供应链数据处理
供应链数据处理，在数字化时代，企业拥有越来越丰富的数据，数据分析逐步成为从业人员的必备技能之一。所以在供应链管理领域，我们应该注重做好数据分析。以下分享供应链数据处理。
供应链数据处理1
供应链管理中，及时和准确的数据，为什么如此重要？
1 、供应链中数据的类型
数据有许多类型，其中有一种分类方法是把它分为静态和动态数据，前者包括了公司基本信息、产品型号、采购价格、BOM等等相对固定的信息。
后者主要是一些交易性的信息，比如生产线每日的产量、客户订单数量、仓库实际收货数量、运输所在位置等等变动的信息。
静态数据做到准确即可，没有实时性的要求，比如公司的名称一般不会发生变动，只需要确保公司地址、法人和开户银行等信息是正确的。
动态数据的要求就很高了，不仅要准确，还要能反映出每时每刻的实际情况。
大家都有网购的经验，在商品出库以后，快递公司会每隔一段时间刷新包裹所在位置，这是通过车载GPS定位实现的，然后根据卡车配送计划，大致上能给出派送的时间。通过一台卡车上的GPS，可以跟踪整车的货物，这是1对N的关系，因此实现动态数据的成本并不高。
离散型制造业的情况就复杂多了，一件商品需要从原材料供应商开始追溯，进入工厂以后，需要经过若干个不同生产加工中心，然后完成组装、检验，最终才能入库，配送给下游的经销商或零售商。
我们很少会在原材料上放置追踪】定位装置，除非这批货物价值很高，或是有这方面的强制监管要求，比如药品。
如果想要跟踪生产进度，就需要使用工业4、0的技术，在每台设备上装传感器，完成加工后，系统自动上传数据。如果要在每台生产和内部搬运设备上都安装传感器，对于一家工厂来说负担太大，性价比不高，除了少数的行业标杆企业以外，对于大多数工厂来说，想要做实时数据的想法并不强烈。
2、 为什么供应链需要及时和准确的数据？
话虽如此，供应链对于数据及时和准确性是有很强的需求的，因为我们要在所有的生产、分销、采购和售后服务之间建立数据的无缝链接。除此之外，还有两个关键因素使得我们必须获得及时和准确性。
2、1增强供应链可视性
对于供应链上的玩家来说，关键的可视性问题包括了货物的预计生产出货时间，比如供应商承诺了30天交货，但是实际上他需要45天，因为一些原材料涨价了，供应商需要更多的时间在市场上找到货源，他不愿意买更贵的原料，因为这会增加成本，除非客户愿意接受供应商的调价请求。
原料和零部件库存的所处位置也属于可视性，客户需要根据这些信息，来安排后续的生产和销售计划，并且非常依赖于信息的准确性。当供应商承诺货物将会在某日送到客户工厂后，供应链就把这个信息输入系统，并以此为依据来制定生产计划，销售根据生产完成日期来通知客户，环环相扣。
一旦供应商的信息有误，货物晚于承诺时间到达，就会影响到供应链下游的安排，所谓的“计划赶不上变化”就发生了。
追踪交货期和库存位置仅是可视性的初阶水平，更深层次的要求是可以预警供应链中断风险。根据现有的信息，我们需要判断何时何地会出现缺货，以及对生产和销售的影响是什么。
比如，生产线缺少某种零部件，所以会停线4个小时。如果每小时产量是100套产品，每套售价是200元，那么造成的损失就等于4*100*200=80000元。
当然在现实世界中计算的方式更加复杂，某种原料的短缺会牵涉到N多产品和N多客户。如果我们能增强可视性，就能够预见到未来的潜在供应短缺，并能够在第一时间里作出反应。
要实现这点，就必须让数据及时和准确地在供应链上下游之间自动传输，尽量减少人为的干预的环节。
2、2提高计划的有效性
预测计划的重要输入是历史销售记录，以数据为基础，结合预测模型，制定出中长期的预测。
对于制造企业来说，财务需要供应链提供的输入，来制定未来的商业计划和各类预算，比如库存、采购金额、运费等等。
底层数据的准确性非常重要，所有的计划都是在这些数据的基础上，配以数据模型，然后“加工”出来的。供应链会花费一定的时间在数据维护上，就是要确保基础数据的准确性。
我们知道预测有一个定律，近期的准确性高于远期的，就像是预测天气一样，天气预报上关于明天的天气是最准的，越往后准确性越低。
供应链为了增强预测准确性，就需要拿到最新的数据，这样做出来的计划准确性就越高。现在的需求波动越来越频繁，可能一天一个样，想要做出最准确的判断，必须用最新的数据。
3、 获取及时和准确的数据的关键事项
考虑到以上的两点动因，供应链一直在努力获得最及时和准确的数据。这里有几个需要特别留意的点值得大家关注。
3、1自动化数据采集
如有可能的话，应该尽量在实时情况下收集、传输数据。数据存储在供应链内部和外部的各个节点上，为了提升数据可靠性和及时性，最好的办法就是自动化采集。
在内部实施这点相对容易，只需要投资数字化工具，实施IT项目就可以实现。
在外部伙伴实施起来难度就高了，其中的最大阻力是害怕共享数据后的商业机密泄露。
供应商担心客户知道了他的上游供应商的信息，可能会跳过中间商，不让他继续赚差价。因此在做系统对接的时候，要确保只分享可以分享的数据，比如包装规格之类的。
3、2控制对相关数据的访问
根据使用者在公司中的职能，给予特定的数据访问权限，比如采购订单只能由采购计划员进行创建和修改，公司里的其他人只有查看的权限。
对于外部伙伴也是一样，客户可以查看供应商的库存商品数量信息，但他绝对不能访问商品的成本分析等商业机密。
3、3努力提升、维护数据的准确性
我们需要不断提升数据的准确性，其中关键在于数据采集和输入。我们要定期维护数据，比如系统中库存或是倒冲过账出现了负数，说明某些地方的数据存在问题，流程可能有漏洞，需要我们找到问题点并且尽快处理掉。
数据是供应链的根基，为我们制定各类计划提供了基础。实现准确和及时的数据虽然有点小贵，但是在供应链大中断时期（the Great Supply Chain Disruption），投资必然能带来相应的回报。
供应链数据处理2
如何看待供应链数据分析的三种经典思路？
（一）数学公式
“数学”在许多朋友听来好像有点头疼，但它是现代商业（也包括相关的各种数字化系统）运行的基础。我们日常用到的各种KPI计算也都是数学公式。而一些经典的公式则渗透到供应链运作的各个环节，例如Littles law：
平均排队长度 = 平均吞吐速率 * 平均排队时间
这个公式可以应用于各种场合，例如：如果某商超柜台在一段时间内的客户平均排队时间是1分钟，平均吞吐速率（服务能力）是每分钟可以为三名客户完成服务，则我们可以通过两者相乘，计算出这个柜台处的平均队列长度是三人（当然，实时的队列长度会有所波动。但时间越长，平均值估计越准确）。
数学公式的优点是：类似littles law这样的经典公式，可以透过纷繁复杂的现象直击问题本质。无论外界环境如何变动、人员工作方式如何、应用了什么信息系统，类似的定律都成立。
由此我们可以更好地理解一些知名企业的管理实践。例如，许多车企要求“尽可能缩短造车过程在厂内所耗的时间”，实质上就是要求缩短排队时间，从而可以降低排队长度（压缩库存），减少对企业资金的消耗和对场地的占用。
数学公式的主要缺点是：供应链各个环节涉及的场景纷繁复杂，能够用精确公式来测算的并不多，许多时候最多只能用一个近似公式来估计。随着现代供应链涉及的人员、设备、系统等要素越来越复杂，我们就不能只靠数学公式了。
（二）计算机算法
如果说数学公式的计算更多给人一种手工时代的“亲切感”，那么在数字化时代，我们会更多依赖算法的运行来解决问题。例如，对于全国范围内电商物流的库存布置、每天跨区调动货物的物流流向等，这种问题可能会涉及成千上万个变量，最优的决策绝对不是靠人脑所能够做出来的。
阿尔法狗打败人类围棋高手，就是一个最形象的例子：将来，我们在各行各业都会需要“阿尔法狗”，因此也会越来越需要（懂得行业知识的）算法工程师。
在算法的帮助下，供应链系统能够发掘出的潜力是十分巨大的。例如，某农产品公司基于数字化系统和AI优化现有的供应体系，可以为农业供应链带来10%-15%的成本节约。某大型制造业企业应用算法来求解现有生产线资源的最优配置，实现了20%以上的效率提升。有个“不成文”的经验说：如果一个供应链系统以前从未做过整体效率优化工作，那么发掘出20%以上的降本增效空间是不难的。
计算机算法的优点是：能够适应更加复杂、更加大规模的问题，在脑力劳动的层面实现“机器换人”。
其缺点在于：
1）受目前发展阶段的制约，算法在很多场合还不能确保计算出结果。比如说，一个物流路径优化算法，在80%的情况下能够求出解，在20%的情况下求不出来 。 如果是这样的话，离实战应用的要求往往就有较大距离了，尤其是工业场景往往要求（接近）100%的可用性。
2）算法计算出结果的“可解释性”往往较差。许多时候，我们只看到一个冷冰冰的数字，而不清楚背后的逻辑。这也是导致很多一线员工抵制算法工具的原因。所以，近年来供应链领域的一个趋势是算法的“白盒化”，要让用户理解算法是怎么计算出结果的，以及结果究竟好在哪儿（可以体现在一些关键的KPI）。
（三）仿真工具
仿真是比数学公式、算法更加直观的一种思路。即：无论供应链实际场景是什么样，我们都尽可能将这个场景在计算机中模拟出来。现场有多少仓库设施，我们就在数字世界里描绘多少仓储设施。现场的货物分拣是什么顺序，我们就在数字世界里按一模一样的顺序来分拣。最终，我们实现物理世界和数字世界的一一对应。
这样，我们可以达到的效果是：只需要在电脑中对各种元素作排列组合，就可以预知实际世界会产生什么效果。试错的成本被大大降低了。
和供应链管理相关的仿真工具，至少包括下列一些类型：
- 模拟离散或连续流程制造的生产线。
- 模拟整个工厂内部的设备运行，包括设备和CAD, ERP等软件的通信。
- 模拟AGV、自动化立体库等智能装备；
- 模拟长途物流网络运行，包括相关的财务指标；
- 模拟短途配送物流，以及厂内/场地内物流。
仿真工具的优点是：
1）比较直观和图形化，在电脑屏幕上能直接看到各种方案及其运行的效果；
2）现代的'计算机仿真工具也在与时俱进，能够把越来越多的元素都包括进来。例如：可以模拟AGV小车的充电过程、以及模拟最新的自动化立体库运作的各种细节。
其缺点是：商业化的仿真软件，价格往往较为昂贵，并且能够模拟的场景总的来说还是比较标准化的，各家公司的个性化特征不一定能模拟得出来。
总的来说，仿真软件的功能会越来越强大，以至于可以在数字世界“元宇宙”里面真的复制出一条完整的供应链。到那个时候，也许我们不需要再去刻意“分析”供应链的性能，只要“观察”就够了。
因为，所见即所得。
小结
常见的供应链数据分析工具，包括数学公式、计算机算法和仿真工具。
总的来说，三者能够应对的场景是越来越全面，分析功能越来越强大。随着我们拥有的算力越来越强大，笔者相信，仿真工具是最终极的解决方案。通过仿真模拟，我们真的可以对供应链系统做到“未卜先知”。
然而，这并不意味着数学公式和计算机算法是“无用”的。事实上，新一代的“元宇宙”仿真工具背后都有强大的算法在支撑，而算法的实质性进展又要依靠数学的进步。所以，这三者就如同金字塔的不同层级，每一层都为更高层级的发展打下了基础。
在未来的供应链运行中，前台操作会变得更加简单，或许只需要图形化的简单拖拽就能完成各种功能。而后台的算法、架构支撑则会变得越来越复杂。也许这就是创新弄潮儿们的使命吧。用自己幕后的艰难工作，让前台用户的体验更加轻松、感受更加美好。
供应链数据处理3
数据驱动供应链采购
1、 背景
随着技术的发展，现代生产模式逐渐从大规模批量生产转向小批量个性化生产。企业产能过剩，市场定制化需求的增加，驱动了企业的管理运营模式的变革。对于供应链而言，更快的响应，更高的柔性，都对供应链从业者提出了更严峻的挑战。随着信息技术的不断发展，数据能够在任何地方，任何地点被收集。
随着德国的工业4、0战略，中国的智能制造2025战略规划，美国的信息物理系统的提出，企业利用数据进行管理变革，文化变革已经成为一种无法阻挡的必然趋势，赋予企业新的活力。
回望中国的供应链采购发展历史，中国采购行业经历了3个阶段。
在90年代，无数中小企业的崛起，带来了大量的需求，而不成熟的市场让采购工作处于简单的“”买和卖“”的过程中，价格为先的采购模式作为主流引导采购市场的发展，民营企业的供应链采购模式在摸索中前进。
20世纪初中国加入WTO后，外资的大量涌入让中西方供应链管理模式有了新的交流。国内企业不断吸收外资企业中优良的采购流程，管理方法。中国逐渐与世界接轨并形成了一套物料寻源战略，供应商管理流程。
2010年后，供应链采购不断发展。公司的整合扩张，出现了更多的全球采购管理模式，项目采购新模式等通过降低所有权总成本，达到供应链的整体优化。
直到最近几年，人工智能，大数据算法的风潮席卷了各个行业。数字孪生概念的提出和5G技术的应用落地为数字化供应链刻画了雏形。在2019年工博会上，京东等公司展示了纵向供应链的一站式集成，海尔等制造业巨头展示了智慧生产链的实时可视化，而这一切都是基于数据算法以及前瞻性的管理模式。
在中国，海尔，博世，西门子等行业独角兽已经广泛利用数据的力量推动行业变革。然而国内广大中小型企业却依然停滞在工业3、0甚至2、0时代，在激烈的市场博弈中苦苦挣扎，如何打破供应链僵局，促成中小企业的“数据变革”，将是一个不断被挑战的议题。
这部分企业往往拥有自己的ERP系统，然而由于缺乏系统性的认知与数据管理方法，企业对于系统中数据的利用只有不到10%。所以，大多数企业首先应该关注数据层的价值挖掘，然后根据实际需求往大数据的方向进行变革。
本文首先介绍了针对于小数据的处理流程，并提出了数据驱动供应链采购框架，列举了其应用。最后，给出了制造业供应链采购的一个案例用以论证数据驱动供应链采购框架的合理性。
2、 供应链采购的数据处理模式
数据驱动供应链采购的数据处理模式
数据收集是一个重要的开头。它定义了数据挖掘的方向。正确的数据收集，首先需要定义高层次的目标，然后不断分解得到目标工作包。分解架构不仅清洗定义了数据收集的方向，并且对最后的数据可视化提供了清洗的目标定义。
数据清洗历来被看作是一项“脏活”，例如重复，错误值，格式变化等，让人头疼不已。然而数据驱动的高效性取决于数据的质量，这里我们仅关注小数据的清洗，因为小数据的清洗已然能够满足80%协助决策的需要。在只有几万行到十几万行的数据量情况下，Excel这款最基础，每台电脑必有的数据处理软件无疑最合适不过。
内置Power Query模组提供了界面友好的数据处理功能，面向工程师的M语言能够很好处理不同数据清洗的需求以便满足不同场合的需要。当数据量不断增大，需求不断增长，python, Spark等具备完整数据处理功能的软件能够满足应用的需要。
数据可视化的方式纷繁多样，但核心思想是可视化的数据界面要与面向的客户群需求所匹配。同样，仅对结构化的数据而言，市面上的数据可视化软件非常多，例如Microsoft Power BI, Tableau，甚至Excel都能够成为数据交互的有效手段。就表达形式而言，直方图，散点图，饼图，折线图等等构成了可视化界面下的基本要素。
如何取舍选择，需要视企业的不同情况而定。举个例子，一家制造业初创公司，企业没有多余的资源部署数据可视化模块，且企业内大部分职工对数据可视化相关软件所知甚少，至少80%基础的统计录入工作通过Excel实现，那么此时对于数据可视化的最佳实践无疑会是Excel这个几乎每个人都用的表格。
数据分析是数据驱动的核心。数据本身不产生价值，但是当数据被分析后转化成了信息，被用作了决策的促成剂，才产生了其独特的价值。在生产过程中，数据是否在6个西格玛内受控是作为数据是否异常的标志。对于供应链而言，数据的大幅波动，数据的持续走低或抬高，都可被当做一种采购因素变化的信号。在小数据分析中，如何深度挖掘数据的价值，不光要靠对于数据的敏感，更需要深厚的行业经验与来自一线的反馈作为基础。
3、 数据驱动供应链采购的框架
为了适应市场的波动变化和产品生命周期的快速迭代，矩阵，甚至项目制的企业组织模式越来越受到企业的欢迎，越来越多的产品被以项目化，串联了企业价值链，完成全生命周期的管理。
供应链作为职能支持体系中最贴近产品物料相关的一环，能否保证物料以合适的价格以正确的数量被在正确的时间运送到正确的地点，是一个产品，一个项目成功的关键。因此，信息流的透明化，数据的可视化就变得非常重要。
数据驱动供应链采购的框架
在数字驱动供应链采购的框架中，三个核心架构被建立。第一个是采购数据库，第二个是采购-供应交互系统，第三个是供应商数据库。
3、1 采购模块
物流数据和采购数据被传输到采购数据库中，通过数据处理，我们可以有效管理物料状态，优化供应链采购决策。
3、2 采购-供应交互系统
订单信息传输到供应商后，供应商的订单处理状况将通过采购-供应交互系统反馈至企业采购端，员工可以根据项目进度及需求有效管控供应链上供应商的订单加工情况，使得供应链系统既具备高速的响应和一定的柔性。
3、3 供应商模块
供应商的基本信息数据，物料供应相关数据被系统所收集并传输至数据库中，基于历史的交货情况以及订单响应，供应商的绩效会被实时反馈，评估。将数据转化成信息，通过数据分析，发现供应商的优缺点，有效驱动供应商提升绩效。
4、 数据驱动采购的应用
4、1 数据驱动采购指导决策
“”没有数据支持的采购决策永远都是在盲人摸象”。数据能够有效支持企业日常运维。在数据驱动的架构中。历史采购数据，物料数据能够帮助人们回答
（1）为什么选择这个供应商？
（2）为什么是这个价格？这两个关键问题。通过物料在途数据，分析供应商交货压力，合理外协产能分配。
通过地理位置数据与供应商库存数据，协助决策最佳的响应实践。通过历史价格数据，采购数据等，可以有效追踪价格合理性。通过历史质量数据，与经验教训数据，规避供应链采购风险。多维度的数据支持用以优化采购决策，是提升供应链流畅性有效的“润滑剂”。
4、2 数据驱动供应商生产
供应链上下游的信息交互是保证供应链流畅性的关键。上下游交互系统的建立，为数据交互提供了一个有效的平台。来自上游企业内部的订单数据，物料数据，和来自供应下游的生产数据，物流数据被集成在系统中。任何供应链需求的变动会被及时的通知到供应链下游的生产，充分保证了供应链的响应。
4、3 数据驱动供应商绩效
供应商的绩效数据是供应商各方面能力的体现。供应商实时绩效数据的反馈为当今供应链提倡的“牧人”模式提供了基础。质量，交期，响应，服务等关键指标决定了供应商不同的培养模式。
在节奏不断加快的市场中，针对实时绩效的供应链管理能及时判断供应链的市场变化，并针对不同的情况作出响应。最后，供应商相关数据既可以在采购决策中被作为支持推动决策优化，也能够在供应商生产环节作出指导。形成了数据流动闭环。
5、 案例分析-以制造业N公司为例
在案例分析中，本文以N公司为例，在不增加额外资源的前提下如何增加供应链采购的驱动力，提升供应链采购的流畅性和服务能力。N公司所属行业为制造业，机械零件，电子元器件等是日常采购的目标。其中机械零件的生产加工往往需要经过车或铣，钻，磨等常规加工过程，同时还要依赖二级供应商的热处理以及表面处理。
为了保证机械零件的质量水平，以及小规模多品种下的批量效应，机加工供应链战略侧重于于维持稳定的供应商数量及开拓新的供应商培养模式。
因此，正确的采购决策，有效的采购-供应信息交互，供应商绩效提升是让机械零件采购持续保持优质服务的三个核心点。企业有健全的部门职能机制，拥有ERP系统能够将企业日常运营中产生的数据关联至指定数据库。在采购中，采购人员日常面对如下三个问题。如何选择一家正确的供应商？如何通过准确且快速的信息交互服务于产品（项目）？如何持续改善供应商绩效？
N公司利用ERP数据库，在不添加其他额外模组的情况下，利用Excel办公软件对于不同数据源兼容性良好的特点，进行了良好的实践。
ERP导出数据并与Excel关联后，经过数据存储，数据清洗，数据可视化等数据处理流程，将数据在质量，交期，价格，服务等方面做了有效分析，以驱动供应链绩效改善。通过实时的数据分析，员工可以获得所有采购相关的重要信息协助优化采购与供应商培养决策。在后续的供应链绩效提升工作中持续提供强有力的支持。
6、 总结
数据引导变革，本文为尚未有效使用利用内部数据的企业提供了一种实践的方案。然而我们不仅仅要发挥数据的价值，更要在企业中培养数据意识，对数据抱有正确的认知。对于企业级数据，我们必须理解数据的“相对正确性”而不是它的绝对性，注重数据量指数增长产生结果背后的数据内在相关性。
【供应链数据处理】相关文章：
供应链是什么05-18
完整的供应链05-18
供应链分析方法05-18
供应链的流程分析05-18
药品供应链是什么05-18
供应链分析怎么写05-18
数据供应链是什么05-18
供应链的数据分析05-18
论文供应链数据分析05-18
怎么做供应链分析05-18
