供应链数据处理方法 _知识经验

文章插图
供应链数据处理
供应链数据处理，数字化时代，企业拥有越来越丰富的数据，数据分析逐渐成为员工必备技能之一。因此，在供应链管理领域，我们应该重视数据分析。下面分享供应链数据处理。
供应链数据处理1为什么及时准确的数据在供应链管理中如此重要？
1.供应链中的数据类型
数据有很多种类型，其中一种就是把它分为静态数据和动态数据。前者包括公司基本信息、产品型号、采购价格、BOM等相对固定的信息。
后者主要是一些事务性的信息，比如生产线的日产量，客户订单的数量，仓库的实际收货数量，运输的地点等等。
只要静态数据准确，没有实时性要求。比如公司名称一般不会改，只要确定公司地址、法人、银行账号正确就行。
对动态数据的要求很高，不仅要准确，而且要能时刻反映实际情况。
每个人都有网购的经历。货物出库后，快递公司会每隔一段时间刷新一次包裹的位置，这是通过车上的GPS定位来实现的，然后根据货车配送计划，大致可以给出配送时间。通过一辆货车上的GPS，可以跟踪全车的货物，是一对n的关系，所以实现动态数据的成本并不高。
离散制造业的情况要复杂得多。一件商品需要追溯到原材料供应商。进厂后需要经过几个不同的生产加工中心，然后完成组装和检验，才能入库配送给下游经销商或零售商。
我们很少在原材料上安装追踪装置，除非商品价值很高，或者在这方面有强制性的监管要求，比如药品。
如果要跟踪生产进度，需要使用工业4和0的技术，在每台设备上安装传感器，系统处理后会自动上传数据。如果要在每一个生产和内部搬运设备上都安装传感器，对于一个工厂来说会太沉重，性价比不高。除了少数行业标杆企业，对于大多数工厂来说，做实时数据的想法并不强烈。
2.为什么供应链需要及时准确的数据？
说到这里，供应链对及时准确的数据有着强烈的需求，因为我们要在所有的生产、配送、采购、售后服务之间建立无缝链接。此外，有两个关键因素使我们有必要获得及时性和准确性。
2，1增强供应链的可见性
对于供应链中的参与者来说，关键的可见性问题包括货物的预期生产和交付时间。例如，供应商承诺30天交货，但实际上他需要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寻找货源，他不愿意购买更贵的原材料，因为这会增加成本，除非客户愿意接受供应商的调价要求。
原材料和备件库存的位置也属于可见性，客户需要根据这些信息来安排后续的生产和销售计划，这非常依赖于信息的准确性。当供应商承诺在某一天将货物送到客户工厂时，供应链会将这些信息输入系统，并以此为基础制定生产计划。销售会根据生产完成日期通知客户，环环相扣。
一旦供应商信息有误，货物到达时间晚于承诺时间，就会影响供应链的下游安排，出现所谓“计划赶不上变化”的情况。
跟踪交货日期和库存位置只是初级的可见性，更深层次的需求是能够预警供应链中断的风险。根据现有的信息，我们需要判断何时何地会出现短缺，对生产和销售有什么影响。
比如生产线缺了一些零件，就要停工4个小时。如果每小时产量为100套产品，每套价格为200元，那么损失等于4 * 100 * 200 = 8万元。
当然，在现实世界中，计算方法更加复杂，某一种原材料的短缺会涉及N种以上的产品，N个以上的客户。如果能增强能见度，就能预见未来潜在的供应短缺，并在第一时间做出反应。
要做到这一点，就需要及时准确地在供应链上下游之间自动传递数据，最大限度地减少人为干预。
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，进行中长期预测。
对于制造企业来说，财务需要供应链提供的投入来制定未来的经营计划和各种预算，比如库存、采购量、运费等等。
【供应链数据处理方法】底层数据的准确性非常重要。所有的计划都是基于这些数据，匹配数据模型，然后进行“处理” 。供应链会花一些时间在数据维护上，这是为了保证基础数据的准确性。
我们知道预测是有规律可循的，近期的准确率高于长期。就像预报天气一样，天气预报对明天的天气是最准确的，越晚准确率越低。
为了增强预测的准确性，供应链需要得到最新的数据，所以计划的准确性越高。现在需求波动越来越频繁，可能每天都一样。为了做出最准确的判断，我们必须使用最新的数据。
3.获得及时准确数据的关键问题
考虑到以上两个动机，供应链一直在努力获取最及时、最准确的数据。这里有几点需要特别注意。
3，1自动数据采集
如果可能的话，我们应该尽力实时收集和传输数据。数据存储在供应链内外的所有节点中。为了提高数据的可靠性和时效性，最好的方法是自动采集。
在内部实现这一点相对容易，可以通过投资数字工具和实施IT项目来实现。
在外部合作伙伴中实现难度更大，最大的障碍是害怕数据共享后商业机密泄露。
供应商担心，如果客户知道他上游供应商的信息，可能会跳过中间商，不让他继续赚取差价。所以在做系统对接的时候，一定要保证只共享可以共享的数据，比如包装规格。
3，2控制对相关数据的访问
根据用户在公司中的职能，赋予用户特定的数据访问权限。例如，采购订单只能由采购计划员创建和修改，公司中的其他人只有查看的权利。
对于外部合作伙伴也是如此。客户可以查看供应商的库存信息，但不得接触商品成本分析等商业秘密。
3、3努力提高和保持数据的准确性。
我们需要不断提高数据的准确性，其中的关键是数据的收集和输入。我们需要定期维护数据。比如系统里的库存或者倒冲账有负数，说明有些地方的数据有问题，流程可能有漏洞。我们需要尽快找到问题并处理它。
数据是供应链的基?。颐侵贫ǜ髦旨苹峁┮谰?。虽然实现准确及时的数据有点贵，但是在供应链大破坏的时期，投资必然会带来相应的回报。
供应链数据处理2如何看待供应链数据分析的三个经典思路？
(一)数学公式
“数学”对很多朋友来说听起来很头疼，但却是现代商业(包括相关数字系统)的基础。我们日常使用的各种KPI计算也是数学公式。而一些经典公式渗透到供应链运作的方方面面，比如利特尔斯定律:
平均队列长度=平均吞吐率*平均队列时间
这个公式可以适用于各种场合。举个例子，如果一个超市柜台的平均排队时间是1分钟，平均吞吐率(服务能力)每分钟可以服务三个顾客，那么我们把两者相乘就可以算出这个柜台的平均排队长度是三个人(当然实时排队长度会有波动。但时间越长，平均估计越准确) 。
数学公式的好处在于，像利特尔斯定律这样的经典公式，可以透过复杂的现象直击问题的本质。无论外部环境如何变化，人们如何工作，使用什么信息系统，类似的规律都成立。
由此可以更好地了解一些知名企业的管理实践。比如很多车企要求“尽可能缩短造车过程中在工厂的时间”，本质上就是缩短排队时间，从而减少排队长度(压缩库存)，减少企业资金消耗和场地占用。
数学公式的主要缺点是供应链各个环节涉及的场景比较复杂，没有太多精确的公式来衡量。在很多情况下，最多只能用一个近似公式来估计它们。随着现代供应链涉及的人员、设备、系统等因素越来越复杂，我们不能仅仅依靠数学公式。
(2)计算机算法
如果说手工时代数学公式的计算给人一种“亲切感”，那么在数字时代，我们将更多地依靠算法的运算来解决问题。比如全国范围内的电商物流的库存安排，每天跨区域转移的货物的物流流向，这个问题可能涉及到成千上万的变量，最优决策肯定不是人脑能做出的。
最生动的例子就是阿尔法狗打败了人类围棋高手。未来各行各业都会需要“阿尔法狗”，所以会越来越需要算法工程师。
在算法的帮助下，供应链系统可以挖掘的潜力是巨大的。比如一家农产品公司，基于数字系统和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。某大型制造企业应用该算法解决了现有生产线资源的优化配置，实现了20%以上的效率提升。有一个“不成文”的经验是，如果一个供应链系统之前从未做过整体效率优化，不难找出20%以上的降本增效空。
计算机算法的优势在于能适应更复杂、更大规模的问题，在脑力劳动层面实现“机器换人” 。
它的缺点是:
1)由于目前发展阶段的限制，算法在很多场合无法保证计算结果。比如一个物流路径优化算法，80%的情况下可以找到解，20%的情况下找不到。如果是这样，往往与实际应用的要求相差甚远，尤其是工业场景，往往要求(接近)100%的可用性。
2)算法计算结果的“可解释性”往往很差。很多时候，我们只看到一个冷冰冰的数字，却不知道背后的逻辑。这也是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就是算法的“白盒”，让用户明白算法是如何计算出结果的，结果好在哪里(这可以体现在一些关键的KPI上) 。
(3)模拟工具
模拟是一种比数学公式和算法更直观的思维方式。也就是不管供应链的实际场景是怎样的，我们都尽量在计算机中模拟这个场景。现场有多少存储设施，我们将在数字世界中描述它们。现场货物分拣的顺序是怎样的？在数字世界中，我们按照完全相同的顺序对它们进行排序。最后，我们实现了物理世界和数字世界的一一对应。
这样，我们就可以达到这样的效果:只需要在电脑中排列组合各种元素，就可以预测现实世界会有什么效果。试错成本大大降低。
与供应链管理相关的模拟工具至少包括以下类型:
-模拟离散或连续流程制造的生产线。
-模拟全厂设备的运行，包括设备与CAD、ERP等软件的通信。
-模拟AGV、自动化立体库等智能设备；
-模拟长途物流网络的运作，包括相关财务指标；
-模拟短距离配送物流，以及厂内/现场物流。
模拟工具的优点是:
1)直观图形化，可以在电脑屏幕上直接看到各种方案及其运行效果；
2)现代计算机仿真工具也在与时俱进，可以包含越来越多的元素。比如可以模拟AGV车的充电过程以及最新的自动化立体库操作的各种细节。
其缺点是:商用仿真软件往往价格昂贵，能模拟的场景一般都是标准化的，未必能模拟出每个公司的个性化特点。
一般来说，模拟软件的功能会越来越强大，这样就可以在数字世界“元宇宙”中复制一条完整的供应链。那时候，也许我们不需要刻意去“分析”供应链的表现，只需要“观察”就可以了。
因为所见即所得。
总结
常见的供应链数据分析工具包括数学公式、计算机算法和模拟工具。
总的来说，三者能够应对的场景越来越全面，分析功能越来越强大。随着我们的计算能力越来越强大，作者认为仿真工具是最终的解决方案。通过模拟，我们可以真正“了解”供应链系统的神谕。
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“超宇宙”模拟工具背后都有强大的算法，算法的实质性进展取决于数学的进步。所以这三者就像金字塔的不同层次，每一层都为更高一层的发展奠定了基础。
在未来的供应链运作中，前台操作会变得更加简单，或许各种功能都可以通过简单的图形化拖拽来完成。后台的算法和架构支持会越来越复杂。或许这就是创新潮流引领者的使命。用你在幕后的辛勤劳动，让前台用户的体验更轻松，感觉更好。
供应链数据处理3数据驱动的供应链采购
1.背景
随着科技的发展，现代生产方式已经从大规模的批量生产逐渐转变为小规模的个性化生产。企业产能过剩，市场定制需求增加，带动了企业管理和运营模式的改变。对于供应链来说，更快的响应速度和更高的灵活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，数据可以在任何地方收集。
随着德国工业4 ， 0战略、中国智能制造2025战略规划、美国cyber-physical systems的提出，企业利用数据进行管理变革，文化变革成为不可阻挡的必然趋势，赋予企业新的活力。
回顾供应链采购在中国的发展历史，中国的采购行业经历了三个阶段。
90年代，众多中小企业的崛起带来了大量的需求，而不成熟的市场使得采购工作在一个简单的“买卖”过程中进行。价格优先的采购模式作为主流，引导了采购市场的发展，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，外资的涌入带来了中西方供应链管理模式的新交流。国内企业不断从外资企业吸收优秀的采购流程和管理方法。中国已经逐渐与世界接轨，形成了一套材料采购策略和供应商管理流程。
2010年以后，供应链采购不断发展。随着公司的整合和扩张，出现了更多的全球采购管理模式，新的项目采购模式通过降低总拥有成本实现了供应链的整体优化。
直到近几年，人工智能和大数据算法的浪潮席卷了各个行业。数字双胞胎的概念和5G技术的应用已经描绘了数字供应链的雏形。在2019工博会上，JD.COM等公司展示了垂直供应链的一站式整合，海尔等制造业巨头展示了智能生产链的实时可视化，这些都是基于数据算法和前瞻性的管理模式。
在中国，海尔、博世、西门子等行业，独角兽已经广泛运用数据的力量推动行业变革。然而，我国广大中小企业仍然停留在行业3、0甚至2、0的时代，在激烈的市场博弈中挣扎。如何打破供应链僵局，推动中小企业的“数据变革”，将是一个不断被挑战的话题。
这些企业通常有自己的ERP系统。然而，由于缺乏系统的认知和数据管理方法，企业只使用了系统中不到10%的数据。因此，大多数企业应该首先关注数据层的价值挖掘，然后根据实际需要向大数据方向做出改变。
本文首先介绍了小数据的处理流程，提出了一个数据驱动的供应链采购框架，并列举了其应用。最后，通过一个制造业供应链采购案例来验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
数据驱动的供应链采购数据处理模式
数据收集是一个重要的开端。它定义了数据挖掘的方向。为了正确地收集数据，需要首先定义高层次的目标，然后将它们分解成目标工作包。分解架构不仅定义了数据收集的方向，还为最终的数据可视化提供了清洗的目标定义。
数据清洗一直被认为是“脏活”，比如重复、数值错误、格式改变等。，这是一个令人头疼的问题。但是，数据驱动的效率取决于数据的质量。这里只关注小数据的清洗，因为小数据的清洗已经可以满足辅助决策80%的需求。在只有几万到几十万行数据的情况下，Excel是每台电脑必备的最基本的数据处理软件。
内置的电量查询模块提供了人性化的数据处理功能，而M语言对于工程师来说可以很好的处理不同的数据清洗需求，满足不同场合的需求。当数据量越来越大，需求越来越大的时候，python、Spark等具有完备数据处理功能的软件可以满足应用的需求。
数据可视化的方式有很多种，但核心思想是可视化的数据界面要与客户群体的需求相匹配。同样，仅针对结构化数据，市面上有很多数据可视化软件，如微软Power BI、Tableau甚至Excel ，都可以成为数据交互的有效手段。就表现形式而言，直方图、散点图、饼状图、折线图等构成了可视化界面下的基本元素。
如何选择，要看企业的不同情况。举个例子，一家制造业初创公司，没有多余的资源部署数据可视化模块，公司大部分员工对数据可视化相关软件知之甚少，至少80%的基础统计输入工作都是通过Excel来实现的，那么此时数据可视化的最佳实践无疑会是Excel这种几乎人人都在使用的表格。
数据驱动的核心是数据分析。数据本身并不产生价值，但当数据被分析转化为信息后，作为决策的催化剂，就产生了其独特的价值。在生产过程中，数据是否控制在六西格玛之内，是数据是否异常的标志。对于供应链来说，数据的大幅波动，数据的持续下降或上升，都可以看作是采购要素变化的信号。在小数据分析中，如何深度挖掘数据的价值，不仅取决于对数据的敏感度，还取决于深厚的行业经验和一线的反馈。
3.数据驱动的供应链采购框架
为了适应市场的波动和产品生命周期的快速迭代，矩阵式甚至项目制的企业组织模式越来越受企业欢迎，越来越多的产品通过项目连接在企业价值链中，完成全生命周期管理。
供应链作为功能支持系统中离产品和物料最近的部分，能够保证物料在正确的时间以正确的价格送到正确的地点，这是一个产品和一个项目成功的关键。因此，信息流的透明和数据的可视化变得非常重要。
数据驱动的供应链采购框架
在数字驱动的供应链采购框架中，建立了三个核心架构。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。通过数据处理，我们可以有效地管理物料状态，优化供应链的采购决策。
3，2采购-供应互动系统
订单信息传递给供应商后，供应商的订单处理状态会通过采购-供应交互系统反馈给企业的采购端，员工可以根据项目进度和需求，在供应链中有效地控制供应商的订单处理状态，使供应链系统既有高速响应，又有一定的灵活性。
3 ， 3供应商模块
供应商的基本信息数据和材料供应相关数据由系统收集并传送到数据库。基于历史交货情况和订单响应，对供应商的表现进行实时反馈和评估。将数据转化为信息，通过数据分析发现供应商的优劣势，有效驱动供应商提升业绩。
4.数据驱动采购的应用
4 ， 1数据驱动的采购指导决策
没有数据支持的购买决策永远是盲目的。数据可以有效支撑企业的日常运维。在数据驱动的架构中。历史采购数据和物料数据可以帮人解答。
(1)为什么选择该供应商？
(2)为什么是这个价格？这两个关键问题。通过在途物料的数据，分析供应商的交货压力，外包产能分配合理。
通过地理位置数据和供应商库存数据，它有助于决定最佳响应实践。通过历史价格数据、采购数据等。，我们可以有效地跟踪价格合理性。通过历史质量数据和经验教训数据，规避供应链采购风险。多维度数据支持用于优化采购决策，是提升供应链流畅度的有效“润滑剂” 。
4，2数据驱动的供应商生产
供应链上下游之间的信息交互是保证供应链顺畅的关键。上下游交互系统的建立为数据交互提供了有效的平台。上游企业的订单数据、下游供应商的物料数据、生产数据和物流数据都集成到系统中。供应链需求的任何变化都会及时通知到供应链的下游生产，充分保证了供应链的响应。
4，3数据驱动的供应商绩效
供应商的业绩数据是供应商各种能力的体现。供应商实时绩效数据的反?。裉旃┯α此嫉摹澳裂蛉恕蹦Ｊ教峁┝嘶?。质量、交付、响应和服务等关键指标决定了供应商不同的培训模式。
在不断加速的市场中，以实时性为目标的供应链管理能够及时判断供应链的市场变化，并对不同情况做出反应。最后，供应商相关数据可以作为采购决策中促进决策优化的支持，也可以作为供应商生产中的指导。形成一个数据流的闭环。
5.案例分析——以制造企业N为例。
在案例分析中，本文以N公司为例，研究如何在不增加额外资源的情况下，增加供应链采购的驱动力，提高供应链采购的流畅性和服务能力。n公司的行业是制造业、机械零件、电子元件等。是日常采购的对象。其中，机械零件的生产加工往往需要经过车或铣、钻、磨等常规加工工序，同时依赖于二级供应商的热处理和表面处理。
为了保证机械零件的质量水平和小规模多品种下的批量效应，机加工供应链战略的重点是保持稳定的供应商数量和开发新的供应商培训模式。
因此，正确的采购决策、有效的采购-供应信息互动和供应商绩效改进是持续保持机械零件采购优质服务的三个核心点。企业具有健全的部门职能机制，ERP系统能够将企业日常经营中产生的数据关联到指定的数据库。在采购中，采购人员每天面临以下三个问题。如何选择合适的供应商？如何通过准确快速的信息交流为产品(项目)服务？如何持续改进供应商绩效？
N公司通过使用ERP数据库和Excel办公软件，在不增加其他额外模块的情况下，很好地兼容了不同的数据源，做出了很好的实践。
ERP导出数据并与Excel关联后，通过数据存储、数据清洗、数据可视化等数据处理过程，从质量、交期、价格、服务等方面对数据进行有效分析，从而带动供应链绩效的提升。通过实时数据分析，员工可以获得所有与采购相关的重要信息，以帮助优化采购和供应商培训决策。在后续的供应链绩效改善工作中继续提供有力的支持。
6.摘要
数据导致变革，本文为没有有效利用内部数据的企业提供了切实可行的方案。但既要充分发挥数据的价值，又要在企业中培养数据意识，对数据有正确的认识。对于企业级数据，一定要理解数据的“相对正确性”而不是其绝对性，要关注数据量指数级增长结果背后数据的内在关联性。
以上解释了供应链数据处理方法。本文到此结束，希望对大家有所帮助。