大數據分析在物流及供應鏈管理中的應用研究進展

張雅瓊 劉巧云 危思攀 胡宸 楊鵬

[摘要]隨著數字時代的到來，Web 20以及Industry 40、物聯網（Internet）等數字技術相繼出現，物流及供應鏈管理領域中的大數據呈爆發式增長，大數據分析在物流及供應鏈管理中的應用研究也面臨很大的挑戰。文章運用文獻綜述的方式對于以往關于大數據分析在物流及SCM中應用的相關研究進行了總結，分別從大數據采集、儲存、分析、應用、增值幾個方面開展，并對大數據分析在應用中的問題以及未來的發展趨勢提出了一些有效建議。

[關鍵詞]物流;供應鏈管理;大數據;研究進展

[DOI]1013939/jcnkizgsc201928164

1引言

隨著信息時代的到來，物流與供應鏈領域的數據數量和規模呈爆發式增長，其數據采集主要來源于以下幾個方面：企業資源計劃（ERP）系統，分布式制造環節，訂單和裝運過程，社交媒體反饋以及技術驅動的數據源如全球定位系統（GPS）、基于射頻識別（RFID）的跟蹤、移動設備、監視視頻等。如何從大量的數據中挖掘出有價值信息，為企業降低成本、減少風險，幫助組織改進其供應鏈設計和管理是目前面臨的一大問題。文章回顧并分類了大數據在物流及供應鏈管理應用的相關文獻，根據大數據的五個特性——采集、儲存、分析、應用、增值分別進行論述。

2供應鏈管理及物流中的大數據采集

21大數據采集面臨的問題

在傳統的供應鏈管理中，紙張和手工的數據采集方法得到了廣泛的應用，但從這些方法中獲取的數據具有不完整性、不準確性和不及時性的特征，因此，基于這些數據的決策通常是不合理的、不可執行的。同時，現代數據采集技術在服務以及制造業領域方面也存在一些挑戰。首先，不同的采集器擁有不同的特定數據格式，這些格式通常是異構和不兼容的，在這種情況下，數據集成就會變得非常困難。例如，在商業服務中，當兩個類似的公司試圖合并他們的交易，數據不規范與不兼容將使其變成一項很困難的任務。其次，當需要同時采集大量數據時，系統如果由于信號碰撞和中央處理器容量有限而被困，對金融服務業和國家安全物流產業也會造成一定影響。

22大數據采集技術與應用

隨著智能自動識別、物聯網設備等數據采集技術的發展，越來越多先進的數據采集器被應用。這些數據采集器可以集成生物識別技術來區分各種用戶，語音控制系統以及自適應機制使設備在不同的情況下更智能、更容易使用。對于服務業和物流業來說，移動智能數據采集器更為適合。因此，將物聯網技術嵌入到手機或其他實物中是一個非常有意義的技術。例如，裝有溫度傳感器和射頻識別（RFID）標簽的盒子可以放置在帶有活動RFID的智能容器中，它能夠識別每一個盒子，然后集裝箱再由一輛裝有物聯網設備和全球定位系統（GPS）的智能車輛運載。隨著尖端技術的飛速發展，智能的可穿戴設備有可能在不久的將來也應用于供應鏈中的各種數據采集。

此外，數據標準化也顯得至關重要。因此，需要對不同行業的標準方、數據庫供應商和操作系統供應商提供多種可選擇的實施標準。銀行、保險、醫藥和自動轉運站等服務行業是有效施行客戶信息采集標準模式的絕佳領域。只有抓住了建立各種標準數據模型的黃金機會，才能實現更便捷和更快的信息共享。同時，還需重視的一點是使用數據標準的并行采集模型，在先進的硬件設計和軟件算法的幫助下，并行數據采集方法有望在一秒鐘內處理一個TB的數據大小。這為IT公司提供了機會，使其可以在不久的將來找到新的并行機制或硬件設備，以便快速可靠地捕獲數據。

3供應鏈管理及物流中的大數據存儲

31大數據儲存研究意義

數據采集設備的完善，使人們能夠準確地采集物流及供應鏈領域中的數據，而龐大的數據群需要一個便捷高效的儲存方法來進行存儲管理。大數據存儲的研究就是探索一種更有價值和效率的方式存儲和管理數據集群，以下對目前已提出的一些大數據儲存管理方法進行了歸納整理。

32大數據存儲技術分析

Y Chan（2014）研究了在存儲和處理的數據量呈指數級增長，從而導致從商品集群到超級計算機的各種系統聚集在一起的情況下，在分布式環境中采用新的、高效的并行編程方法。Chepstov，Alexey（2014）討論了在云和高性能計算領域中使用的最先進的主要并行技術，并在一個測試型高性能計算集群的示例文本處理應用程序上對它們進行了評估。Junjie Chen等研究了固態硬盤在高性能計算機（HPC）系統中的布局和部署策略，希望最大限度地提高性能，并給出了一個實際的固定硬件預算約束，提出了一種模型方法。此項研究將有助于指導包括Exascale系統在內的當前和計劃中的高性能計算機系統中的大數據應用的設計和開發。Mesnier（2013）提出了另一種大數據存儲方法，這一方法基于對象的機制，即每個文件都有一個標識符，用于索引數據及其位置。對象存儲系統能夠擴展到一個非常大的容量，這樣企業就可以利用大數據作為DNS在Internet上進行操作。

33大數據存儲模式轉換

Thomas Vanhove等提出了一個數據存儲模式之間的轉換框架。當使用規范化數據模型時，框架可以很容易地擴展到其他數據存儲，框架在兩個不同的層次上執行轉換，它使用批處理層轉換數據存儲的快照，而速度層轉換查詢，將新的或更新的數據插入數據存儲，在MySQL（關系型數據庫管理系統）和Cassandra（開源分布式NoSQL數據庫系統）之間給出了一個轉換。作為概念證明，在轉換時間和開銷方面，展示了轉換的正確性并提供了性能結果。

4供應鏈管理及物流中的大數據分析

41大數據分析技術

大數據分析是商業分析中的一個新工具，它需要一些技術來處理大量的數據集。這些技術主要用于識別趨勢、檢測模式和采集信息，它們能夠為不同的應用程序提供一系列核心技術和解決方案。甲骨文高級分析（OAA）將強大的數據庫內算法和開源R算法相結合，實現了預測分析、高級數值計算和交互式圖形。SAP高性能分析設備（HANA）使用并行多核處理器技術管理龐大的數據庫，從而提供關于客戶移動和市場波動的各種預測分析解決方案。微軟提供了一個完整的平臺技術構建可視化工具，從龐大的數據集中發現規律，從而對大數據進行充分分析。IBM SPSS模型能提供可預測的智能分析，以幫助個人、群體、系統和企業做出決策。

42大數據分析實踐

大數據分析的實踐目前已經得到了廣泛的報道，其主要目的之一是充分利用數據，在適當的時間為正確的用戶提供“正確的數據”，不同的公司可以根據自己的具體情況和問題進行大數據分析。全球管理咨詢公司麥肯錫公司利用大數據分析技術為各公司提供了一套豐富的服務，以實現可持續的業績改善。例如，在金融領域，利用大數據分析，麥肯錫公司幫助小商業銀行升級服務。總部位于西雅圖的電子商務巨頭亞馬遜利用大數據分析技術對顧客的行為進行預測，以便在顧客做出購買決定之前將貨物運到他們手中。英特爾最近采用了大數據分析來加速開發和部署具有數據驅動作用的可穿戴應用程序，將來自英特爾的許多工具和算法與基于云的數據管理系統集成在一起。大范圍的數據分析實踐正在進行，以改善客戶關系管理，提高利潤率，尋找潛在市場，并從服務和管理兩方面進行各種預測。

ApacheMaout尋求為工業應用中的大規模和智能數據分析提供可伸縮和商業化的機器學習技術。這些知名行業的例子包括谷歌、亞馬遜、雅虎、ibm、Twitter和Facebook。它們在工業項目中實現了可伸縮的機器學習算法。因此，它們的許多項目都有很大的數據問題，ApacheMahout提供了一個緩解巨大挑戰的工具

ApacheMahout尋求建立一個充滿活力、響應能力強、多樣化的社區，以便不僅在項目本身，而且在潛在的用例中進行討論。因此，它的核心算法包括聚類、分類、模式挖掘、回歸、降維、進化算法和基于批處理的協同過濾，通過Map-Reduce框架在Hadoop平臺上運行。因此，對ApacheMahout庫的算法進行了較好的設計和優化，使其具有良好的性能和性能。它還包含了許多非分布式算法

5供應鏈管理及物流中的大數據應用

51大數據應用研究意義

大數據在物流與供應鏈管理中的應用對于正確做出供應鏈決策，降低企業風險，以及提高供應鏈靈敏度，減少成本等方面是十分有利的。隨著數據采集與儲存分析技術的日漸完善，大數據在物流和供應鏈管理中的應用研究也愈加深入。

52大數據在供應鏈決策中的應用

Basole和Nowak（2017）研究了跟蹤技術在供應鏈中的應用，他們根據制度理論和交易成本，對影響跟蹤技術同化的因素進行分析，這項研究的結果可以為參與在供應鏈中部署跟蹤技術的決策者提供信息。

Yu等（2017）探討了數據驅動供應鏈能力對中國制造公司財務績效的影響，提出了一種基于結構方程建模的數據分析方法。研究結果表明，供應鏈合作伙伴之間的協調和供應鏈對市場需求變化的快速響應與組織較佳的財務業績呈正相關。

Choi（2017）在社交媒體觀察、需求預測更新以及具有有限理性的零售商的幫助下，評估了時尚的快速響應計劃。Singh等人（2017）提出了一種大數據方法，用于分析來自Twitter的社交媒體數據，以及識別現有供應鏈和食品物流管理方面的問題。這項研究可以讓決策者了解如何改進食品供應鏈和物流管理的各個環節。

53大數據在貨運績效評估中的應用

Flaskou M等人開發一種處理原始GPS數據的方法，并規定了貨運性能指標，提出了兩種估計雙向鏈路速度和分析卡車行程的算法。

Arun Kuppam等人從兩個方面進行了研究：一是貨車GPS數據的處理;二是建立基于旅游的卡車模型，還討論了這些離散選擇模型的校準和驗證。

Chen-Fu Liao在以往研究貨運機動性和可靠性的基礎上，開發了卡車GPS數據分析方法，根據行車路線、路段、時間等指標，推導出卡車的機動度、延誤度、可靠性等指標，并對其進行統計分析。

Xia Yang等人提出了一種使用逐秒GPS數據的程序和方法，從流動性、燃料消耗和排放三個重要方面對城市貨運績效進行評估。

Qi Gong等人提出正則回歸模型，獲得所觀察到的出行時間的最大可能化，同時也減少了速度估計中的額外波動，利用實際走廊環路檢測器數據模擬的稀疏車輛定位數據，對模型的性能進行了評價，該模型能夠恢復走廊的真實速度圖。基于速度估計的鏈路行程時間的研究表明，該方法在基準鏈路行程時間分配上有了很大的改進，特別是在擁擠的地區或在速度差異很大的鏈路上。

6供應鏈管理及物流中的大數據增值

大數據增值是基于大數據的儲存和分析之上的，這兩個階段可以提供巨大的價值，使人們能夠作出明智的戰略性決策，從而提高了應用速度和準確性。兩者結合所形成的大數據戰略應用增值，具有巨大的實用價值，為供應鏈管理和物流領域的發展提供更強大的支撐。

Geerts等人在《支持一系列數據架構中的多個視圖的標準經濟現象》一文中，定義了一個利用單個事物（對象）標識信息的可用性的本體。從一組本體論原語開始，逐步定義了結構化原則，這些原則為供應鏈系統的設計提供了指導，這些系統的特點增加了可視性和互操作性，并促進了供應鏈活動的管理和協作決策。

Richard Addo-Tenkorang等人在供應鏈架構中提出了一個高效和可持續的“大數據ii”框架，用于工業運營，以獲得產業競爭優勢和創新的連鎖管理。Am等人從工業運作以及制造業供應鏈管理等方面全面討論了再加工挑戰。

Zhenyu Liu提出了用于性能測試的技術，該技術為大數據應用提供了測試目標分析、測試設計、負載設計。

7結論與未來研究建議

71結論

文章從大數據的采集、儲存、分析、應用以及增值五個方面回顧了大數據在物流及供應鏈管理的相關文獻和研究。大數據的不斷發展在物流和供應鏈管理中展示出了巨大的價值和潛力。大數據日益成為各行各業需要考慮的主要企業組織力量，也是發現新的機遇和價值的重要途徑，是企業和供應鏈管理者做出決策的重要依據。但是，大數據龐大的數量以及爆發式的增長速度，使其應用面臨更大挑戰。盡管應用領域有許多研究在嘗試解決這些問題，但對大多數企業來說，及時有效地處理大數據仍然是一項龐大而又極其復雜的任務。

72未來研究建議

文章認為如何利用新的工具和技術來支持大數據在供應鏈管理和物流中的應用，從而提高數據質量，以使公司和供應鏈管理者實現高水平的業務價值，是未來一個有意義的研究途徑。事實上，目前關于這方面的研究也有許多發現，諸如云計算、RFID、Map-Reduce等，隨著技術日新月異，這方面的研究還應繼續深入下去，這些技術的發展為大數據的應用帶來了怎樣的影響也應該進一步研究。另外，評估大數據分析以提高公司內部和公司間效率也是未來一個可研究的方向，例如，找出瓶頸、改進預測維護供應鏈。再者，評估與大數據數字化有關的成本應列入今后的研究方向中。

參考文獻：

[1]ZDEN ENGIN AKICI，HARRY GROENEVELT，ABRAHAM SEIDMANNUsing RFID for the management of pharmaceutical inventory—system optimization and shrinkage control[J]. Decision Support System，2011，51 （4）：842-852

[2]CHAE，BONGSUG （KEVIN）Insights from hashtag supplychain and Twitter analytics： considering Twitter and Twitter data for supply chain practice and research[J]. International Journal Production Economics，2015， 165 （7）：247-259

[3]CHRISTOPHER， MARTIN，RYALS， LYNETTE JThe supply chain becomes the demand chain[J]. Journal of Business Logistics，2014，35 （1）：29-35

[4]RAY Y ZHONG，GUOQUAN HUANG，SHULIN LAN，ET ALAbigdataapproachforlogisticstrajectory discoveryfromRFID-enabledproductiondata[J]. International Journal Production Economics，2015， 165 （7）：260-272

[5]RAY Y ZHONG，SHULIN LAN，CHEN XU，ET ALVisualization of RFID-enabled shopoor logistics big data in cloud manufacturing[J]. International Journal Advanced Manufacturing Technology，2015，84 （1-4）：5-16

[6]KIMHUA TAN，YUANZHU ZHAN，GUOJUN JI，ET ALHarvesting big data to enhance supply chain innovation capabilities： an analytic infrastructure based on deduction graph[J]. International Journal Production Economics，2014，165 （7）：223-233

[7]SHUKLA， NAGESH，KIRIDENA， SENEVIA fuzzy rough sets-based multi-agent analytics framework for dynamic supply chain conguration[J]. International Journal of Production Research，2016，54 （23）：6984-6996

[8]MATTHEW A WALLER，STANLEY E FAWCETTClick here for a data scientist： big data， predictive analytics， and theory development in the era of a maker movement supply chain[J]. Journal of Business Logistics，2013，34 （4）：249-252

[9]AKSHIT SINGH，NISHIKANT MISHRA，SYED IMRAN ALI，ET ALCloud computing technology： reducing carbon footprint in beef supply chain[J]. International Journal Production Economics，2015， 164（6）：462-471

[10]KANNAN GOVINDAN，HAMED SOLEIMANI，DEVIKA KANNANReverse logistics and closed-loop supply chain： a comprehensive review to explore the future[J]. European Journal Operational Research，2014，240 （3）： 603-626

[基金項目]2018年度湖南省大學生研究性學習和創新性實驗計劃項目《大數據分析在物流及供應鏈管理中的應用研究進展》（項目編號：20181153201）; 2018年度湖南省社會科學成果評審委員會課題（項目編號：XSP18YBZ131）。