一、大數據時代對采購和供應鏈帶來的挑戰和機遇

1. 大數據時代及其特征

大數據(Big Data)是指所涉及的規模巨大的數據。隨著時代的不斷進步以及科技的飛速發展，互聯網、物聯網、移動通訊、管理信息化、電子商務等技術不斷相互滲透，并作用到國家、企業和民生的方方面面，今天，人們用大數據來描述和定義信息爆炸時代產生的海量數據，以及在合理時間內達到擷取、管理、處理、并整理成為幫助人們處理事務和決策等更積極目的的資訊與知識。

美國互聯網數據中心指出，互聯網上的數據每年將增長50%，每兩年便將翻一番，而目前世界上90%以上的數據都是最近幾年才產生的。2020年，全世界所產生的數據規模將達到今天的44倍。從這些數據每天增加的數量來看，世界目前已進入大數據時代。

大數據時代凸顯了數據資源的重要意義。2012年奧巴馬政府宣布投資2億美元拉動大數據相關產業的發展，將“大數據戰略”上升為國家戰略，將大數據定義為“未來的新石油”，把對數據的占有和控制視為陸權、海權、空權之外的另一種國家核心資產。2013年，法國政府發布了其《數字化路線圖》，列出了將會大力支持的5項戰略性高新技術，“大數據”就是其中一項。2012年，日本總務省發布2013年行動計劃，明確提出“通過大數據和開放數據開創新市場”。聯合國在2012年發布的大數據政務白皮書中指出，大數據對于聯合國和各國政府來說是一個歷史性的機遇。我國也將大數據產業看作為戰略性產業，成立了“大數據專家委員會”。在“大數據”2014年十大趨勢預測中，包括了數據商品化與數據共享聯盟化，大數據生態環境逐步發展等內容。同時，大數據專家委員會預測，2014年大數據在互聯網和電子商務、金融(股市預測、金融分析)、健康醫療(流行病監控和預測等)、生物信息、制藥等方面將會有令人矚目的應用。

大數據時代是大數據價值充分發揮的時代。據賽門鐵克公司的調研報告，全球企業的信息存儲總量已達2.2ZB（1ZB=1024EB，1EB=1024PB），年增67％。世界上每分鐘產生1700TB 的數據，但是吸引我們的不僅僅是這個龐大的數字本身，而是我們如何利用這些數據做些什么。大數據可以運用到各行各業，在宏觀經濟方面，IBM日本公司建立經濟指標預測系統，從互聯網新聞中搜索影響制造業的480項經濟數據，計算采購經理人指數的預測值；印第安納大學利用谷歌公司提供的心情分析工具，從近千萬條網民留言中歸納出六種心情，進而對道瓊斯工業指數的變化進行預測，準確率達到87%；在制造業方面，華爾街對沖基金依據購物網站的顧客評論，分析企業產品銷售狀況；一些企業利用大數據分析實現對采購和合理庫存量的管理，通過分析網上數據了解客戶需求、掌握市場動向，等等。據麥肯錫公司測算：大數據將給美國醫療服務業帶來3000億美元的價值，使美國零售業凈利潤增長達到60%，使制造業產品開發、組裝成本下降50%，而大數據所帶來的新需求，將推動整個信息產業的創新發展；根據經濟與商業研究中心的最新研究，大數據將為英國經濟增加2160億英鎊（約合3467億美元）以上的潛在收益。

2. 大數據時代對采購和供應鏈帶來的挑戰和機遇

首先，商務環境和商務模式變得越來越復雜，且更加動蕩、多樣和個性化。其二，電子商務業務模式的飛速發展打破了國家疆界，使得跨境業務速增、商業活動頻繁，同時伴隨著數據量的劇增。。其三，大數據應用處理成為企業和社會競爭發展的重要焦點。其四，有效挖掘大數據成為時代面臨的重要課題。最后，許多企業對大數據的重要性認識不足，沒有充分了解其價值。

下面是一些機構對大數據的調研、認知和應用研究，從不同的方面展示了其發展現狀。

 

1）Gartner公司2013年一份名為《2013年大數據普及程度背后的炒作》的報告（見圖1）指出：在受訪企業中，有64%正在或是即將進行大數據工作，但實際的狀況卻不盡人意，其中很多企業并不知道他們能夠使用大數據做些什么。2012年，有27%的企業開始從事大數據相關的工作，有31%計劃于兩年內展開大數據項目。而2013年，有30%的企業已經引入了大數據，計劃參與的企業比例也增至34%。造成這一現象的原因是不少企業都認為大數據能夠幫助他們提升用戶體驗、改進企業效率或是發現新的商業模式或產品。56%的企業不知道如何從數據中獲取價值；41%的企業無法將這項技術與公司戰略結合起來；34%的企業缺乏大數據的處理能力；33%的企業難以整合多樣的數據資源；29%企業的基礎架構遭遇挑戰；27%的企業面臨隱私和數據安全問題；26%的企業在對大數據項目投資上存在疑惑；甚至還有23%的公司不知大數據究竟為何物。

 

2）Supply Chain Insights Research Firm 2012年對有關大數據與供應鏈管理的研究表明：企業已經意識到對大數據及其技術缺乏理解。調查發現：

①正在進行的大數據項目中，有36%的組織目前有一個跨職能的團隊來為其供應鏈評估大數據的潛在價值；

②項目通常由首席信息官CIO負責。評估供應鏈大數據使用和分析技術的團隊領導是CIO的占47%，是業務部門領導的占21%，具有一個跨業務職能管理團隊的占21%。

③企業的信息管理系統的復雜度高，通常有多個系統支持他們的供應鏈，因此數據量巨大并且整合困難。（見圖2）。

 

④數據增長快。8%的受訪者在單個數據庫里具有PB（千萬億字節）級別的數據，47%的受訪者預計未來五年內在其數據庫里具有PB級別的數據。而且在那些正在進行大數據項目的企業中, 有68%預計在五年內其數據庫里具有PB級別的數據。

⑤在企業自我評價使用不同的數據類型的能力方面，應用最好的數據來源于傳統供應鏈的事務處理數據（有58%的受訪者使用該類型數據，說明該類數據仍是企業最熟悉的）、新型的地理與地圖數據（有47%的受訪者使用該類型數據）和產品的可追溯性數據（有42%的受訪者使用該類型數據）；其次是物聯網上的各種設備數據（有28%的受訪者使用該類型數據）和運動應用數據（有26%的受訪者使用該類型數據）。調研顯示受訪者對結構化數據類型的掌握程度更高。（見圖3）

⑥大數據舉措當前的重點是對供應鏈的可視性，但未來卻是投向需求數據。預期的收益越大，現行績效評級就越低，這一點體現在需求數據的領域。由于更加熟悉交易數據和供應系統，具有較長供應鏈和跨多個邊界的零售商表示，著重于供應鏈的可視性被認為是最為重要的。

 

 

2013年7月，Supply Chain Insights Research Firm又做了進一步的量化研究，目的是了解和研究供應鏈的領導者們正在構建的駕馭大數據的能力。這個研究是基于123家制造商（占受訪企業的59%），零售商（占受訪企業的26%），批發商/分銷商/合作商（占受訪企業的12%）和第三方物流提供商（占受訪企業的2%）的一項在線調查。

受訪者中31%是供應鏈團隊（是團隊成員的占15%，是負責人的占 12%，是其他崗位的占2%，是支持人員的占1%）；25%是IT團隊（是IT總監的占15%，是首席信息官的占3%，是負責人的占3%，是經理的占2%，是系統管理員的占1%）；44%為其他團隊（是銷售團隊的占16%，跨職能業務領導的占10%，是財務的占7%，是BI分析員的占3%，是市場人員的占2%，是其他的占6%），(見圖4)。

 

調研顯示出大數據的應用更多的是一個機會，而不是一個問題。認為有機會的占76％，毫無概念的為11%，而在大數據方面存在問題的有12%(見圖5)。盡管數據庫在不斷增長，但可以被管理，然而，最大的數據庫不是企業資源規劃（ERP）數據庫，而是在產品的可追溯性數據的領域。

受訪者中已經啟動一個大數據應用項目的占28％，另外37％的受訪者有計劃開展大數據項目，其余20%沒有開展大數據活動的計劃（見圖6）。那些認為有機會應用大數據的受訪者認為，大數據應用的最大機會在于對相關新型數據的管理，而不是對數據的體量或速度的管理。

 

在那些打算開展大數據項目的受訪者中，準備當年就開展的占9%，1-2年內開展的占53%，3-5年內開展的占31%，不知道何時開展的占7%。

關于供應鏈重點要素中，目前排在前3位的分別是：需求與供給的易變性（51%），應用大數據的能力（43%），人才問題（34%）與業務增長速度（34%）。見圖7。到2020年，驅動供應鏈成為卓越的前3個趨勢的分別是：數據可視化（46%），增強供應鏈的可視性（39%）和大數據（37%）見圖8。

 

目前大數據的應用還是處于起步階段，未來更多的機會與應用是出現在“需求”領域。需求計劃、訂單管理和價格管理位列前3位，是目前從大數據中獲益最高的領域，見圖9。

 

深藍色的柱形代表數據類型的價值，淺藍色的柱形代表數據類型績效，白色柱形里的數據是二者的差距，數值越大說明企業在該數據類型上遠沒有達到應該獲得的價值，還存在著很大的空間去努力獲取該類型數據的最大價值。從圖10中可以看出，在供應鏈可視性與產品的可追溯性數據源方面，無論是價值還是差距都排列在前2位，有較大的潛力可以挖掘。

目前在供應鏈上應用大數據的重心更多的是靠近市場的需求端和營銷領域，相對于采購與供應領域，市場需求領域更多地首先開展了大數據的應用，許多企業也已經收獲頗豐。因此，在采購與供應領域應該努力迎頭趕上時代的步伐，利用大數據為企業和供應鏈的供應做出更大的貢獻。有了充足的數據，若將其轉變為價值還必須有好的方法和先進的工具。在供應鏈上，大數據最突出和最能轉化價值的應用是借助于商務智能BI軟件系統和供應鏈管理SCM軟件系統來實現。

二、大數據環境下采購和供應鏈管理中的商務智能技術應用

今天，客戶需求的個性化特征越來越突出，電子商務和互聯網營銷已全面普及，多樣化的營銷方式隨之不斷涌現，移動互聯網與社交已逐漸進入社會生活與工作的不同層面，而傳統的管理模式和手段卻已很難把握和管控需求的變化。

大數據時代，消費者能夠選擇購買完全客戶化的商品，或從一個可供選擇的環境下自行定制商品，例如在網上購買計算機商品時，消費者可以根據自己的需要和喜好定制化購買；對于商家來說，為了擴大銷售范圍、增加市場份額，他們通常采用特殊的促銷策略，將多種相關聯的商品實行深度捆綁和關聯銷售。個性化驅使商品的生命周期越來越短、淘汰率不斷增大，迫使新品推出越來越快、越來越多；在某些特定的時間點，電商們會采取大面積的降價銷售手段，例如雙十一、圣誕節等，引發消費者大規模的購買行為。

通常，在社會與市場的新環境、新形式下會涌現出新的商業業態、模式和行為等，這些都為供應鏈上的需求與供給平衡匹配帶來新的難題，使得企業更難以掌握市場需求與資源整合，導致需求與供給失衡，預測不準。當需求信號傳遞滯后使得采購與供給計劃趕不上需求變化時，就會造成庫存大量積壓的同時還常常出現庫存短缺的現象。這樣一來，成本的上升吞噬了盈利。

對于這些難題，企業可以充分利用大數據技術，基于已有的業務數據，運用商務智能BI和供應鏈管理SCM等信息化技術，對各項關鍵業務進行深度的挖掘與分析，掌握其特性與特征，發現改進的機會并對其進行優化，從而實現由粗放管理到精細管理的轉變。對于改進的業務可以落實在采購與供給業務的各項工作和各個方面，目前應用較多或收獲較大的環節主要表現在需求預測、采購戰略和業務規則的制定、采購業務的分析與改善、供應商的管理、庫存占有量的降低、日常業務可視化監控和預警等方面。

案例分析：大數據驅動聯合利華供應鏈

消費者從超市貨架上取走一瓶聯合利生產的洗發水對聯合利華（中國）來說，就意味著它的1500家供應商、25.3萬平方米的生產基地、9個區域分倉、300個超商和經銷商都因此而受到牽動。

這是構成公司供應鏈體系的一些基本節點。它的一頭連接著來自全球的1500家供應商，另一頭則是包括沃爾瑪、樂購、屈臣氏和麥德龍等在內的總共約300個零售商與經銷商所提供的超過8萬個銷售終端。此外是：清揚洗發水、力士香皂、中華牙膏、奧妙洗衣粉等16個品牌將近3000多種規格（SKU）的產品，以及在中國超過100億元人民幣的年銷售額。每當消費者買走一件產品，聯合利華整條供應鏈的組織運轉就會受到影響。

1.深度數據挖掘與需求分析

不同于家電、汽車等耐用消費品比較容易預測消費趨勢和周期，快速消費品行業由于其消費者的購買頻次更高，消費結構更為復雜，以及銷售過程中充滿許多不確定性，企業較難對它做出需求預測。最頭疼的情況是大客戶采購，這種情況可能使超市的現有庫存頃刻間耗盡。為了避免類似的手忙腳亂，又不想增加庫存加大成本，更不想丟失客戶，聯合利華需要準確地預測未來的銷售情況。每天，分散在全國各地的業務人員巡店后，將銷售數據輸入到一個手持終端，源源不斷地把銷售情況匯總到公司的中心數據庫里。與此同時，直接與公司總部數據庫對接的諸如沃爾瑪POS機系統和經銷商的庫存系統等，將店里的銷售和庫存數據及時反映到公司的中心數據庫中，使不論上海中國總部還是倫敦全球總部的管理人員，都能了解到中國超過1萬家的零售門店在任何一天內的銷售情況和業務數據。其余還有7萬多個銷售終端，數據更新以周為單位，這些大樣本的數據來源，可以保證銷售預測的波動（例如令人頭疼和難以預料的團購情況）能被控制在合理的范圍水平內。

但僅僅通過匯總購買行為這類數據，還不足以準確預測出未來一段時間內的需求，那些代表預測銷量和實際銷量的分析曲線，只是依賴數學模型和復雜的計算完成了理論上的工作，還需要做進一步的分析。這就需要其他的業務數據，例如對某產品制定的促銷方案是降價還是買贈、在某時段內投入了多少宣傳力度、覆蓋了多少區域或渠道等，都會影響到該產品最終增加的銷量，同時還要與其他業務部門如生產、采購、財務、市場等團隊進行協同，共同利用這些數據，預測和分析結果。

聯合利華按照16個品牌的產品形態劃分出四大業務類別，每個品類都有一個團隊來預測產品的銷售情況，并分析進一步影響采購、生產環節的實際運作。當洗發水以瓶為單位售出后，采購部門得到的信息則是原材料A和包裝材料B又將會有新的需求，在系統里一瓶洗發水會被分解成40多種原材料，這些數據會落實在其物料清單BOM上。

2. 全球協同采購

按照公司實行的全球化范圍的采購與生產體系，消費者購買行為對采購、生產的影響就是全球性的。目前，公司旗下400多個品牌的產品在六大洲270個生產基地生產，所有涉及原料和包裝材料的采購問題，包括采購地和供應商的選擇，以及采購規模與頻次的安排，都是由全球統一進行調配。這種全球化的操作將在成本集約上體現出規模效應，但同時也對公司的供應商管理水平提出了挑戰。

2002年，公司在上海成立了全球采購中心，從中國向全球出口原料及成品，這里生產的牙膏最遠銷售到智利，中國的供應商總數規模在1500家左右。利用大數據與業務分析，一些能夠同時提高合作方效率的合作會在這里開展：一些在內部被評定為A級的供應商被視作戰略合作伙伴，它們會為生產提供定制化的材料，而自己的設計與研發人員也會對供應商的設備、流程等十分熟悉，雙方會針對一款新產品在很早期就開始合作，聯合利華會從技術方面對供應商提供指導。

聯合利華利用大數據對供應商進行管理，有一套全球共同執行的標準。一個跨部門的管理團隊每年會重新審核供應商等級，對A級供應商更是到場審計兩次，不僅是技術水平、產品質量、資金規模等常規指標，還包括綠色、環保、用工條件等社會責任方面的情況，如果在其中哪個方面沒能達到要求，就將面臨從采購名單里消失的風險。

3. 高效協同生產

每當商品售出時，生產部門就要和計劃部門對接對售出產品的數據做出響應。根據售出產品的相關數據，生產計劃經理進行分析并做出決策。除了通過需求計劃經理得到需求預測，他還必須獲得其他業務信息，例如通過采購團隊掌握所有供應商的交貨能力，通過工廠負責人了解目前生產線上的實際產能，等等。然后，將這些信息匯聚在一起統籌分析，做出下一段時期內的產能供應水平。

根據這些大數據，工廠最終制定出生產安排，指揮一個年產值為140億元的生產系統在每一周、每一天里如何調度它的每一家工廠、每一條生產線、按照速度和專長的不同安排生產（洗發水生產線就有十多條），完成300多個規格(SKU)的洗發水生產，以盡可能達到產能最大化，以滿足那些分散在全國各地甚至世界其他地區不斷增長的購買需求。關于消費者打算在何時何地購買這瓶洗發水的行為，將給聯合利華的分析人員帶來一道復雜的統籌學問題。

4. 渠道供應鏈管理，贏在貨架

聯合利華在全國設有9個銷售大區，首先成品從合肥生產基地的總倉發往上海、廣州、北京、沈陽、成都等9個城市的區域分倉。為了保證這瓶洗發水能夠準時到達最終的貨架，分銷資源計劃員既要規劃路線，又要考慮庫存成本和各條運輸線上波動的運輸能力。比如，春節將是聯合利華產品的銷售旺季，而臨近春節時往西方向的鐵路線會很擁擠，公路運輸也比較忙，這還考慮很多發生在路上的臨時突發的狀況。因此，必須有充足的數據進行詳細周密的分析，并與其他業務部門協商，做出例如“規劃如何在西區提前建立庫存”等的決策。

聯合利華用活了數據，從超市貨架上每個產品的變化，一直到自己的供應商，這是一條能產生出高價值的數據鏈路，而利用鏈路上每一節點的數據來優化和改進業務，使得業務運營獲得了驕人的好成績。例如通過對缺貨的分析，找出導致一瓶洗發水在貨架上缺貨的真正原因：是門店方面沒有及時下單，還是系統虛庫存，又或者是因為庫存堆放問題等，找到了真正的原因改進了缺貨率，使其重點門店的貨架滿足率提高到了98%，上升了8%（貨架有貨率每提高3%，就會帶動產品銷售提高1%）；又如與超商啟動了回程車項目優化，在聯合利華合肥總倉、樂購嘉善總倉、樂購合肥門店之間，把雙方的取貨、發貨和運輸線路放在一起進行分析和優化設計，減少了返程時的空車率，節約了10%左右的物流成本，同時也完成了公司對碳排放降低的要求；再如，通過分析與優化，提升了服務效率和客戶的投資回報率。2011年聯合利華的這一排名從2004年的20名之外上升至第二名，實現了它“贏在客戶”的目標規劃，無論在它的銷售、采購、庫存、生產，還是在物流等方面的業務都有了很大的提升。

 

三、大數據環境下采購和供應鏈管理的優化與決策

日益復雜的商業環境使供應鏈網絡結構的合理性問題成為當前供應鏈管理的一個重要難題，也是企業供應鏈管理面臨的一個全新挑戰。企業與供應鏈管理人員面臨著不斷提升客戶滿意度、迎接全球化經營的挑戰，他們希望能不斷地擴張業務并占領更多的市場，能開發和生產更多更好的產品，在最恰當的時間和地點、以最低廉的成本、最優惠的價格、最好的狀態與質量為最合適的客戶提供最佳的商品和服務，能有效地識別和確定供應鏈策略來實現成本與服務的平衡，并以此獲得自身的利益最大化。

長期以來，企業與供應鏈的管理者苦于缺乏有效的管理方法和技術手段，無法實現科學與正確的決策與優化，來指導業務實現最佳運營，比如：

? 在原有的服務水平基礎上，原料/零部件應從何處獲得成本最低？如何在保持該成本基本不變的情況下提升服務水平?

? 應采取什么采購策略來平衡既定的成本與服務？

? 是自行建立倉庫還是由供應商建立倉庫？設在何處最合適？

? 倉庫里的貨物應該為哪些生產或經營點供貨？供應多少并以什么方式供給為最佳？

? 如果投入新品或開拓新市場，如何整合現有/新供應商的能力支持目標生產產能？

? 在季節性需求將增加時應提前儲備多少庫存存貨？

? 當供給能力出現不足時是開拓現有供應商供貨能力還是尋求新供應商？

? 應該在哪些工廠（DC、倉庫等）生產（配送、存儲等）哪些產品？分別生產（配送、存儲）多少能夠實現價值最大化？

? 是否要增加（或減少）經營設施（工廠、倉庫、DC、服務中心、門店等）？

? 倉庫（DC）里各種物資的庫存策略怎樣制定才能最大限度地降低庫存和減少缺貨？

? 某個供應商（工廠、DC、倉庫）應該給下游哪些節點提供供給？供給什么？分別供給多少利潤最大？

? 整個分銷與配送網絡應該設置幾級庫存？分別是怎樣的庫存量設置才能即時滿足市場需求，又同時實現網絡庫存最小化？

? 應該怎樣定價和用什么方式的促銷才能以最低的成本增加銷售額？

上述問題的復雜性在于其涉及到極多因素和這些因素之間的平衡，想要通過“拍腦門”的人工方式或簡單的計算根本無法解決。要想對這些問題做出最優化的決策，必須有大數據為基礎，用BI分析提煉數據，有供應鏈管理系統的模擬優化功能對整個供應鏈網絡或某些局部環節進行模擬優化。模擬優化的對象可以是事件、設施、路徑、流程、產品、運輸、節點等，也可以是這些元素組成的網絡以及相關的業務，既可以是單目標優化，也可以是多目標優化。一般情況下，供應鏈的優化決策工作原理與流程圖如圖11所示。

 

 

案例：供應鏈優化案例―福特公司供應鏈供給業務的優化

為了增強競爭力，福特公司采用業務數據和優化工具成功地與它的數千個供應商和服務商實現了緊密的業務連接。

福特公司在全球有4000多個供應商，為它分布于全球的100多個制造工廠供貨。福特的目標是渴望能有一種好的方法來優化其復雜的、覆蓋全球的供應與生產網絡，采用互聯網將其汽車生產的供給業務、供應商和服務商連接在一起，直接與供應商和物流服務商交換并共享發送物料與生產計劃的信息。它采用供應鏈優化建模的方法，可以同時對一個接近無限元素的數據類組進行篩選和評估，在此基礎上進行優化，為福特提供一個可選擇的基于排序的決策流程。

優化系統在獲得與部件和生產業務相關的數據后，產生一個優化的、與福特預定的供給業務優先權相吻合的優化供給流程。這些優先權因素可以很容易地被引入到每一次的模擬運行中，這使福特能夠平衡供應鏈網絡中的元素和細微的差異，從而提供了具有“what if” 的高級分析功能。

例如，某些生產計劃經理可能打算在他們的工廠里實施特殊的策略和處理過程來接收和管理庫存與部件，如在自己的倉庫里保持少于2個小時的庫存量這樣的策略。在實施這些業務變革前，可以在優化系統中插入約束因素，然后通過該系統觀察約束因素對供給成本和網絡中其它因素產生的影響。運用這種優化方法，福特公司就可以做出優化的決策。例如，“如果花費了X去做某事，是否能夠得到大于X的價值呢？”“在供給網絡中，這是一個正確的業務決策嗎？”。

福特公司的網絡相當復雜，全球供給部門雇傭了300名左右的物流專業人員從事將進貨物料運送到裝配點，將汽車從工廠送給經銷商和全球客戶等業務?？傃b廠的整車平均需要大約2500個部件。接近4000個全球供應商運送零部件和組件到31個生產發動機和轉速器的工廠、13個沖壓廠和54個裝配廠。從那些裝配廠，整車被運往200多個國家的20000多個經銷商處。福特每年65億美元的運輸費用實際上包含了所有現有的現代化的運輸模式。

為了更靠近客戶，福特轉向了面向定單的生產，由消費者驅動業務環境和采用精益制造的生產方式，它希望物流部門能提供一個建立在潛在資源基礎上的“完善的、及時的和可重復的物流成本評估方案”。另一個期望是在計劃中，實現將進貨物流與同步化的物料流集成在一起的目標和策略。這樣做面臨的挑戰是美國鐵路系統在服務方面的欠缺，運輸形式需要轉向公路運輸。

然而，工廠一級的阻礙經常破壞了計劃的執行，例如進貨卡車無法在預定的地點卸貨，無法直接將部件和組件運送到各個裝配線上的問題常有發生，等等。福特清楚地了解到，它必須將自己的物流流程與物流伙伴的流程緊密集成在一起，才能實現這一目標。福特的物流服務商包括Penske、Worldwide Logistics、FedEx 和Autogistics（ UPS的一個分公司）等，福特認為與這些服務商無縫集成業務的基礎是信息的集成與共享。

福特在三個階段上對縮短新車型項目的供給進貨周期做了優化，即：戰略階段、戰術階段和運作階段。戰略階段包括資源決策，例如，由一個工廠變化而產生的多種資源方案、貨幣與貿易問題、市場問題等。然后，這些信息被輸入到一個策略模擬制定方案中，供應與物流成本在這一模擬過程中被評估后，再反饋到戰略優化過程。當資源決策方案確定后，運作計劃過程就開始了。福特將其物流需求提供給那些領先的物流服務商，由它們通過設計物流網絡來支持該計劃。這個系統不僅使福特能快速、靈活地適應變化的情況，還增加了對供給策略的可預見性。

最具影響的是以最小的總成本優化北美裝配廠的物料進貨越庫作業（cross -docking）的數量和理想位置，福特對相關成本因素和供應鏈網絡的影響與約束進行了建模分析。對于21個裝配廠、1500個供應商和46000個不同的進貨零部件和組件，優化系統在特定的假設下進行模擬。根據需求量檢查了供應商的位置和需求點后，福特原準備在供應鏈網絡上設置45個配送中心作為越庫作業的場所，經過近2個月時間的建模和模擬分析，優化方案只要求15個越庫作業場所，大大節約了成本。

隨后，進入了“what if”分析階段，需要考慮在什么地方引入其它的資源，例如來自于福特企業內部其它地方和外包商的資源。全球供應鏈技術部門在改變成本、數量、頻率和其它因素的情況下，運行了40 多個模擬方案并進行求解。對每一個方案，從模擬變化到生成適應業務環境的結果，大約需要一小時的時間。

同時，數據采集與優化也是一項關鍵工作，供應鏈網絡中點與點直接平滑順暢的數據流對于優化過程是非常重要的。最初，由于缺乏對大數據進行收集存儲與分析處理的工具與能力，傳統的優化工作中所花費的時間比例為：90%的努力是用于收集和輸入數據，5%用于過程分析，其它5%用在輸出結果。但采用優化系統后，這一比例發生了顯著的變化：優化工作的5 %用在數據的處理與輸入、5%用在過程分析、5%用在輸出結果、75%用在對結果進行分析。其余時間被用于回顧優化過程和對方案進行選擇。正如Koenigbauer評論說：“現在，我們用75%的時間分析來自優化系統的輸出，思考下一個方案對我們的業務真正意味著什么。我們還具有與其它業務部分集成的能力，能與我們內部的同事協調解決物料送達到工廠的問題。”“如果你有一個相當好的供應鏈網絡，簡單地利用優化系統，就能將效率提高20－30%。在進貨物料項目中，我們不僅節約了運輸成本，而且在交貨頻率明顯增加的情況下保持運輸成本不變。我們從每天平均22%的零部件進貨率增加到每天97%的進貨率。這對福特來說是一個巨大的效益。”

四、結束語

中國地大物博人眾，是一個天然的大數據市場。易觀智庫（EnfoDesk）研究發現，2014年將是中國供應鏈大數據快速發展的一年，29億元的市場規模，增長率達到42%。供應鏈大數據應用企業必須提前布局占據有力地位，到2016年，中國供應鏈大數據市場規模將達到59.6億元。如圖12所示。

從國內數據中心的發展歷程來看，國內數據大集中從銀行業開始，逐步發展到保險、電信、電力等國有大型企業。目前為止，國內實現大數據集中的行業包括公共事業、金融、電力等；未來實現大數據集中的行業包括醫療、汽車、零售、制造等；能夠率先實現大數據增值的行業主要包括電子商務、物流等。

目前我國供應鏈大數據產業正處于起步期，未來幾年將快速發展。有深度行業積累的供應鏈協同數據平臺將是未來若干年資本主要進入的領域。第三產業供應鏈協同應用市場的進入空間較大，尤其以醫療、金融、電子商務等細分領域需求較高。第二產業供應鏈協同市場成熟度逐步提高，尤其以物流、汽車、零售、公共事業為主要領域，供應鏈協同數據將起到市場升級的核心驅動作用。

 

IDC公司預計，大數據技術和服務市場的增長在去年同期以27％的速度增長，在2017年金額達32.4十億。這些都說明大數據的應用具有十分廣闊的前景。面對大數據的浪潮，我國的企業應該快速迎接挑戰，緊緊抓住機會，特別是采購與供應鏈的管理人員，必須充分認識數據的重要價值，積極利用大數據和其他相關信息化管理工具，在采購供給業務中

開展應用，把握業務規律，發現業務機會，對各項業務快速做出科學正確的優化決策，并指導采購業務的執行，為企業和供應鏈的經營保駕護航，充分利用大數據應用的價值實現企業和供應鏈管理的利潤最大化和價值最大化。