供應鏈數據處理方法 _知識經驗

文章插圖
供應鏈數據處理
供應鏈數據處理，數字化時代，企業擁有越來越豐富的數據，數據分析逐漸成為員工必備技能之一。因此，在供應鏈管理領域，我們應該重視數據分析。下面分享供應鏈數據處理。
供應鏈數據處理1為什么及時準確的數據在供應鏈管理中如此重要？
1.供應鏈中的數據類型
數據有很多種類型，其中一種就是把它分為靜態數據和動態數據。前者包括公司基本信息、產品型號、采購價格、BOM等相對固定的信息。
后者主要是一些事務性的信息，比如生產線的日產量，客戶訂單的數量，倉庫的實際收貨數量，運輸的地點等等。
只要靜態數據準確，沒有實時性要求。比如公司名稱一般不會改，只要確定公司地址、法人、銀行賬號正確就行。
對動態數據的要求很高，不僅要準確，而且要能時刻反映實際情況。
每個人都有網購的經歷。貨物出庫后，快遞公司會每隔一段時間刷新一次包裹的位置，這是通過車上的GPS定位來實現的，然后根據貨車配送計劃，大致可以給出配送時間。通過一輛貨車上的GPS，可以跟蹤全車的貨物，是一對n的關系，所以實現動態數據的成本并不高。
離散制造業的情況要復雜得多。一件商品需要追溯到原材料供應商。進廠后需要經過幾個不同的生產加工中心，然后完成組裝和檢驗，才能入庫配送給下游經銷商或零售商。
我們很少在原材料上安裝追蹤裝置，除非商品價值很高，或者在這方面有強制性的監管要求，比如藥品。
如果要跟蹤生產進度，需要使用工業4和0的技術，在每臺設備上安裝傳感器，系統處理后會自動上傳數據。如果要在每一個生產和內部搬運設備上都安裝傳感器，對于一個工廠來說會太沉重，性價比不高。除了少數行業標桿企業，對于大多數工廠來說，做實時數據的想法并不強烈。
2.為什么供應鏈需要及時準確的數據？
說到這里，供應鏈對及時準確的數據有著強烈的需求，因為我們要在所有的生產、配送、采購、售后服務之間建立無縫鏈接。此外，有兩個關鍵因素使我們有必要獲得及時性和準確性。
2，1增強供應鏈的可見性
對于供應鏈中的參與者來說，關鍵的可見性問題包括貨物的預期生產和交付時間。例如，供應商承諾30天交貨，但實際上他需要45天。因為一些原材料漲價了，供應商需要更多的時間在市場上尋找貨源，他不愿意購買更貴的原材料，因為這會增加成本，除非客戶愿意接受供應商的調價要求。
原材料和備件庫存的位置也屬于可見性，客戶需要根據這些信息來安排后續的生產和銷售計劃，這非常依賴于信息的準確性。當供應商承諾在某一天將貨物送到客戶工廠時，供應鏈會將這些信息輸入系統，并以此為基礎制定生產計劃。銷售會根據生產完成日期通知客戶，環環相扣。
一旦供應商信息有誤，貨物到達時間晚于承諾時間，就會影響供應鏈的下游安排，出現所謂“計劃趕不上變化”的情況。
跟蹤交貨日期和庫存位置只是初級的可見性，更深層次的需求是能夠預警供應鏈中斷的風險。根據現有的信息，我們需要判斷何時何地會出現短缺，對生產和銷售有什么影響。
比如生產線缺了一些零件，就要停工4個小時。如果每小時產量為100套產品，每套價格為200元，那么損失等于4 * 100 * 200 = 8萬元。
當然，在現實世界中，計算方法更加復雜，某一種原材料的短缺會涉及N種以上的產品，N個以上的客戶。如果能增強能見度，就能預見未來潛在的供應短缺，并在第一時間做出反應。
要做到這一點，就需要及時準確地在供應鏈上下游之間自動傳遞數據，最大限度地減少人為干預。
2、2提高計劃的有效性
預測計劃的重要輸入是歷史銷售記錄。以數據為基礎，結合預測模型，進行中長期預測。
對于制造企業來說，財務需要供應鏈提供的投入來制定未來的經營計劃和各種預算，比如庫存、采購量、運費等等。
【供應鏈數據處理方法】底層數據的準確性非常重要。所有的計劃都是基于這些數據，匹配數據模型，然后進行“處理” 。供應鏈會花一些時間在數據維護上，這是為了保證基礎數據的準確性。
我們知道預測是有規律可循的，近期的準確率高于長期。就像預報天氣一樣，天氣預報對明天的天氣是最準確的，越晚準確率越低。
為了增強預測的準確性，供應鏈需要得到最新的數據，所以計劃的準確性越高。現在需求波動越來越頻繁，可能每天都一樣。為了做出最準確的判斷，我們必須使用最新的數據。
3.獲得及時準確數據的關鍵問題
考慮到以上兩個動機，供應鏈一直在努力獲取最及時、最準確的數據。這里有幾點需要特別注意。
3，1自動數據采集
如果可能的話，我們應該盡力實時收集和傳輸數據。數據存儲在供應鏈內外的所有節點中。為了提高數據的可靠性和時效性，最好的方法是自動采集。
在內部實現這一點相對容易，可以通過投資數字工具和實施IT項目來實現。
在外部合作伙伴中實現難度更大，最大的障礙是害怕數據共享后商業機密泄露。
供應商擔心，如果客戶知道他上游供應商的信息，可能會跳過中間商，不讓他繼續賺取差價。所以在做系統對接的時候，一定要保證只共享可以共享的數據，比如包裝規格。
3，2控制對相關數據的訪問
根據用戶在公司中的職能，賦予用戶特定的數據訪問權限。例如，采購訂單只能由采購計劃員創建和修改，公司中的其他人只有查看的權利。
對于外部合作伙伴也是如此。客戶可以查看供應商的庫存信息，但不得接觸商品成本分析等商業秘密。
3、3努力提高和保持數據的準確性。
我們需要不斷提高數據的準確性，其中的關鍵是數據的收集和輸入。我們需要定期維護數據。比如系統里的庫存或者倒沖賬有負數，說明有些地方的數據有問題，流程可能有漏洞。我們需要盡快找到問題并處理它。
數據是供應鏈的基?。頤侵貧ǜ髦旨蘋峁┮讕?。雖然實現準確及時的數據有點貴，但是在供應鏈大破壞的時期，投資必然會帶來相應的回報。
供應鏈數據處理2如何看待供應鏈數據分析的三個經典思路？
(一)數學公式
“數學”對很多朋友來說聽起來很頭疼，但卻是現代商業(包括相關數字系統)的基礎。我們日常使用的各種KPI計算也是數學公式。而一些經典公式滲透到供應鏈運作的方方面面，比如利特爾斯定律:
平均隊列長度=平均吞吐率*平均隊列時間
這個公式可以適用于各種場合。舉個例子，如果一個超市柜臺的平均排隊時間是1分鐘，平均吞吐率(服務能力)每分鐘可以服務三個顧客，那么我們把兩者相乘就可以算出這個柜臺的平均排隊長度是三個人(當然實時排隊長度會有波動。但時間越長，平均估計越準確) 。
數學公式的好處在于，像利特爾斯定律這樣的經典公式，可以透過復雜的現象直擊問題的本質。無論外部環境如何變化，人們如何工作，使用什么信息系統，類似的規律都成立。
由此可以更好地了解一些知名企業的管理實踐。比如很多車企要求“盡可能縮短造車過程中在工廠的時間”，本質上就是縮短排隊時間，從而減少排隊長度(壓縮庫存)，減少企業資金消耗和場地占用。
數學公式的主要缺點是供應鏈各個環節涉及的場景比較復雜，沒有太多精確的公式來衡量。在很多情況下，最多只能用一個近似公式來估計它們。隨著現代供應鏈涉及的人員、設備、系統等因素越來越復雜，我們不能僅僅依靠數學公式。
(2)計算機算法
如果說手工時代數學公式的計算給人一種“親切感”，那么在數字時代，我們將更多地依靠算法的運算來解決問題。比如全國范圍內的電商物流的庫存安排，每天跨區域轉移的貨物的物流流向，這個問題可能涉及到成千上萬的變量，最優決策肯定不是人腦能做出的。
最生動的例子就是阿爾法狗打敗了人類圍棋高手。未來各行各業都會需要“阿爾法狗”，所以會越來越需要算法工程師。
在算法的幫助下，供應鏈系統可以挖掘的潛力是巨大的。比如一家農產品公司，基于數字系統和AI優化現有的供應體系，可以為農業供應鏈帶來10%-15%的成本節約。某大型制造企業應用該算法解決了現有生產線資源的優化配置，實現了20%以上的效率提升。有一個“不成文”的經驗是，如果一個供應鏈系統之前從未做過整體效率優化，不難找出20%以上的降本增效空。
計算機算法的優勢在于能適應更復雜、更大規模的問題，在腦力勞動層面實現“機器換人” 。
它的缺點是:
1)由于目前發展階段的限制，算法在很多場合無法保證計算結果。比如一個物流路徑優化算法，80%的情況下可以找到解，20%的情況下找不到。如果是這樣，往往與實際應用的要求相差甚遠，尤其是工業場景，往往要求(接近)100%的可用性。
2)算法計算結果的“可解釋性”往往很差。很多時候，我們只看到一個冷冰冰的數字，卻不知道背后的邏輯。這也是很多一線員工抵制算法工具的原因。所以近年來供應鏈領域的一個趨勢就是算法的“白盒”，讓用戶明白算法是如何計算出結果的，結果好在哪里(這可以體現在一些關鍵的KPI上) 。
(3)模擬工具
模擬是一種比數學公式和算法更直觀的思維方式。也就是不管供應鏈的實際場景是怎樣的，我們都盡量在計算機中模擬這個場景。現場有多少存儲設施，我們將在數字世界中描述它們。現場貨物分揀的順序是怎樣的？在數字世界中，我們按照完全相同的順序對它們進行排序。最后，我們實現了物理世界和數字世界的一一對應。
這樣，我們就可以達到這樣的效果:只需要在電腦中排列組合各種元素，就可以預測現實世界會有什么效果。試錯成本大大降低。
與供應鏈管理相關的模擬工具至少包括以下類型:
-模擬離散或連續流程制造的生產線。
-模擬全廠設備的運行，包括設備與CAD、ERP等軟件的通信。
-模擬AGV、自動化立體庫等智能設備；
-模擬長途物流網絡的運作，包括相關財務指標；
-模擬短距離配送物流，以及廠內/現場物流。
模擬工具的優點是:
1)直觀圖形化，可以在電腦屏幕上直接看到各種方案及其運行效果；
2)現代計算機仿真工具也在與時俱進，可以包含越來越多的元素。比如可以模擬AGV車的充電過程以及最新的自動化立體庫操作的各種細節。
其缺點是:商用仿真軟件往往價格昂貴，能模擬的場景一般都是標準化的，未必能模擬出每個公司的個性化特點。
一般來說，模擬軟件的功能會越來越強大，這樣就可以在數字世界“元宇宙”中復制一條完整的供應鏈。那時候，也許我們不需要刻意去“分析”供應鏈的表現，只需要“觀察”就可以了。
因為所見即所得。
總結
常見的供應鏈數據分析工具包括數學公式、計算機算法和模擬工具。
總的來說，三者能夠應對的場景越來越全面，分析功能越來越強大。隨著我們的計算能力越來越強大，作者認為仿真工具是最終的解決方案。通過模擬，我們可以真正“了解”供應鏈系統的神諭。
然而，這并不意味著數學公式和計算機算法是“無用的” 。事實上，新一代“超宇宙”模擬工具背后都有強大的算法，算法的實質性進展取決于數學的進步。所以這三者就像金字塔的不同層次，每一層都為更高一層的發展奠定了基礎。
在未來的供應鏈運作中，前臺操作會變得更加簡單，或許各種功能都可以通過簡單的圖形化拖拽來完成。后臺的算法和架構支持會越來越復雜。或許這就是創新潮流引領者的使命。用你在幕后的辛勤勞動，讓前臺用戶的體驗更輕松，感覺更好。
供應鏈數據處理3數據驅動的供應鏈采購
1.背景
隨著科技的發展，現代生產方式已經從大規模的批量生產逐漸轉變為小規模的個性化生產。企業產能過剩，市場定制需求增加，帶動了企業管理和運營模式的改變。對于供應鏈來說，更快的響應速度和更高的靈活性都對供應鏈從業者提出了更嚴峻的挑戰。隨著信息技術的不斷發展，數據可以在任何地方收集。
隨著德國工業4 ， 0戰略、中國智能制造2025戰略規劃、美國cyber-physical systems的提出，企業利用數據進行管理變革，文化變革成為不可阻擋的必然趨勢，賦予企業新的活力。
回顧供應鏈采購在中國的發展歷史，中國的采購行業經歷了三個階段。
90年代，眾多中小企業的崛起帶來了大量的需求，而不成熟的市場使得采購工作在一個簡單的“買賣”過程中進行。價格優先的采購模式作為主流，引導了采購市場的發展，民營企業的供應鏈采購模式在摸索中前進。
20世紀初中國加入WTO后，外資的涌入帶來了中西方供應鏈管理模式的新交流。國內企業不斷從外資企業吸收優秀的采購流程和管理方法。中國已經逐漸與世界接軌，形成了一套材料采購策略和供應商管理流程。
2010年以后，供應鏈采購不斷發展。隨著公司的整合和擴張，出現了更多的全球采購管理模式，新的項目采購模式通過降低總擁有成本實現了供應鏈的整體優化。
直到近幾年，人工智能和大數據算法的浪潮席卷了各個行業。數字雙胞胎的概念和5G技術的應用已經描繪了數字供應鏈的雛形。在2019工博會上，JD.COM等公司展示了垂直供應鏈的一站式整合，海爾等制造業巨頭展示了智能生產鏈的實時可視化，這些都是基于數據算法和前瞻性的管理模式。
在中國，海爾、博世、西門子等行業，獨角獸已經廣泛運用數據的力量推動行業變革。然而，我國廣大中小企業仍然停留在行業3、0甚至2、0的時代，在激烈的市場博弈中掙扎。如何打破供應鏈僵局，推動中小企業的“數據變革”，將是一個不斷被挑戰的話題。
這些企業通常有自己的ERP系統。然而，由于缺乏系統的認知和數據管理方法，企業只使用了系統中不到10%的數據。因此，大多數企業應該首先關注數據層的價值挖掘，然后根據實際需要向大數據方向做出改變。
本文首先介紹了小數據的處理流程，提出了一個數據驅動的供應鏈采購框架，并列舉了其應用。最后，通過一個制造業供應鏈采購案例來驗證數據驅動供應鏈采購框架的合理性。
2.供應鏈采購的數據處理模式
數據驅動的供應鏈采購數據處理模式
數據收集是一個重要的開端。它定義了數據挖掘的方向。為了正確地收集數據，需要首先定義高層次的目標，然后將它們分解成目標工作包。分解架構不僅定義了數據收集的方向，還為最終的數據可視化提供了清洗的目標定義。
數據清洗一直被認為是“臟活”，比如重復、數值錯誤、格式改變等。，這是一個令人頭疼的問題。但是，數據驅動的效率取決于數據的質量。這里只關注小數據的清洗，因為小數據的清洗已經可以滿足輔助決策80%的需求。在只有幾萬到幾十萬行數據的情況下，Excel是每臺電腦必備的最基本的數據處理軟件。
內置的電量查詢模塊提供了人性化的數據處理功能，而M語言對于工程師來說可以很好的處理不同的數據清洗需求，滿足不同場合的需求。當數據量越來越大，需求越來越大的時候，python、Spark等具有完備數據處理功能的軟件可以滿足應用的需求。
數據可視化的方式有很多種，但核心思想是可視化的數據界面要與客戶群體的需求相匹配。同樣，僅針對結構化數據，市面上有很多數據可視化軟件，如微軟Power BI、Tableau甚至Excel ，都可以成為數據交互的有效手段。就表現形式而言，直方圖、散點圖、餅狀圖、折線圖等構成了可視化界面下的基本元素。
如何選擇，要看企業的不同情況。舉個例子，一家制造業初創公司，沒有多余的資源部署數據可視化模塊，公司大部分員工對數據可視化相關軟件知之甚少，至少80%的基礎統計輸入工作都是通過Excel來實現的，那么此時數據可視化的最佳實踐無疑會是Excel這種幾乎人人都在使用的表格。
數據驅動的核心是數據分析。數據本身并不產生價值，但當數據被分析轉化為信息后，作為決策的催化劑，就產生了其獨特的價值。在生產過程中，數據是否控制在六西格瑪之內，是數據是否異常的標志。對于供應鏈來說，數據的大幅波動，數據的持續下降或上升，都可以看作是采購要素變化的信號。在小數據分析中，如何深度挖掘數據的價值，不僅取決于對數據的敏感度，還取決于深厚的行業經驗和一線的反饋。
3.數據驅動的供應鏈采購框架
為了適應市場的波動和產品生命周期的快速迭代，矩陣式甚至項目制的企業組織模式越來越受企業歡迎，越來越多的產品通過項目連接在企業價值鏈中，完成全生命周期管理。
供應鏈作為功能支持系統中離產品和物料最近的部分，能夠保證物料在正確的時間以正確的價格送到正確的地點，這是一個產品和一個項目成功的關鍵。因此，信息流的透明和數據的可視化變得非常重要。
數據驅動的供應鏈采購框架
在數字驅動的供應鏈采購框架中，建立了三個核心架構。第一個是采購數據庫，第二個是采購供應交互系統，第三個是供應商數據庫。
3，1采購模塊
物流數據和采購數據被傳輸到采購數據庫。通過數據處理，我們可以有效地管理物料狀態，優化供應鏈的采購決策。
3，2采購-供應互動系統
訂單信息傳遞給供應商后，供應商的訂單處理狀態會通過采購-供應交互系統反饋給企業的采購端，員工可以根據項目進度和需求，在供應鏈中有效地控制供應商的訂單處理狀態，使供應鏈系統既有高速響應，又有一定的靈活性。
3 ， 3供應商模塊
供應商的基本信息數據和材料供應相關數據由系統收集并傳送到數據庫。基于歷史交貨情況和訂單響應，對供應商的表現進行實時反饋和評估。將數據轉化為信息，通過數據分析發現供應商的優劣勢，有效驅動供應商提升業績。
4.數據驅動采購的應用
4 ， 1數據驅動的采購指導決策
沒有數據支持的購買決策永遠是盲目的。數據可以有效支撐企業的日常運維。在數據驅動的架構中。歷史采購數據和物料數據可以幫人解答。
(1)為什么選擇該供應商？
(2)為什么是這個價格？這兩個關鍵問題。通過在途物料的數據，分析供應商的交貨壓力，外包產能分配合理。
通過地理位置數據和供應商庫存數據，它有助于決定最佳響應實踐。通過歷史價格數據、采購數據等。，我們可以有效地跟蹤價格合理性。通過歷史質量數據和經驗教訓數據，規避供應鏈采購風險。多維度數據支持用于優化采購決策，是提升供應鏈流暢度的有效“潤滑劑” 。
4，2數據驅動的供應商生產
供應鏈上下游之間的信息交互是保證供應鏈順暢的關鍵。上下游交互系統的建立為數據交互提供了有效的平臺。上游企業的訂單數據、下游供應商的物料數據、生產數據和物流數據都集成到系統中。供應鏈需求的任何變化都會及時通知到供應鏈的下游生產，充分保證了供應鏈的響應。
4，3數據驅動的供應商績效
供應商的業績數據是供應商各種能力的體現。供應商實時績效數據的反?。裉旃┯α此嫉摹澳裂蛉恕蹦Ｊ教峁┝嘶?。質量、交付、響應和服務等關鍵指標決定了供應商不同的培訓模式。
在不斷加速的市場中，以實時性為目標的供應鏈管理能夠及時判斷供應鏈的市場變化，并對不同情況做出反應。最后，供應商相關數據可以作為采購決策中促進決策優化的支持，也可以作為供應商生產中的指導。形成一個數據流的閉環。
5.案例分析——以制造企業N為例。
在案例分析中，本文以N公司為例，研究如何在不增加額外資源的情況下，增加供應鏈采購的驅動力，提高供應鏈采購的流暢性和服務能力。n公司的行業是制造業、機械零件、電子元件等。是日常采購的對象。其中，機械零件的生產加工往往需要經過車或銑、鉆、磨等常規加工工序，同時依賴于二級供應商的熱處理和表面處理。
為了保證機械零件的質量水平和小規模多品種下的批量效應，機加工供應鏈戰略的重點是保持穩定的供應商數量和開發新的供應商培訓模式。
因此，正確的采購決策、有效的采購-供應信息互動和供應商績效改進是持續保持機械零件采購優質服務的三個核心點。企業具有健全的部門職能機制，ERP系統能夠將企業日常經營中產生的數據關聯到指定的數據庫。在采購中，采購人員每天面臨以下三個問題。如何選擇合適的供應商？如何通過準確快速的信息交流為產品(項目)服務？如何持續改進供應商績效？
N公司通過使用ERP數據庫和Excel辦公軟件，在不增加其他額外模塊的情況下，很好地兼容了不同的數據源，做出了很好的實踐。
ERP導出數據并與Excel關聯后，通過數據存儲、數據清洗、數據可視化等數據處理過程，從質量、交期、價格、服務等方面對數據進行有效分析，從而帶動供應鏈績效的提升。通過實時數據分析，員工可以獲得所有與采購相關的重要信息，以幫助優化采購和供應商培訓決策。在后續的供應鏈績效改善工作中繼續提供有力的支持。
6.摘要
數據導致變革，本文為沒有有效利用內部數據的企業提供了切實可行的方案。但既要充分發揮數據的價值，又要在企業中培養數據意識，對數據有正確的認識。對于企業級數據，一定要理解數據的“相對正確性”而不是其絕對性，要關注數據量指數級增長結果背后數據的內在關聯性。
以上解釋了供應鏈數據處理方法。本文到此結束，希望對大家有所幫助。