随着供应链运营全球化、互联网化以及信息化的发展,数据已经渗透到每一个行业和业务职能领域,业已成为一个重要的生产因素,并且海量数据可以通过多种方式产生价值,因此,对于大数据的运用,就成为了企业获得竞争力以及获得供应链长远发展的战略。在这一背景下,企业在供应链运营过程中如何运用大数据,以及大数据如何帮助企业实现有效的供应链决策成为了目前供应链实践以及理论研究的重要趋势。基于此,文章系统介绍分析了影响大数据在供应链运用中的影响因素和具体作用。

随着新兴信息技术以及应用模式的涌现，全球的数据量也呈爆发增长趋势。在数据管理中，存在三个维度的挑战，即数据量大（Volume）、数据类型繁多（Variety）以及数据增长快（Velocity）。另一些学者在3V 的基础上发展了4V， 但对第4 个V 却有不同的理解。国际数据公司（International Data Corporation，IDC，2011）认为，大数据应该具有价值性（Value），即指数据价值密度相对较低，这也就意味着如果数据增长但隐藏在数据背后的有用价值却没有呈比例增长， 就会增加我们挖掘数据价值的难度。IBM 则认为大数据还具有真实性（Veracity），也就意味着数据分析应建立在准确的数据之上，避免人为篡改或在传输中失真。虽然大数据成了近年来实践和理论研究的热点话题，但以往对于大数据的研究和预测性分析功能大多聚焦在对消费者数据分析、偏好预测分析等，而“大数据”在供应链中应用的研究却相对缺乏。如今供应链变得越来越复杂，企业要想保持自己的竞争优势，必须重视对于“大数据”的应用，工业研究咨询机构（Industry ARC）进行的研究指出，2018 年全球供应链大数据市场将从2012 年的大约4.3 亿美元增长到37 亿美元左右，2013 年~2018 年的年度复合增长率约为31.4%。Waller 和Fawcett（2013）也指出，数据科学、预测性分析和大数据将会改变供应链的设计和管理方式，从不同的数据库获取信息来对供应链进行分析能够帮助供应链管理经理提高供应链的运营绩效，并且大数据还能促进企业间的信息协同，是企业的一种战略性资源。

大数据在供应链运用中的影响因素

要在供应链运营和决策中有效的运用大数据，首先需要建立良好的大数据库，具备分析、整合大数据的能力。从研究的主要维度看，有关的研究和探索的问题主要围绕大数据的数据类型、数据质量、大数据分析技术以及大数据分析的人力资源等几个方面展开。

1. 大数据的数据类型。数据类型涉及到大数据的数据形态和获取的途径和方法，供应链中的大数据主要包括以下四种类型：（1）结构数据；（2）非结构数据；（3）传感器数据；（4）新类型数据。

结构数据指那些在电子表格或是关系型数据库中储存的数据， 这一类型的数据只占数据总量的5%左右（Cukier，2010），主要包括交易数据和时间段数据。现在的大数据分析大多以这一类数据为主，其中重要的结构数据包括ERP 数据， 因为ERP 系统中存储的数据是企业运转多年的系统积累的大量的行业数据，这些数据对于企业的经营决策和预测来说意义非常重大。

非结构数据主要包括库存数据、社会化数据、渠道数据以及客户服务数据。尽管现在有大量的研究和报告在探讨数据和分析能力对供应链管理的重要性，但对于非结构数据，例如社会化数据对供应链的影响和作用的研究却相对缺乏。Natoli 在2013 年进行的行业调查中发现，尽管物流供应商、生产者以及零售商们都在借力于传统的供应链数据进行供应链的管理，但是参与调查的企业中，只有1%的企业参考了社交媒体数据。然而，社会媒体数据对于供应链运营管理的作用是十分重要的，如何利用社交媒体数据来指导企业进行供应链活动的规划（包括新产品的开发、利益相关者的参与、供应链风险管理以及市场探查等）以及社交媒体数据对供应链绩效产生影响的具体机制是我们下一步需要深入探讨的。而要想从内容丰富的非结构化数据中挖掘出商业智慧，就需要使用不同的研究方法和度量方式，包括描述性分析、内容分析以及网络分析等。除了上述两种主要的大数据类型外，还有传感器数据和新类型数据。传感数据主要包括RFID 数据、温度数据、QR 码以及位置数据，这类数据增长很快，并能为供应链金融带来巨大商机；新类型数据主要有地图数据、视频数据、影像数据以及声音数据等， 这类数据多用于可视化领域，并能够帮助提高数据质量，使数据的实时性更强、提高了数据分析的精准度。

2. 供应链大数据的质量。Dey 和Kumar（2010）指出企业在进行大数据分析时，需要考虑数据的质量问题。低质量的数据不仅会影响企业的决策，甚至还可能导致企业产生损失。事实上，数据的有用性取决于数据质量，随着大数据重要性的跃升，对高质量数据的需求也增加了。虽然现在对于数据质量评价还没有统一标准，但是大家一致赞同数据质量评价应包含多个维度指标。Lee 等（2002）指出数据质量的评价应包括数据内在（Intrinsic）要求和情境（Contextual）要求。内在要求指数据本身所具有的客观属性，包括数据的准确性、及时性、一致性和完整性。情境指数据的质量依赖于数据被观察和使用的情境，包括关联性（Relevancy）、价值增值性（Value-added）、总量（Quantity）、可信度（Believability）、可及性（Accessibility）、数据声誉（Reputation of the Data）。

3. 供应链中的大数据分析技术。

（1）分析学。分析学是大数据分析的基础，它能帮助企业更好的基于事实做出决策，Davenport 和Harris（2007）就指出，定量技术、预测模型等能提高企业的盈利能力。另外，大数据分析不仅能帮助我们获得新的见解，还有助于提高我们预测的准确性，但上述益处都是建立在数据挖掘和统计分析基础上。甚至可以说，大数据如果没有分析学对数据进行解析，数据也就仅是一堆“数据”，毫无价值。大数据需要分析学，但是要想让分析学崭露头角，拥有数据却是不够的，还得借助于分析工具。当然，分析学如果没有大数据作为研究对象，其也只是数学和统计的工具和应用方法罢了，无法发挥其对于企业的价值。

（2）供应链分析。大数据分析技术也是目前供应链管理的研究热点， 德勤2014 年的工业研究报告认为供应链分析首先需要从广泛的内部和外部来源获取数据，并借助相关的分析工具和技术进行数据剖析，以通过数据获得见解，从而帮助供应链降低成本和风险，并提高运营敏捷性和服务质量。尽管有很多企业已经利用了大数据分析技术来优化企业的运营决策、辅助进行商业营销决策，但是大数据在供应链中的运用研究相对贫乏，并且就算有关大数据分析与供应链管理的实践文章和咨询报告开始增加，但是内容大多是重复的， 并且缺乏严谨的科学调查（Waller& Fawcett，2013）。另一方面，即使一些企业已经开始采用大数据分析方法，但是运用方式不仅混乱，还无法触及分析实质。

除此之外，也有的学者认为大数据分析技术与企业的业务和运作流程相关，Wu 等（2013）从创新扩散理论和信息加工视角分析了供应链情境下云计算技术的应用，实证研究表明当企业的业务流程很复杂或是供应链中各个组织的信息系统已经良好兼容时，云计算对于供应链价值就大打折扣；相反，对于那些创业型企业或是信息系统具备特殊功能性时，云计算对企业则更具价值。由此可见，企业文化、业务流程和特性等会影响企业对大数据分析技术的应用。

4. 大数据分析能力和人力资源因素。供应链大数据运用的能力是企业利用分析学进行供应链决策的关键驱动因素。Schoenherr 和Speier-Pero（2015）对企业使用大数据分析的困难进行了问卷调查，发现促使企业放弃大数据分析技术的一个重要原因是企业缺乏相关人才。Waller 和Fawcett（2013）认为大数据不但会改变供应链的设计和管理方式，于此同时也会给物流企业和供应链管理带来了新的挑战，首当其冲就是缺乏拥有大数据分析能力和供应链管理相关专业知识复合型人才。麦肯锡也早在2011 年就预测，“到2018 年， 具有资深分析能力的人才空缺数将达到140 000 到190 000 人”。

对于数据分析家应当具备的技能，Schoenherr 和Speier-Pero（2015）指出预测（定量和定性的）、运筹、统计学（估算和抽样的方法）以及经济学（决定机会成本）都对大数据分析非常重要，此外，数据操作以及沟通与人际交往的能力也对大数据分析运用不可或缺，因为数据操作的技能不仅要求数据科学家能从数据库和资料库中提取交易信息，还需要从社交网站上获取顾客相关信息并与企业内部的数据进行整合，也就是需要数据科学家能够对结构性数据和非结构性数据进行整合分析。当然，数据科学家不仅需要高效处理数据， 还需要将分析的间见解准确传达。此外，大数据分析在供应链管理中的运用还要求数据分析家具备供应链管理相关知识。总的来看，数据分析家需要具备企业业务流程和决策制定、数据管理以及分析和建模工具等相关技能。

供应链管理中大数据运用的绩效

大数据之所以在供应链管理中具有举足轻重的作用，不仅在于其能够增强决策的预见性，还有助于提高供应链运营绩效和竞争力。总的来看，大数据不仅能够提高供应链运营效率、促进供应链创新与发展，还能帮助企业进行供应链风险管理。

1. 大数据对供应链运营效率的影响。Schoenherr 和Speier-Pero（2015）的研究发现，企业认为大数据能够提高他们的决策制定能力、需求计划能力，还增强了供应链运营效率、供应链的可视性，并同时降低了供应链运营成本。在决策制定方面，大数据能提高企业决策的有效性、准确性和科学性，例如叶斌等（2014）指出，在物流决策中，大数据技术可以应用于竞争环境的分析与决策、物流供给与需求匹配、物流资源优化与配置等；在提高供应链效率方面，通过数据分析能够促进供应链高效、合理分配资源，同时提高整个供应链的协同能力，例如闫俊（2013）速递行业进行了研究，其发现通过大数据与物流仓储进行结合，并通过智能化以及海量的数据分析，能最大化的整合平台物流的信息和客户信息， 有助于物流和货物信息的最佳匹配，便于企业协调企业内外的各种资源而最大化的提高速递行业物流资源的利用率；在增强需求计划能力方面，数据分析使企业将不同数据进行整合， 并结合客户的实在需求，能更加合理的安排业务活动，使企业不但能够根据顾客要求进行业务创新，还能提高企业应对顾客需求变化所带来的挑战，例如，相婷婷（2013）指出，供应链金融引入大数据技术，金融机构可以将相关各方经营活动中产生的物流、商流、资金流和信息流归结并进行整合，针对不同供应链的特色提供不同的在线融资、结算以及投资理财等综合的金融和增值服务；在降低供应链运营成本方面，大数据能促进了各企业在优化路径、调控资源和降低成本等方面进行信息的挖掘分析， 进一步提高了企业的经济效益，例如，薛锦辉（2014）认为金融机构可以依托平台会员在平台上的大量交易数据并依托交易背后的物流信息数据给平台会员进行融资，这改变了通过供应链中核心企业以给上下游企业授信的融资模式，并而通过物流信息平台的实时信息反馈和监督，还能降低金融机构的监督成本，从而进一步降低了供应链金融的运营成本。

2. 大数据与供应链创新发展。大数据对供应链的影响不仅仅在于提高供应链运营效率， 还有助于供应链创新。大数据代表着一种新的生活方式、提供了一种新的资源和新的能力、是一种新的技术，还带来了一种新的思维方式，由此更容易孕育颠覆性创新。曹凌（2013）指出，大数据具有催生社会创新、变革的力量。具体来看，在企业业务方面，韩蕊（2013）指出，大数据技术为分析现有业务难题和潜在机会带来了创新的方法，并且这种全新的资源和分析技术也能通过全新的方式来改善企业的运作；在技术方面，李逸群、龙剑（2013）指出，大数据有助于降低知识转化的成本并加快知识转化的速度，而知识在转化的过程中则有利于技术的创新。

3. 大数据与供应链风险管理。Schlegel（2014）指出，企业可以利用大数据和预测性分析技术来减缓和管理供应链风险。宋华（2015）也指出，供应链风险管理有赖于高度的信息化管理，并且这种信息化不但包括企业经营管理系统的信息化，还需要强调企业内部和企业与企业之间的信息化沟通以及供应链运营管理的信息化。而信息化的管理有助于打通供应链节点的信息瓶颈，不仅提高可供应链的可视化，还能够进一步积累数据。

对于供应链风险的管理，主要包括事前、事中以及事后的管理，而大数据在这三方面都能发挥巨大作用。首先，大数据技术能使事前风险预判结果更加准确，因为大数据来源不仅包括企业本身产生的数据，还包括企业互联网或是移动平台获取的各种外部数据，而不同数据结合进行综合分析，结果更加可靠。其次，大数据技术能使企业的事中控制更加动态高效，因为大数据分析对于各类数据的整合有助于企业更好地掌握自身的行为模式，还便于其发现运营状态的变化规律，从而按照规律设置风险控制点以实现事中风险的动态管理。另一方面，大数据分析还能帮助企业识别异常情况，因为对于实时数据反复的迭代分析能够对于数据的模式产生一定的预期，而一旦某些数据出现异常，就能很快识别并采取一定应对措施。最后，大数据技术能为事后风险处置决策提供更好的支持，即使单个事件的发生具有偶然性，大数据有助于企业找出偶然性背后的必然性，由此企业便掌握了主动权，能够制定更加客观的风险处置决策。