汽車供應鏈大數據應用探討

張麗娜

摘 要：在時代進步和科技發展的背景下，計算機技術、互聯網技術、云計算技術以及電子商務技術等逐漸相互滲透，大數據是其中重要的產物之一。但是企業對于如何能夠以有意義的，有效控制成本的方式實施大數據分析法，缺乏一副明晰的路線圖指導.本文首先簡要介紹了何為大數據，然后分析了汽車供應鏈大數據的特征，最后探討了大數據在汽車供應鏈管理中的應用場景，宏觀的快速了解大數據技術對供應鏈管理的影響，幫助您的企業未來在供應鏈環節討論是否引入大數據技術打下一個概念基礎。

關鍵詞：大數據;汽車;供應鏈;應用

1 引言

在業務方面，因為大數據的出現形成了新的數據處理模式，使某些業務部門獲得了更全面、更實時的數據，提升了工作效率和工作質量;在技術方面，大數據促進了以Hadoop開源框架為代表的新技術的生成，使技術更具先進性和有效性。大數據可以為供應商網絡提供更好的數據準確性、清晰度和洞察力，從而在共享的供應網絡中實現更多的情境智能。

汽車制造商們正在將80%或更大比例的供應網絡經營活動構建在企業外部，他們利用大數據和云計算技術來突破傳統ERP系統和供應鏈系統的局限性。對于商業模式基于快速產品周期迭代和產品上市速度的制造商，傳統的ERP/SCM系統僅僅是為了完成訂單交付、發運和交易數據而設計的，這樣的傳統系統的擴展性極其有限，根本無法滿足當下供應鏈管理所面臨的種種挑戰，已經成為企業供應鏈管理的瓶頸。

2 大數據簡介

大數據是一項比較抽象的概念，大數據的出現給我們提供了一種洞悉世事的新視角”透明的因果”。與其他新興的概念相同，大數據尚無明確的、統一的定義。現階段，比較認同的是大數據具有以下4個基本特征，分別為數據規模大、數據種類多、數據要求處理速度快、數據價值密度低。大數據與海量數據具有較大的差別，因為海量數據只是強調數據的量，而大數據則不僅要求數據的量，更是明確了數據的復雜性、時效性，并要求對其進行專業化的處理和分析，最終達到獲取有價值信息的目的。[1]

3 汽車供應鏈大數據的主要特征

3.1 數據量大

大數據將大量的數據聚合在一起，通常情況下，大數據要求超過100TB的可供分析的數據量。數據量大是大數據的基本特征。在2011年，全球供應鏈中射頻識別標簽的使用量是1200萬個，到2013年達到70億個，到2021年 2090億個，每一個射頻識別標簽都將產生數條數據，在汽車行業，射頻識別標簽在整車和零部件供應鏈均得到了廣泛的應用，產生了大量的數據。[3]

3.2 數據類型多樣

類型多樣、復雜多變是大數據的又一主要特征。傳統的數據雖然數量大，但一般都是采用事先定義好的數據結構形式，而在互聯網技術以及傳感器技術大幅進步的背景下，非結構式數據應運而生，其結構屬性不盡相同，不能用結構的方式予以表征。在汽車行業銷售點數據、射頻識別數據，以及設備傳感器，社交媒體，全球定位系統，地理定位信息，潛在客戶消費行為等等數據，形式多樣，難以類聚。比如一輛典型的中檔汽車裝有約40個微處理器與電子元器件，這些設備占了車輛總成本的近1/4，而這些電子元件每分每秒都能產生大量多樣性的數據。

3.3 數據處理速度快

由于數據量爆炸式增長，數據產生的速率高，相應的時效性也高，這就要求提升數據處理速度，充分利用激增的數據，發揮其應有的價值。如果處理速度跟不上數據的增長速度，則不但不能給解決問題提供便利，甚至會給問題的解決帶來負擔。數據不是靜止不動的，而是在互聯網中流動著的，數據的價值會隨著流動的時間而大幅降低。例如客戶在網絡上對汽車品牌的滿意度評價等大量數據，如不及時加以甄別和處理，極有可能造成大面積的輿情事件。

3.4 數據價值密度低

傳統的數據多為結構化數據，主要是根據數據的具體應用，有針對性地對數據進行抽象。每一條數據都含有相應的需要考量的信息，而大數據為了獲得更為細節的事物，往往不對事物進行抽象或者是歸納處理，而是直接使用原始數據，使其盡量保持原始狀態。所以從某種意義上說，大數據的數據價值密度偏低。

4 汽車供應鏈為何要應用大數據分析

如今，消費者完全可以按照自己的意愿購買商品或者在特定的環境下自行定制商品。比如，在網上的購物平臺或APP應用上購置汽車，可以根據自身的喜好進行個性化的定制，內外飾顏色、動力、配置等等都是可選項;而對于汽車商家而言，為了進一步擴大銷售范圍、提升銷售業績，往往需要根據實際情況有針對性地制定促銷方案，捆綁或者打包銷售相互關聯的商品。個性化的購買會縮短產品的生命周期，加大商品的淘汰率，這就要求新品具有較快的推出速度，并保證推出類型的多樣性。這在無形中會給供應鏈的需求和供給平衡的匹配帶來極大的挑戰，同時也讓企業無法真正地掌握市場需求與資源整合的具體情況，造成預測失準。當消費者的需求發生變化，而采購及供給計劃卻沒有及時更新時，就會造成庫存短缺或者庫存積壓的狀況，嚴重影響企業的利潤。[3]

對于這樣的情況，企業可以充分利用大數據技術，在已有的數據基礎上，通過商務智能管理技術及供應鏈管理技術等信息化技術，深入挖掘企業的各項重點業務，分析其特征，找到需要進行優化的方面并加以改進，這樣才能夠由傳統的粗放型管理向精細化管理轉變[3]。此外，進行優化改進的業務需要得到充分的落實。

5 汽車供應鏈大數據分析主要應用場景

現階段，應用大數據技術較多的應用環境主要包括以下幾個方面，分別為需求預測、采購業務優化、供應商協同、供應鏈管理優化以及業務的動態化和可視化監控等等：

5.1 需求預測

數據規模使得數據中原本無法識別別的聯系和細節得以識別，運用聚類粒度分析的子范疇與子市場使得企業能夠比以前更加了解顧客與市場，并且通過大數據分析法編寫的運算程序可以自動識別不符合規范的異常變化，根據已有數據及影響參數建立統計學數學建模進行數據挖掘，通過不斷感應細微變化來預測將要發生的事情。

目前越來越多汽車廠商在推進車聯網的應用，車聯網將實時記錄用戶在行駛過程中的駕駛習慣、活動路線、消費場所等等，在應用數據分析平臺進行精準分析后，可以及時收集何時售出、何時故障及何時保修等一系列信息，由此從設計研發、生產制造、需求預測、售后市場及物流管理等環節進行優化，實現效率的提升，并給客戶帶來更佳的用戶體驗。

5.2 采購業務優化

提供數據可視化服務以幫助組織實現采購可視化，能夠全面監督采購過程的決策，應用模塊化和模擬化來建立大型數據庫，并將其轉化為有意義的信息，敏捷、透明的尋源與采購。為新產品、優化成本而尋找新的合格供應商滿足生產需求。同時，通過供應商績效評估和合同管理，使采購過程規范化、標準化、可視化、成本最優化。

5.3 供應商協同

客戶日益個性化的定制需求，日漸頻繁的產品迭代需求，向我們提出了柔性供應鏈，敏捷供應鏈的需求，這就要求建立良好的供應商關系，快速、精準實現雙方信息的交互。雙方庫存與需求信息交互、VMI運作機制的建立，將降低由于缺貨造成的生產損失。采購訂單與生產訂單通過各種渠道快速、準確的反應能力在當前集團化、全球化，多組織運作的環境下尤為重要。訂單的準備周期，訂單處理的速度在某種程度上決定了產品迭代的響應速度和代價。

有效的供應鏈計劃系統集成企業所有的計劃和決策業務，包括需求預測、庫存計劃、資源配置、設備管理、渠道優化、生產作業計劃、物料需求與采購計劃等。在這個環節中企業需要綜合平衡訂單、產能、調度、庫存和成本間的關系，而且要評價當需求波動、市場變化、產品迭代時供應鏈成本的損益，計算供應鏈庫存儲備水平，這需要大量的數學模型、優化和模擬技術為復雜的生產和供應問題找到優化解決方案。[2]

5.4 供應鏈效率提升

利用基于大數據的地理分析技術 （Geoanalytics） 來整合優化供應鏈配送網絡，建立高效的運輸與配送中心管理，構建全業務流程的可視化、合理的配送中心間的貨物調撥，提升MR（循環取貨）和公鐵聯運等多式聯運的運行效率，提高企業對業務風險的管控力，改善企業運作成本和響應速度。

供應鏈成本的另一個主要來源就是庫存，通過大數據分析技術，對庫存數據進行監控分析，建立數學模型計算最優的補貨和庫存協調機制消除過量的庫存，降低庫存持有成本。通過需求波動、響應時間、安全庫存水平、采購提前期、最大庫存設置、采購訂購批量、采購變動等方面等參數的變化，動態的優化庫存結構和庫存水平設置。

5.5 供應鏈網絡設計與優化

對于投資和擴建，企業從供應鏈角度分析的成本、產能和變化更直觀、更豐富也更合理。企業需要應用足夠多的情景分析和動態的成本優化模型，幫助企業完成配送整合和生產線設定決策。大數據能驅動更為復雜的專注于知識分享、信息共享和協作的供應商網路，從而讓供應商網絡不僅僅是完成交易而是帶來增值。大數據正在變革供應商網絡在新市場和成熟市場中形成、增長、擴張的方式。交易不再是唯一的目標，創建知識信息共享型的網絡更為重要。[3]

汽車行業供應鏈作為最復雜的供應鏈之一，其供應鏈網絡涵蓋采購、制造、物流、銷售等等諸多環節，每一個網絡節點，均可以通過大數據的應用，實現業務的優化，并發現新的利潤增長點，見表1。

5.6 風險預警

在大數據與預測性分析中，有大量的為供應鏈提供風險預警的機會。問題預測可以在問題出現之前就準備好解決方案，避免措手不及造成經營災難。在統計學中，相關性雖然“快速而隨性”但卻能夠讓我們深入了解變量，解釋發生了什么。通過檢驗變量之間可能的聯系，并進行因果檢驗，建立模型，分析因果關系，優化策略，通過檢測替身以預測未來，可以減少“黑天鵝”的事件發生。例如某汽車企業，建立了其供應鏈網絡的地理位置信息庫，發生在涉及供應鏈網絡區域300公里范圍內發生的自然災害事件、環境污染事件、公共安全事件等等都將被監控分析和評估，以提前預測供應鏈受到的影響，以及可能對生產造成的影響，并提前制定應對措施，比如日本某地區地震，可能導致哪些進口零件到貨延遲，導致哪些國內供應商原材料無法到位等等。

6 結語

目前傳統供應鏈已經在使用大量的結構化數據，企業部署了先進的供應鏈管理系統，將資源數據，交易數據，供應商數據，質量數據等等存儲起來用于跟蹤供應鏈執行效率，成本，控制產品質量等。但要讓數據發揮更大價值，要能夠接受來自第三方系統的數據，要能夠共享、集成、存儲和搜索來自眾多源頭的龐大數據，并加快反饋速度，增強協同性、加快決策制定和提高透明度

將高級數據分析技術與供應鏈管理理論相結合并應用于更大的數據集合當中，這個數據集合的體量、速度和多樣性需要借助于大數據技術工具來分析，需要通過大數據分析使供應鏈可視化，能夠使我們清晰的看到供應鏈網絡中供應商的多層次結構，同時，需要借助供應鏈管理專業人士的技能，通過提供精準實時的商業洞察來持續感知和反饋解決SCM相關的問題。

參考文獻：

[1]洪健，曾雪芳，陳金玉.物資全供應鏈大數據應用方法研究[J].物流工程與管理，2017，39（3）：65-67.

[2]張東翔.基于大數據應用的供應鏈績效管理研究[D].石河子大學，2017.

[3][美]娜達·R·桑德斯（Nada R.Sanders）大數據供應鏈：構建工業4.0時代智能物流新模式.中國人民大學出版社，2015.