《供应链大数据：理论、方法与应用》 习题及答案

习题答案第一章供应链大数据概述一、思考题1.大数据具有哪些特征？答：（1）数据量大（Volume）第一个特征是数据量大。大数据的起始计量单位至少是P（1000个T）、E（100万个T）或Z（10亿个T）。（2）类型繁多（Variety）第二个特征是数据类型繁多。包括网络日志、音频、视频、图片、地理位置信息等，多类型的数据对数据的处理能力提出了更高的要求。（3）价值密度低（Value）第三个特征是数据价值密度相对较低。如随着物联网的广泛应用，信息感知无处不在，信息海量，但价值密度较低，如何通过强大的机器算法更迅速地完成数据的价值“提纯”，是大数据时代亟待解决的难题。（4）速度快、时效高（Velocity）第四个特征是处理速度快，时效性要求高。这是大数据区分于传统数据挖掘最显著的特征。在现今的社会，大数据的应用越来越彰显他的优势，它占领的领域也越来越大，电子商务、O2O、物流配送等，各种利用大数据进行发展的领域正在协助企业不断地发展新业务，创新运营模式。有了大数据这个概念，对于消费者行为的判断，产品销售量的预测，精确的营销范围以及存货的补给已经得到全面的改善与优化。（5）真实性（Veracity）第五个特征是数据的真实性。具体指数据的准确性和可信赖度，即数据的质量。2.与传统供应链相比，智能供应链具有哪些特征？答：（1）智慧供应链技术的渗透性更强基于智慧供应链，供应链管理和运营者会系统地主动吸收包括物联网、互联网、人工智能等在内的各种现代技术，主动将管理过程适应引入新技术带来的变化。（2）智慧供应链可视化、移动化特征更加明显智慧供应链更倾向于使用可视化的手段来表现数据，采用移动化的手段来访问数据。（3）智慧供应链注重人机系统协调性在主动吸收物联网、互联网、人工智能等技术的同时，智慧供应链更加系统的考虑问题，考虑人机系统的协调性，实现人性化的技术和管理系统。3.供应链大数据主要有哪些构成？答：供应链大数据的主要构成有：采购中的大数据、生产制造中的大数据、物流中的大数据、销售中的大数据和供应链金融中的大数据。（1）采购中的大数据采购环节主要指货源或购货，指负责从供应商处购买商品和服务的一切活动及过程。尽管营销在处理消费者问题方面发挥着主要作用，货源才是在供应环节发挥主要作用的一步。（2）生产制造中的大数据生产制造负责创造产品和服务。生产制造在企业运营中发挥着传输作用，将企业的投入转化为最终商品。这些投入包括原材料、科技、信息、人力资源（比如工人、员工、经理）以及技术设施（比如建筑和设备），制造的产出是企业生产的产品和服务，涵盖了各行各业。（3）物流中的大数据物流是指在供应链中，将产品在规定时间内运送到指定地点的业务。物流使产品在供应链中得以流动和存储，与之相关的决策包括计算库存、协调调配原材料、安排配送路线以及货运。大数据分析在物流这一领域应用于优化仓储、补充库存、配货中心最优化选址以及运输成本最小化这些方面。（4）销售中的大数据供应链中的销售环节是指市场营销，它将企业与消费者联系起来，确定消费者需求，促进新兴产品消费以及发现市场机遇。（5）供应链金融中的大数据供应链金融是运用供应链管理的理念和方法，为相互关联的企业提供金融服务的活动。4.应用供应链大数据有哪些价值与作用？答：（1）判断需求方向和需求量供应链上的企业，存在着紧密的关联关系。终端消费量的变动，必然会引起上游各环节的变动。大数据时代，大数据可帮助我们判断一系列变动的规律。同时，我们还可以把一定时期内的流通和消费看作是一个常量，而在地区、方向、渠道、市场的分配作为变量。（2）目标客户资信评估利用供应链金融中的大数据，可以对客户财务数据、生产数据、电水消耗、工资水平、订单数量、现金流量、资产负债、投资偏好、成败比例、技术水平、研发投入、产品周期、安全库存、销售分配等进行全方位分析，信息透明化，能客观反映企业状况，从而提高资信评估和放贷速度。只看财报和交易数据是有风险的，因为可能造假。（3）供应链企业风险分析、警示和控制大数据的优势是行情分析和价格波动分析，尽早提出预警。行业风险是最大的风险，行业衰落，行内大多企业都不景气。多控制一个环节、早预见一天，都能有效减少风险。（4）提供精准金融与物流服务利用供应链金融大数据分析企业贷款时间、期间、规模、用途、流向、仓储、运输、代采、集采、货代、保兑、中介、担保一体化运营等经营状况，进而提供精准金融服务与物流服务。二、讨论题1.通过调查了解，介绍供应链大数据在现代供应链管理中的应用场景？答：一是促进制造业企业生产装备与工艺智能化，推动智能装备及其零部件生产向数字化、网络化、智能化转变；二是推进供应链全链条管理数字化，支持核心企业加强全链条数据管理，实现供应链透明管理，支持重点行业打造供应链数字创新中心，为行业提供监测分析、大数据管理、质量追溯、标准管理等公共服务；三是推动供应链决策智慧化，推动一批能够参与全球竞争的跨行业跨领域工业互联网平台创新发展，建设一批面向特定行业的企业级工业互联网平台，建设以工业互联网平台为核心的数字化供应链服务体系。2.结合智能供应链的主要实现技术，讨论这些技术是如何应用于智能供应链中的？答：（1）销售点数据：在门店实时获取的销售点数据包含着大量的客户信息、包括数量、价格、折扣、使用优惠券等，它们能够用于管理供应链。除此之外，数据还记录了地点信息，既可以用于确认流通的商品种类和流通速度，又能用于地理分析和区域本土化研究。（2）射频识别技术射频识别技术在工业领域被广泛用于辨识和追踪商品。举例来说，在生产中与汽车相连的射频识别标签能够在流水线上追踪汽车；制药厂能够运用射频识别在配货中和仓库追踪产品。射频识别技术还能够用于库存添置，确保每一件货物都能各就各位。用射频识别标签读取仓库中的托盘，无论标签位于产品的什么位置，都能够确认、清点商品，记录其位置。射频识别技术正慢慢地渗透到供应链的各个环节，是供应链管理智能化的一种无形驱动力。三、案例分析1.BlueYonder的人工智能供应链管理平台可以为企业提供哪些服务?答：（1）可按需提供自动化的供应链管理功能，引导并使企业的业务领先于市场变化。并通过供应链管理（JDASCM）平台，加速企业生产目标实现，并协助企业精确制定供应链策略。（2）能更快地响应消费者需求信号、认知洞察和智能决策，在云系统、现场解决方案和边缘应用等方面为客户提供全方位的无缝体验。2.BlueYonder与微软Azure的强强联合，对于智能供应链的形成有何价值和意义？答：BlueYonder与微软Azure在智能供应链服务上优势互补，BlueYonder的核心解决方案及其数字化履行平台可帮助用户全面实现计划、执行、平台和零售流程的数字化交付，而通过微软的AIML技术驱动供应链端到端的可视化流程梳理优化和管控能力优化，并通过强大的扩展能力和广泛的增值合作商体系构建量体裁衣的解决方案。

第二章供应链大数据平台一、名词解释1.供应链大数据平台：供应链大数据平台（SCBD）以“数据可视”“提质增效”为目标，通过供应链大数据采集、分析、应用，用数据指导公司经营决策，实现精益化管理与可持续发展目标。2.供应链大数据交易平台：撮合性质、自营性质，以及一些线下业务转到线上的在线业务3.供应链大数据交付平台：供应链大数据服务B2B平台4.供应链大数据金融平台：供应链大数据金融B2B又分为自营型和撮合型，自营型就是平台有钱，平台公司通过平台作为资产流量入口，撮合型则是资金方入驻平台，然后让资产与资金对接，平台本身不参与资金。二、简答题1.大数据在供应链中的主要应用有哪些？答：计划：更准确地预测产品需求。采购：实时评估供应商绩效并识别隐藏成本。生产制造：最大化资源和产量。物流：在效率、准确性和速度方面有所提高。退货/回收：降低退货成本并提高流程可见性。2.与传统供应链运营相比，供应链大数据运营具有哪些优势？答：传统的供应链数据分散，各部门之间协作存在障碍，而数字供应链支持多个内部和外部系统以及人员之间的协作，为减少或消除“数据孤岛效应”创造了机会，即信息被存储在单独的、孤立的信息系统中，实现统一、共享的供应链视图，加快跨部门和跨贸易合作伙伴的可见性和协作。3.企业如何根据其供应链大数据运营所处的阶段来选择适合自己的团队组织架构？答：要让数据发挥价值，首先要处理大数据，要能够共享、集成、存储和搜索来自众多源头的庞大数据。而就供应链而言，这意味着要能够接受来自第三方系统的数据，并加快反馈速度。其整体影响是增强协同性、加快决策制定和提高透明度，这对所有相关人员都有帮助。传统供应链已经在使用大量的结构化数据，企业部署了先进的供应链管理系统，将资源数据，交易数据，供应商数据，质量数据等等存储起来用于跟踪供应链执行效率，成本，控制产品质量。4.影响大数据运营平台的因素有哪些？答：（1）大数据治理体系发展情况，目前，我国尚无真正意义上的数据管理法规，只在少数相关法律条文中有涉及数据管理、数据安全等规范的内容，难以满足快速增长的数据管理需求。（2）核心技术发展，数据规模高速增长，现有技术体系难以满足大数据应用的需求，大数据理论与技术远未成熟，未来信息技术体系将需要颠覆式创新和变革。（3）融合应用程度，我国大数据与实体经济融合不够深入，主要问题表现在：基础设施配置不到位，数据采集难度大；缺乏有效引导与支撑，实体经济数字化转型缓慢；缺乏自主可控的数据互联共享平台等。5.供应链企业开展大数据治理的内容包括哪些方面？答：（1）大数据驱动供应链数字化转型加速大数据驱动供应链，技术带来新的革命。数字化供应链是经济社会发展到一定阶段的必然产物，是未来供应链创新的基本方向。谁能够在数字化供应链领域领先发展，谁就领先了全球供应链，甚至全球经济。有效的数字化供应链能够推动企业收入增长、采购成本下降以及供应链成本大幅降低。（2）供应链大数据平台开放、融合，产业边界外延供应链系统完善的核心企业向供应商开放供应链；企业间供应链融合，多样化产品的销售链融合在一个平台；供应链大数据的市场边界从标准化的数据产品逐渐拓宽到基于数据的增值服务。（3）供应链平台生态圈出现，中小企业协同发展以供应链为平台形成的商业生态成为新型的商业模式：依附于供应链的中小企业协同发展，拥有供应链资源的企业将更加注重进行资源平台的建设。三、讨论题1.通过调查了解，介绍大数据平台在智慧供应链中的应用场景？答：举例：精确的需求预测。需求预测是整个供应链的源头，整个市场需求波动的晴雨表，销售预测的灵敏与否直接关系到库存策略，生产安排以及对终端客户的订单交付率，产品的缺货和脱销将给企业带来巨大损失。企业需要通过有效的定性和定量的预测分析手段和模型并结合历史需求数据和安全库存水平综合指定精确的需求预测计划。如汽车行业，在应用数据分析平台进行精准预测后，可以及时收集何时售出、何时故障及何时保修等一系列信息，由此从设计研发、生产制造、需求预测、售后市场及物流管理等环节进行优化，实现效率的提升，并给客户带来更佳的用户体验。2.通过资料收集与整理，思考并探讨供应链大数据平台发展如何为推进供应链创新与应用战略提供支撑？答：供应链大数据平台可迅速高效地发挥数据的最大价值，实现供应链系统全流程贯通，是智慧/数字化供应链的运作依托，是打造智慧供应链生态系统的核心要素。借助数字化供应链平台，产业在地理空间和虚拟平台叠加融合，融通大中小不同规模企业，商业、服务业等不同功能形态的企业，上中下游全产业链企业，形成更具有影响力的产业组织，保障核心企业供应，提升中小企业的市场开拓能力。

第三章供应链大数据分析基本方法一、名词解释1.数据预处理：一种供应链领域下在不使用传统随机理论进行数据分析的情况下对供应链数据进行集成分析和处理的方法。2.聚类分析：根据在数据中发现的描述对象及其关系的信息，将数据对象分组。3.数据可视化：将数据转换成图或表等，以一种更直观的方式展现和呈现数据。4.预测：是指人们利用已经掌握的知识和手段，预先推知和判断事物未来发展状况的一种活动。5.机器学习：计算机利用经验改善系统自身性能的行为。二、简答题1.什么是数据预处理方法，如何理解数据预处理的作用？答：是指一种供应链领域下在不使用传统随机理论进行数据分析的情况下对供应链数据进行集成分析和处理的方法，主要是在数据处理方面面临挑战。由于实际的生产和寿命，会生成并存储大量数据，这些数据可以表征该过程。数据预处理的目的是数据预处理过程能够提升分析结果的准确性、缩短计算过程。2.什么是关联分析？答：关联分析（AssociationAnalysis）是一种常用的挖掘算法，用来挖掘数据之间的内在关联。3.请提出预测方法的类型和适用性？（1）定性预测法介绍1）专家会议法及德尔菲法这两种方法都是依赖于专家的判断来做预测，具有很强的主观性。所以其有效性很很受限于专家的专业水准，所以实用性和可靠性比较差。德尔菲法不同的是，没有面对面的会议过程，专家都是匿名做出各自的判断的。2）类推预测法类推预测根据对比对象的差异，有产品类推、地区类推、国际类推、行业类推、更新换代类推等。根据已知的产品的市场表现来预测类似新产品可能的市场表现，或者是根据某产品在A地区市场表现来预测该产品在B地区时可能的市场表现。但是事件的相似性都是有限的，不同事件间受到很多不同因素的影响，所以类推预测不是一种很严格的预测方法，效果有限。（2）定量预测方法1）趋势外推预测方法趋势外推预测方法是根据事物的历史和现实数据，寻求事物随时间推移而发展变化的规律，从而推测其未来状况的一种常用的预测方法。趋势外推预测法主要利用描绘散点图的方法(图形识别)和差分法计算进行模型选择。主要优点是：可以揭示事物发展的未来，并定量地估价其功能特性。趋势外推预测法比较适合中、长期新产品预测，要求有至少5年的数据资料。2）回归预测方法回归预测方法是根据自变量和因变量之间的相关关系进行预测的。自变量的个数可以一个或多个，根据自变量的个数可分为一元回归预测和多元回归预测。同时根据自变量和因变量的相关关系，分为线性回归预测方法和非线性回归方法。回归问题的学习等价于函数拟合：选择一条函数曲线使其很好的拟合已知数据且能很好的预测未知数据。3）卡尔曼滤波预测模型卡尔曼滤波是以最小均方误差为估计的最佳准则，来寻求一套递推估计的模型，其基本思想是：采用信号与噪声的状态空间模型，利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值。它适合于实时处理和计算机运算。卡尔曼滤波器问题由预计步骤，估计步骤，前进步骤组成。4）组合预测模型组合预测法是对同一个问题，采用多种预测方法。组合的主要目的是综合利用各种方法所提供的信息，尽可能地提高预测精度。根据经验，采用不等权组合的组合预测法结果较为准确。5）BP神经网络预测模型BP网络（Back-ProPagationNetwork）又称反向传播神经网络，通过样本数据的训练，不断修正网络权值和阈值使误差函数沿负梯度方向下降，逼近期望输出。它是一种应用较为广泛的神经网络模型，多用于函数逼近、模型识别分类、数据压缩和时间序列预测等。4.机器学习最终可以实现哪些优化功能？答：（1）提高算法性能：通过优化模型参数、调整模型结构或改进算法设计，提高算法在特定任务上的性能。（2）数据预处理：对原始数据进行清洗、去噪、特征提取等操作，提高数据的质量和可利用率。（3）模型选择：根据特定的任务和数据特性，选择合适的模型算法，以达到更好的预测效果。（4）参数调整：通过对模型参数的调整，优化模型的性能，提高预测精度。（5）模型训练：通过优化训练策略、调整学习率、增加正则化等手段，提高模型的训练效率和效果。（6）模型评估：通过交叉验证、ROC曲线等评估指标，对模型的性能进行客观全面的评估，找出最优的模型和参数配置。（7）结果解释：通过对模型结果的分析和解释，提供更易于理解和应用的预测结果和决策建议。（8）自适应更新：通过在线学习、增量学习等机制，使模型能够根据新数据自动更新和优化，保持与数据变化同步。三、讨论题1.如何考虑数据输出UI的功能？答：（1）通过定义信息层级，让用户清楚什么是最重要的。在左上角显示更重要的信息，沿着对角线方向，信息的重要程度应该依次减弱，右下角的信息重要性最弱。（3）还可以将信息划分为不同类别，并在不同的视图中显示它们。

第四章销售大数据一、名词解释1.物品编码：是指按一定规则对物品赋予易于计算机和人识别、处理的代码。2.GS1系统：GS1系统为在全球范围内标识货物、服务、资产和位置提供了准确的编码。这些编码能够以条码符号来表示，以便进行商务流程所需的电子识读。该系统克服了厂商、组织使用自身的编码系统或部分特殊编码系统的局限性，提高了贸易的效率和对客户的反应能力。3.差别定价：是指企业用两种或多种价格销售一个产品或一项服务，尽管价格差异并不是以成本差异为基础得出的。4.精准营销：精确、精密、可衡量的营销方式。5.源数据：是指临床试验中的原始记录或其核证副本上记载的所有信息。二、简答题1.企业销售数据包括哪些内容？答：企业中的销售数据可以根据来源分为两类：内部数据和外部数据。其中内部数据包括库存数据、生产数据以及财务数据等；外部的数据包括消费者销售数据、市场份额数据、竞品销售数据等。根据销售数据的主体的不同，可以分成整体销售数据、品类销售数据和单品销售数据。根据销售数据的获取方式，销售数据可以分成直接数据和间接数据。2.大数据时代下精准营销模式的基本构成要素有哪些？（1）用户肖像1）收集和清理数据：已知预测未知2）用户分组：按类别标记3）制定战略：优化和调整（2）数据段（3）预测（4）精准推荐（5）技术工具1）连接来自不同来源的客户数据，包括在线和离线，并准备数据用于预测分析；2）分析客户数据，使用系统和自定义预测模型进行高级分析；3）在合适的时间，正确的客户，正确的行为开始正确的行为，可以跨不同的营销系统进行交叉销售。3.企业如何利用大数据提升客户价值？答：（1）选择高频移动端平台，与用户建立连接关系;（2）不断积累并分析用户数据，把数据管理起来;（3）利用数据更好的运营用户，让现有用户产生更大价值;（4）精确吸引来更多的新用户。4.根据消费者决策预测过程模型，企业如何充分运用大数据实现解消费者决策的目标？答：根据消费者决策预测过程模型，企业可以充分运用大数据，掌握“提出问题、追踪历史、构建模型、收集数据、分析数据、做出预测”六大关键步骤，从而可以实现了解消费者决策的目标。三、讨论题1.当前的大数据“杀熟”现象，是商家与消费者博弈的一种手段，是企业针对老顾客采取比新顾客更高的定价。当消费者发现自己被“杀熟”之后，对商家的信任感将会逐渐降低甚至最终消失，同时也会影响到整个品牌的声誉，不利于企业的长期发展。请讨论企业应如何有效实施差别定价？答：（1）明确提价产品价格，明确向客户通告，产品的价格将在某一确定的日期统一提升。（2）使用价格自动调整条款，要求客户按当前价格付款，并支交货前因通货膨胀引起增长的部分或全部费用。（3）分别处理产品与服务的价目。

第五章采购大数据一、名词解释1.竞价交易：指在交易市场组织下，买方或卖方通过交易市场现货竞价交易系统，将可供需商品的品牌、规格等主要属性和交货地点、交货时间、数量、底价等信息对外发布要约，由符合资格的对手方自主加价或减价，按照“价格优先”的原则，在规定时间内以最高买价或最低卖价成交并通过交易市场签订电子购销合同，按合同约定进行实物交收的交易方式。2.集中采购：指采购中将集中采购目录内的货物、工程、服务集中进行采购。招投标采购：招标和投标是招标采购过程的两个方面，分别代表采购方和供应商的交易行为。3.供应商管理：致力于实现与供应商建立和维持长久、紧密伙伴关系的管理思想和软件技术的解决方案二、简答题1.供应商评价指标体系建立原则有哪些？答：为了在选取指标时“不重不漏”，全面、客观、真实地反映出供应商的情况，在选取设置指标时应遵循以下原则：(1)全面系统性指标体系必须能够反映出供应商目前的真实情况，且部分指标能够预测企业近期的发展趋势。(2)简明科学性评价指标体系的大小适当即可，若指标体系过大或过于计较细小问题，易导致可操作性低；而指标体系过小，指标过于宽泛，又不能将优秀的供应商区分出来。(3)稳定可比性建立指标体系时应考虑指标体系之间的可比较性，如竞争力指标，一方面可以充分利用现有资源，另一方面也能使得指标体系更具有说服力。(4)灵活可操作性考虑到不同企业对供应商的要求不尽相同，所以在建立指标体系时，应考虑到指标的可变性，以方便企业根据自己的需求对指标进行灵活选择。(5)最大化定量为了保证数据的客观性，在建立指标体系时，能定量的绝不定性。如对供应商质量的评价，可以用产品合格率来表示，通过数据将供应商的真实情况展现在企业用户面前。2.新型集中采购模式的优势体现在哪些方面？答：(1)集中采购可使数量增加，提高对供应商的谈判力量，较易获得价格折让与良好服务。(2)只有一个采购部门，因此采购方针与作业规则，比较容易统一实施。(3)采购功能集中，减少人力浪费；便于采购人才培养与训练；推行分工专业性，使采购作业成本降低，效率提升。3.根据供应商画像，企业可以将其供应商分为哪些类型？答：可将供应商分为短期目标型、长期目标型、渗透型、联盟型和纵向集成型5类。4.如何通过数据分析，更全面的刻画供应商的内、外部风险？答：(1)自动化：测试过程必须通过多次迭代实现自动化，以便数据模型达到较高的准确性。(2)NLP：一种算法，可以准确地理解自然语言并将其处理为机器语言。(3)结构化：可以成功处理结构化、半结构化和非结构化数据的数据模型。(4)集成：一种用于重要财务活动的集成系统，该系统以“链接数据”的形式存储，从而限制了访问和修改权限。(5)人工智能：需要AI来验证数据并识别异常。(6)物联网：以便机器学习工具可以处理复杂而大量的数据，高级技术，计算流程，区块链和其他数学功能。(7)聊天机器人：算法应设计为将视听数据转换为文本格式，以便可以对其进行分析以进行风险评估。(8)网络防御：网络防御技术的某些要素必须纳入算法中。(9)预测分析：机器学习模型必须具有认知行为的能力，以便能够进行预测分析并产生可靠的输出。预测性编程可确保以数据为依据的准确决策，这将影响商业企业的成功。(10)增强现实：数据模型中的该元素将帮助用户享受交互式体验，在该体验中，计算机生成的数据与现实生活场景叠加在一起，从而可以与生活体验相关联。三、讨论题1.随着新形势和新发展对企业采购管理提出的新要求，如何有效把“互联网+”思维和大数据技术运用于采购管理工作中去？答：（1）需求预测与采购管理物资采购中产生的数据非常多，如物资描述数据、物资采购需求数据、物资采购计划数据、供应商数据、物资交易数据、仓库存储数据、物资使用及消耗数据、物资使用寿命等，通过对上述海量数据的收集和分析，并且通过一系列算法来模拟最终用户的需求行为，可以对用户的需求原因、物资的需求数量、物资需求幅度变化、物资的需求时间等做出有效的预测，找到物资使用规律、采购规律，从而智能预测不同时期物资的需求规律。（2）供应商选择与管理首先，优化采购方式与供应商选择。采购方式的确定由物资性质、潜在供应商等决定，其重点和难点是针对某种物资如何选择最合适的采购方式及供应商名单，规则和标准是什么，如何获取全面的市场供应信息。大数据时代的到来使企业更容易获得内外部市场信息，更为方便和快捷实现对采购方式及供应商名单进行收集和优化。一是追踪物资的历史采购轨迹，从中选出最优采购方案。二是收集现时的市场行情，将采办方式及供应商名单与公司内外同类型采办项目的对照分析，并提供精准的合理化建议。（3）招投标及评标的优化与提升1）运用大数据技术智能筛选与匹配并推送采购方案。实现招标人招标、评标委员会评标、供应商实际履约情况的一体化管理，为选择最优化的采购方案提供支撑，降低采购行为的机会成本。2）“大数据”在评标过程中为专家评标提供强有力的辅助作用。将大数据与云平台等技术合理运用到招投标环节中，帮助招标人了解投标人的历史合同、业绩能力、诚信水平、技术实力等，根据上述数据对投标人的综合实力进行评估和判断，分析其是否符合招标要求。（3）采购价格分析公司可充分利用大数据的处理能力和分析能力，快速收集国家和地区、行业及互联网外部信息等，整合公司在招投标等日常业务中产生的海量数据，建立价格分析模型，对未来价格走势进行预测，抓住采购的最佳时机，在商务谈判中取得主动权和话语权。（4）强化监管采购违法违规行为通过“大数据”分析与比对，可以更加轻易识别投标人在采购过程中的串标、围标、标书造假等违法违规行为，有效实现对客观公正的数字“证据”的保留，辅助采购管理部门对采购全过程的监管，对违法违规的投标人形成威慑，有利于确保采购活动的诚信及公平与公正。2.讨论如何在采购寻源管理中应用供应商数据挖掘，这有何现实意义？答：（1）改进采购流程以及工作流程，从而缩短时间和消除浪费。（2）在提高产品和服务质量的同时降低成本。（3）提高供应商绩效和响应能力。

第六章生产制造大数据一、名词解释1.生产制造大数据：工业领域产品和服务全生命周期数据的总称2.企业信息化：指企业以业务流程的优化和重构为基础，在一定的深度和广度上利用计算机技术、网络技术和数据库技术，控制和集成化管理企业生产经营活动中的各种信息，实现企业内外部信息的共享和有效利用，以提高企业的经济效益和市场竞争力，这将涉及到对企业管理理念的创新，管理流程的优化，管理团队的重组和管理手段的创新。3.工业物联网：是将具有感知、监控能力的各类采集、控制传感器或控制器，以及移动通信、智能分析等技术不断融入工业生产过程各个环节，从而大幅提高制造效率，改善产品质量，降低产品成本和资源消耗，最终实现将传统工业提升到智能化的新阶段。4.生产工艺：指生产工人利用生产工具和设备，对各种原料、材料、半成品进行加工或处理，最后使之成为成品的工作、方法、和技术。5.智慧工业供应链：结合物联网技术和现代供应链管理的理论、方法和技术，在企业中和企业间构建的，实现供应链的智能化、网络化和自动化的技术与管理综合集成系统。二、简答题1.什么是企业信息化？答：企业信息化实质上是将企业的生产过程、物料移动、事务处理、现金流动、客户交互等业务过程数字化，通过各种信息系统网络加工生成新的信息资源，提供给各层次的人们洞悉、观察各类动态业务中的一切信息，以做出有利于生产要素组合优化的决策，使企业资源合理配置，以使企业能适应瞬息万变的市场经济竞争环境，求得最大的经济效益。2.如何分析服务型网络协同制造的结构？答：随着物联网、云计算等新一代信息技术的应用，利用大数据可极大地提升主体互动和资源整合的效率f2il在大数据驱动下，主体在互动过程中形成的承诺和信任关系能够产生链接红利，不仅有助于资源的分享和整合，而且对于联合培育和开发能力也具有重要作用。因此，大数据驱动下服务型制造超网络的价值共创综合作用机制由大数据驱动机制、主体互动机制、资源整合机制、能力作用机制和价值创造机制构成。其中，大数据驱动主体互动、资源整合和能力作用，网络主体通过“主体交流、主体交互和主体交易”的主体互动机制，不断产生服务型制造所需的关系资源、数据资源、平台资源和知识资源等，然后通过“资源识别与获取、资源组合与配置、资源转化与利用”的资源整合机制，逐步形成关系管理、组织合作、数据挖掘、动态创新等服务型制造所需的能力，再进一步通过“能力开发、能力协同、能力渗透”的能力作用机制，最终实现主体间“价值共享、价值共生、价值共赢”的价值创造机制，完成从产品服务设计、生产到交付过程的全生命周期价值共创。3.生产制造大数据对于生产制造协同优化起到了哪些作用？答：企业利用大数据、物联网完善智能信息系统建设，对生产配比、物料配送、产品质量等各环节进行协同管控，实现物料配送的系统化、流程化，降低物流成本和能耗，降低仓储损失，加速了资金周转，提高了整个供应链的运行效率。4.生产制造大数据该如何优化？答：（1）建立统一的数据采集和管理平台，极大降低数据分析中数据收集和整理的时间。（2）打破多个业务系统（SAP、MES、手工台账等）的数据孤岛，将数据集中到一个平台，完善数据采集机制、建立数据标准、提升数据质量。（3）创建产品质量的主题分析应用，找到产品质量问题的根因。三、讨论题1.如何应用大数据去改造智慧生产制造系统？答：（1）数据接入平台数据接入包含关系型数据库输入、MPP数据库输入、大数据分析引擎输入、文件上传、数据同步等不同输入节点，支持不同类型数据的快速导入，为挖掘分析与模型训练提供基础数据源。（2）数据处理提供多种数据预处理方法及数据的高级转换操作，包括但不限于数据标准化、RFM分析、因子分析、角色定义等，实现数据清理、集成、变换、消缺、归约等预处理操作，为挖掘分析做好数据准备。（3）特征工程对于工业大数据来说，由于数据来源多、业务机理复杂、外界因素干扰、传感器异常等原因，企业原始数据包含较多的异常点、干扰点，多维度之间存在非线性关系等，这些都将直接影响后续模型构建的准确性以及模型复杂度，因此在算法选择与模型构建之前，需要数据分析人员对原始数据进行探索分析与特征提取，开展过滤、转化、降维、特征选择等特征分析工作，为算法选择与模型训练提供良好输入。（4）算法选择基于业务问题剖析、数据基础探索与特征工程处理后，算法类型的确定与具体算法的选择将成为搭建分析模型的关键。平台提供丰富的分析挖掘算法库，包括分类、聚类、回归、关联分析、时间序列、综合评价及文本挖掘等多类别上百种机器学习算法，并支持集成学习、深度学习等框架与应用模型搭建，全面实现复杂场景下各业务数据的分析与建模诉求。与此同时，平台提供基于Python、Java、R、MATLAB等编程语言的扩展编程接口，支持特定场景下，工业应用领域用户的业务型经验算法、细分专业特定算法的快速写入与固化应用。（5）模型训练模型训练是以历史数据为样本，对模型进行评估，以保障模型的准确率。在样本选择的时候，需要满足数据样本多样化、数据样本尽可能大、数据样本的质量尽可能高等条件。平台提供对模型迭代训练过程的可视化洞察功能，实现模型训练过程的全透明管理监控，辅助数据分析人员构建高性能和高精准度的挖掘模型。（6）评估评测精度准确、性能良好的机器学习模型不是一蹴而就训练获得的，过程中需要基于CRISP-DM流程进行反复迭代、优化与评测验证，根据数据变化及业务决策使用要求反复调整优化模型。因此，合理、有效的模型评估方法与机制是必不可少的。平台提供的模型评估方式支持离线评估和在线评估两种方式，并可直接对评估结果进行可视化展现；评估完的模型可直接在建模工程中进行输出、读取与复用。（7）模型洞察模型洞察的作用是全方位观察分析建模过程及模型运算的结果，通过洞察能够为改进数据分析挖掘流程和模型调优提供支撑，从而提升模型有效性和精度。（8）模型部署模型部署重点是将设计、验证后的模型与调用流程投入生产使用，通过发布挖掘流程，并利用调度任务或接口服务等方式将设计好的流程接入到生产环境，形成最终的决策应用系统，指导实际业务的开展。（9）成果发布整个数据分析及建模工程完成后，可以快速将分析挖掘模型等成果进行发布与共享，支持外部链接、数据展示门户及外部调用接口等多种分享方式。成果发布后形成数据挖掘模型库，后续类似应用构建时可从模型库中选择已有模型进行快速调整，提升建模效率。支持将发布后的成果嵌入第三方平台或与已有信息业务系统集成，并支持将关键信息实时发送到移动端、PC端、大屏等，满足企业多层级多场景下决策应用的需求。

第七章销售大数据一、名词解释1.物流大数据：物流的大数据，即运输、仓储、搬运装卸、包装及流通加工等物流环节中涉及的数据、信息等。通过大数据分析可以提高运输与配送效率、减少物流成本、更有效地满足客户服务要求。物流大数据将所有货物流通的数据、物流快递公司、供求双方有效结合，形成一个巨大的即时信息平台，从而实现快速、高效、经济的物流。2.市场需求：市场需求是指一定的顾客在一定的地区、一定的时间、一定的

市场营销环境和一定的

市场营销计划下对某种商品或服务愿意而且能够购买的数量。

3.物流中心选址：物流设施选址旨在通过确定配送中心、仓库以及生产设施的地理位置，提高物流系统的有效性和效率。4.物流配送路径：从商品流通的经营方式的一种商品流通路径。5.地理信息数据：指反映地理系统及各地理因子的特征

、变化及分布状况的各种信息。可分为图像地理信息、数字地理信息和文字地理信息。二.简答题1.什么是物流大数据？答：物流的大数据，即运输、仓储、搬运装卸、包装及流通加工等物流环节中涉及的数据、信息等。通过大数据分析可以提高运输与配送效率、减少物流成本、更有效地满足客户服务要求。物流大数据将所有货物流通的数据、物流快递公司、供求双方有效结合，形成一个巨大的即时信息平台，从而实现快速、高效、经济的物流。2.智能仓储架构由哪些模块构成？答：主要包括:系统管理模块、出入库管理模块、基础资料管理模块、库存管理模块、配送任务模块、退货管理模块以及智能调拨模块。3.物流大数据可在哪些领域进行应用？答：（1）需求预测。依靠数据挖掘及分析，大数据技术能够帮助企业完全勾勒出其客户的行为和需求信息通过真实而有效的数据反映市场的需求变化，从而对产品进人市场后的各个阶段做出预测，以提高服务质量。（2）仓储作业优化。以货位分配方面为例，合理地安排商品储存位置对于提高仓库利用率和搬运分拣的效率有者极为重要的意义。对于商品数量多、出货频率快的物流中心，各货物拣选作业的关联性;货物存储时间的长短等因素决定该商品在仓库货袈中的存放位置。而储位安排的合理与否在很大程度上决定着拣选作业的效率和仓库的效益。（3）配送作业优化基于大数据技术的配送优化可以从多个维度展开，目前已有的主要优化方向包括基于大数据预测的主动配送服务、基于大数据的配送路线实时优化等。4.物流大数据该如何优化？答：（1）提供准确的市场洞察：通过分析物流大数据，企业可以获取准确的市场洞察，包括货物流向、需求预测、客户偏好等。这有助于企业制定更精准的供应链战略和调整库存管理，减少运输成本，并满足客户需求。（2）改善运输路线和配送效率：物流大数据可以提供实时的交通状况、天气情况和道路拥堵等信息。基于这些数据，企业可以优化运输路线，选择最佳路径和时间，降低运输时间和成本。同时，通过分析物流数据还可以优化配送计划，提高配送效率和准时率。（3）风险管理和安全保障：物流环节中存在诸多风险，如交通事故、货物丢失等。利用物流大数据可以进行风险预测和分析，帮助企业制定相应的风险管理策略，提前应对潜在风险，并提高货物安全性。三、讨论题1.通过调查了解，介绍物流大数据在现代物流中的应用场景？答：（1）智慧配送物流1）实时快递监控：提供快递揽收、在途、派送、签收全流程状态，帮助快递实时跟踪、监控，及时发现问题快件并处理；2）个性化预警：支持不同地域的自定义设置快递服务质量、件量下滑预警，用户关注的问题系统提前预警，方便客户基于自身情况定制；（2）智慧仓储物流智能工具－智慧云仓同时能做到大数据挖掘与分析：1）件量预测：结合内外部影响因素，利用数据挖掘方法，批量化精准预测商品SKU的未来订单走势，助力商家提前备货；2）分仓模拟：模拟分仓运作场景，提供基于时效和成本的最优解决方案，指导商家合理分仓，提升时效、降低成本，实现“单未下，货先行”；3）库存健康：帮助商家即时了解当前库存状况，缺货、呆滞SKU各个击破，进行有效的库存管理，节约成本。（3）智慧商业1）洞察同行：第一时间掌握市场行情，关注同行动态，轻松应对件量高峰和低谷;了解哪些属性商品畅销；关注竞争对手品牌销售动态及用户口碑情况，助力商家优化产品运营，调整营销策略;2）洞察消费者：融合顺丰精准全面的运单数据和外部地址信息，通过挖掘顺丰海量的“最后一公里”地址数据，利用大数据技术基于地理位置的商业环境进行分析，结合小区的属性特征。让商家更清楚掌握消费者的购买偏好及人群画像信息，提供完整的商业落地方案，协助商家更好地进行O2O运营、精准营销，定位目标客户;3）洞察供应链：供应链分析立足于揭开行业“黑匣子”，揭露行业内部交流密度，洞悉供应链上游(分销商、代理商、生产企业、原料供应商)活跃程度与下游市场动态(流行趋势、购物偏好、商品热点)。2.物流中心选址需要考虑哪些具体因素？答：（1）自然环境数据1)气象条件数据。物流中心选址过程中，主要考虑的气象条件数据有温度、风力、降水量、无霜期、冻土深度、年平均蒸发量等指标。如选址时要避开风口，因为在风口建设会加速露天堆放的商品老化。2)地质条件数据。物流中心是大量商品的集结地。某些容重很大的建筑材料堆码起来会对地面造成很大压力。如果物流中心地面以下存在着淤泥层、流沙层、松土层等不良地质条件，会在受压地段造成沉陷、翻浆等严重后果，为此，土壤承载力要高。3）水文条件数据。物流中心选址需远离容易泛滥的河川流域与上溢的地下水区域。要认真考察近年的水文资料，地下水位不能过高，洪泛区、内涝区、故河道、干河滩等区域绝对禁止。4）地形条件数据。物流中心应地势高亢、地形平坦，且应具有适当的面积与外形。若选在完全平坦的地形上是最理想的；其次选择稍有坡度或起伏的地方；对于山区陡坡地区则应该完全避开；在外形上可选长方形，不宜选择狭长或不规则形状。（2）经营环境因素1）经营环境数据。物流中心所在地区的优惠物流产业政策对物流企业的经济效益将产生重要影响；数量充足和素质较高的劳动力条件也是物流中心选址考虑的因素之一。因此经营环境数据需要在选址前进行收集2）商品特性数据。经营不同类型商品的物流中心最好能分别布局在不同地域。如生产型物流中心的选址应与产业结构、产品结构、工业布局紧密结合进行考虑。3）物流费用基础数据。物流费用是物流中心选址的重要考虑因素之一，因此物流成本数据也相对比较重要。大多数物流中心选择接近物流服务需求地，例如接近大型工业、商业区，以便缩短运距，降低运费等物流费用。4）服务水平数据。服务水平是物流中心选址的考虑因素。由于现代物流过程中能否实现准时运送是服务水平高低的重要指标，因此，在物流中心选址时，应保证客户可在任何时候向物流中心提出物流需求，都能获得快速满意的服务。（3）基础设施数据1）交通数据。物流中心必须具备方便的交通运输条件。最好靠近交通枢纽进行布局，如紧临港口、交通主干道枢纽、铁路编组站或机场，有两种以上运输方式相连接。由此需要收集一系列交通数据用以支撑2）公共设施相关数据。物流中心的所在地，要求城市的道路、通信等公共设施齐备，有充足的供电、水、热、燃气的能力，货架，且场区周围要有污水、固体废物处理能力。(4）其他因素与数据1）国土资源利用数据。物流中心的规划应贯彻节约用地、充分利用国土资源的原则。物流中心一般占地面积较大，周围还需留有足够的发展空间，为此地价的高低对布局规划有重要影响。此外，物流中心的布局还要兼顾区域与城市规划用地的其他要素。2）环境污染数据。物流中心的选址需要考虑保护自然环境与人文环境等因素，尽可能降低对城市生活的干扰。对于大型转运枢纽，应适当设置在远离市中心区的地方，使得大城市交通环境状况能够得到改善，城市的生态建设得以维持和增进。3）临近设施数据。由于物流中心是火灾重点防护单位，不宜设在易散发火种的工业设施（如木材加工、冶金企业）附近，也不宜选择居民住宅区附近。

第八章金融大数据一、思考题1.供应链中的大数据有哪些主要类型？答：销售大数据、采购大数据、生产制造大数据、物流大数据、金融大数据。2.供应链金融中需要搜集分析谁的数据?答：供应链核心企业数据、供应链融资企业数据、关联服务方数据3.供应链金融中需要搜集分析什么样的数据?答：（1）核心企业数据1）企业基本素质相关数据2）偿债能力相关数据3）营运能力相关数据4）盈利能力相关数据5）创新能力相关数据6）成长潜力相关数据7）信用记录（2）融资企业数据1）“硬能力”相关数据：包括技术、研发方面的能力(如技术、设计、工程、工艺等能力)、运营方面的能力(如生产流程、品质、组织管控、资金财务、供应管理、信息系统建设等能力)以及市场营销方面的能力(如渠道、分销、品牌、客户关系管理等)。2）“软能力”相关数据包括领导力和创新、创业方面的能力，文化建设和协调、团队建设方面的能力，以及外部形象和利益相关者协调能力等。（3）关联服务方数据1）金融机构数据2）电商平台数据3）第三方物流数据4）关联服务组织数据4.大数据在供应链金融中的主要有哪些应用？答：设计个性化金融服务产品优化交易征信与风险控制5.从供应链金融发生的时间维度看，可以将供应链金融业务划分哪几个阶段？各个阶段相应的供应链金融产品有哪些？答：（1）第一阶段：线下发展阶段，即资金方或服务方基于核心大型企业为中心，针对其他中小企业的融资模式，依靠大型企业的信用，向上下游小微企业提供金融服务。此阶段的融资数据相对分散，全过程线下处理，银行审批难风险大，导致企业获得融资的效率低。融资过程以人工授信审批为主，一事一议，所以无法借助科技手段达到批量获客。（2）第二阶段：线上发展阶段，即系统直连资金方、服务方、核心企业和上下游的线上融资，利用供应链作为支撑点来带动资金流，让产业与金融结合更紧密。此阶段的融资数据全面线上化，数据种类增加，银行尝试多元化，融资效率有所提升但仍难满足企业需求。这种发展模式以银企直联为核心，银行除了可以依托了核心企业的信用对上游供应商与下游经销商授信外，还可以达到批量获客目的。（3）第三阶段：供应链金融服务平台发展阶段，即搭建供应链金融服务平台，突破单个供应链的限制，提供多元化的金融服务，通过政企联盟与产融互联，重新融合多平台数据。此阶段的融资数据初具规模，银行平台化，服务企业多，信息不透明，效率进一步提升，但仍难保证实时性；以三流合一平台为核心，整合商流、物流、资金流成为三流合一的信息平台，银行打破了二八定律。第四阶段：数字智能化产业链发展阶段即依托数字技术，发展为线上化、智能化的金融产业链，帮助商业银行解决了最根本的交易信用问题，打破了信息不对称和物理区域壁垒。此阶段的融资数据全部标准化，银行全面线上化，支持实时审批，实时交易，企业快速获得融资且信息透明。数字智能化产业链发展阶段将有效解决前三个阶段的所有发展诟病，将供应链金融业务做到效率化、信息化、整合化和全程可追溯化。6.供应链金融存在哪些主要风险？答：（1）核心企业信用风险在供应链金融中，核心企业掌握了供应链的核心价值，担当了整合供应链物流、信息流和资金流的关键角色，商业银行正是基于核心企业的综合实力、信用增级及其对供应链的整体管理程度，而对上下游中小企业开展授信业务，因此，核心企业经营状况和发展前景决定了上下游企业的生存状况和交易质量。（2）上下游企业信用风险虽然供应链金融通过引用多重信用支持技术降低了银企之间的信息不对称和信贷风险，通过设计机理弱化了上下游中小企业自身的信用风险，但作为直接承贷主体的中小企业，其公司治理结构不健全、制度不完善、技术力量薄弱、资产规模小、人员更替频繁、生产经营不稳定、抗风险能力弱等问题仍然存在，特别是中小企业经营行为不规范、经营透明度差、财务报表缺乏可信度、守信约束力不强等现实问题仍然难以解决。（3）贸易背景真实性风险在融资过程中，真实交易背后的存货、应收账款、核心企业补足担保等是授信融资实现自偿的根本保证，一旦交易背景的真实性不存在，出现伪造贸易合同、融资对应的应收账款的存在性/合法性出现问题、质押物权属/质量有瑕疵、买卖双方虚构交易恶意套取银行资金等情况出现，银行在没有真实贸易背景的情况下盲目给予借款人授信，就将面临巨大的风险。（4）业务操作风险因为操作制度的完善性、操作环节的严密性和操作要求的执行力度将直接关系到第一还款来源的效力，进而决定信用风险能否被有效屏蔽。（5）物流监管方风险由于信息不对称，物流监管方会出于自身利益追逐而做出损害银行利益的行为，或者由于自身经营不当、不尽责等致使银行质物损失。（6）抵质押资产风险抵质押资产作为供应链金融业务中对应贷款的第一还款源，其资产状况直接影响到银行信贷回收的成本和企业的偿还意愿。一方面，抵质押资产是受信人如出现违约时银行弥补损失的重要保证；另一方面，抵质押资产的价值也影响着受信人的还款意愿，当抵质押资产的价值低于其信贷敞口时，受信人的违约动机将增大。二、讨论题1.通过调查了解区块链相关知识，讨论如何应用区块链技术控制供应链金融相关风险？答：区块链由于具有不可篡改的时间戳和全网公开的特性，一旦交易，将不会存在赖账现象，从而避免了纸票“一票多卖”、电票打款背书不同步的问题。系统的搭建和数据存储不需要中心服务器，省去了中心应用和接入系统的开发成本，降低了传统模式下系统的维护和优化成本，减少了系统中心化带来的风险。区块链数据前后相连构成的不可篡改的时间戳，使得监管的调阅成本大大降低，完全透明的数据管理体系提供了可信任的追溯途径，并且可以在链条中针对监管规则通过编程建立共用约束代码，实现监管政策全覆盖和硬控制，规范市场秩序，降低监管成本。2.结合供应链金融大数据相关理论技术，讨论在医药商品行业领域如何设计供应链金融产品服务？答：作为创新的医药供应链金融它首先是流动性的提供者，也是科技和平台的提供者。（1）流动性的提供者意味着金融产品一定要多元化，不单是商业保理，还有融资租赁、股权投资和贸易分期等，所以总有一块能适应企业的需求。（2）作为科技提供者，一定要打造一个强大的信息系统。

第九章供应链大数据运营一、名词解释1.数据运营：用数据指导运营决策、驱动业务增长2.供应链大数据运营：供应链大数据运营指通过建立供应链大数据平台，连接制造商、供应商、经销商和消费者，用大数据指导运营决策、驱动业务增长，实现供应链企业运营指标的提升，包括在销售和研发环节利用大数据手段增加收入，在采购、制造和支持部门利用大数据技术降低成本，在供应链资本管理环节利用大数据方式优化现金流，在采购、仓储、物流等供应链全场景构建大数据分析模型实现供应商等企业风控预警。3.企业运营框架SDAF：企业运营框架SDAF，包含四个环节——感知（Sense）、决策（Decision）、行动（Action）和反馈（Feedback），它们形成一个闭环，而数据可以让这四个环节具象化，并且量化地衔接到一起。二、简答题1.大数据在供应链中的主要应用有哪些？答：计划：更准确地预测产品需求。采购：实时评估供应商绩效并识别隐藏成本。生产制造：最大化资源和产量。物流：在效率、准确性和速度方面有所提高。退货/回收：降低退货成本并提高流程可见性。2.与传统供应链运营相比，供应链大数据运营具有哪些优势？答：（1）供应链管理理念精准化（2）协同效应作用加大（3）消费需求定制化驱动（4）供给侧结构管理优化（5）中小企业大数据应用提升竞争力3.企业如何根据其供应链大数据运营所处的阶段来选择适合自己的团队组织架构？答：供应链企业要解决上述问题，可以从战略和战术层面来进行决策。战略决策有助于战术决策。战术决策涵盖