深度观察：供应链管理中的大数据影响因素

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。

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。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。

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。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。

（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。

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。