汽车供应链大数据应用探讨

张丽娜

摘 要：在时代进步和科技发展的背景下，计算机技术、互联网技术、云计算技术以及电子商务技术等逐渐相互渗透，大数据是其中重要的产物之一。但是企业对于如何能够以有意义的，有效控制成本的方式实施大数据分析法，缺乏一副明晰的路线图指导.本文首先简要介绍了何为大数据，然后分析了汽车供应链大数据的特征，最后探讨了大数据在汽车供应链管理中的应用场景，宏观的快速了解大数据技术对供应链管理的影响，帮助您的企业未来在供应链环节讨论是否引入大数据技术打下一个概念基础。

关键词：大数据;汽车;供应链;应用

1 引言

在业务方面，因为大数据的出现形成了新的数据处理模式，使某些业务部门获得了更全面、更实时的数据，提升了工作效率和工作质量;在技术方面，大数据促进了以Hadoop开源框架为代表的新技术的生成，使技术更具先进性和有效性。大数据可以为供应商网络提供更好的数据准确性、清晰度和洞察力，从而在共享的供应网络中实现更多的情境智能。

汽车制造商们正在将80%或更大比例的供应网络经营活动构建在企业外部，他们利用大数据和云计算技术来突破传统ERP系统和供应链系统的局限性。对于商业模式基于快速产品周期迭代和产品上市速度的制造商，传统的ERP/SCM系统仅仅是为了完成订单交付、发运和交易数据而设计的，这样的传统系统的扩展性极其有限，根本无法满足当下供应链管理所面临的种种挑战，已经成为企业供应链管理的瓶颈。

2 大数据简介

大数据是一项比较抽象的概念，大数据的出现给我们提供了一种洞悉世事的新视角”透明的因果”。与其他新兴的概念相同，大数据尚无明确的、统一的定义。现阶段，比较认同的是大数据具有以下4个基本特征，分别为数据规模大、数据种类多、数据要求处理速度快、数据价值密度低。大数据与海量数据具有较大的差别，因为海量数据只是强调数据的量，而大数据则不仅要求数据的量，更是明确了数据的复杂性、时效性，并要求对其进行专业化的处理和分析，最终达到获取有价值信息的目的。[1]

3 汽车供应链大数据的主要特征

3.1 数据量大

大数据将大量的数据聚合在一起，通常情况下，大数据要求超过100TB的可供分析的数据量。数据量大是大数据的基本特征。在2011年，全球供应链中射频识别标签的使用量是1200万个，到2013年达到70亿个，到2021年 2090亿个，每一个射频识别标签都将产生数条数据，在汽车行业，射频识别标签在整车和零部件供应链均得到了广泛的应用，产生了大量的数据。[3]

3.2 数据类型多样

类型多样、复杂多变是大数据的又一主要特征。传统的数据虽然数量大，但一般都是采用事先定义好的数据结构形式，而在互联网技术以及传感器技术大幅进步的背景下，非结构式数据应运而生，其结构属性不盡相同，不能用结构的方式予以表征。在汽车行业销售点数据、射频识别数据，以及设备传感器，社交媒体，全球定位系统，地理定位信息，潜在客户消费行为等等数据，形式多样，难以类聚。比如一辆典型的中档汽车装有约40个微处理器与电子元器件，这些设备占了车辆总成本的近1/4，而这些电子元件每分每秒都能产生大量多样性的数据。

3.3 数据处理速度快

由于数据量爆炸式增长，数据产生的速率高，相应的时效性也高，这就要求提升数据处理速度，充分利用激增的数据，发挥其应有的价值。如果处理速度跟不上数据的增长速度，则不但不能给解决问题提供便利，甚至会给问题的解决带来负担。数据不是静止不动的，而是在互联网中流动着的，数据的价值会随着流动的时间而大幅降低。例如客户在网络上对汽车品牌的满意度评价等大量数据，如不及时加以甄别和处理，极有可能造成大面积的舆情事件。

3.4 数据价值密度低

传统的数据多为结构化数据，主要是根据数据的具体应用，有针对性地对数据进行抽象。每一条数据都含有相应的需要考量的信息，而大数据为了获得更为细节的事物，往往不对事物进行抽象或者是归纳处理，而是直接使用原始数据，使其尽量保持原始状态。所以从某种意义上说，大数据的数据价值密度偏低。

4 汽车供应链为何要应用大数据分析

如今，消费者完全可以按照自己的意愿购买商品或者在特定的环境下自行定制商品。比如，在网上的购物平台或APP应用上购置汽车，可以根据自身的喜好进行个性化的定制，内外饰颜色、动力、配置等等都是可选项;而对于汽车商家而言，为了进一步扩大销售范围、提升销售业绩，往往需要根据实际情况有针对性地制定促销方案，捆绑或者打包销售相互关联的商品。个性化的购买会缩短产品的生命周期，加大商品的淘汰率，这就要求新品具有较快的推出速度，并保证推出类型的多样性。这在无形中会给供应链的需求和供给平衡的匹配带来极大的挑战，同时也让企业无法真正地掌握市场需求与资源整合的具体情况，造成预测失准。当消费者的需求发生变化，而采购及供给计划却没有及时更新时，就会造成库存短缺或者库存积压的状况，严重影响企业的利润。[3]

对于这样的情况，企业可以充分利用大数据技术，在已有的数据基础上，通过商务智能管理技术及供应链管理技术等信息化技术，深入挖掘企业的各项重点业务，分析其特征，找到需要进行优化的方面并加以改进，这样才能够由传统的粗放型管理向精细化管理转变[3]。此外，进行优化改进的业务需要得到充分的落实。

5 汽车供应链大数据分析主要应用场景

现阶段，应用大数据技术较多的应用环境主要包括以下几个方面，分别为需求预测、采购业务优化、供应商协同、供应链管理优化以及业务的动态化和可视化监控等等：

5.1 需求预测

数据规模使得数据中原本无法识别别的联系和细节得以识别，运用聚类粒度分析的子范畴与子市场使得企业能够比以前更加了解顾客与市场，并且通过大数据分析法编写的运算程序可以自动识别不符合规范的异常变化，根据已有数据及影响参数建立统计学数学建模进行数据挖掘，通过不断感应细微变化来预测将要发生的事情。

目前越来越多汽车厂商在推进车联网的应用，车联网将实时记录用户在行驶过程中的驾驶习惯、活动路线、消费场所等等，在应用数据分析平台进行精准分析后，可以及时收集何时售出、何时故障及何时保修等一系列信息，由此从设计研发、生产制造、需求预测、售后市场及物流管理等环节进行优化，实现效率的提升，并给客户带来更佳的用户体验。

5.2 采购业务优化

提供数据可视化服务以帮助组织实现采购可视化，能够全面监督采购过程的决策，应用模块化和模拟化来建立大型数据库，并将其转化为有意义的信息，敏捷、透明的寻源与采购。为新产品、优化成本而寻找新的合格供应商满足生产需求。同时，通过供应商绩效评估和合同管理，使采购过程规范化、标准化、可视化、成本最优化。

5.3 供应商协同

客户日益个性化的定制需求，日渐频繁的产品迭代需求，向我们提出了柔性供应链，敏捷供应链的需求，这就要求建立良好的供应商关系，快速、精准实现双方信息的交互。双方库存与需求信息交互、VMI运作机制的建立，将降低由于缺货造成的生产损失。采购订单与生产订单通过各种渠道快速、准确的反应能力在当前集团化、全球化，多组织运作的环境下尤为重要。订单的准备周期，订单处理的速度在某种程度上决定了产品迭代的响应速度和代价。

有效的供应链计划系统集成企业所有的计划和决策业务，包括需求预测、库存计划、资源配置、设备管理、渠道优化、生产作业计划、物料需求与采购计划等。在这个环节中企业需要综合平衡订单、产能、调度、库存和成本间的关系，而且要评价当需求波动、市场变化、产品迭代时供应链成本的损益，计算供应链库存储备水平，这需要大量的数学模型、优化和模拟技术为复杂的生产和供应问题找到优化解决方案。[2]

5.4 供应链效率提升

利用基于大数据的地理分析技术 （Geoanalytics） 来整合优化供应链配送网络，建立高效的运输与配送中心管理，构建全业务流程的可视化、合理的配送中心间的货物调拨，提升MR（循环取货）和公铁联运等多式联运的运行效率，提高企业对业务风险的管控力，改善企业运作成本和响应速度。

供应链成本的另一个主要来源就是库存，通过大数据分析技术，对库存数据进行监控分析，建立数学模型计算最优的补货和库存协调机制消除过量的库存，降低库存持有成本。通过需求波动、响应时间、安全库存水平、采购提前期、最大库存设置、采购订购批量、采购变动等方面等参数的变化，动态的优化库存结构和库存水平设置。

5.5 供应链网络设计与优化

对于投资和扩建，企业从供应链角度分析的成本、产能和变化更直观、更丰富也更合理。企业需要应用足够多的情景分析和动态的成本优化模型，帮助企业完成配送整合和生产线设定决策。大数据能驱动更为复杂的专注于知识分享、信息共享和协作的供应商网路，从而让供应商网络不仅仅是完成交易而是带来增值。大数据正在变革供应商网络在新市场和成熟市场中形成、增长、扩张的方式。交易不再是唯一的目标，创建知识信息共享型的网络更为重要。[3]

汽车行业供应链作为最复杂的供应链之一，其供应链网络涵盖采购、制造、物流、销售等等诸多环节，每一个网络节点，均可以通过大数据的应用，实现业务的优化，并发现新的利润增长点，见表1。

5.6 风险预警

在大数据与预测性分析中，有大量的为供应链提供风险预警的机会。问题预测可以在问题出现之前就准备好解决方案，避免措手不及造成经营灾难。在统计学中，相关性虽然“快速而随性”但却能够让我们深入了解变量，解释发生了什么。通过检验变量之间可能的联系，并进行因果检验，建立模型，分析因果关系，优化策略，通过检测替身以预测未来，可以减少“黑天鹅”的事件发生。例如某汽车企业，建立了其供应链网络的地理位置信息库，发生在涉及供应链网络区域300公里范围内发生的自然灾害事件、环境污染事件、公共安全事件等等都将被监控分析和评估，以提前预测供应链受到的影响，以及可能对生产造成的影响，并提前制定应对措施，比如日本某地区地震，可能导致哪些进口零件到货延迟，导致哪些国内供应商原材料无法到位等等。

6 结语

目前传统供应链已经在使用大量的结构化数据，企业部署了先进的供应链管理系统，将资源数据，交易数据，供应商数据，质量数据等等存储起来用于跟踪供应链执行效率，成本，控制产品质量等。但要让数据发挥更大价值，要能够接受来自第三方系统的数据，要能够共享、集成、存储和搜索来自众多源头的庞大数据，并加快反馈速度，增强协同性、加快決策制定和提高透明度

将高级数据分析技术与供应链管理理论相结合并应用于更大的数据集合当中，这个数据集合的体量、速度和多样性需要借助于大数据技术工具来分析，需要通过大数据分析使供应链可视化，能够使我们清晰的看到供应链网络中供应商的多层次结构，同时，需要借助供应链管理专业人士的技能，通过提供精准实时的商业洞察来持续感知和反馈解决SCM相关的问题。

参考文献：

[1]洪健，曾雪芳，陈金玉.物资全供应链大数据应用方法研究[J].物流工程与管理，2017，39（3）：65-67.

[2]张东翔.基于大数据应用的供应链绩效管理研究[D].石河子大学，2017.

[3][美]娜达·R·桑德斯（Nada R.Sanders）大数据供应链：构建工业4.0时代智能物流新模式.中国人民大学出版社，2015.