汽车供应链大数据应用探讨

汽车供应链大数据应用探讨

刘青,冀骁

长城汽车股份有限公司 河北保定 071000

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.本文分析了汽车供应链大数据的特征，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、汽车供应链大数据的主要特征

    1.1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，其结构属性不尽相同，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。

    1.2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。

    1.3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。

2、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。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。此外，进行优化改进的业务需要得到充分的落实。

3、汽车供应链大数据分析主要应用场景

    3.1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。

    3.2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。

    3.3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。

    3.4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。

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、加快决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]邹国平.大数据在汽车供应链管理中的应用研究[J].2021.

[3]张丽娜.汽车供应链大数据应用探讨[J].时代汽车, 2019(5):3.

[4]陆杉,陈宇斌.供应链中大数据分析应用研究综述[J].商业经济与管理,2018(9):9.