+
【成功的诺基山】
2003年，钢铁制造建筑领军企业诺基山（Rocky Mountain） 钢铁公司迫于价格压力不得不关闭其钢管工厂。2005年，由于石油成本提高，潜在的客户、石油钻井公司纷纷涌现，公司需要重新制定策略。需不需要重开钢管工厂？如果要，什么时候重开？是马上开始生产，立刻接受订单，还是等到重开工厂后再开始生产？
需求、价格、生产限制和工业生产能力都对公司策略的制定有重要影响，由于这些决策的复杂性，标准成本和产量分析反而显得很简单。管理者和潜在客户都在该事件上强烈地表达了自己的意见，这使得诺基山公司的决策变得更为复杂。人人都看到石油价格飙升，催促企业进行生产。诺基山公司的回答只能是，依靠大数据分析进行决策。
诺基山公司采用了一款可以进行假设分析的软件应用，该应用可以给出在一定条件下的利润预测。这样，公司就可以准确地预测钢管工厂的重启时间，避免市场风险，确保利润最大化。数据导向给出的决策结果是延期重启工厂，甚至在生产开始后也不能马上接受订单。这个决策使得公司从预测出的价格上涨中充分获利。最后，诺基山公司公司不仅获得了利润，股价也得以上升。
【成功背后的关注点】
我们很容易把诺基山公司这样擅长使用大数据分析的企业简单地想象成数字计算器。事实上，它们确实经常使用科技手段生硬地解决商业问题。然而， 这种想象却会将你引向歧途。这类领军企业不仅仅是应用了大数据分析，他们有正确的关注点，其行动是协调统一的，同时还建立了自身文化，使其能够把数据分析的作用发挥到极致。领军企业必须记住，要想获得现在的这种竞争能力，人员、策略与信息技术同样重要。
数据分析的竞争者主要依靠数据导向的决策，但同时要决定在何处进行资源密集型行动。面面俱到的同时又要保证效率是不可能的。事实上，关注太多领域的大数据分析也会变成累赘。企业会被个别行动一叶障目，看不见本来的商业目标。高度集中的行动对企业而言非常重要。
领军企业选择支持其首要策略的地区或项目，将大数据分析集中到这些地区和项目上。UPS 公司开始将数据分析集中在改善物流运作上面，扩展分析工作以提供优质的客户服务。类似地，哈拉斯酒店和俱乐部也将大数据分析集中在提升顾客体验上面，即专门改善与顾客体验相关的服务领域，例如定价与促销。
【协调统一】
应用大数据分析的领导企业深知，必须将自身与客户、供应商进行内部整合。回顾沃尔玛要求其供应商使用零售链平台管理门店的商品流动，规划店内促销活动和摆放布局，减少货物短缺现象的做法。同样，E.&J.; 盖诺（E.&J.; Gallo）为配货商提供零售商成本与定价方面的数据和分析，这使得配货商能够计算盖诺的每支95 年红酒的利润，并将这些信息用于优化货架布局，建议零售商扩大盖诺产品的空间。
接下来的一个例子是联合利华公司。它向零售顾客和供应商提供数据与分析， 并将这一行动称为“共同创造价值”。这一项目大大减少了成本，在顾客中产生巨大反响。医疗用品公司Owens&Minor; 向顾客和供应商提供购物信息及其分析。例如，记录订单模式以寻找联合的机会。利用这一系统，医院除了得以对通过跨地域联合采购降低的成本进行评估外，还能够在频繁承接订单与节约成本之间进行取舍。
这给企业的启示是，要获取大数据分析的最大利益，就必须与整个供应链共同合作，将数据和应用与顾客和供应商相连，在衡量自身表现的同时也要对供应链上的合作伙伴进行评价。供应链是一个系统，正如我们在第2 章所说，“供应链转型”必须进行优化，而这一目标的实现则必须依靠大数据分析。
【企业文化】
依靠大数据分析取得成功的企业并不仅是因为其拥有更多更好的数据，而是因为这些企业拥有能够创造正确文化的领导集体。这些领导者能够建立并表达明确的目标，并让所有人都参与其中。他们还能够带领企业跨越转型期，制定以数向及事实为导向的决策，诸如“我们知道什么”这样的问题取代了过去“我们思考什么”的问题。
当然，数据和分析工具的存在也同样重要。有效地运用大数据分析取决于主管、经理和员工使用数据分析的能力。大数据的威力并不能取代对于领导能力和人工监督的需要，领导者同样需要制定策略，把握机会，了解市场，确立目标， 进行创造性思维。企业的领导者只有做到以上几点并且实施数据导向的运营，才能领导企业走向成功。
【从0到1，从传统供应链到大数据供应链】
大数据为供应链管理提供了一个转型的机遇，这一转型涉及供应链从货源到销售的所有部门。那么，企业要如何通过这一机遇创造竞争优势呢？
要创造竞争优势，必须将企业的行动集中统筹，按照一个“三步走”的路线图进行，所谓的三步走就是分区、联合、测量（后文简称为SAM）。这一路线图能够帮助企业将零散的步骤进行整合，而不是保持单一部分的成功。
该过程以大数据分析进行供应链分区为开端，找出每一分区优先发展的竞争要项。第二步是将企业的职能与竞争要项联系起来，并结合数据分析，而不是随机试验的产物。通过协同决策，将信息在企业和供应链的不同部门之间相互传递，进而将整个企业以及供应链横向连接起来，正如“销售与运营计划”一般。最后， 这些行动将通过“目标性可测量关键表现指标”进行评估。否则，这些行动就会变成零散的财富，不能形成更大规模和持久影响（见图1）。
由图8—1 可见，实行大数据分析必须在供应链中构建一个系统化框架，称为SAM 路线图：首先，这一过程使用数据分析打造供应链，用明确定义的竞争要项瞄准特定的市场分区；其次，将企业职能进行战略型联合，在企业与供应链间进行信息整合以优化应用；最后，完善度量指标以创造更好的业绩，信息反馈循环能帮助实现持续的业绩改善。
SAM 框架为企业发展提供了路线图，形成了下述3 个步骤。
图1 SAM 路线图
【步骤一：分区】
分区：根据明确的特点优化供应链分区。
SAM 路线图的第一步是在供应链中最重要的活动处集中应用数据分析，大数据供应链：建立工业4.0 时代智能物流新模式 。
通过分析人口信息、消费者购物模型及购物行为特点，对顾客进行分区和分析，这种做法已经存在了几十年。分区将目标市场按照消费者的共同需求和优先产品进行划分，每个部分利用不同的供应渠道，不同的产品以及不同的供应链。大数据分析大大扩展了数据规模，颗粒化的数据可以按照无数种可能进行组合， 为微分区的实现以及理解每一分区中潮流与异化产品提供了可能。
建立分区的一个重要部分是定义每一分区中的竞争要项。明确每一分区及其特点能够帮助企业明确分区内优先发展的产品，这些产品决定了企业在该分区的主要竞争力，其中包括客户服务、成本、质量、时间、灵活度以及创新性等各种要素。每种要素对应着不同的运营要求，并产生了每一分区不同的供应链结构、供应商、交通运输、运营策略以及最低绩效水平。例如，成本导向的供应链分区与以创新、质量或者顾客服务为导向的分区相比就会大相径庭。每一分区对应着不同的目标。分区的目的是在保证商业策略的同时，寻求最佳的供应链运作模式和政策，在规定时间内为每位顾客服务。
【步骤二：联合】
联合：联合各方最大限度地发挥分区的特点。
企业与整个供应链的合作避免了分散行动。有策略地进行功能性联合能够驱动数据分析的应用，而不是分散行动，减弱竞争优势。如果没有联合，那我们收集的所有数据都不会形成竞争力。因此，联合的作用是避免分散行动。
联合意味着整合供应链中的各项步骤。优秀企业利用预测分析消除客户关系管理、供应链的销售环节与平衡供求的运作、步骤和物流之间的界限。在这一过程中，大数据功不可没，因为它能够帮助分析需求并驱动其他供应链决策。例如， 福特汽车公司利用大数据分析进行供应链上的合作，在其应用程序FordDirect 提供的平台上，消费者、交易商和生产者能够实时共享信息，了解交通信息、管理库存以及获得融资。这种信息共享实现了整个供应链上的整合与协调。
销售与运营计划程序对于企业级别的决策整合尤为适用，很多优秀的企业都使用了这一应用，其中包括保洁、默克公司（Merck）、好时等。这是一套商务管理程序，通过合作将供求双方联系起来，依靠数据与分析制定包括风险管理在内的跨职能供应链决策。整合也意味着在观测实时市场动态的基础上，将生产周期与消费者需求同步。如果没有将预测数据分析整合到销售与运营计划中，企业就可能面临供不应求或供过于求的状况。
【步骤三：评估】
评估：设计策略性的联合关键绩效指标，以评估市场分区的特点。
正如彼得·德鲁克所说：“如果你不能评估一件事物，你就不能管理它。” 企业需要为其优化的对象寻找合适的算法。其实现可以通过应用供应链中成员普遍认同的策略性联合关键绩效指标，以及帮助企业不断完善的反馈机制。这些算法还应该对企业联合、整合以及企业间合作进行评估。同时，企业还应该利用数据分析寻找新的、更有意义的分析方法，这要以公司策略、核心竞争力和对商业价值观的理解为导向。大数据分析使新分析方法的发展成为可能，并为企业提供了更广阔的视野。就好比电影《点球成金》（Moneyball ）中，人们将传统评估棒球选手的方法—— “击球平均数”改为新型、更有意义的“上垒百分比”一样。
【如何实施路线图】
SAM 路线图将在整个供应链中实施大数据分析的所有关键要素联系起来，并将公司发展策略与实际运行结合起来。
第一步是利用大数据建立更好的供应链分区。将消费者按照各种组合属性， 如人口信息、购物模式、消费特点和行为等进行划分并分别分析，这一观点早已根深蒂固。然而，大数据分析将这一做法提升到了新的高度，其目标是建立能够满足顾客需求的分区，并对每一分区中供应链的要求进行优化。美国服装零售商鹰牌户外服装（Eagle Outfitters）公司利用大数据分析，根据消费者最喜欢的商品组合对其750 余家门店进行了分类。公司发现，西佛罗里达的顾客商品选择与得克萨斯州和加利福尼亚州的消费者相似。这一分区帮助鹰牌户外服装公司按照分区和地域特点设计产品组合，对每一分区的价格实施了更加有效地控制，实时将资源运送到了更有潜力的市场分区。
大数据分析还能够为每一分区制定优先发展的竞争要项。竞争要项对应着不同的企业运作要求。例如，低边际利润的商品将重心放在成本上，而高边际利润的商品则注重顾客服务。这就产生了不同的供应链结构、不同的供应商、交通运输、运营策略以及业绩标准。分析法则能够根据该分区内的竞争要项优化决策过程。例如，优化顾客服务的同时将成本控制在边际范围内，这也意味着企业必须集中力量。数据分析能够随着实时的门店或网络销售变动而为分区内的竞争要项进行专门的库存和定价调整，制造商能够自动调整生产线，提高效率，减少浪费。
第二步，联合企业及所有业务职能，为竞争要项提供支持。大数据及其分析的应用应该支持每一分区中的竞争要项，而不是随机实施，因为这会使企业得以集中优势，避免大海捞针。要达到供需平衡，还应该进行企业间的整合，像销售与运营计划这类程序就非常适合引入大数据分析，因为其本身利用的就是数据驱动，并且打破了多重部门壁垒。
最后，企业还应该运用战略型联合模型或关键绩效指标对绩效和产品进行评估。实现应用模型的“持续完善”在这一环节尤为重要，模型与分区和分区中的竞争要项之间应该存在一项为企业持续监控的反馈机制。模型用于完善分区过程， 将其竞争要项进行进一步联合。通过“全面质量管理”和“持续完善”，我们了解到最好最持久的供应链优化是一个渐进的过程。大数据分析能够在很大程度上促进这一过程的实现。例如，自动跟踪模型的推进，对失误及时作出预警等。
原文发布时间为：2015-12-15
本文来自云栖社区合作伙伴“大数据文摘”，了解相关信息可以关注“BigDataDigest”微信公众号
