《供应链大数据：理论、方法与应用》课件 第1-3章 供应链大数据概述、供应链大数据平台、供应链大数据分析基本方法

第1章供应链大数据概述本章内容1.1大数据与大数据时代1.2大数据驱动供应链转型1.3供应链大数据的概念与构成本章小结本章练习1.4供应链大数据的价值与作用1.1大数据与大数据时代1.1.1大数据的定义1.大数据的定义大数据（BigData），IT行业术语，是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

2.大数据的特征（1）Volume（大量）（2）Velocity（高速）（3）Variety（多样）（4）Value（低价值密度）（5）Veracity（真实性）1.1.2大数据时代最早提出“大数据”时代到来的是全球知名咨询公司麦肯锡，麦肯锡称：“数据，已经渗透到当今每一个行业和业务职能领域，成为重要的生产因素。人们对于海量数据的挖掘和运用，预示着新一波生产率增长和消费者盈余浪潮的到来。“大数据时代，我们的思维也要变革：第一个思维变革：利用所有的数据，而不再仅仅依靠部分数据，即不是随机样本，而是全体数据。第二个思维变革：我们唯有接受不精确性，才有机会打开一扇新的世界之窗，即不是精确性，而是混杂性。第三个思维变革：不是所有的事情都必须知道现象背后的原因，而是要让数据自己“发声”，即不是因果关系，而是相关关系。1.1.3大数据分析大数据包括结构化、半结构化和非结构化数据，非结构化数据越来越成为数据的主要部分。适用于大数据分析的技术，包括大规模并行处理（MPP）数据库、数据挖掘、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。大数据分析技术有效结合了各种信息技术的优势，在技术方面具有规模化、数字化和网络化特点，在服务方面具有自主化、个性化、智能化等特点。其主要特点表现为：1）数据分析结果具有不确定性。2）需要大量用户的参与。3）大数据具有自主性的特点，可以根据用户的需求来提供相应的服务。4）大数据是一种绿色服务。1.1.3大数据分析大数据时代，大数据的分析呈现如下主要趋势：（1）数据的资源化（2）与云计算的深度结合（3）科学理论的突破（4）数据科学和数据联盟的成立（5）数据泄露泛滥（6）数据管理成为核心竞争力（7）数据质量是BI（商业智能）成功的关键（8）数据生态系统复合化程度加强1.2大数据驱动供应链转型1.2.1供应链系统1.供应链系统的定义供应链系统是由相互作用、相互依赖的若干组成部分结合而成的具有特定功能的有机整体，是以给终端客户提供商品、服务或信息为目标，从最初的材料供应商一直到最终用户的整条链上的企业的关键业务流程和关系的一种集成。2.供应链系统模型

图1-1供应链系统模型1.2.1供应链系统供应链系统由三个相互关联的部分组成：供应链网络结构；供应链业务流程；供应链管理要素。（1）供应链网络结构供应链网络结构是指确定供应链上的关键成员企业及其相互之间的关系。（2）供应链业务流程供应链业务流程指确定在供应链系统中哪些核心流程应该连接并集成起来。（3）供应链管理要素供应链管理要素指供应链管理和集成的效果取决于供应链上企业边界处流程接口的管理和集成的程度。流程接口的集成和管理，包含以下两个方面的因素：物理连接和技术因素。

1.2.1供应链系统3.供应链系统主要特征（1）供应链系统的整体功能（2）供应链系统的目的性（3）供应链系统主体间的密切关系（4）供应链系统的环境适应性（5）供应链系统的层次性

1.2.2大数据驱动的供应链大数据背景下，供应链管理决策主要由两个关键部分组成：第一个是供应链网络设计，包括物理结构以及系统内业务环节设计，这些是采购、制造物流以及销售环节的组成部分；第二个是信息技术，信息技术使信息共享、传播和处理能够达到协调统一，是大数据分析的核心。

图1-2网络与信息技术设计支持供应链1.2.3智慧供应链

智慧供应链是指利用移动计算、物联网、云计算、人工智能技术、网络与通信技术、安全技术等一系列新兴技术对传统供应链的升级。智慧供应链与传统供应链相比，具备以下特点：（1）智慧供应链技术的渗透性更强（2）智慧供应链可视化、移动化特征更加明显（3）智慧供应链注重人机系统协调性销售点数据和射频识别两项技术共同实现了供应链智慧化：（1）销售点数据（2）射频识别技术

1.3供应链大数据的概念与构成1.3.1供应链大数据的概念供应链大数据指的是从进货到销售的整个供应链环节中、在所有供应链企业主体中所产生的需要新处理模式才能具有更强决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息数据。1.3.2供应链大数据的构成供应链大数据的主要构成有：1.采购中的大数据2.生产制造中的大数据3.物流中的大数据4.销售中的大数据5.供应链金融中的大数据

1.4供应链大数据的价值与作用1.4.1加快供应链数字化转型并生成智慧型供应链数字化供应链管理，是以核心企业为中心的应用平台，通过与企业内外部的各种信息化系统和平台对接，实现数据的实时获取和分享；并最大化利用数据，配以相应的业务处理，实现供应链管理的业财税一体化，以提升企业的绩效，最大限度地降低经营风险。将供应链大数据引入供应链管理中，运用云计算对市场数据进行获取、追踪、预测、分析，从而得到可靠并且有价值的数据，来发挥大数据应用的最大价值。大数据在供应链中的应用并不是单纯地将企业现有资源、交易订单量等数据可视化，而是利用高效手段对数据进行整理、总结并分析，来对数据资源深入发掘充分利用到企业供应链的管理中，通过对有价值的数据分析，促进供应链管理成为企业发展上的一大核心竞争力，并提高供应链的自身价值，更快生成智慧型供应链。

1.4.2提升供应链协同管理能力大数据驱动的供应链协同管理的优势主要有以下几个方面：（1）大数据可以帮助企业对历史用户的销售数据、采购数据等进行搜集与分析，合理的预测消费者的购买行为，有效的预知市场需求所在，为市场反应提供了可靠的基础。（2）通过供应链大数据，可以采用有效的软件操控生产流程，实现基于大数据的数字化生产模式。（3）借助供应链大数据，可以有效针对物流运输环节的路线进行合理的规划和安排，找到最佳运输路线，对物流运输过程中的路况进行实时的监控，尽可能地避免拥挤路段，对天气状态也可以进行有效监控，在恶劣天气合理地安排物流运输，提高了企业物流的配送效率。（4）大数据技术可以整体地提升企业财务管理的效率，有效地降低供应链内部的各个环节之间的交易成本，同时也能够更好地为企业的财务预测服务。1.4.3提升企业供应链管理效益1.整合信息，评估市场通过信息整合能够有效及时地获取最有价值的信息资源，帮助企业评估市场需求，根据市场变化把握商机，明确市场业务判断，最大限度地降低垃圾信息对于供应链运营的干扰。2.控制成本，完善决策精准分析出企业想要获得的客户群体，保持市场同步性，并且针对这些群体的属性选择最优营销渠道和营销方式，拓展企业的业务机遇，最低成本获得大量有效的客户资源。3.仿真模拟，拓展业务产品的设计开发、选择供应商、采购原材料、生产制造、仓储管理、运输销售，售后服务、信息反馈等节点均可利用大数据进行建模和仿真。4.优化资源，提升效率供应链大数据具体应用于销售、生产、库存、营销、消费者行为等具体环节，能够有效优化企业资源配置，提升供应链的协同运作效率，改善供应链上下游关系，实现消费预测及精准营销，充分发挥大数据的价值，建设智慧型供应链。本章小节大数据背景下，供应链管理决策主要由两个关键部分组成：第一个是供应链网络设计，包括物理结构以及系统内业务环节设计，这些是采购、制造物流以及销售环节的组成部分；第二个是信息技术，信息技术使信息共享、传播和处理能够达到协调统一，是大数据分析的核心。供应链管理应用大数据分析能够实现供应链智慧化。智慧供应链是指利用移动计算、物联网、云计算、人工智能技术、网络与通信技术、安全技术等一系列新兴技术对传统供应链的升级。销售点数据和射频识别两项技术共同实现了供应链智能化。它们共同建立了信息流，用于更好地理解消费者需求，管理库存、供应和货源，协调供应链的各个方面。供应链大数据指的是从进货到销售的整个供应链环节中、在所有供应链企业主体中所产生的需要新处理模式才能具有更强决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息数据。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、供应链金融中的大数据。在海量数据飞速运转的新时期，大数据在供应链管理中的价值不容小觑。供应链大数据分析应用加快供应链数字化转型并生成智慧型供应链、提升供应链协同管理能力、提升企业供应链管理效益、优化企业供应链流程，打造更适应市场要求的新型产品。本章练习1.何为大数据？大数据主要特征有哪些？2.供应链系统的定义及其组成要素是什么？3.智慧供应链与传统供应链相比，具备哪些特点？4.供应链大数据的概念及其构成是什么？5.供应链大数据主要有哪些价值与作用？第2章供应链大数据平台本章内容2.1供应链大数据平台概述2.2供应链大数据平台框架2.3供应链大数据平台的应用与发展本章小结本章练习2.1.1供应链大数据平台的内涵1.供应链大数据平台的概念

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。平台集成公司核心业务应用系统数据及行业数据，通过构建数据仓库，建立分析模型，实现采购、仓储、物流等供应链全场景经营数据分析与展示，具备供应商等企业风控预警能力。

2.1.1供应链大数据平台的内涵2.供应链大数据平台的分类

按照功能不同，可以将供应链大数据平台分为交易、交付、金融三大类，即：供应链大数据交易平台、供应链大数据交付平台和供应链大数据金融平台。2.1.2供应链大数据平台的主要功能3.挖掘数据资源构建数据分析模型库，实现数据发掘的模型化分析。完成外部信息智能化分析，实现竞争情报分析能力。完成结构化和非结构化数据的整合与挖掘分析能力。建立数据探索分析能力，发现数据背后的隐藏规律。2.1.2供应链大数据平台的主要功能4.利用大数据预测消费者需求基于供应链大数据平台，可大量收集消费者数据并进行综合处理分析。仓库人员利用该平台分析具体销售数据，优化产品分类，将产品分配到各个销售网点；营销人员利用大数据确定顾客需求以及需求的时间地点；供应商可以利用大数据对自家的产品进行追踪，了解不同产品的销售情况，还可以对数据库信息进行查询，了解销售、装运、订单等相关信息。通过利用大数据，对全球供应链网络实施应用分析，能够更加深刻的了解客户偏好以及购物行为，占据行业领头羊的地位。2.1.2供应链大数据平台的主要功能5.打通数据信息，协作共赢，实现协同化、一体化的供应链管理建设数字化供应链需要获取供应链中不同参与者的数据，仅靠自身供应链是无法向数字化供应链转型的。在供应链的各个环节，不同企业的信息技术系统正在产生大量的数据，而这些数据目前却只存在于各个企业的信息技术系统中，致使上下游的每个企业都积累了巨大的数据量，却无法充分利用并挖掘。企业若想从中获益，必须将这些数据放在供应链中，与运营数据结合起来促进企业决策。精准的需求规划需要来自于零售商关于消费者的数据，但是很多消费数据被零售商据为己有，造成数据链断裂，无法打通供应链的上下游，数字化供应链也就无从谈起。因此企业需要依靠供应链中其他参与者的协同，转变思维，打通整个供应链，协调各个环节，共享数据，协作共赢。2.1.2供应链大数据平台的主要功能6.流程设计合理化（1）改善库存管理利用数字化技术结合大数据分析法进行库存管理，例如将射频识别标签贴在水果上以跟踪检测库存量、货物所在位置情况、运送货物情况，再结合销售记录、销售网点数据、顾客反馈、天气预报、季节性销售周期等不同数据，提高预测准确性，最后将这些预测与当前库存量联系起来，不断优化库存水平。较低的库存水平可以提高对消费者的服务质量，实时货物检测能够匹配供求关系，这些精确的信息会反馈到库存计算的各个关节，包括计划生产、库存水平与订单量。2.1.2供应链大数据平台的主要功能（2）改善质量管理企业可以在产品上安装传感器等方式来实时监测产品性能。丰田是利用数字化手段进行质量管理的典范，通过安装预警系统及时发现车辆故障，避免造成巨大损失，又通过分析软件分析保修服务分类记录的汽车故障、技工的记录、客户服务中心的通话记录，通过分析多方数据来掌握规律，及时发现故障，后台系统掌握一旦发现问题，就会发出风险管理的警告。2.1.2供应链大数据平台的主要功能(3）改善员工管理员工调度是非常重要的问题，通过合适的方式进行员工调度，不但能够缩短管理时间，还能够更好地根据员工技能匹配岗位，从而在顾客到达指定地点时提供优质服务。结合大数据分析技术，信息系统可以根据即将进行的促销活动、即将到仓的库存以及当地宏观经济数据精确预测消费者需求变化，系统自动选择生产力最高的员工，在销售高峰期调度这些员工，提高企业效率，节省成本。2.1.2供应链大数据平台的主要功能7.全面加强决策能力统筹战略战术决策，全面加强数字化决策能力。预测与监控协同统一，树立事前有预测、事中有监控、事后有分析的决策机制。研发生产与市场运营联动，构建数据运营体系，提高决策敏捷性。运营分析一张图，打造价值全景视图，辅助决策者做到心中有数、决策有据。2.1.3供应链大数据平台的特性相比传统供应链，智慧/数字化供应链有诸多优势，如信息共享、战略协作等。传统供应链的特点是信息孤岛、非实时信息交换、结构性信息，要想实现供应链透明化，需要实现在库、在途、在生产货物的实时可视化，但传统的ERP系统很难实现。大数据、物联网、数字化协同平台可以进行实时信息交互，让企业能轻松掌握整个供应网络；传统供应链需与合作方一起制定计划、流程，并非实时，非智能认知分析和预测。智慧/数字化供应链可与物联网实现网络扩展、数字化协同和人工智能，提高预测准确性。企业采用数字化供应链技术，重新设计运营模式和走向市场的方式可以提高收入、增长利润。供应链大数据平台是智慧/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，应能够满足智慧供应链生态系统运作与管理要求，体现智慧供应链的系统特色。具有以下特征：2.1.3供应链大数据平台的特性（1）强大的数据处理能力具备流式处理、内存计算、批量处理、数据检索、数据统计、图计算、机器学习、图像识别、语音处理、自然语言处理能力。（2）全面可靠的安全保障能力平台提供网络安全、应用安全、数据安全、存储安全和账号安全等多重安全保障，通过先进的安全理念和系统架构确保用户源数据安全。实现用户数据标签化，保障企业数据安全性，真正实现数据流通的可能。2.1.3供应链大数据平台的特性（3）丰富的异构数据支持能力支持各种关系型数据、非关系型数据（Json、GIS、视频、语音、图片等）的存储和处理分析。（4）简单易用的数据分析能力无需技术背景，数据分析人员即可通过可视化界面轻松完成各类业务分析，同时也可使用内置算法模型，简单操作即可实现对数据深层价值的挖掘。（5）高效快捷的部署对接能力系统支持快速部署，迅速打通企业内部的各类数据源以及多种架构的业务系统。并可根据具体需求进行功能扩展，灵活方便，无需组建专门的技术团队。2.2供应链大数据平台框架不同企业，面向不同的应用，其供应链大数据平台框架会略有不同，一般来说，主要包括数据源模块、数据采集加工存储模块、大数据模型库模块、大数据应用模块、大数据共享模块和大数据客户端模块等六个部分，如图2-1所示为百分点供应链大数据平台框架图。2.2供应链大数据平台框架2.2.1数据源模块1.供应链产生的数据特征分析目前，由供应链产生的数据的规模、广度和深度都在加速增长，为情景智能驱动的供应链提供了充足的数据基础。经统计，供应链中的全量数据主要有52种来源（包括结构化/半结构化/非结构化数据），除去我们所熟知的ERP、CRM等8种内部数据源（白色字体部分），还有44种外部数据源，从大数据的三个维度（3V的角度：数据量Volume、数据速度Velocity和数据多样性Variety）进行了统计分析（如图2-2所示）。其中绝大部分数据都是从企业外部产生的。有前瞻性的制造商已经开始将大数据作为更广泛供应链协作的催化剂。2.2.1数据源模块2.2.1数据源模块2.供应链中大数据的五个主要来源如图2-3所示，列出了供应链中大数据的五个主要来源：销售点（POS）数据、RFID数据、供应商大数据、制造数据和GPS数据。其中，RFID和GPS大数据可以帮助进行实时库存定位和仓储；销售点（POS）数据是需求预测和客户行为分析的主要助力之一；供应商大数据可以帮助制造商监控供应商的表现，并管理风险和产能；制造大数据和遥测将有助于识别生产瓶颈和即将发生的机器故障，从而消除破坏性的机器故障。2.2.1数据源模块2.2.1数据源模块3.供应链大数据的类型大数据在供应链中的应用有三种：1）与业务相关，比如用户画像、风险控制等。2）与决策相关，数据科学的领域，了解统计学、算法，这是数据科学家的范畴。3）与工程相关，如何实施、如何实现、解决什么业务问题，这是数据工程师的工作。数据源的特点决定数据采集与数据存储的技术选型，易观智库根据供应链数据源的特点将其分为四大类：结构数据、非结构数据、传感器数据和新类型数据。2.2.1数据源模块（1）结构数据典型的结构数据有交易数据和时间段数据。目前以后向数据为多，由于其结构化数据形式的限制，对于预测式分析能够起到一定作用，但仍需要加入更多的非结构数据、传感器数据、新类型数据，才能提高现有数据的应用价值。（2）非结构数据典型的非结构数据包括库存数据、客户服务数据、渠道数据和社会化数据。目前执照传统信息系统中的数据，显示为结构数据，更多用来通过历史数据进行分析和预测，预测和分析的结果准确度差。若要满足大数据预测，则需要更多非结构化库存数据的引入。2.2.1数据源模块（3）传感器数据典型的传感器数据包括温度数据、QR码、位置数据和RFID数据。目前处于积累阶段，技术成熟度有待提高，未来随着物联网技术的发展将形成新的产业，构建新的物流供应链，从而为供应链金融等带来巨大商机。（4）新类型数据典型的传感器数据包括地图数据、声音数据、视频数据和影像数据。目前更多用于数据可视化领域。这部分数据使大数据的质量进一步提高，实时性更强，数据分析的精准度提高，但目前这部分数据的应用价值尚未很好显现，有待进一步挖掘。2.2.2数据采集加工存储模块1.数据采集大数据技术针对网络数据、系统日志以及其他数据，采用了不同的采集方法。（1）网络数据采集方法对非结构化数据的采集。网络数据采集是指通过网络爬虫或网站公开API等方式从网站上获取数据信息。该方法可以将非结构化数据从网页中抽取出来，将其存储为统一的本地数据文件，并以结构化的方式存储。它支持图片、音频、视频等文件或附件的采集，附件与正文可以自动关联。除了网络中包含的内容之外，对于网络流量的采集可以使用DPI或DFI等带宽管理技术进行处理。2.2.2数据采集加工存储模块（2）系统日志采集方法很多互联网企业都有自己的海量数据采集工具，多用于系统日志采集，如Hadoop的Chukwa，Cloudera的Flume，Facebook的Scribe等，这些工具均采用分布式架构，能满足每秒数百MB的日志数据采集和传输需求。（3）其他数据采集方法对于企业生产经营数据或学科研究数据等保密性要求较高的数据，可以通过与企业或研究机构合作，使用特定系统接口等相关方式采集数据。2.2.2数据采集加工存储模块2.数据加工存储采集供应链大数据后，如果我们只是简单地把这些信息存储起来，这些信息之间若没有适当的交互，就会形成信息孤岛，依旧没有产生价值。所以，采集数据后，至关重要的一步就是数据加工，包括数据的整合和打通。数据打通可以保证供应链中信息流的顺畅，整个供应链将变得透明化。此时，物流就可以根据交通情况，天气情况，订单的分布情况及产品的生产情况等，进行实时调整，保证最高效运行。而若供应链中每一步都可以根据其相关环节的信息进行实时优化，就可实现智能协同供应链。而供应链大数据分析主要集中于四个主要环节：采购（Procurement）、仓储和运营（WarehouseandsOperations）、物流（Transportation）、需求链（DemandChain）。以这四个环节为中心，对供应链中的52种数据源进行整合和打通后，信息的流通和共享，变得一目了然，如图2-4所示。2.2.2数据采集加工存储模块2.2.2数据采集加工存储模块2.数据加工存储常见的大数据加工方法有三种，实际的应用中根据不同的需求可能会使用某种方法，或者同时使用多种方法。（1）相似关联这种加工方式并不难理解，专业的说法叫“协同过滤”，就是要收集大量的用户浏览记录，通过相似行为进行关联推荐。比如说，我们通过大数据给两个同学贴标签，包括“性别、年龄、喜欢的颜色、喜欢的明星、爱买的东西、爱去的地方”等，然后发现A和B的标签有很多相似，我们就可以将A喜欢购买的东西推荐给B。由于这种加工方式简单，逻辑清晰，可行性强，它被大多数企业采用，例如今日头条、天天快报等都是采用的这种算法，但它也存在缺陷。由于获取数据的手段有限，有时候并不能真实地反映出用户对信息的需求，很容易让用户深陷在自己的“兴趣爱好”当中，很难扩展。2.2.2数据采集加工存储模块（2）隐式搜索这一算法模式看起来高端，其实分开来看就简单多了，其核心内容为“搜索”，比如你在某个软件上搜索了关键词“科学”，那么该算法就会在大数据中挑选关于“科学”这一次的相关信息数据主动推送给你，同时获取你的兴趣数据。而所谓的“隐式”其实就是根据关键词“主动”推送的意思。这一“加工”大数据的方法是建立在搜索引擎普及之后的，与“相似关联”类似的是，不同的人搜索相同的信息有不同的目的，而不同的时间地点搜同样的信息也有不同的目的，用同样的标准衡量用户行为，容易产生误判。但这种算法相比“相似关联”仍有一定优势，“相似关联”只能通过自身的标签做推送，相比而言“隐式搜索”能扩展的范围会更大。（3）社群+大数据这一加工的手段相对前两个来说更智能，这也是目前所有加工算法的发展趋势，它对所加工的“大数据”要求能达到“矩阵”的规模，也就是说数据的规模要更大更多。目前能真正做到“社群+场景”的加工算法的只有少数几家互联网巨头。2.2.3大数据模型库模块1.供应链决策分析模块综合考虑内部和外部、宏观和微观等多方面因素对制造和供应链运作的影响，平衡企业供应链运作对效率、交付水平、弹性、质量、成本及资源统筹等多个维度的管理需求，化繁为简，全方位智能化支持供应链高效决策。另外，制造工厂和供应链运作还需要跟客户端营销环节、产品研发环节及周边财务、人力资源等职能部门在数据层面进行更加高效的协同，提升统筹决策能力。由于在底层数据层面进行了贯通，该模块化的可灵活定制增强的大数据解决方案既能满足企业在特定时期、特定职能范畴、特定系统环境下的局部业务需求，又能有机地组合起来满足企业整体决策优化。2.计划统筹模块深度挖掘产品需求计划、物料供应计划、生产计划、产能计划等多个环节中产生的各类数据，结合产品不同生命周期的供需特点，对影响供需平衡的各层面数据进行全面的分析和建模，帮助实现供应链计划管理能力的精益求精。2.2.3大数据模型库模块3.订单履约大数据模块对不同业务模式、不同产品线、不同渠道、不同区域、不同客户、不同时期的订单交付情况进行全周期监控和分析，打通涉及前后端多个职能部门的预测、订单、物料供应、生产工单、仓储、运输、交货、付款等多个环节的信息流，全面提升交付水平和客户满意度。4.库存周转大数据模块兼顾研、产、供、存、流、销等各环节中影响库存周转指标的相关因素，对库存周转进行多维动态的分析监控和预警，变“事后”补救为“事前”智能预警、“事中”智能优化，大幅降低呆滞库存相关损失，从全价值链融合的角度统筹库存周转的相关指标和措施，有效改变之前头痛医头、脚痛医脚的分段管控带来的弊端，避免库存失控的恶性结果发生。2.2.3大数据模型库模块5.采购及供应商管理大数据模块对采购订单及商务、物料供应及交期管理、物料成本管理、物料质量管理、供应商管理活动中产生的多样数据进行关联分析和多维建模，可视化监控不同类别物料、关键物料、不同供应商、不同区域的供应能力，动态预警关键指标，预见未来未雨绸缪，最佳化供应水平及供需平衡。6.智慧工厂大数据解决方案对生产各环节、各系统、各类设备中产生的海量数据进行有机整合和建模，轻松实现多工厂可视化、智能化管理，全面优化人力效率、设备运转及稳定性监控、物料损耗监控、质量管理、产能综合利用及成本管控水平。2.2.3大数据模型库模块7.设备、质量管理模块对设备在运行过程中产生的各类数据进行有机整合和建模，轻松实现设备稳定性、能耗等关键指标的集约化、可视化、智能化管理，并可结合MES、PLC等系统相关功能帮助企业提升设备稼动率及产出效率、物料损耗监控、维修保养管理、质量管理及成本管控水平，促进设备采购策略优化。8.仓储及成本大数据模块&物流及运费大数据模块利用百分点强大的大数据操作平台和领先的数据分析建模能力，对制造企业或流通企业在仓储布局、日常收发盘点账务管理、运输线路规划、运输方式优化、内外部运输资源整合、设备监控、时效管理、费用管理、人员管理等方面的数据进行高效整合及价值转化，全面提升物流仓储运作管理水平，优化供应链网络布局。2.2.4大数据应用模块1.绩效管理大数据4V（Volume大量、Velocity高速、Variety多样和Veracity精确）的特点，可以充分解决传统绩效管理中的问题，发挥绩效管理的真正价值。其对绩效管理的重构主要体现在以下三个方面。（1）基于大数据的战略化绩效管理基于大数据平台，绩效管理从关注指标到关注战略目标转变。随着数据获取成本的降低，企业可以随时获得多样化的、大量的数据，数据的获取将不再成为问题，及时性也得到了有效的解决，每个部门、每个人的工作可以随时响应外部环境的变化，根据客户需求的变化及时调整和修正自身的行为，因此，绩效指标的设计和调整也需要能够及时跟上这种变化，员工不再担心指标制订后与实际工作脱节的问题，可以全身心的聚焦于自己的工作，始终保持与企业战略目标的一致性。2.2.4大数据应用模块（2）基于大数据的过程化绩效管理基于大数据平台，绩效管理从关注结果到重视过程转变。数据信息系统将能够随时反映每个员工的工作时间、动作、流程以及成果完成情况，包括生产、销售、人力等各类业务和管理数据在平台上进行汇总，并能够被随时调取和分析。这就为管理者及时进行过程管理提供了可靠的依据，而且绩效的沟通和辅导周期可以从年度、季度和月度缩短到周和天，管理者可以随时关注员工工作完成情况，及时进行监督和指导，这对传统的绩效管理制度和管理方式都是一个重构的过程。2.2.4大数据应用模块（3）基于大数据的精细化绩效管理基于大数据平台，可以实现对员工个人绩效从粗放管理到精细化管理的转变。一是通过对员工个人工作数据、行为数据等的收集及比较和分析，对员工的工作进行精细化管理，便于员工及时发现工作中存在的问题，以及绩效改进和提升的方向，并精确的寻求同事和上级的指导和帮助，提升个人工作绩效。二是通过对员工相关数据的分析，可以对员工的绩效、能力素质等进行精准画像，指出其优势和存在的不足，为员工职业生涯发展规划提供依据。三是便于管理者进行精细化的绩效评价，由于大数据平台能够实时地反映员工绩效完成情况，以及与其他员工的对比，这样绩效评价的准确度更高，也更容易被员工接受，通过对比员工明白自己的差距，可以有效激励员工努力工作，不断提升。2.2.4大数据应用模块当前，一些著名的企业已经开始利用大数据进行绩效管理的变革。以结果考核和末位淘汰而著称的通用电气，已经放弃了先前的这种评估方式，就像通用电气人力资源主管说的，这种方式“更多地变成了一种仪式，而不是推动公司前进的举措”。现在他们通过一款名为“PD@GE”（意为“在通用电气的绩效发展”）的应用，核心是关注过程，频繁地得到员工的工作反馈，经理会经常与员工讨论工作进展情况并进行指导。因此，大数据对绩效管理的重构将回归绩效管理的本质，赋能管理、激发员工潜能，最终实现员工和企业的共同成长。2.2.4大数据应用模块2.决策分析（1）供应链计划，与物料、订单同步的生产计划与决策有效的供应链计划系统集成企业所有的计划和决策业务，包括需求预测、库存计划、资源配置、设备管理、渠道优化、生产作业计划、物料需求与采购计划等。企业根据多工厂的产能情况编制生产计划与排程，保证生产过程的有序与匀速，其中包括物料供应的分解和生产订单的拆分。在这个环节中企业需要综合平衡订单、产能、调度、库存和成本间的关系，需要大量的数学模型、优化和模拟技术为复杂的生产和供应问题找到优化解决方案。（2）网络设计与优化决策对于投资和扩建，企业从供应链角度分析的成本、产能和变化更直观、更丰富也更合理。企业需要应用足够多的情景分析和动态的成本优化模型，帮助企业完成配送整合和生产线设定决策。2.2.4大数据应用模块3.关键运行指标动态监控预警对供应链渠道，以及生产现场的仪器或传感器网络收集的大量运行指标进行数据的监管、整合与分析，可以帮助改善库存管理、销售与分销流程的效率，以及对设备的连续监控和预测性维护。风险预警，在大数据与预测性分析中，有大量的供应链机会。例如，问题预测可以在问题出现之前就准备好解决方案，避免措手不及造成经营灾难。还可以应用到质量风险控制，如上海宝钢，其生产线全部实现流水化作业，生产线上的传感器可获得大量实时数据，利用这些可以有效控制产品质量。通过采集生产线上的大量数据，来判断设备运营状况健康状况，对设备发生故障的时间和概率进行预测。这样企业可由此提前安排设备维护，保证生产安全。大数据将用于供应链从需求产生，产品设计到采购、制造、订单、物流以及协同的各个环节，通过大数据的使用对其供应链进行翔实的掌控，更清晰地把握库存量、订单完成率、物料及产品配送情况等数据指标；通过预先进行数据分析来调节供求；利用新的策划来优化供应链战略和网络，推动供应链成为企业发展的核心竞争力。2.2.4大数据应用模块4.各职能部门综合管理每个供应链企业均包括不同的职能部门，如何解决各职能部门数据孤岛、各自为政、业务不协同等问题，提高业务效率，是每个企业都要考虑的重要问题，供应链大数据平台可以集成各职能部门信息，实现各种复杂的跨部门业务的可靠、可行和高效。具体体现在以下四个方面。（1）建立数据规范体系，保证数据源头统一建立健全涵盖各业务运营数据、基础数据、主题数据的数据管理体系，制定主数据标准。供应链管理规范业务流程是从客户需求-企业采购-生产-财务-客户等，从每个业务关键环节采集统一标准的客户、采购、库存、质量、检验、供方、生产等重要信息，所有数据来源于供应链业务链条上产生的客观历史数据，建立了相关静态数据及动态数据的规范性，保证了数出一源，信息采集全面并且及时，克服了主观分析的片面性。2.2.4大数据应用模块（2）数据信息在各职能部门间及时共享和传递为了弄清信息孤立、数据孤岛对企业管理的危害，让我们看看以下事例。一个电线厂有3个顺序生产区。该工厂经常满负荷运转，因此用于修理和维护的时间非常紧张，但又极其重要。3个生产区都保持着少量的库存，保证生产线在正常的简短停机期间正常运转。尽管如此，当上游生产区的停机时间超出库存容许的期限时，下游的两个区域主管和维修主管经常为此叫苦不迭，他们没有及时得到延误通知。难道你不认为上游的机器操作员在发生故障时有责任在第一时间向下游的人发出警告吗？偶尔，会有一些人这样做，但更多时候，他们没有。上游的每个人都手忙脚乱，试图解决问题，他们没有时间思考下游的问题，或者认为不会耽误太久，而且，他们不太确定是否有权提前通知。在这个事例中，建立通知关系就足以彻底解决问题。一旦信息得到共享，这种类型的通知责任就终止了，至于如何根据得到的信息行动，则完全取决于被告知人。但关键在于，他需要得到信息，然后才能做出最好的决定。因此，企业中各职能部门必须实现数据的开放和各自数据信息系统的相互对接、共享，从而提高工作效率，降低沟通成本，协同推动某一事务的顺利进行。2.2.4大数据应用模块（3）基于大数据实现各职能部门及上下游间的协同工作通过物资采购、客户管理等打通企业内部与外部产业链客商之间的数据协同链路，把企业内部以及上下游合作伙伴——供应商及客户间的业务看作一个整体功能过程，形成集成化供应链管理体系，达到全局动态最优的目标，以适应市场对生产和管理过程提出的高质量、高柔性和低成本的要求，协同合作，实现战略共赢。全面获取、传输、管理、集成外部经营环境数据，包括竞争对手数据、行业数据、市场数据、政策法规数据等，通过有效的数据组织管理，实现对集团内部业务数据、外部产业链客商数据、外部经营环境数据等的有效数据融合，从而构建一个以集团业务数据为核心，服务于集团业务发展的数据资源池，为建立数据驱动的新型合作关系提供依据和支撑。（4）基于大数据实现各职能部门间相互监督制定和实施跨部门联动的企业规章制度和业绩考核制度。一方面，加快制定企业规章制度，对供应链企业各职能部门间关系的权力责任做出明确规定；另一方面，在各职能部门业绩考核的时候，实行关联部门之间的互相考核打分，以此遏制一些职能部门在跨部门治理进程中的故意不作为和搭便车行为，旨在达到推动各职能部门间协同工作能力的目的。2.2.4大数据应用模块5.供应链大数据应用定制通过大数据与云计算、物联网、移动互联网等新一代信息技术应用的结合，形成数据的全面、透彻、及时地智能感知能力，实现数据的精准洞察；将数据作为一种新的生产要素深度融入并驱动供应链企业的战略管理、创新研发、产品实现、运营管控、价值链管理等业务活动过程，实现各业务活动数据共享和自动化巡航；构建以强大模型与算法库为支撑的自主性决策执行模式，业务上形成一套“数据-信息-知识-智慧”的闭环数据驱动管理模式，提升产品全生命周期、全业务过程、全价值链等环节的综合创新能力，增强对于经营环境与市场需求变化的自适应能力，在信息经济时代高效、优质地满足各类用户个性化、多样化、定制化需求。2.2.5大数据共享模块1.报表定制&个性定制对海量的数据进行快速分析，并实现报表内容和形式两个方面的个性化定制。内容上，对供应链各部门业务进行分析，按照业务需求形成各种维度的报表，便于业务人员对数据进行掌握、分析、和传输，通过灵活的数据交互和探索分析能力，发现更多的数据潜在价值，为管理者制定决策，提供更全面的数据支撑。形式上，报表的分析方式不仅仅限于普通的表格、折线，而是提供多样化的展现和分析形式，包括自助式BI分析、数据可视化、报表统计、多源数据整合、以及数据填报等功能，既能独立部署使用，也能与其他软件进行深度集成和OEM合作。同时，还支持业务人员自己编制、修改、探索、分析各种业务数据与报表。2.2.5大数据共享模块2.分配管理&权限管理建立覆盖数据提供、共享、使用、反馈等各个关键节点的全流程数据管理模式，保障数据安全又便捷的被供应链各部门成员获取和使用，实现数据的检查、分析及持续追踪和质量整改。一方面帮助不同的业务部门之间方便地分享数据，实现数据的开放管理，优化供应链各部门的数据协同机制；另一方面对涉及商业机密或者个人隐私的数据在分享时进行权限设置或者做脱敏处理，实现数据的安全使用。2.2.6大数据客户端模块良好安全的客户端一方面可以提升用户体验和方便客户进行业务决策，另一方面有利于收集和挖掘客户信息，为企业深度定制响应客户多样需求和开展个性化服务打下良好基础。1.客户端应用软件的分类客户端应用软件一般分为资金交易类、信息采集类和资讯查询类。资金交易类客户端直接面向用户提供资金交易服务，需要完全满足规范要求；信息采集类客户端不直接向用户提供资金交易服务，但需要采集个人敏感信息，因此隐私合规仍然需要强满足，除了数据回退处理以及防篡改抗抵赖其他方面则需要全部满足；资讯查询类客户端仅提供金融产品推介、信息查询、资讯推送等服务，因此重点需要满足软件权限以及应用本身开发与设计要求。2.2.6大数据客户端模块2.客户端的特性（1）丰富的可视化组件大数据客户端可提供丰富的可视化组件，让纷繁数据隐藏的价值一目了然。（2）多界面客户端全面响应供应链管理的快捷化、移动化需求，助力高效运营指挥和决策统筹。（3）丰富的营销客户端应用引擎配套实现跨站、跨渠道、跨平台的用户及商品拉通管理及全业务驱动的用户行为挖掘分析及用户画像个性化推荐。2.2.6大数据客户端模块3.客户端的设计原则（1）平台交互性原则需熟悉对应平台的设计规范，包括界面框架结构、弹窗对话框等交互方式，便于设计出符合平台设计规范且友好的产品界面。（2）业务功能理解原则需要明白哪些业务是产品的核心业务流程，对界面功能的优先级展示会有参考，向用户展示这个产品可以先做什么后做什么，方便用户快速理解产品的设计思路。（3）以用户为中心原则关注不同行业的需求特性，服务不同行业客户需熟悉目标用户在使用产品时的操作习惯和最关注的点，避免设计规划的原型不符合用户的认知，导致用户学习成本增加或造成不好的用户体验。2.2.6大数据客户端模块（4）安全性原则大数据可将互联网中的数据转换成有价值的资源，但当大数据使人们的生活变得愈加方便快捷的同时，安全和个人隐私泄露问题也随之爆发，你根本不知道什么时候自己的隐私就无意中被泄露出去，这将使人们的生活安全以及隐私保护受到极大困扰，必须从技术、法规等多个角度加以解决，而客户端的设计也应遵循该原则。安全合规的客户端应用软件，应对APP个人隐私合规要求要进行明确说明，针对身份认证安全、逻辑安全、安全功能设计、密码算法及密钥管理以及数据安全提出明确的测试指标及通过标准。逻辑安全应强调逻辑安全设计、软件权限控制以及风险控制等方面的要求；安全功能设计应强调组件安全、接口安全、客户端抗攻击能力以及环境检测的检测要求，检测主体从客户端主体到集成第三方SDK、H5、服务端接口，要求的更加全面，通过标准则是从安全防护、安全检测、客户端运行环境监测全方位考量；密码算法及密钥管理强调开发者需要在开发阶段即采取密钥保护措施；数据安全则应从数据获取、访问控制、数据传输、数据存储、数据展示、数据销毁即数据安全全生命周期角度提出要求，其中数据获取不仅需要考虑个人金融信息收集的合规，还需要考量客户端的防篡改、防注入、防调试等高危风险漏洞，开发者需要从检测到加固做好全面防护。2.3.1我国供应链大数据平台的发展现状1.发展现状我国社会化供应链成本占到GDP的18%左右，远高于欧美国家（7%～8%）。传统的企业供应链协同与管理存在诸多弊端，譬如沟通方式老旧，效率低下；采购协同、互动及跟踪线下进行，无法及时响应变化；企业和供应商系统没有衔接，主要以人工进行催单和对账；产品、物料、价格没有历史记录，后续查证对比缺乏依据；合同模版的定义与审批、补充协议业务没有系统支撑，执行进度难以监督等。继2017年国务院办公厅发布了《关于积极推进供应链创新与应用的指导意见》，十九大首次提出在现代供应链等领域培育新增长点，形成新动能之后，2018年4月份财政部办公室，商务部又联合发布《关于开展2018年流通领域现代供应链体系建设的通知》。供应链时代的到来给企业带来了新的挑战与机会，非核心业务外包已成为企业应对环境变化和市场竞争的重要手段。在此大环境背景下，构建一批整合能力强、协同效率高的供应链平台迫在眉睫。2.3.1我国供应链大数据平台的发展现状我国国内现有的国产供应链服务平台起步于90年代末。国内第一家上市的供应链公司为深圳市怡亚通供应链股份有限公司，成立于1997年。现有500余家分支机构，近3万员工，于国内外2000多家知名品牌商合作。怡亚通紧密聚合品牌企业、经销商、渠道商、物流商、金融机构、增值服商等各大群体，以供应链服务为载体，物流为基础，互联网为手段，致力于打造一个跨界融合、共享共赢的B2B2C/O2O供应链商业生态圈，并以“新流通”积极推动中国流通商业变革，引领行业发展。此外，还有诸如以卓越的供应链管理和服务，提升客户竞争力为使命的主页供应链管理公司——江都飞力达，致力于构建企业和上下游供应链、金融机构、物流行业、服务商一体化发展和管理的产业生态系统的服务平台——东信达软件，以投资行办实业、提供供应链服务为主营的专业化服务平台——年富实业，IT协同产业链平台——汇新云，生鲜供应链服务平台——九曳，提供采购管理系统SAAS服务的初创企业——上海企链网络科技有限公司等。在过去10年的发展中，传统的中国供应链已经陆续出现破壳裂变的种种迹象，具有创新思维的供应链企业正蓄势待发。进入2016年以来，我国供应链行业进入高速发展期。一方面中国企业的供应链管理需求不断凸显，另一方面第三方物流的高速发展也为供应链发展奠定基础，此外供应链行业发展受到政府的极大重视和政策扶持。根据前瞻研究院预测，未来五年我国物流及供应链服务市场价值复合增长率将保持在10%左右。在未来一段时间内，供应链平台生态圈将应运而生，增值服务成为供应链的主要趋势，大数据的开发研究作为新的行业价值点，三四线城市，农村等底层供应链平台将迎来商机。2.3.1我国供应链大数据平台的发展现状2.存在的问题大数据时代，数字经济正以肉眼可见的速度朝我们的日常生活飞奔，据IDC预测，到2021年，全球至少50％的GDP将以数字化的方式实现，数字技术将全面渗透到各个行业，并实现跨界融合和倍增创新。个人数据的网络化和透明化已经成为不可阻挡的大趋势。正因如此，数据泄露事件时有发生，让大数据技术与个人隐私之间的矛盾变得仿佛不可调和，也让普通公众对数字经济时代和大数据风控行业产生了严重的不信任感，仿佛一提到大数据就是要窃取个人的隐私，不自觉地将个人信息与大数据风控严重对立。人们一边享受着数字经济带来的高效和便利，一边又担心大数据利用强大的算法和技术，搜集自己的购买偏好、消费习惯等信息，让自己裸露在网络世界中。大数据发展可能导致一系列新的风险。例如，数据垄断可能导致数据“黑洞”现象。一些企业凭借先发展起来的行业优势，不断获取行业数据，但却“有收无放”，呈现出数据垄断的趋势。这种数据垄断不仅不利于行业的健康发展，而且有可能对国家安全带来冲击和影响。又如，数据和算法可能导致人们对其过分“依赖”及社会“被割裂”等伦理问题。大数据分析算法根据各种数据推测用户的偏好并推荐内容，在带来便利的同时，也导致人们只看到自己“希望看到的”信息，从而使人群被割裂为多个相互之间难以沟通、理解的群体，其可能引发的社会问题将是难以“亡羊补牢”的。总体而言，我国供应链大数据平台发展过程中存在的主要问题包括：大数据治理体系尚不完善、核心技术尚显薄弱、融合应用尚不成熟等，在此前提下，行业“乱象”必然丛生。2.3.1我国供应链大数据平台的发展现状（1）大数据治理体系尚不完善首先，法律法规滞后。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。其次，共享开放程度低。推动数据资源共享开放，将有利于打通不同部门和系统的壁垒，促进数据流转，形成覆盖全面的大数据资源，为大数据分析应用奠定基础。再者，安全隐患增多。近年来，数据安全和隐私数据泄露事件频发，凸显大数据发展面临的严峻挑战。在大数据环境下，数据在采集、存储、跨境跨系统流转、利用、交易和销毁等环节的全生命周期过程中，所有权与管理权分离，真假难辨，多系统、多环节的信息隐性留存，导致数据跨境跨系统流转追踪难、控制难，数据确权和可信销毁也更加困难。2.3.1我国供应链大数据平台的发展现状（2）核心技术尚显薄弱数据规模高速增长，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。近年来，数据规模呈几何级数高速成长。据国际信息技术咨询企业国际数据公司（IDC）的报告，2030年全球数据存储量将达到2500ZB。当前，需要处理的数据量已经大大超过处理能力的上限，从而导致大量数据因无法或来不及处理，而处于未被利用、价值不明的状态，这些数据被称为“暗数据”。据国际商业机器公司（IBM）的研究报告估计，大多数企业仅对其所有数据的1%进行了分析应用。基础理论与核心技术的落后导致我国信息技术长期存在“空心化”和“低端化”问题，大数据时代需避免此问题在新一轮发展中再次出现。近年来，我国在大数据应用领域取得较大进展，大数据获取、存储、管理、处理、分析等相关的技术已有显著进步，但是大数据技术体系尚不完善，基础理论、核心器件和算法、软件等层面，较之美国等技术发达国家仍明显落后。在大数据管理、处理系统与工具方面，我国主要依赖国外开源社区的开源软件，然而，由于我国对国际开源社区的影响力较弱，导致对大数据技术生态缺乏自主可控能力，这成为制约我国大数据产业发展和国际化运营的重大隐患，大数据基础理论的研究仍处于萌芽期。2.3.1我国供应链大数据平台的发展现状首先，大数据定义虽已达成初步共识，但许多本质问题仍存在争议，例如：数据驱动与规则驱动的对立统一、“关联”与“因果”的辩证关系、“全数据”的时空相对性、分析模型的可解释性与鲁棒性等；其次，针对特定数据集和特定问题域已有不少专用解决方案，是否有可能形成“通用”或“领域通用”的统一技术体系，仍有待未来的技术发展给出答案；其三，应用超前于理论和技术发展，数据分析的结论往往缺乏坚实的理论基础，对这些结论的使用仍需保持谨慎态度。推演信息技术的未来发展趋势，较长时期内仍将保持渐进式发展态势，随技术发展带来的数据处理能力的提升将远远落后于按指数增长模式快速递增的数据体量，数据处理能力与数据资源规模之间的“剪刀差”将随时间持续扩大，大数据现象将长期存在。在此背景下，大数据现象倒逼技术变革，将使得信息技术体系进行一次重构，这也带来了颠覆式发展的机遇。2.3.1我国供应链大数据平台的发展现状（3）融合应用尚不成熟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。当前，工业互联网成为互联网发展的新领域，然而仍存在不少问题：政府热、企业冷，政府时有“项目式”“运动式”推进，而企业由于没看到直接、快捷的好处，接受度低；设备设施的数字化率和联网率偏低；大多数大企业仍然倾向打造难以与外部系统交互数据的封闭系统，而众多中小企业数字化转型的动力和能力严重不足；国外厂商的设备在我国具有垄断地位，这些企业纷纷推出相应的工业互联网平台，抢占工业领域的大数据基础服务市场。当前，我国互联网领域的大数据应用市场化程度高、发展较好，但行业应用广度和深度明显不足，生态系统亟待形成和发展。事实上，与实体经济紧密结合的行业大数据应用蕴含了更加巨大的发展潜力和价值。以制造业为例，麦肯锡研究报告称：制造企业在利用大数据技术后，其生产成本能够降低10%~15%。而大数据技术对制造业的影响远非成本这一个方面。利用源于产品生命周期中市场、设计、制造、服务、再利用等各个环节数据，制造业企业可以更加精细、个性化地了解客户需求，建立更加精益化、柔性化、智能化的生产系统，创造包括销售产品、服务、价值等多样的商业模式，并实现从应激式到预防式的工业系统运转管理模式的转变。2.3.2供应链大数据平台的典型应用1.京东“京慧物流数据平台”京东为助力产业数智化发展发布了四大企业级产品，分别是泛零售技术服务平台“零售云”、数字化供应链平台“京慧”、智能客服与营销平台“言犀”和市域治理现代化平台“仑灵”，这些产品将在零售、物流、金融、教育、政务等众多场景中落地。其中，京东“京慧”是京东物流为商家量身打造的统一大数据产品。产品结合了京东物流内外的海量数据，运用大数据计算及分析挖掘方法，聚焦电商信息、物流产品、消费者、商品等，为物流客户提供商品分析、物流产品分析、客户分析等多维度数据服务，赋能商家、提升体验。京东“京慧”具有7个功能模块、19个主题及60个核心指标，其方案架构如图2-5所示。“京慧”的功能亮点主要体现在商品备货支持、物流全链路监控和异常订单跟踪三个方面。2.3.2供应链大数据平台的典型应用2.3.2供应链大数据平台的典型应用（1）商品备货支持支持任意仓库及SKU的库存查询，通过库存分析查询，可以掌握每个SKU的库存周转天数和出库件数的情况，明细数据的导出可以很好地帮助商家分析当前的库存结构，从而进行合理的备货，提升销量。（2）物流全链路监控京东物流从商家订单接收开始，监控了仓库发货、快递揽收、分拣运输、站点妥投等各环节运行单量情况，给商家提供了透明化的运营过程，让商家感受到京东物流的品牌价值。（3）异常订单跟踪及时的告知商家异常订单的详细情况，提前获知并处理，从而保障消费者良好的用户体验，并及时避免货品的损失。“京慧”的方案优势主要体现在全链路数据可视化、大盘数据异常极速定位和多维度全链条诊断分析三个方面。（1）全链路数据可视化基于京东大数据基础，打通仓储、配送、异常等全链路数据，为商家提供一站式的物流数据服务。（2）大盘数据异常极速定位通过自动集成海量数据和物流数据分析方法，可快速定位并跟进异常、库存布局、商品备货提供数据运营指导。2.3.2供应链大数据平台的典型应用（3）多维度全链条诊断分析多维度数据纵横对比，结合科学的分析方法，对库存健康、仓储布局以及配送方案等进行深度诊断分析，提供最优实施方案指导，降低仓配成本。京东方面表示，京东物流科技已经成为点燃供应链变革的新引擎：以物流为科技最佳应用场景，人工智能、区块链、机器视觉、实时计算、柔性自动化等技术呈现爆发趋势，JDL京东物流创新与实践并重，领跑行业；打造规模应用的物流机器人军团，通过机器人与自动化、智能快递车、智能快递柜等技术提升物流作业的效率，其中自动化分拣效率提升100％，天狼仓有效提升仓储效率3倍、坪效2.5倍，与同规模国际智能设备的数据相比，订单生产效率超出8％，改变了商家大促期间被动应战、柔性不足的局面；夯实物联网、大数据、云计算、区块链等数据底盘技术，帮助物流行业打通链条、实现协同，加速了行业的智能化演进与模式革新，JDL京东物流科技的红利已经惠及数以万计的商家及合作伙伴。“京慧”这一京东物流打造的数字化供应链平台型产品，能够为企业提供大数据、网络优化、智能预测、智能补调以及智能执行等一体化服务，帮助企业通过量化决策和精细化运营实现降本增效。“京慧”为安利定制化开发了商品布局、销量预测与智能补货系统、库存仿真和库存健康诊断系统方案，帮助安利节约成品物流费用10%以上，库存周转天数降低40%以上。据京东2020年三季报披露，京东物流业务及其他服务的季度营收为104亿元，同比增长73%。截至2020年9月30日，京东物流运营超过800个仓库，包含京东物流管理的云仓面积在内，仓储总面积约2000万平方米。此外，9月份京东物流收入接近50%来自第三方商户，物流规模效应显现，带动该季度履约毛利率同比提升0.3pct，达到8.7%。2.3.2供应链大数据平台的典型应用2.联想“LEAP大数据平台”联想集团是世界500强企业，个人计算机市场份额全球第一，年营业额达3500亿人民币。目前在180个国家和地区开展业务，有34个制造工厂。员工5.7万人，其中研究人员和科学家达1万人。在全球有15个研发基地、4个新AI创新中心，每年对研发投入超100亿人民币，拥有27000个有效专利及专利申请资产。联想在全球有3万多个客户，每年订单超380万行，设备出货达1亿台，合作供应商2000多家。联想全球供应链以客户为中心向数字化转型，愿景是打造高效、敏捷、智能的数字供应链，实现极致的客户体验、行业领先的成本、卓越恒久的品质。在“Gartner2020全球供应链TOP25”名单中，联想再次入围并排名第15位，其全球供应链管理卓越度有明显提升。目前，联想的数字化转型初见成效，据测算，从预测到供应响应时间减少了50%，全球订单管控时间由7天缩短到4小时，节约成本1.86亿美元。联想LEAP大数据平台是面向企业级业务分析的平台，可以实现大数据分析和应用，完全释放企业大数据资产的价值，客户使用自己核心的业务数据，联想提供平台、服务以及技术支持，帮助客户进行大数据的应用，其功能架构如图2-6所示。2.3.2供应链大数据平台的典型应用2.3.2供应链大数据平台的典型应用联想大数据高级经理张建伟将联想LEAP大数据平台的竞争优势归纳为以下七个方面（1）规划和设计的服务包括联想在内的许多企业，在大数据应用之初都没有明确的方向，甚至也走过不少的弯路，这在很大程度上是因为对于大数据的目标和愿景缺乏清晰的认识。在精确分析过客户的需求之后，联想意识到许多客户有应用大数据的愿望，但是缺少整合的、统一的规划。为此，联想成立的专门的服务团队，从客户的需求入手，以技术、管理、数据、战略等多个角度切入，结合联想自身和行业伙伴的经验与实践，帮助客户基于联想大数据这个LEAP平台提供规划设计服务。（2）平台搭建服务在确定了目标之后，接下来就是平台的搭建。在实际的应用中，客户一旦确定了应用的目标，那么接下来面对的就是基础平台的缺乏，包括数据、计算、收集等需求。为此，联想结合自身多年来在渠道、在行业ISV中的良好生态环境，为用户提供完善的平台服务，包括基于业务场景的平台大数据技术的深度优化和服务。（3）数据质量、数据管理服务一旦用户引入大数据系统或者将原有的数据重组之后，数据将会是海量的、多元的、异构的。针对这些数据如何在企业层面对数据进行管理，从数据的标准、质量和安全，包括对整个数据生命周期进行管理，这成为摆在客户面前的突出问题。联想LEAP大数据平台的价值就是通过咨询、服务帮助客户梳理构建自身的体系和流程，然后再通过相关的工具进行梳理。这样一来，可以帮助客户理顺整个数据资产，以便于对数据资产更好的掌控以及未来更好的应用。2.3.2供应链大数据平台的典型应用（4）定制化的服务相比于国外的标准化服务，中国是个非常特殊的存在，在大数据的应用方面也具备一些“中国特色”。在中国不同的行业，甚至不同行业的不同环节，不同的纵向生产环节，服务都是不一样的。可以说在应用层面，包括在大数据层面，除了底层的计算技术以外，偏应用层面的技术很多都需要定制化地去开发。张建伟强调：“同业相关的竞争对手也好，友商也好，他们其实是很难去提供定制化的服务的。这也是联想从产品向服务转型的过程中自己挖掘和自己探索的，根据客户的需求探索的定制化服务，是联想LEAP大数据平台的核心竞争力”。（5）集成开发目前，无论哪个行业客户，在大数据应用过程中更多喜欢的是交钥匙工程，也就是完整的集成方案。这就涉及整体的系统集成，因为联想本身有自己的硬件、软件，又有自己的实施团队，所以联想可以提供给客户完整的集成方案，来去帮助客户达成最终的目标。2.3.2供应链大数据平台的典型应用（6）统一的运维服务现在大数据的平台对很多企业而言，尤其是传统企业而言，运维还是存在一定的风险和技术瓶颈。一是技术不断迭代，演进太快；二是原有的人员在学习大数据的时候需要时间、成本，还有一些企业把IT作为轻资产，但运维人员很难去满足大数据相关的分析及运维相关的服务。在这些用户痛点上，联想都可以跟企业一起，或者是帮助企业以统一运维的形式给企业提供相关的运维服务。（7）数据变现服务在经过上述的应用之后，大数据已经成为企业业务的一部分，进而企业也需要将现有数据进行变现。但是在这个层面，如今行业整体也处于探索阶段，包括联想在内也已经与互联网、汽车等多家行业单位进行共同的数据变现的探索，比如如何整合企业内外部的渠道，去通过第三方去探索数据变现之路，包括商业模式等多个层面。正因为联想LEAP大数据平台的上述优势，越来越多的客户包括宝钢集团、武汉石化、长飞光纤、海马汽车等借助于联想LEAP大数据平台实现了数据的挖掘、清晰、整理和再变现，成功拥抱了大数据时代。2.3.2供应链大数据平台的典型应用3.百分点科技“媒体数据中台”北京百分点科技集团股份有限公司打造“数据供应链”战略拟建立以大数据管理平台为中心的覆盖社交媒体、移动终端、内容网络等多源异构的用户偏好数据库，通过云服务平台，提供包括大数据应用产品“百分点个性化推荐引擎”、运营决策分析产品“百分点分析引擎”、商品销售预测产品“先知说”、服饰行业应用产品“百分点时尚搭配引擎”、媒体内容推荐引擎产品“推豆儿”等在内的一系列“分析即服务”型产品，消除大数据在企业间的“孤岛效应”，通过其大数据应用通道帮助零售、汽车、金融、保险、电子商务等行业打造企业所需的“数据供应链”，同时驱动这些行业的业务创新并大幅提升商业价值。百分点科技媒体数据中台由四部分组成，如图2-7所示，包括数据资产管理平台、数据智能分析平台、资源发布与展示平台、资源服务共享平台等部分：数据资产管理平台的本质是将数据资产化；数据智能分析平台的本质是将数据智能化；资源发布与展示平台的本质是将数据场景化；资源服务共享平台的本质是将数据服务化。2.3.2供应链大数据平台的典型应用百分点科技媒体数据中台架构可以划分为资源汇聚、数据预处理、数据入库、数据整理、数据资产、数据服务等过程，如图2-8所示，该架构将“数据能力下沉、业务应用上浮”，打造“大中台、小前台”的技术布局，形成可持续的媒体数据与服务支撑平台。2.3.2供应链大数据平台的典型应用2.3.2供应链大数据平台的典型应用（1）数据资源数据资源汇聚包括数据采集和数据集成。这些资源数据主要来源于内容生产数据、第三方数据、互联网定向数据等，包括稿件、报刊、期刊、社交媒体、移动客户端、网站等数据类型。支持数据库、文件、流式等多种接入方式对多源异构数据进行接入，将数据资源汇聚整合。值得注意的是，汇聚过程需要针对目前业务系统的规划实现汇聚处理，并对数据进行统一的存储规划。（2）数据预处理数据预处理主要是对数据进行初步的清洗和标准化等预处理工作。数据入库前的预处理会进行字段解析、映射、转换以及处理字段的残缺、错误、数据去重等工作。清洗之后的数据需要进行标准化处理，将不同格式的数据按照统一数据格式规范转换。同时，数据入库前一般需要进行自动标引、数据分类等工作：针对文本数据，会进行自动分类、自动摘要、关键词、情感分析等方面的识别和标签提取；针对图片类型数据，会进行图片人物、图片场景、图片属性、新闻事件、地标建筑等方面的识别和标签提取；针对音频数据，会进行语音识别、音频属性、新闻事件等方面的识别和内容提取；针对视频数据，会进行视频人物、视频场景、视频属性、新闻事件、地标建筑等方面的识别和标签提取2.3.2供应链大数据平台的典型应用（3）数据入库数据入库是对解析后的文本、图片、音视频、文件等数据进行分层分区存储。待入库的数据需要保证数据的完整性、规范性和时效性，必须按照平台要求的数据格式规范统一进行转换后入库。（4）数据整理数据整理主要是对入库的数据进行人工标引、数据集成等工作，通过数据选取、标引、校对等功能，对数据进行标引和有序地组织、检索和展示。同时，可以根据标签汇聚资源专区，形成服务接口供第三方系统调用，通过人工标引这种方式，来提升数据的标签准确度，为一些重要专题制作的准确性打下基础。（5）数据资产数据资产环节是把接入的数据基于业务现状及未来规划进行数据资产划分，对接入的数据进行深层级的加工、实现数据资源的分类管理、元数据管理、资产管理。媒体数据资产主要由内容库和主题库两个部分组成，业务库是基于业务系统构建的，为前台业务提供诸如专题库、语料库、实体库、知识库等业务为导向的数据资产。而主题库是为了应对快速建库需求，通过简单的检索筛选，形成满足业务需求的主题库，降低了数据开发成本。（6）数据服务数据能力和智能分析能力全部以微服务的形式对外提供调用，由数据中台保证数据服务的性能和稳定性、数据质量和准确性，实现服务的统一管控和综合治理。

2.3.3供应链大数据平台的发展趋势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。数字化供应链的关键是通过各类新技术全面连接供应链上下游、企业内外部的不同参与者，实现信息与数据的实时共享，打造透明、可视、智慧的供应链。未来全球供应链将呈现“客户需求、全球配置资源、大规模网络化共享、平台化协同”的分工合作态势。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。供应链向平台化整合已经是大势所趋，由平台模式搭建的生态圈，不再是单向流动的价值链，而是能促使多方共赢的商业生态系统。供应链平台生态圈是以生态为基础的新型商业模式，具有长远的战略价值。平台企业是价值的整合者，也是多变群体的连接者，更是生态圈的主导者，其终极目标就是打造具有成长活