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。虽然诊断分析的使用与需求规划略有关联，并且与协作程度相关，但是没有发现与任何其他已实现的好处有关联。（所谓“轻微”我们的意思是，有90%以上的把握，而不是95%以上的把握）然而，预测分析可以与许多好处联系，比如需求规划、风险管理和协作方面的改进。

有些违反直觉的是，规定分析与这些已实现的好处没有任何相关。事实上，他于需求计划的改进呈轻微的负相关。当公司达到规定性分析的水平时，他们可能不仅对需求规划做出了一些改进，而且更加意识到自己的问题所在。如果没有更高级的分析能力，他们可能难以解决这些问题，而现在他们对这些问题有了更多的了解。从很多方面来看，这种负相关知识我们在2018年报告中看到趋势的一个缩影。企业开始实施更复杂的流程，并在此过程中开始认识到他们尚未克服的困难。

最后，我们发现最有帮助的分析类型是认知分析，与风险管理和生产力有很强的相关性，与客户服务、可见性和协作有轻微的相关性。换句话说，使用的分析类型越复杂、越有前瞻性，企业就会意识到更多的好处。

在调查企业用于执行分析的软件工具类型时，调查题型再次使用7分制（其中1分表示“不使用”，4分表示“某些用途”，7分表示“大量使用”）以衡量企业目前使用各种分析工具。这些工具包括：Microsoft

Excel或类似的电子表格程序；运营点解决方案（OPS），如仓库管理系统和运输管理系统，与企业资源规划（ERP）系统相关的高级分析工具和商业智能（BI）工具。与去年的调查结果一样，Excel电子表格程序是试用最广泛的分析工具，平均得分为5.80分，表示“频繁使用”。OPS平均得分4.64分，ERP和商业智能工具分别是3.97分和3.88分。

图五：软件工具和实现的利润之间的相关性

调查小组进行了多次分析以确定实现的有形大数据分析利益与这些平台的使用之间是否存在联系。（参见图五）虽然Microsoft Excel是这些平台中使用最广泛的，但它也是最不实用的。实际上，在使用Excel或OPS作为主要大数据分析平台，与客户服务、需求规划、风险管理、供应链可视性、协作或整体生产率等方面不存在任何切实改善的关联。这说明，很多企业现有的大数据分析是无效的。他们可能对目前的状态有所帮助，但是不是一个长久的使用工具。如果不改变方法，企业不太可能看到状态的改变。

相反，尽管ERP和BI系统是最少使用的平台，但回归分析表明他们是最有益的。ERP的使用与客户服务、需求计划、风险管理、库存管理、供应链可见性和增加盈利能力的实现有着显著的关联性。BI系统在客户服务、供应链核实性、端到端供应链协作以及整体生产力方面性能的改进提供了最佳解决方案。这些结果表明，要让大数据分析发挥作用，企业需要使用正确的工具。

希望在哪里？

尽管大多数受访者只实施了一些不太复杂的分析类型，但是他们对这些分析的结果都抱着很高的期望。根据报告显示，这些受访者通过大数据的分析和实践在预计未来12个月客户服务、供应链可视性、生产力以及盈利能力上都有显著的改善。但实际上，仅有40%的受访者计划在未来12个月之内对认知分析进行中等或非常大的投资，只有52%的受访者计划在预测分析方面进行大量投资。相比之下，近三分之二（63%）的受访者都在计划投资描述性的分析。

2018年的调查结果表明现实与预期结果之间存在脱节的状态。企业似乎将重点放在基础解决方案商，但是希望获得的是复杂解决方案的相关结果。

图六 实施大数据分析的障碍

尽管很多现象令人担忧，但是仍有希望。在调查中的受访者普遍表示，与去年相比，实施大数据分析的阻碍变得越来越少。在实施大数据分析中的障碍调查中，分为七个等级，其中潜在障碍从5（中等重要）和4（无显著或无意义）的平均分数下降到了4或3（中等无关紧要）之间的分数。（见图六）

在分析数据之后可以看到，管理支持是今年和去年之间的关键差异。拥有强大管理支持的企业不认为他们会投资额外的软硬件或将价值主张理解为大数据分析实施的重大阻碍。他们也不相信安全风险会阻碍大数据分析的采用。范围，他们认为大数据分析在实施当中人才的获取、整合孤岛式系统以及获得新工具的能力是最大的阻碍。

大数据分析计划获得越来越多的公司高管的重视，对于遇到困难或失误时继续推动成功的大数据分析计划至关重要。它还确保在未来所需工具、人员以及培训所需的资金支持。

前方的路

在调查结果中可以看到，虽然很多公司已经增加了大数据分析的项目，但是他们的大数据分析的满意度以及预期效果有所下降。企业似乎对开展和投资这项技术没有足够的信心。实际上，任何新兴技术的实施都会经历这个阶段，正如知名分析机构Gartner在其定义的“炒作周期”中所描述的那样。许多技术专家观察到，当引入新技术时，通常会有一段时间不断增长的炒作和建立期望。当技术最初没有达到比预定过高的期望时，Gartner经常会称之为“幻灭的低谷”在此期间，企业对技术的期望在没有达到预期或者过高的期望时就会迅速下面。然后，随着企业发现技术在实际应用当中的作用，期望再次上升。在接下来的时间，企业重新获得他们在幻灭的低谷中失去的一些期望，但他们再也没有达到炒作周期开始时所见的高度。许多企业似乎对大数据分析实施中遇到的阻碍和迷茫是在成长过程中必不可少的一部分。

大数据分析有可能进入“幻灭的低谷”，因为企业需要投入很大的时间和精力来进行清理数据和扩展其他类型的分析。同时为了获得更加可靠的数据，企业不仅需要自身拥有一个中央数据存储库，同时还需要寻找一个跨组织的合作伙伴进行数据的收集和分析。这样就需要建立一个合作机制，包括问责、可重复性工作以及主题验证等内容，同样还需要商务沟通的时间和谈判规则。为了帮助企业能够摆脱这种“幻灭的低谷”，请参阅文章下面的“建议最佳实践方法”。

企业也逐渐的认识到目前他们使用的分析工具不够复杂和完善，无法及时为他们提供明智的决策、准确和具体的见解。企业需要能够快速回答一下问题的解决方案：发生了什么？为什么会这样？如果我们要做出这种改变，会发生什么？这些工具需要能够跟踪所做更改的财务和运营影响。这些类型的解决方案是什么？企业需要投资新软件并解决变更管理流程的问题。同时他们还需要对自己的员工进行投资，确保他们具备使用这些系统所需要的技能。

虽然在技术引入的初期会遇到很多阻碍和问题，但是企业对未来的道路需要一个更为现实的评估。他们最了解他们的数据质量、可访问性所面临的差距以及他们现有工具的局限性、但是大数据分析与人工智能方法相结合，是目前最适合的解决方式。只要通过适当级别的高管支持和投资，企业可以得到他们所需要的有效数据，从而更有效地做出更好的决策。但是在这之前，企业必须做认知阶段的准备。

建议的最佳做法

从大数据分析中获取最大价值的能力是一个旅程。您可以通过遵循经过验证的最佳实践来加速公司的进展，这些最佳实践可以解决相关人员，所使用的流程和数据以及所使用的技术。

 人

在任何实施工作的早期阶段，让跨职能团队与销售，财务和市场营销的主要利益相关者参与进来。大数据分析可能揭示的解决方案或根本原因将影响多个领域，并不总是局限于供应链。同样，请务必与所涉及的其他功能分享任何成功。

将您的大数据分析工作与您公司的关键计划联系起来。使用这些工具来改进对您的业务至关重要的工具将有助于您在整个组织中建立动力并获得支持。

确保您拥有高级支持，并且理想情况下是您的大数据分析工作的项目支持者。如果您能够将其与财务业绩联系起来，那么获得这种支持将会更容易。

处理：

避免“一次性”单一设计工作。认识到大数据分析并不意味着是一个单一的项目。相反，您正在构建持续的组织能力。整合孤立的项目既昂贵又耗时。早期协调实施工作的成本将在未来取得成效。

有意识地关注特定分析工作的重点。清楚地传达大数据分析项目将寻求回答的问题以及关键利益相关者是谁。否则，您将面临范围蔓延的风险，项目范围扩大到无法管理且难以衡量的程度。

采用“爬行，走路，奔跑”的心态。首先从一个小型试点项目开始。尽早获得小规模，可实现的胜利将有助于为未来的大型项目创造动力。

衡量直接的财务影响。判断大数据分析项目成功与否的关键指标是它对底线的贡献程度。

数据：

就应使用哪些数据源获得跨职能组织共识。

确保使用最佳数据源，并确保数据本身特定且准确。这可能涉及在实施开始前几个月建立数据收集的标准操作程序。

拥有健全的数据治理和可重复的数据验证，以确保整个组织信任数据。

 技术：

设计解决方案跨功能使用。最终，大型数据分析应该应用于整个组织，超越供应链。确保您使用的技术牢记这一最终目标。

应用敏捷开发方法。当您在更多领域实施大数据分析并解决更多问题时，您的方法将会发生变化。确保您的技术可以轻松适应任何变化。

确保该技术具有可扩展性。