数据捕获能力的不足，将会阻碍他们利用供应链数据价值的能力。
罗杰斯说：“我认为人人都期望能从供应链大数据分析中获益，但他们都没有看清路径，主要的问题来自于传统公司体系的制约，以及应对erp系统的难度。”
在很多情况下，供应链大数据分析的制约因素源于整合外部供应商数据以及企业内部部门数据的困难，难以确保数据的质量和一致性。
例如，67%的人认为，打破内部数据分割、获得当前没有整合或者分享的数据的困难，是制约他们从供应链和数据分析中获取价值的障碍。而71%的人认为，保证数据质量的一致性和完整性的困难也成为获取数据价值的制约因素。
尽管面临着这些挑战，受访者仍认为他们的付出已经取得了某些回报。当问及他们公司在供应链大数据分析获得多大程度的有利影响时，他们的回答在八个关键的方面有很大差异(图5)。
图5:大数据分析的正面影响
排在第一位的是盈利能力:89%的受访者认为，大数据分析对企业盈利能力已经至少产生了某些正面影响， 44%的受访者则反应大数据分析对企业利润产生了显著或者非常显著的影响。6%的受访者甚至认为，大数据分析对他们公司的盈利能力产生了巨大的影响。
在大数据分析的正面影响中，对客户服务和库存管理的正面影响也排在前面，分别达到47%和42%。迄今为止，大数据分析正面影响较小的领域包括供应链风险和韧性管理、端到端的总供应链协作和供应链总服务成本的影响。
研究发现，已经实现的收益与受访者所使用的分析工具类型之间具有很强的相关性。扎克罗杰斯说：“我们发现，采用描述性工具的那些企业，其结果大都是负面的。这意味着它没有起太大的作用。
相反的是，采用规范性工具和可诊断性分析工具的企业，其结果都是正向的。例如，使用更高级应用程序的公司反映，他们在供应链可见度、规划模型、风险管理和客户服务方面获得很多收益。
调查同时发现，预测性分析与端到端的供应链信息传递、供应链可视性、风险管理、需求计划以及供应链服务总成本等方面的收益，存在非常强的正相关性。
未来的计划和优先事项
最后一组问题是向受访者询问了他们未来的计划和优先事项。例如，调查问及公司在未来十二个月内在大数据分析项目方面的重点。
对于很多公司来说，打好基础、正确地掌握数据挖掘的基本原则有高或者很高的优先级。这其中包括提高数据的准确性（47％）、数据的可访问性（46％）、数据的可用性（45％）和数据的一致性（43％）。
尽管描述性分析工具对收益的影响不大，然而超过1/3的受访者计划进行适度的投资，23％的受访者计划对该技术进行大规模或者非常大规模的投资。
夏普说：“这并不是一件坏事，但是描述性分析工具只能提供‘后视镜中的画面’，对于受访者来说，更重要的问题是，我们要去做些什么呢？”
受访者给出了答案：对于可诊断性分析工具， 29％的受访者计划进行适度投资，22％的受访者计划进行大规模或非常大规模的投资；对于规范性分析工具，26％的受访者计划适度投资，25％的受访者计划进行大规模或非常大规模投资（图6）。
图6:近期投资重点
不管他们计划投资什么样的大数据工具，绝大多数受访者表示，他们希望在未来的12个月内，在图6所示的所有领域至少可以得到回报。
虽然很少有人预见到供应链对所有这些领域的变革性影响——供应链变革对盈利能力的影响度百分比低至7％，到对端到端供应链合作的影响度高达13％——受访者显然相信，他们的数据分析工作将在短期内得到回报。
超过一半的受访者表示，他们预计供应链数据分析�...