供应链分析是指组织用来从与采购、加工和分配货物相关的大量数据中获得洞察力和提取价值的过程。供应链分析是供应链的一个基本要素供应链管理(SCM)。

供应链分析这门学科已经存在了100多年，但支撑这些分析的数学模型、数据基础设施和应用程序已经发生了显著的变化。数学模型随着更好的统计技术、预测建模和机器学习而得到改进。数据基础设施随着云基础设施、复杂事件处理(CEP)和物联网。应用程序已经成长为提供对传统应用程序竖井(如ERP、仓库管理、物流和企业资产管理)的洞察力。

一个重要的目标选择供应链分析软件就是要提高预测和效率，对客户的需求做出更灵敏的反应。例如，对存储在需求信号存储库可以帮助企业预测消费者的需求，这反过来可以导致成本节约调整库存和更快的交付。

实现端到端供应链分析需要将原材料采购的信息整合在一起，并延伸到生产、分销和售后服务。这取决于许多SCM和之间的有效集成供应链执行构成典型公司供应链的平台。这种整合的目标是供应链的可见性:在供应链的每一步都能查看货物数据的能力。

供应链分析软件

供应链分析软件通常有两种形式:嵌入在供应链软件中，或者在一个单独的、专用的商业智能和分析工具中，可以访问供应链数据。大多数ERP供应商提供供应链分析功能，就像专门的SCM软件供应商一样。一些IT顾问开发可以定制并集成到公司业务流程中的软件模型。

一些ERP和SCM供应商已经开始应用CEP到他们的实时供应链分析平台。大多数ERP和SCM供应商都有一对一的集成，但是没有标准。然而，《供应链运作参考》(再保险公司)模型提供了将供应链绩效与行业基准进行比较的标准指标。

理想情况下，供应链分析软件将应用于整个供应链，但在实践中，它通常关注于关键的运营子组件，如需求规划、制造生产、库存管理或交通管理。例如,供应链金融分析可以帮助确定增加的资本成本或增加营运资本的机会;procure-to-pay分析可以帮助确定最好的供应商，并在某些费用类别中提供预算超支的早期预警;运输分析软件可以预测天气对运输的影响。

供应链分析是如何工作的

供应链分析将来自不同应用程序、基础设施、第三方来源和物联网等新兴技术的数据汇集在一起，以改善构成供应链管理的战略、战术和操作流程的决策。供应链分析通过提高对这些过程及其对客户和底线的影响的实时可见性，帮助同步供应链计划和执行。通过帮助决策者更好地评估成本和客户服务之间的权衡，增加可见性也可以增加供应链网络的灵活性。

创建供应链分析的过程通常由数据科学家开始，他们了解企业的特定方面，比如与现金流、库存、浪费和服务水平相关的因素。这些专家寻找不同数据元素之间的潜在相关性，以构建优化供应链输出的预测模型。他们对各种变量进行测试，直到得出一个可靠的模型。

供应链分析模型达到一定的成功门槛后，数据工程师会将其部署到生产中，以关注可伸缩性和性能。数据科学家、数据工程师和业务用户共同努力，以细化这些数据分析的呈现方式和在实践中操作的方式。通过将生产中的数据分析模型的性能与其交付的业务价值相关联，供应链模型可以随着时间的推移而得到改进。

供应链分析的特点

供应链分析软件通常包括以下大部分功能:

• 数据可视化。能够从不同的角度对数据进行切片和切割，以提高洞察力和理解力。
• 流处理。从物联网、应用程序、天气报告和第三方数据等生成的多个数据流中获得洞察力。
• 社交媒体整合。使用来自社交动态的情绪数据来改进需求规划。
• 自然语言处理。提取和组织埋藏在文档、新闻源和数据提要中的非结构化数据。
• 位置情报。从位置数据中获得洞察力，以理解和优化分配。
• 供应链的数字孪生兄弟。将数据组织成一个全面的供应链模型，在不同类型的用户之间共享，以改善预测和规范的分析．
• 图形数据库。将信息组织成相互关联的元素，使其更容易找到联系、识别模式和提高产品、供应商和设施的可追溯性。

供应链分析的类型

用来描述供应链分析的主要类型的一个常见镜头是基于高德纳公司的四种分析能力的模型:描述性、诊断性、预测性和说明性。

• 描述性供应链分析使用仪表板和报告来帮助解释发生了什么。它通常涉及到使用各种统计方法来搜索、总结和组织有关供应链操作的信息。这在回答诸如“上个月库存水平是如何变化的?”或“投资资本的回报率是多少?”
• 诊断性供应链分析被用来找出为什么某些事情发生了或没有像它应该的那样工作。例如，“为什么发货会延迟或丢失?”或者“为什么我们的公司不能实现与竞争对手相同的库存周转率?”
• 预测性供应链分析有助于根据当前数据预测未来可能发生的情况。例如，“新的贸易法规或大流行封锁将如何影响原材料或商品的可用性和成本?”
• 规范性的供应链分析帮助规定或自动化使用优化或嵌入式决策逻辑的最佳行动过程。这有助于改进关于何时推出产品、是否建立工厂或每个零售地点的最佳发货策略的决策。

另一种分解供应链分析类型的方法是根据它们的形式和功能。例如，咨询公司Supply Chain Insights将供应链分析的类型分为以下几个功能:

• 工作流
• 决策支持
• 协作
• 非结构化文本挖掘
• 结构化数据管理

在这个模型中，不同类型的分析作为改进供应链管理的端到端持续过程的一部分相互输入。

例如，公司可以使用非结构化文本挖掘将合同、社交媒体和新闻报道中的原始数据转化为与供应链相关的结构化数据。这一改进的、更结构化的数据可以帮助自动化和改进工作流程，如采购付费流程。数字化工作流中的数据比人工工作流中的数据更容易捕获，从而增加了决策支持系统的数据可用性。更好的决策支持反过来可以加强不同部门之间的协作，比如采购和仓库管理，或者供应链合作伙伴之间的协作。

其他技术也在不断涌现，以改进供应链分析生成的预测模型。例如，组织开始使用过程挖掘分析它们如何执行业务流程。这种类型的过程分析可以用来创建一个数字孪生的组织，可以帮助识别跨采购、生产、物流和财务的自动化供应链机会。增强分析可以帮助业务用户用通俗易懂的语言提出有关业务的问题，并以简短的摘要形式给出回答。图表分析可以阐明供应链中实体之间的关系，例如三级供应商的变化如何影响一级供应商。

供应链分析使用

销售和运营计划利用供应链分析，通过制定与公司战略相一致的日常运营计划，来匹配制造商的供应与需求。供应链分析还被用来做以下工作:

改善风险管理通过识别已知的风险，并根据整个供应链的模式和趋势预测未来的风险;

提高计划的准确性通过分析客户数据，确定增加或减少需求的因素;

提高订单管理通过整合数据资源来评估库存水平，预测需求和确定执行问题;

简化采购通过组织和分析跨部门的支出，以改进合同谈判，并发现折扣或替代来源的机会;和

增加流动资金通过改进确定所需库存水平的模型，以确保以最小的资本投资实现服务目标。

供应链分析历史

供应链分析起源于弗雷德里克·泰勒(Frederick Taylor)在1911年出版的著作，科学管理的原则，为现代工业工程和供应链管理领域奠定了基础．亨利·福特采用了泰勒的技术，建立了现代装配线和供应链，以支持更高效的生产方式。

大型计算机的出现促使IBM研究员汉斯·彼得·卢恩(Hans Peter Luhn)开展了数据处理工作，他在一定程度上创造了这个术语商业智能在他的1958年的论文，“商业智能系统”。他的工作为供应链分析中使用的不同类型的数据分析奠定了基础。

1963年，俄亥俄州立大学(Ohio State University)教授巴德•拉朗德(Bud Lalonde)提出，物流管理应该与材料管理、采购和制造结合起来，形成他所说的商业物流。大约在这个时候，管理咨询师Stafford Beer和其他人开始探索新的想法，比如将商业信息组织成结构化层次结构的可行系统模型，以改进商业计划和执行。到20世纪80年代初，这个新兴的领域被称为供应链管理。

随着互联网在20世纪90年代成为一股力量，人们开始考虑如何将其应用于供应链管理。这一领域的先驱是英国技术专家凯文·阿什顿。作为一名年轻的产品经理，阿什顿的任务是解决畅销口红在商店货架上的问题，他偶然发现了无线电频率识别传感器，可以自动捕获产品在供应链上的移动数据。后来，阿什顿与人共同创立了麻省理工学院(Massachusetts Institute of Technology)的自动识别中心(Auto-ID Center)，该中心完善了RFID技术和传感器。他用物联网这个词来解释供应链管理的这一革命性新特征。

20世纪90年代，由斯坦福大学的大卫·卢克汉等人领导的研究小组也发展了CEP。CEP从实时事件中捕获传入数据的能力，帮助供应链经理将与工厂运营、产品的物理运动和天气相关的低级数据与事件关联起来，然后由供应链分析工具分析这些事件。例如，关于生产过程的数据可以抽象为工厂性能，而工厂性能又可以抽象为与库存水平相关的业务事件。

供应链分析领域的另一个转折点是云计算的出现，云计算是一种将IT基础设施、软件和平台作为服务交付的新工具。通过提供跨多个数据源编排数据的基础，云已经推动了许多类型的分析的改进，包括供应链分析。数据湖之类的出现Hadoop允许企业在一个共同的平台上获取来自不同来源的数据，通过使企业能够关联更多类型的数据，进一步细化供应链分析。数据湖还使高级分析更容易实现，这些分析可以对来自不同应用、事件流和物联网的各种结构化和非结构化数据进行操作。

近年来,机器人过程自动化——一种将以前由人类完成的计算机任务自动化的软件，已经成为提高业务自动化和能力的强大工具将数据集成到分析中．

此外，人工智能技术也被称为深度学习正日益被用于改善供应链分析。深度学习技术正在推动机器视觉(用于改善库存跟踪)、自然语言理解(用于自动化合同管理)和路由模型的改进。

供应链分析的未来趋势

供应链分析将继续随着分析模型、数据结构和基础设施以及跨应用筒仓集成数据能力的发展而发展。从长远来看，先进的分析技术将催生更多能够管理和应对变化的自动供应链，就像现在的自动驾驶汽车一样。此外，物联网、CEP和流架构的改进将使企业能够更快地从更多种数据源中获得洞察力。人工智能技术将继续提高人们产生更准确和有用的可嵌入到工作流程的预测见解的能力。

其他有望在供应链分析和管理中发挥重要作用的技术包括:

区块链。区块链基础设施和技术承诺提高可见性和可追溯性跨越供应链的更多层次。这些相同的构件可以推动公司使用聪明的合同使事务自动化、控制和执行。

Graph分析。预计在十年内，图形分析将支持超过一半的企业应用程序，图形分析将帮助供应链经理更好地分析供应链中各种实体的链接。

Hyperautomation．的技术支撑hyperautomation将使用流程挖掘分析来识别自动化候选，生成自动化和管理这些自动化流程，从而加速供应链自动化。