供应链中大数据分析的应用

本文从供应链与大数据的定义出发，根据供应链中大数据应用的发展趋势，对供应链大数据内外部来源、数据采集、模型建立的方法进行总结，提出供应链中大数据运用的三大场景：建立数字化管理视图、建立供应链企业画像、进行数字供应链融资并进行分析与探讨。

文 | 加州大学欧文分校  周海天

来源 | 《贸易金融》杂志2021年8月刊

一、供应链的定义与发展

1999年，彼得·德鲁克首先提出了“经济链” 的概念，经过不断的发展，逐渐形成现在供应链的概念。哈理森(Harrison)将供应链定义为:“供应链是执行采购原材料，将它们转换为中间产品和成品，并且将成品销售到用户的功能网链”。美国的史蒂文斯(Stevens)认为：“通过增值过程和分销渠道控制从供应商到用户的流就是供应链，它开始于供应的源点，结束于消费的终点。”概括来讲，供应链就是通过计划(Plan)、获得(Obtain)、存储(Store)、分销(Distribute)、服务(Serve)等这样一些活动而在顾客和供应商之间形成的一种衔接(Interface)，从而使企业能满足内外部顾客的需求。

在我国供应链通常是指由上游的供应商、核心制造商、下游经销商以及仓库、物流服务等构成的一个完整的产业物流网络。供应链的全流程围绕核心企业，从原材料采购开始，制成中间产品及最终产品，最后通过经销商网络把产品送到消费者手中。在供应链中，企业之间流动的原材料、产成品等形成了供应链上的物流；结算资金往来、融资等形成了资金流，相关订单、期限、结算的信息形成了信息流。

近年来，随着互联网技术的快速发展，企业间的交易、支付、融资等数据逐步可以量化，信息流对链接物流、资金流发挥着越来越大的作用。供应链管理的优化就是不断对物流、资金流、信息流进行整合、无缝连接一体化的过程，这一过程离不开大数据的支持。

二、大数据的发展趋势

根据麦肯锡给出的定义：大数据是一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。2010年，美国数据科学家维克托迈尔·舍恩伯格在《大数据时代》一书中就系统的提出了大数据时代的提法。

随着大数据产业的迅猛发展，相关技术应运不断完善。2020年4月中共中央、国务院下发《关于构建更加完善的要素市场化配置体制机制的意见》明确提出土地、劳动力、资本、技术、数据为五个要素领域，大数据已经成为重要的生产要素。越来越多的企业看到了这一发展方向，选择将大数据的技术应运到供应链中，对于全链条数据进行采集、发现和挖掘，并通过建模分析等手段优化供应链管理、进行企业画像、预测供应链的未来价值。

三、供应链中大数据分析模型的建立

（一）进行流程内部数据采集

在供应链中进行大数据分析首先要进行全流程的数据采集。企业在供应链中产生数据的渠道和环节较多，主要有： 

1、上游供应商环节  

数据来源为供应商相关信息，如：供应商准入标准、合作期限、资质评价、履约记录、货物质量、原材料占比等。 

2、核心企业环节

数据包括核心企业的基本数据如人员、工资等，企业生产数据、货物出入库数据、应付账款数据、结算方式、账期等。数据来源主要依托企业ERP系统、订单数据、财务数据等。

3、下游经销商环节  

数据来源为：订单信息、经销商加盟准入情况、销售情况、区域市场占有率、应收账款结算方式、账期等。

4、货物运输环节

主要数据有：货物配送路径、货物退返信息、货物监管质押数据等，数据来源为物流管理系统、仓单管理系统等。

（二）进行数据整合，建立大数据分析模型

1、获取外部数据来源，进行数据整合

外部数据来源主要有：一是互联网数据，通过互联网搜索可以实时获取企业经营情况、用户反映、舆情等信息数据；二是政务公开数据，可获取企业工商注册信息、纳税信息、诉讼情况等；三是专业网站数据，如Wind、路透、中征应收账款平台等，可查询企业基本信息、行业状况、应收账款等信息。同时综合使用EXCEL、SQL、 PYTHON等工具进行数据的过滤，提取以及整合工作。

2、搭建数据分析模型

由于数据来源复杂、维度较多，建立数据分析模型首先要进行数据归约，减少参与计算的数据量和建模维度；然后进行分类、聚类、关联、回归分析，发现海量数据间的关联特征；同时综合应用SVM分类回归分析、XGBOOST预测分析等学习算法,建立合适的数据分析模型。

3、综合运用区块链、物联网等技术

大数据分析模型建立后，可以相应搭建一条包括供应商、核心企业、经销商、零售商、物流企业直到终端用户在内的联盟链，将资金流、信息流、货物流都记录上链。同时结合物联网技术形成管理视图，实现供应链透明化、可视化。通过实时记录并共享供应链各环节的最新进展，核心企业可以实现对供应链所有环节数据的掌握，及时了解原材料、生产、销售等全流程情况。

四、供应链中大数据分析的运用场景

（一）建立供应链数字化管理视图

将数据模型引入到供应链全流程，动态实现数据采集、整合、建模计算的过程，将结果以视图的形式呈现给决策者，全面优化供应链管理。

1、采购与供应商管理视图：提供供应商名单制管理，掌控订单、发货、结算流程，实现黑名单屏蔽、原材料储备、供应商产品质量跟踪等功能。

2、生产与执行管理视图：对生产计划、原料使用、生产仓储等过程提供实时数据，提高生产效率，实现生产动态匹配、库存管理、原料预警等功能。  

3、物流与分销管理视图：管理销售体系，管控销售流向，实现销售出库、退换货、物流跟踪、存货预警等 功能。

4、质量管理与溯源视图：管理产品质量，快速查找责任点，实现质量跟踪、产品溯源、防伪等功能。

（二）建立供应链企业画像

供应链企业画像，就是把链条上各类企业数据按照不同特征建立多个维度的标签，并对这些特征进行分析、统计，从而抽象得出供应链企业的信息全貌。

例如，我们选取新能源汽车行业做企业画像。

首先建立业务模型，选取企业基本信息（名称、地址、注册资金）、经营情况数据（公司规模、业绩水平、技术实力、专利数量等）、企业生产状况（设计产能、达产率等）、产品质量（行驶里程、用户反馈信息、事故情况等）、供应商数据（原材料、库存等）、销售数据（销售规模、应收账款等）、企业诉讼信息、违约信息等多个标签。

第二步对梳理出的行业数据采用多个标签进行加减分评价的机制来 “打标签”，将不同维度的数据信息进行整合评价，形成企业画像。

第三步对画像结果进行分析，得出行业整体发展状况并根据评分结果将企业划分为“领军”、“跟进”、“僵尸”、“退出” 等类别。对于“领军”级企业，属于新能源汽车行业技术领先的企业，外部机构可以加大支持力度，进行股权风险投资、加大应收账款比例、金融机构可以加大供应链融资；“跟进”级企业需要加大技术引进、专利开发进度，形成核心竞争力；对“僵尸”和“退出”企业，建议市场进行优胜劣汰，确保资源高效聚集。

（三）为数字供应链融资提供支撑

在新能源车的案例中，我们对企业进行了画像分类。依托“领军”级核心企业的应付账款，可以通过区块链技术签发应付账款确认凭证，形成数字化证书，支付给一级供应商。供应商可以实现数字凭证的流转、拆分、持有；金融机构可以为持有数字凭证的供应商提供融资支持。

与传统融资渠道相比，数字供应链融资可以将金融机构抵押担保的要求向应收账款、存货、未来货权等进行转换，提供控制金融风险的新渠道、新方法。供应链中大数据分析的应用为获得核心企业的信用背书、控制货权、第三方物流监管等提供了技术手段，有效降低了获客成本及交易成本，对解决信息不对称、贸易背景虚假等问题起到积极作用，从而更好的满足中小企业的融资需要，支持实体经济发展。