供应链数据处理

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。

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 ……此处隐藏2234个字……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。