概 要
大数据可以为供应商网络(Supplier Networks) 提供更好的数据准确性(Accuracy)、清晰度(Clarity)和洞察力(Insights)，从而在共享的供应网络中实现更多的情境智能(Contextual Intelligence)。
Bottom Line: Big data is providing supplier networks with greater data accuracy, clarity, and insights, leading to more contextual intelligence shared across supply chains.
有前瞻目光的制造商们正在将80%或更大比例的供应网络经营活动构建在其企业外部，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。
Forward-thinking manufacturers are orchestrating 80% or more of their supplier network activity outside their four walls, using big data and cloud-based technologies to get beyond the constraints of legacy Enterprise Resource Planning (ERP) and Supply Chain Management (SCM) systems. For manufacturers whose business models are based border="0" title="" align="center" />
1、情境智能 Contextual Intelligence
目前，由供应链产生的数据的规模(scale)、广度(scope)和深度(depth)都在加速增长，为情景智能(contextual intelligence)驱动的供应链提供了充足的数据基础。
The scale, scope and depth of data supply chains are generating today is accelerating, providing ample data sets to drive contextual intelligence.
下面“图1”很有意思，它收集了整个供应链中的52种不同的数据源（包括结构化/半结构化/非结构化数据），并从大数据的三个维度(3Vs)进行了统计分析，数据量(Volume)/数据速度(Velocity)和数据多样性(Variety)。其中很明显绝大部分数据都是从企业外部产生的。有前瞻性的制造商已经开始将大数据作为更广泛供应链协作的催化剂。
The following graphic provides an overview of 52 different sources of big data that are generated in supply chains Plotting the data sources by variety, volume and velocity by the relative level of structured/unstructured data, it's clear that the majority of supply chain data is generated outside an enterprise. Forward-thinking manufacturers are looking at big data as a catalyst for greater collaboration.
图 1：点击查看高清大图
值得注意的是，在核心交易系统范畴内，传统的ERP, SRM和CRM系统通常在企业内部的数据量（Volume）是很高的，但是这些数据放在整个52中数据源框架下只占了很小的比例，这就是为什么图1中的“核心交易系统数据”处于纵向较低的位置。如果你看右上角可以发现，高数据量和速度的非结构化数据大都是与“客户”交互的数据：社交数据、在线调研、移动位置传感设备等。
大数据分析（BDA - Big Data Analytics）技术在供应链管理领域的应用通常被称为：供应链大数据分析技术 SCM Big Data Analytics，它可以被定义为一个流程，即，将高级数据分析(Advanced Analytics)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；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。
SCM Big Data Analytics is the process of applying advanced analytics techniques in combination with SCM theory to datasets whose volume, velocity or variety require information technology tools from the Big Data technology stack; leveraging supply chain professionals with the ability to continually sense and respond to SCM relevant problems by providing accurate and timely business insights.
大数据驱动的供应链管理（Big Data Driven SCM) 需要首先理解供应链中的四种行为：买(buy)、卖(sell)、移动(move)和存储(store)；这四种行为对应四种SCM杠杆(SCM levers)：采购(procurement)、市场(marketing)、运输(transportation)和仓库(warehouse)。根据52种SCM数据源与这四种行为杠杆的关系，可以绘制出如下关系网络图（图2），从而帮助我们更好的理解不同数据源在整个供应链网络中的位置。
如此复杂的数据关系，如果不借助大数据分析的技术是无法将其转化为企业供应链可利用的价值的。现在的企业往往收集大量的数据却不知道如何利用(business collect more data than they know what to do with), 所以企业必须将数据不再看成信息资产而是战略资产，也就是说在所有企业都在努力收集这些供应链数据的大环境下，拥有大量数据已经不能成为企业绝对的竞争优势了；企业如何通过其独特的信息使用战略（大数据驱动的供应链管理）才是建立更有力的供应链竞争优势的途径。