论文部分内容阅读
摘要：在大数据时代，供应链面临前所未有的机遇和挑战，企业可以依托大数据技术来提升供应链管理水平。本文主要以供应链管理中的大数据技术为重点进行研究，包括大数据的数据类型、数据质量以及数据处理流程，分析了大数据在供应链中的各环节：产品研发与制造、采购、物流、销售中的应用，为企业科学管理和决策提供支持。
关键词：大数据；大数据分析技术；供应链管理
1 大数据的发展现状
在过去的数年中，信息技术在社会、经济、生活等各个领域不断渗透和推陈出新。新兴信息技术与应用模式的涌现，使得全球数据量呈现出前所未有的爆发式增长态势，国际数据公司（IDC）的数字宇宙研究报告称：2011 年全球被创建和被复制的数据总量超过1.8ZB，且增长趋势遵循新摩尔定律（全球数据量大约每两年翻一番），预计2020 年将达到35ZB。与此同时，数据复杂性也急剧增长，其多样性（多源、异构、多模态、不连贯语法或语义等）、低价值密度（大量不相关信息、知识“提纯”难度高）、实时性（数据需实时生成、存储、处理和分析）等复杂特征日益显著。大数据时代已经到来。大数据正在重新定义社会管理与国家战略决策、企业管理决策、组织业务流程、个人决策的过程和方式。
在现今的大数据时代，大数据应用正逐步成为我国经济新的增长点。易观智库新近发布的《2014 中国供应链大数据市场专题研究报告》显示，在2014年中国供应链大数据份额中，零售业、制造业、服务业（非金融）、医疗业占据了约83%的市场份额。该报告把供应链大数据分为结构数据、非结构数据、传感器数据及新类型数据四种，涵盖了交易数据、时间段数据、库存数据、客户服务数据、位置数据等各个方面，且该报告显示，目前，大数据已经被广泛应用于供应链上各个环节。
供应链中产品研发与制造、采购、物流、销售等重要环节，数据量都十分巨大。面对海量的数据，大数据技术能够通过构建数据分析中心，深度挖掘数据背后的信息价值，将大数据作为企业的战略资源，充分发挥大数据在企业战略规划、商业模式创新以及运营管理提升等方面的优势，为企业科学管理和决策提供支持。
2 大数据在供应链管理中的影响因素
要在供应链管理中有效的运用大数据，首先需要收集大数据，建立大数据库，具备大数据的分析、整合能力。大数据的数据类型、数据质量、大数据分析技术等是重要的考虑因素。
2.1 大数据的数据类型
一般来说，大数据的数据类型包括以下四种类型：（1）结构数据；（2）非结构数据；（3）传感器数据；（4）新类型数据。
结构数据指那些在电子表格或是关系型数据库中儲存的数据，这一类型的数据只占数据总量的5%左右（Cukier，2010），主要包括交易数据和时间段数据。现在的大数据分析主要以这一类数据为主，其中重要的结构数据来自企业的内部或者外部的管理信息系统，如ERP等。这些数据属于企业的自身资源，结构化水平高，收集相对容易，处理此类结构化数据相对简单，主要是构造表结构用来表示数据的属性，对数据间的相关属性与数据的意义进行分析。
非结构数据主要包括社会化数据、渠道数据以及客户服务数据等等。尽管社会化数据对于供应链运营管理的作用是十分重要的，比如利用社交媒体数据来指导企业进行供应链活动的规划以及社交媒体数据对供应链绩效产生影响等等，但是社会化数据对供应链影响的研究却相对缺乏。然而，而要想从内容丰富的非结构化数据中挖掘出商业智慧，就需要使用不同的研究方法和度量方式，包括描述性分析、内容分析以及网络分析等。
除了上述两种主要的大数据类型外，还有传感器数据和新类型数据。传感数据主要包括RFID 数据、温度数据、QR 码以及位置数据，这类数据增长很快，并能为供应链金融带来巨大商机；新类型数据主要有地图数据、视频数据、影像数据以及声音数据等，这类数据多用于可视化领域，并能够帮助提高数据质量，使数据的实时性更强、提高了数据分析的精准度。
2.2 大数据的数据质量
供应链大数据的质量直接影响了其可用性。如果采用低质量的数据，对供应链的决策不仅没有帮助，反而会起到相反的作用。现代企业供应链情况瞬息万变，对供应链大数据的质量也提出了较高的要求。
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）。
2.3 供应链管理中大数据的处理过程
不同类型的大数据，其处理方面有所不同，但其处理过程基本上是一样，主要步骤包括：数据采集、数据处理与集成、数据分析和数据解释四个阶段，如图1所示，采集到的数据经处理和集成后，转换成统一标准的数据格式，然后用相应的数据分析方法将其进行分析处理，最后用可视化的技术将结果展现出来。
（1）阶段一：数据采集
目前供应量中大数据来源非常广泛，常用的采集方法有：企业内部和外部的管理信息系统、搜索引擎的数据检索工具、各类传感器、RFID以及条形码扫描技术等。随着手机和平板电脑等移动终端设备的迅速普及、各类APP软件的大量下载使用，数据采集的数量和精度不断提升。
（2）阶段二：数据处理与集成
数据的处理与集成阶段的主要任务是对数据采用合适的方法进行适当地处理、去噪和进一步地集成存储。 由于数据来源广泛，注定了大数据的多样性特征。如果这些数据不经过初步处理，进行高质量的数据分析将会非常困难。因此，在采集数据后，一般还要进行数据的处理与集成将这些多样化的数据转换为便于处理的较为单一结构的数据。当然，并不是所有数据都是有效的和相关性高的，这些数据还需要“去噪”，忽略无效数据，才能保证数据的有效性和可靠度。
（3）阶段三：数据分析
大数据处理流程中核心的阶段是数据分析，因为零乱的数据是没有价值的，只有通过数据分析步骤，才能挖掘到大数据的真正价值。在数据分析阶段，根据不同的应用需求，数据分析各有不同，常用的方法有统计分析、模型预测、智能算法、数据挖掘、机器学习等。
（4）阶段四：数据解释
从供应链的应用方面来说，数据解释的结果才是最有意义的。才是随着数据量的变大以及用户对数据分析维度的增加，传统的以文本形式输出的数据展示方式已不能满足数据用户的需求，一种被称为“数据可视化技术”数据展示方式开始出现，常见的方式有基于集合的可视化技术、基于图标的可视化技术、基于图像的可视化技术等，在数据可视化技术的帮助下，用户可以很形象地获得数据分析结果，对结果的理解和接受也更直观。
3 大数据在供应链各环节中的应用
供应链由产品研发与制造、采购、物流、销售等主要环节构成，各环节节节相扣，任何一个环节出现问题都会影响到其他环节的运作，影响整个供应链的运行效率。大数据对每个部分都有着重要的影响，具体分析如下：
3.1 大数据在产品研发与制造中的应用
产品的研发是企业生存和发展的基石，在市场环境变幻莫测的今天，只有推出更好的产品以满足客户不断变化的需求，企业才能生存和发展。运用大数据可以更好的了解和掌握客户的需求，设计出迎合市场的产品。
（1）客户细分与定位
由于客户的所从事行业、收入水平、个人爱好等方面差别很大，所以对产品的需求存在很大差异，企业需要对客户进行细分，主要是根据他们表现出来的特征相似程度来划分，基于这些将其分成若干用户群。从划分的各个客户群来看，虽然这些细分的群体内部特征相似度很高，但是在群体之间有着显著差异。因此，企业须对不同客户群的需求提供不同的产品或服务。而通过用户的大数据则能对客户行为模式等进行准确判断与分析，从海量的客户信息中进行筛选，精准的对客户进行细分和定位。
（2）客户需求分析
不做客户需求分析的企业，产品不可能有创新。以前企业研发产品，是根据市场调查来获得消费者的意见，并凭借研发部门的对产品的理解和判断来进行产品的设计决策，主观性较大。而大数据的出现彻底打破了这种旧的思维模式，大数据对客户购买产品的欲望、用途、功能、款式进行逐步发掘，将客户心理模糊的认知以精确的方式展示出来，来确定产品的最重要的价值及特点。大数据不仅可以促进设计满足顾客需求，还可以降低生产成本与开发成本。
3.2 大数据在采购中的应用
采购本质上是指购买商品和服务的过程，企业的大多数成本都来自此环节，其主要作用是选择供应商、采购合约、评估供应商效益等。然而，在大数据时代，供应链中采购的作用并不限于此，大数据不仅可以帮助改进企业成本控制的流程，还能帮助企业制定采购决策，从而应对未知风险。
（1）采购计划的预测和调整
采购计划是整个供应链的源头，顾客偏好是顾客满意度的一个重要影响因素，因此，基于客户端产生的大量数据信息，通过大数据分析技术、预测模型可以得知顾客对商品的偏好及该商品的需求量，从而根据商品来自于哪家供应商即可确定企业采购部门应当选择的供应商，并根据实际情况，注重对供应商质量、价格、服务等方面行事前审核和监控，凭借大量的数据信息确立更为合理的供应商评价指标体系，对供應商各方面情况进行综合调查，进而选择质量可靠、价格合理、服务优良、信誉良好的供应商，确立其名录，以便之后进行供应商管理，从而达到择优而录的同时提高供应商的服务水平。这样，不仅可以避免传统采购方式的主观因素、降低采购风险，还能给顾客带来更佳的用户体验。
（2）与供应商建立战略合作伙伴关系
企业采购部门通过数据平台给供应商提供需求信息、反馈物资使用情况，与供应商共享更多的信息，从而与供应商建立良好的合作关系，并利用供应商评价体系帮助供应商建立起促进和保证质量的机制，以提高产品质量和性能，降低采购风险，真正实现以“双赢”为目的的战略联盟。
3.3 大数据在物流中的应用
物流是供应链中的一个重要环节，现如今物流发展迅速，但是物流的成本问题任未得到很好的解决，利用大数据技术，可以进行库存优化、运输路线和资源的合理配置等，降低物流成本，提升物流速度和效率。
（1）库存优化
仓库在供应链管理中的主要作用是对于物品的存放提供空间，在物流的有些管理中也成为配送中心。传统的库存管理中的问题是企业的存货的时间比较长，不利于物品的价值增长。大数据基于此设计了相关战略中心管理仓库，能够充分从交通、距离等各种因素中筛选出最优方案，包括路线、时间等。另一方面，利用大数据技术和平台可以与供应商实时共享库存信息和数据，供应商通过实时掌握企业的库存、销售预测及采购需求，而合理安排生产及供应，这样可以大大降低库存量、库存成本，提高库存周转率。
（2）运输路线和资源的合理配置
物流环节中成本最大的部分就是运输环节了，运输的五种基本模式分别是铁路运输、公路运输、水路运输、管道运输及航空运输。每一种运输模式都有优点和缺陷，比如航空运输虽然速度快，但是成本过高，而且对于重量也有限制。水路运输和铁路运输与航空运输相比，速度较慢、成本较低。大数据分析可以对物流路线进行智能路线优化。智能路线优化是基于全球定位系统的处理，能够根据导航系统对于路况信息进行整合分析得出相关最优路线，进而提高运输效率。另外，每一种运输模式都需要运输工具，比如汽车、飞机、火车等等，运输工具对于供应链企业来说是资源，是有限的，可以通过互联网和全球定位系统对运输工具进行追踪和数据收集，了解运输工具的位置和承运情况，合理进行规划和调配运输资源。 3.4 大数据在销售中的应用
（1）更优定价
在对客户需求预测基础上，应用大数据技术还可以分析顾客对于质量与价格之间的偏好，分析其中的关系就可以进行合理的定价。给每一类客户群体编号，然后通过客户的消费金额、消费商品、售后服务等行为采集他们的相关数据，再用大数据系统建立特定模型，对每个顾客的海量数据进行分析，分析出每个顾客的消费习惯、近期可能需要的商品、对商品价格的偏好等，并用商品知识库的数据分析与其他商品是互补还是替代关系，以此合理地制定商品价格并且有针对性地及时调整促销计划。从而在合理定价的基础上，提高销量、降低库存，最终达到收益最大化。
（2）个性化商品推荐
消费者需求对整个供应链的运作起着重要的驱动作用，深入挖掘消费者的消费需求，寻找新的利润增长点，成为企业竞争力的关键。作为直面顾客的消费数据，无论对企业还是消费者自身都蕴藏着巨大的价值。大数据环境下的企业，通过对消费者个性化用户行为分析，包括购买时间、地点，订单品类、数量，消费回馈、评价等相关数据的分析，对消费群体、行为、偏好、需求、层次、水平等进行系统区分和深入挖掘，进行个性化商品推荐，做到精准营销。同时在建立对消费者消费行为预测的基础上，有效引导消费。消费者可以根据大数据平台智能决策系统，以最低的价格，购买到更好的产品和服务，充分获取产品的溢价价值。
4 结论
本文首先对供应链管理中大数据的理论进行了梳理，对供应链管理中大数据的数据类型、数据质量、数据处理流程进行了分析。而且大数据在供应链中采购、制造、物流、销售四个环节的应用，促进了企业供应链的优化，提升了企业的核心竞争力。当然，在使用大数据技术时，企业还要根据企业自身的实际情况做出动态调整，寻找最适合企业的大数据应用方法，促进企业供应链管理的优化升级。
参考文献：
[1]冯芷艳等.大数据背景下商务管理研究若干前沿课题[J].管理科学学报，2013（1）：1-8.
[2]徐宗本等.大数据驱动的管理與决策前沿课题[J].管理世界，2014（11）：158-163.
[3]成栋，陈思洁.供应链管理中的大数据运用[J].现代管理科学，2017（8）：9-11.
[4]岳鹏博.基于互联时代的供应链协同平台创新与发展研究[D].武汉：华中科技大学，2014.
[5]闫志鑫.大数据对零售业采购与供应链管理的影响[J].中国市场，2015（11）：85-87.
[6]朱晓静.大数据对企业供应链的影响刍议[J].中国包装，2016（8）：77-81.
[7]申风平，党源源.大数据在生鲜电商供应链中的应用研究[J].江苏商论.2016（10）：18-21.
[8]陈智永等.大数据分析技术在跨境电商中的应用研究[J].中国商论.2016（3）：126-128.
[9]张晶.大数据应用：提升物流供应链价值[J].物流技术.2015（2）：25-28.
[10]徐贤浩，马士华.物流与供应链管理导论[M].清华大学出版社，2011.
作者简介：
章印，女，1984-，安徽绩溪人，硕士，讲师，兰州财经大学信息工程学院教师，研究方向：供应链管理。
关键词：大数据；大数据分析技术；供应链管理
1 大数据的发展现状
在过去的数年中，信息技术在社会、经济、生活等各个领域不断渗透和推陈出新。新兴信息技术与应用模式的涌现，使得全球数据量呈现出前所未有的爆发式增长态势，国际数据公司（IDC）的数字宇宙研究报告称：2011 年全球被创建和被复制的数据总量超过1.8ZB，且增长趋势遵循新摩尔定律（全球数据量大约每两年翻一番），预计2020 年将达到35ZB。与此同时，数据复杂性也急剧增长，其多样性（多源、异构、多模态、不连贯语法或语义等）、低价值密度（大量不相关信息、知识“提纯”难度高）、实时性（数据需实时生成、存储、处理和分析）等复杂特征日益显著。大数据时代已经到来。大数据正在重新定义社会管理与国家战略决策、企业管理决策、组织业务流程、个人决策的过程和方式。
在现今的大数据时代，大数据应用正逐步成为我国经济新的增长点。易观智库新近发布的《2014 中国供应链大数据市场专题研究报告》显示，在2014年中国供应链大数据份额中，零售业、制造业、服务业（非金融）、医疗业占据了约83%的市场份额。该报告把供应链大数据分为结构数据、非结构数据、传感器数据及新类型数据四种，涵盖了交易数据、时间段数据、库存数据、客户服务数据、位置数据等各个方面，且该报告显示，目前，大数据已经被广泛应用于供应链上各个环节。
供应链中产品研发与制造、采购、物流、销售等重要环节，数据量都十分巨大。面对海量的数据，大数据技术能够通过构建数据分析中心，深度挖掘数据背后的信息价值，将大数据作为企业的战略资源，充分发挥大数据在企业战略规划、商业模式创新以及运营管理提升等方面的优势，为企业科学管理和决策提供支持。
2 大数据在供应链管理中的影响因素
要在供应链管理中有效的运用大数据，首先需要收集大数据，建立大数据库，具备大数据的分析、整合能力。大数据的数据类型、数据质量、大数据分析技术等是重要的考虑因素。
2.1 大数据的数据类型
一般来说，大数据的数据类型包括以下四种类型：（1）结构数据；（2）非结构数据；（3）传感器数据；（4）新类型数据。
结构数据指那些在电子表格或是关系型数据库中儲存的数据，这一类型的数据只占数据总量的5%左右（Cukier，2010），主要包括交易数据和时间段数据。现在的大数据分析主要以这一类数据为主，其中重要的结构数据来自企业的内部或者外部的管理信息系统，如ERP等。这些数据属于企业的自身资源，结构化水平高，收集相对容易，处理此类结构化数据相对简单，主要是构造表结构用来表示数据的属性，对数据间的相关属性与数据的意义进行分析。
非结构数据主要包括社会化数据、渠道数据以及客户服务数据等等。尽管社会化数据对于供应链运营管理的作用是十分重要的，比如利用社交媒体数据来指导企业进行供应链活动的规划以及社交媒体数据对供应链绩效产生影响等等，但是社会化数据对供应链影响的研究却相对缺乏。然而，而要想从内容丰富的非结构化数据中挖掘出商业智慧，就需要使用不同的研究方法和度量方式，包括描述性分析、内容分析以及网络分析等。
除了上述两种主要的大数据类型外，还有传感器数据和新类型数据。传感数据主要包括RFID 数据、温度数据、QR 码以及位置数据，这类数据增长很快，并能为供应链金融带来巨大商机；新类型数据主要有地图数据、视频数据、影像数据以及声音数据等，这类数据多用于可视化领域，并能够帮助提高数据质量，使数据的实时性更强、提高了数据分析的精准度。
2.2 大数据的数据质量
供应链大数据的质量直接影响了其可用性。如果采用低质量的数据，对供应链的决策不仅没有帮助，反而会起到相反的作用。现代企业供应链情况瞬息万变，对供应链大数据的质量也提出了较高的要求。
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）。
2.3 供应链管理中大数据的处理过程
不同类型的大数据，其处理方面有所不同，但其处理过程基本上是一样，主要步骤包括：数据采集、数据处理与集成、数据分析和数据解释四个阶段，如图1所示，采集到的数据经处理和集成后，转换成统一标准的数据格式，然后用相应的数据分析方法将其进行分析处理，最后用可视化的技术将结果展现出来。
（1）阶段一：数据采集
目前供应量中大数据来源非常广泛，常用的采集方法有：企业内部和外部的管理信息系统、搜索引擎的数据检索工具、各类传感器、RFID以及条形码扫描技术等。随着手机和平板电脑等移动终端设备的迅速普及、各类APP软件的大量下载使用，数据采集的数量和精度不断提升。
（2）阶段二：数据处理与集成
数据的处理与集成阶段的主要任务是对数据采用合适的方法进行适当地处理、去噪和进一步地集成存储。 由于数据来源广泛，注定了大数据的多样性特征。如果这些数据不经过初步处理，进行高质量的数据分析将会非常困难。因此，在采集数据后，一般还要进行数据的处理与集成将这些多样化的数据转换为便于处理的较为单一结构的数据。当然，并不是所有数据都是有效的和相关性高的，这些数据还需要“去噪”，忽略无效数据，才能保证数据的有效性和可靠度。
（3）阶段三：数据分析
大数据处理流程中核心的阶段是数据分析，因为零乱的数据是没有价值的，只有通过数据分析步骤，才能挖掘到大数据的真正价值。在数据分析阶段，根据不同的应用需求，数据分析各有不同，常用的方法有统计分析、模型预测、智能算法、数据挖掘、机器学习等。
（4）阶段四：数据解释
从供应链的应用方面来说，数据解释的结果才是最有意义的。才是随着数据量的变大以及用户对数据分析维度的增加，传统的以文本形式输出的数据展示方式已不能满足数据用户的需求，一种被称为“数据可视化技术”数据展示方式开始出现，常见的方式有基于集合的可视化技术、基于图标的可视化技术、基于图像的可视化技术等，在数据可视化技术的帮助下，用户可以很形象地获得数据分析结果，对结果的理解和接受也更直观。
3 大数据在供应链各环节中的应用
供应链由产品研发与制造、采购、物流、销售等主要环节构成，各环节节节相扣，任何一个环节出现问题都会影响到其他环节的运作，影响整个供应链的运行效率。大数据对每个部分都有着重要的影响，具体分析如下：
3.1 大数据在产品研发与制造中的应用
产品的研发是企业生存和发展的基石，在市场环境变幻莫测的今天，只有推出更好的产品以满足客户不断变化的需求，企业才能生存和发展。运用大数据可以更好的了解和掌握客户的需求，设计出迎合市场的产品。
（1）客户细分与定位
由于客户的所从事行业、收入水平、个人爱好等方面差别很大，所以对产品的需求存在很大差异，企业需要对客户进行细分，主要是根据他们表现出来的特征相似程度来划分，基于这些将其分成若干用户群。从划分的各个客户群来看，虽然这些细分的群体内部特征相似度很高，但是在群体之间有着显著差异。因此，企业须对不同客户群的需求提供不同的产品或服务。而通过用户的大数据则能对客户行为模式等进行准确判断与分析，从海量的客户信息中进行筛选，精准的对客户进行细分和定位。
（2）客户需求分析
不做客户需求分析的企业，产品不可能有创新。以前企业研发产品，是根据市场调查来获得消费者的意见，并凭借研发部门的对产品的理解和判断来进行产品的设计决策，主观性较大。而大数据的出现彻底打破了这种旧的思维模式，大数据对客户购买产品的欲望、用途、功能、款式进行逐步发掘，将客户心理模糊的认知以精确的方式展示出来，来确定产品的最重要的价值及特点。大数据不仅可以促进设计满足顾客需求，还可以降低生产成本与开发成本。
3.2 大数据在采购中的应用
采购本质上是指购买商品和服务的过程，企业的大多数成本都来自此环节，其主要作用是选择供应商、采购合约、评估供应商效益等。然而，在大数据时代，供应链中采购的作用并不限于此，大数据不仅可以帮助改进企业成本控制的流程，还能帮助企业制定采购决策，从而应对未知风险。
（1）采购计划的预测和调整
采购计划是整个供应链的源头，顾客偏好是顾客满意度的一个重要影响因素，因此，基于客户端产生的大量数据信息，通过大数据分析技术、预测模型可以得知顾客对商品的偏好及该商品的需求量，从而根据商品来自于哪家供应商即可确定企业采购部门应当选择的供应商，并根据实际情况，注重对供应商质量、价格、服务等方面行事前审核和监控，凭借大量的数据信息确立更为合理的供应商评价指标体系，对供應商各方面情况进行综合调查，进而选择质量可靠、价格合理、服务优良、信誉良好的供应商，确立其名录，以便之后进行供应商管理，从而达到择优而录的同时提高供应商的服务水平。这样，不仅可以避免传统采购方式的主观因素、降低采购风险，还能给顾客带来更佳的用户体验。
（2）与供应商建立战略合作伙伴关系
企业采购部门通过数据平台给供应商提供需求信息、反馈物资使用情况，与供应商共享更多的信息，从而与供应商建立良好的合作关系，并利用供应商评价体系帮助供应商建立起促进和保证质量的机制，以提高产品质量和性能，降低采购风险，真正实现以“双赢”为目的的战略联盟。
3.3 大数据在物流中的应用
物流是供应链中的一个重要环节，现如今物流发展迅速，但是物流的成本问题任未得到很好的解决，利用大数据技术，可以进行库存优化、运输路线和资源的合理配置等，降低物流成本，提升物流速度和效率。
（1）库存优化
仓库在供应链管理中的主要作用是对于物品的存放提供空间，在物流的有些管理中也成为配送中心。传统的库存管理中的问题是企业的存货的时间比较长，不利于物品的价值增长。大数据基于此设计了相关战略中心管理仓库，能够充分从交通、距离等各种因素中筛选出最优方案，包括路线、时间等。另一方面，利用大数据技术和平台可以与供应商实时共享库存信息和数据，供应商通过实时掌握企业的库存、销售预测及采购需求，而合理安排生产及供应，这样可以大大降低库存量、库存成本，提高库存周转率。
（2）运输路线和资源的合理配置
物流环节中成本最大的部分就是运输环节了，运输的五种基本模式分别是铁路运输、公路运输、水路运输、管道运输及航空运输。每一种运输模式都有优点和缺陷，比如航空运输虽然速度快，但是成本过高，而且对于重量也有限制。水路运输和铁路运输与航空运输相比，速度较慢、成本较低。大数据分析可以对物流路线进行智能路线优化。智能路线优化是基于全球定位系统的处理，能够根据导航系统对于路况信息进行整合分析得出相关最优路线，进而提高运输效率。另外，每一种运输模式都需要运输工具，比如汽车、飞机、火车等等，运输工具对于供应链企业来说是资源，是有限的，可以通过互联网和全球定位系统对运输工具进行追踪和数据收集，了解运输工具的位置和承运情况，合理进行规划和调配运输资源。 3.4 大数据在销售中的应用
（1）更优定价
在对客户需求预测基础上，应用大数据技术还可以分析顾客对于质量与价格之间的偏好，分析其中的关系就可以进行合理的定价。给每一类客户群体编号，然后通过客户的消费金额、消费商品、售后服务等行为采集他们的相关数据，再用大数据系统建立特定模型，对每个顾客的海量数据进行分析，分析出每个顾客的消费习惯、近期可能需要的商品、对商品价格的偏好等，并用商品知识库的数据分析与其他商品是互补还是替代关系，以此合理地制定商品价格并且有针对性地及时调整促销计划。从而在合理定价的基础上，提高销量、降低库存，最终达到收益最大化。
（2）个性化商品推荐
消费者需求对整个供应链的运作起着重要的驱动作用，深入挖掘消费者的消费需求，寻找新的利润增长点，成为企业竞争力的关键。作为直面顾客的消费数据，无论对企业还是消费者自身都蕴藏着巨大的价值。大数据环境下的企业，通过对消费者个性化用户行为分析，包括购买时间、地点，订单品类、数量，消费回馈、评价等相关数据的分析，对消费群体、行为、偏好、需求、层次、水平等进行系统区分和深入挖掘，进行个性化商品推荐，做到精准营销。同时在建立对消费者消费行为预测的基础上，有效引导消费。消费者可以根据大数据平台智能决策系统，以最低的价格，购买到更好的产品和服务，充分获取产品的溢价价值。
4 结论
本文首先对供应链管理中大数据的理论进行了梳理，对供应链管理中大数据的数据类型、数据质量、数据处理流程进行了分析。而且大数据在供应链中采购、制造、物流、销售四个环节的应用，促进了企业供应链的优化，提升了企业的核心竞争力。当然，在使用大数据技术时，企业还要根据企业自身的实际情况做出动态调整，寻找最适合企业的大数据应用方法，促进企业供应链管理的优化升级。
参考文献：
[1]冯芷艳等.大数据背景下商务管理研究若干前沿课题[J].管理科学学报，2013（1）：1-8.
[2]徐宗本等.大数据驱动的管理與决策前沿课题[J].管理世界，2014（11）：158-163.
[3]成栋，陈思洁.供应链管理中的大数据运用[J].现代管理科学，2017（8）：9-11.
[4]岳鹏博.基于互联时代的供应链协同平台创新与发展研究[D].武汉：华中科技大学，2014.
[5]闫志鑫.大数据对零售业采购与供应链管理的影响[J].中国市场，2015（11）：85-87.
[6]朱晓静.大数据对企业供应链的影响刍议[J].中国包装，2016（8）：77-81.
[7]申风平，党源源.大数据在生鲜电商供应链中的应用研究[J].江苏商论.2016（10）：18-21.
[8]陈智永等.大数据分析技术在跨境电商中的应用研究[J].中国商论.2016（3）：126-128.
[9]张晶.大数据应用：提升物流供应链价值[J].物流技术.2015（2）：25-28.
[10]徐贤浩，马士华.物流与供应链管理导论[M].清华大学出版社，2011.
作者简介：
章印，女，1984-，安徽绩溪人，硕士，讲师，兰州财经大学信息工程学院教师，研究方向：供应链管理。