供应链数据分析：Data Analysis在Supply Chain领域的应用
随着供应链变得越来越复杂，必须采用更优质的工具来迅速高效地发挥数据的最大价值。供应链作为企业的核心网链，数据分析和数据科学将变革企业市场边界、业务组合、商业模式和运作模式等。
数据分析正在帮助解决的一些供应链挑战包括：使供应链更加高效，国际化背景下最优化问题 (例如更短的距离或合并装运)，增加供应链的可见性和响应时间等。数据分析在Supply Chain领域的应用，正在帮助无数企业在全球化进程中率先布局，整合与优化企业生产线，销售链与产品研发。今天我们就来具体看看实际应用。如果你想了解更多数据分析相关内容，可以阅读以下这些文章：
数据科技公司新兴巨头——星爸爸
找工作前必知：商业分析师如何通过预测分析来创建客户体验？
让没有银行账户的大麻行业享有银行服务？ – 恐怕目前只有区块链技术能做到
1.首先，我们需要知道什么是供应链。
供应链就是一个重要的商业过程，包含原材料采购，产品制作生产，到配发中心以及零售商。供应链运行的效率直接关系到用户的消费体验。
2.供应链主要分为下面4个周期，4个周期从下往上依次循环。
- 1） 顾客订单周期(顾客购买产品，产品邮寄到顾客)
- 2） 补货周期(物品销售完需要补充，从第三方或者分配中心补货，与retail相关)
- 3） 制造周期(比如苹果在中国生产，运送到美国，再消费)
- 4） 采购周期(对第三方的采购，比如Amazon对第三方下订单，第三方制作好产品运送给Amazon)
3.供应链管理主要为一个管理系统，具备以下特点以及功能
- 1）管理生产及运输过程
- 2）更好的提升供应链的运行效率——顾客更好更快拿到商品，减少公司运行的支出等
4.供应链行业商业分析师的工作内容有哪些？
- 1）采集和分析相关数据，更多的数据是优化系统的基础
- 2）确保供应满足需求，并且促进整个供应链过程更加完善顺畅
5.下图为沃尔玛对于数据科学家在供应链岗位的要求以及工作内容
6.关键词汇解释
Material Flow数据流
数据流包括物品从生产者到消费者的平稳流动。这可以通过分销商、经销商和零售商之间的各种仓库实现。
数据流面临的主要挑战是确保材料作为库存的快速流动，不会在链中的不同点发生任何中断。它移动得越快，对企业越好，因为它最大限度地减少了现金周期。
Information flow 信息流
信息流包括报价请求、采购订单、月度计划、工程变更请求、质量投诉和从客户方到供应商的供应商绩效报告。
Money flow
客户根据生产商提供的发票，检查订单的正确性。 如果索赔正确，资金就会从客户流向相应的生产商。还可以观察到资金以借方票据的形式从生产方流向客户。目的是提升整个供应链的效率。
7.下图为供应链管理的一个整体例子
8.时间序列六个经典模型
排列顺序由简单到困难
- 1）Autoregression (AR)自回归模型，用过去的时间点的数据预测，适合单变量
- 2）Moving Average (MA)滑动平均，用过去数据的平均值预测，适合单变量，数据不能有明显上升下降趋势
- 3）Autoregressive Moving Average (ARMA)前两个结合，数据不可以有明显的季节性因素。
- 4）Autoregressive Integrated Moving Average (ARIMA)二维码式，经典且常用。包含AR和MA变量。需要用差分法处理数据。进行平稳化处理，再进行分析。
- 5）Seasonal Autoregressive Integrated Moving- Average (SARIMA)加入了季节性，更适合于有趋势也有季节性的序列
- 6）Seasonal Autoregressive Integrated Moving- Average with Exogenous Regressors (SARIMAX)加入了外部因素。包含前面所有模型的特点，并且加入了外部信息，从而增强模型的预测能力。最为复杂的模型，选择参数较多。
在实际运用时应考虑模型的复杂程度以及模型的预测能力。
综上所述，就是本次分享的所有内容了。希望这次讲座可以对大家起到帮助！你还可以订阅我们的YouTube频道，观看大量数据科学相关公开课：https://www.youtube.com/channel/UCa8NLpvi70mHVsW4J_x9OeQ；在LinkedIn上关注我们，扩展你的人际网络！https://www.linkedin.com/company/dataapplab/
Recap 作者：Peter Mei
美工编辑：过儿
校对审稿：冬冬
公开课回放链接：https://www.youtube.com/watch?v=xd1vczSeOWI&list=PL39P3XK_jveHE89PgwwvVPAGAj2cuxRrT&index=42&ab_channel=DataApplicationLabDataApplicationLab
