供应链管理中的大数据运用

时间:2022-09-23 11:46:18

供应链管理中的大数据运用

摘要:随着供应链运营全球化、互联网化以及信息化的发展,数据已经渗透到每一个行业和业务职能领域,业已成为一个重要的生产因素,并且海量数据可以通过多种方式产生价值,因此,对于大数据的运用,就成为了企业获得竞争力以及获得供应链长远发展的战略。在这一背景下,企业在供应链运营过程中如何运用大数据,以及大数据如何帮助企业实现有效的供应链决策成为了目前供应链实践以及理论研究的重要趋势。基于此,文章系统介绍分析了影响大数据在供应链运用中的影响因素和具体作用。

关键词:大数据;供应链管理;研究展望

一、 引言

随着新兴信息技术以及应用模式的涌现,全球的数据量也呈爆发增长趋势。在数据管理中,存在三个维度的挑战,即数据量大(Volume)、数据类型繁多(Variety)以及数据增长快(Velocity)。另一些学者在3V的基础上发展了4V,但对第4个V却有不同的理解。国际数据公司(International Data Corporation,IDC,2011)认为,大数据应该具有价值性(Value),即指数据价值密度相对较低,这也就意味着如果数据增长但隐藏在数据背后的有用价值却没有呈比例增长,就会增加我们挖掘数据价值的难度。IBM则认为大数据还具有真实性(Veracity),也就意味着数据分析应建立在准确的数据之上,避免人为篡改或在传输中失真。虽然大数据成了近年来实践和理论研究的热点话题,但以往对于大数据的研究和预测性分析功能大多聚焦在对消费者数据分析、偏好预测分析等,而“大数据”在供应链中应用的研究却相对缺乏。如今供应链变得越来越复杂,企业要想保持自己的竞争优势,必须重视对于“大数据”的应用,工业研究咨询机构(Industry ARC)进行的研究指出,2018年全球供应链大数据市场将从2012年的大约4.3亿美元增长到37亿美元左右,2013年~2018年的年度复合增长率约为31.4%。Waller和Fawcett(2013)也指出,数据科学、预测性分析和大数据将会改变供应链的设计和管理方式,从不同的数据库获取信息来对供应链进行分析能够帮助供应链管理经理提高供应链的运营绩效,并且大数据还能促进企业间的信息协同,是企业的一种战略性资源。

二、 大数据在供应链运用中的影响因素

要在供应链运营和决策中有效的运用大数据,首先需要建立良好的大数据库,具备分析、整合大数据的能力。从研究的主要维度看,有关的研究和探索的问题主要围绕大数据的数据类型、数据质量、大数据分析技术以及大数据分析的人力资源等几个方面展开。

1. 大数据的数据类型。数据类型涉及到大数据的数据形态和获取的途径和方法,供应链中的大数据主要包括以下四种类型:(1)结构数据;(2)非结构数据;(3)传感器数据;(4)新类型数据。

结构数据指那些在电子表格或是关系型数据库中储存的数据,这一类型的数据只占数据总量的5%左右(Cukier,2010),主要包括交易数据和时间段数据。现在的大数据分析大多以这一类数据为主,其中重要的结构数据包括ERP数据,因为ERP系统中存储的数据是企业运转多年的系统积累的大量的行业数据,这些数据对于企业的经营决策和预测来说意义非常重大。

非Y构数据主要包括库存数据、社会化数据、渠道数据以及客户服务数据。尽管现在有大量的研究和报告在探讨数据和分析能力对供应链管理的重要性,但对于非结构数据,例如社会化数据对供应链的影响和作用的研究却相对缺乏。Natoli在2013年进行的行业调查中发现,尽管物流供应商、生产者以及零售商们都在借力于传统的供应链数据进行供应链的管理,但是参与调查的企业中,只有1%的企业参考了社交媒体数据。然而,社会媒体数据对于供应链运营管理的作用是十分重要的,如何利用社交媒体数据来指导企业进行供应链活动的规划(包括新产品的开发、利益相关者的参与、供应链风险管理以及市场探查等)以及社交媒体数据对供应链绩效产生影响的具体机制是我们下一步需要深入探讨的。而要想从内容丰富的非结构化数据中挖掘出商业智慧,就需要使用不同的研究方法和度量方式,包括描述性分析、内容分析以及网络分析等。

除了上述两种主要的大数据类型外,还有传感器数据和新类型数据。传感数据主要包括RFID数据、温度数据、QR码以及位置数据,这类数据增长很快,并能为供应链金融带来巨大商机;新类型数据主要有地图数据、视频数据、影像数据以及声音数据等,这类数据多用于可视化领域,并能够帮助提高数据质量,使数据的实时性更强、提高了数据分析的精准度。

2. 供应链大数据的质量。Dey和Kumar(2010)指出企业在进行大数据分析时,需要考虑数据的质量问题。低质量的数据不仅会影响企业的决策,甚至还可能导致企业产生损失。事实上,数据的有用性取决于数据质量,随着大数据重要性的跃升,对高质量数据的需求也增加了。

虽然现在对于数据质量评价还没有统一标准,但是大家一致赞同数据质量评价应包含多个维度指标。Lee等(2002)指出数据质量的评价应包括数据内在(Intrinsic)要求和情境(Contextual)要求。内在要求指数据本身所具有的客观属性,包括数据的准确性、及时性、一致性和完整性。情境指数据的质量依赖于数据被观察和使用的情境,包括关联性(Relevancy)、价值增值性(Value-added)、总量(Quantity)、可信度(Believability)、可及性(Accessibility)、数据声誉(Reputation of the Data)。

3. 供应链中的大数据分析技术。

(1)分析学。分析学是大数据分析的基础,它能帮助企业更好的基于事实做出决策,Davenport和Harris(2007)就指出,定量技术、预测模型等能提高企业的盈利能力。另外,大数据分析不仅能帮助我们获得新的见解,还有助于提高我们预测的准确性,但上述益处都是建立在数据挖掘和统计分析基础上。甚至可以说,大数据如果没有分析学对数据进行解析,数据也就仅是一堆“数据”,毫无价值。大数据需要分析学,但是要想让分析学崭露头角,拥有数据却是不够的,还得借助于分析工具。当然,分析学如果没有大数据作为研究对象,其也只是数学和统计的工具和应用方法罢了,无法发挥其对于企业的价值。

对于供应链风险的管理,主要包括事前、事中以及事后的管理,而大数据在这三方面都能发挥巨大作用。首先,大数据技术能使事前风险预判结果更加准确,因为大数据来源不仅包括企业本身产生的数据,还包括企业互联网或是移动平台获取的各种外部数据,而不同数据结合进行综合分析,结果更加可靠。其次,大数据技术能使企业的事中控制更加动态高效,因为大数据分析对于各类数据的整合有助于企业更好地掌握自身的行为模式,还便于其发现运营状态的变化规律,从而按照规律设置风险控制点以实现事中风险的动态管理。另一方面,大数据分析还能帮助企业识别异常情况,因为对于实时数据反复的迭代分析能够对于数据的模式产生一定的预期,而一旦某些数据出现异常,就能很快识别并采取一定应对措施。最后,大数据技术能为事后风险处置决策提供更好的支持,即使单个事件的发生具有偶然性,大数据有助于企业找出偶然性背后的必然性,由此企业便掌握了主动权,能够制定更加客观的风险处置决策。

四、 结论

本文对供应链管理中大数据的运用进行了梳理,认为如今学术界对于大数据在供应链中的应用研究相对稀少,落后于实践的发展,对于大数据对于供应链管理影响的具体机制以及大数据于供应链能力之间的交互作用缺乏深入理解。另外,目前的研究大多是描述性的,并且缺乏理论的支撑。本文认为未来对于大数据与供应链的研究应该沿着大数据运用的影响因素、大数据对供应链运营以及发展的影响这一研究路径继续。另外,实践问题应该和管理理论进行结合以深度挖掘问题中存在的本质,因此,未来的研究也需要强调与管理理论结合进行分析,将资源基础观、交易成本管、系统论等理论引入对大数据供应链的分析中,这定能椭加深对大数据在供应链管理中的价值的理解。

参考文献:

[1] Schoenherr T, Speier-Pero Cheri.Data Scie- nce, Predictive Analytics, and Big Data in Supply Chain Management: Current State and Future Potential[J].Journal of Business Logistics,2015,36(1):120-132.

[2] Wu Y, Cegielski C G, Hazen B T, et al. Cloud Computing in Support of Supply Chain Information System Infrastructure: Understa- nding When to go to the Cloud[J].Journal of Supply Chain Management,2013,49(3):25-41.

[3] 叶斌,黄文富,余真翰.大数据在物流企业中的应用研究[J].物流技术,2014,(8):22-24.

[4] 闫俊.大数据对速递行业发展的影响研究[J].物流技术:装备版,2013,(12):104-108.

[5] 相婷婷.电子供应链金融的技术支撑[J].电子测试,2013,(14):245-246.

[6] 薛锦辉.供应链金融应该如何运用大数据[J].中国外汇,2014,(18):36-37.

[7] 曹凌.大数据创新:欧盟开放数据战略研究[J].情报理论与实践,2013,36(4):118-122.

[8] 韩蕊.淘金大数据业务创新才能赢[J].互联网周刊,2013,(21):18-19.

[9] 李逸群,龙剑.大数据时代下战略性新兴产业的创新路径研究[J].消费电子,2013,(14):173-174.

[10] 宋华.中国供应链[M].北京:中国人民大学出版社,2015.

[11] Schlegel G L.Utilizing big data and pre- dictive analytics to manage supply chain risk[J].The Journal of Business Forecas- ting,2014,33(4):11-33.

基金项目:国家自然科学基金项目“产业供应链服务化条件下的服务外包决策与风险管理”(项目号:71272155)。

作者简介:成栋(1968-),男,汉族,陕西省西安市人,中国人民大学商学院教授、博士生导师,研究方向为物流管理和供应链管理、电子商务;陈思洁(1989-),女,汉族,重庆市人,中国人民大学商学院博士生,研究方向为供应链管理。

收稿日期:2017-06-06。

上一篇:国际物流课程教学模式创新研究 下一篇:用时尚激活非遗