大数据分析在物流及供应链管理中的应用研究进展
来源:用户上传
作者:张雅琼 刘巧云 危思攀 胡宸 杨鹏
[摘要]随着数字时代的到来，Web 20以及Industry 40、物联网（Internet）等数字技术相继出现，物流及供应链管理领域中的大数据呈爆发式增长，大数据分析在物流及供应链管理中的应用研究也面临很大的挑战。文章运用文献综述的方式对于以往关于大数据分析在物流及SCM中应用的相关研究进行了总结，分别从大数据采集、储存、分析、应用、增值几个方面开展，并对大数据分析在应用中的问题以及未来的发展趋势提出了一些有效建议。
[关键词]物流;供应链管理;大数据;研究进展
[DOI]1013939/jcnkizgsc201928164
1引言
随着信息时代的到来，物流与供应链领域的数据数量和规模呈爆发式增长，其数据采集主要来源于以下几个方面：企业资源计划（ERP）系统，分布式制造环节，订单和装运过程，社交媒体反馈以及技术驱动的数据源如全球定位系统（GPS）、基于射频识别（RFID）的跟踪、移动设备、监视视频等。如何从大量的数据中挖掘出有价值信息，为企业降低成本、减少风险，帮助组织改进其供应链设计和管理是目前面临的一大问题。文章回顾并分类了大数据在物流及供应链管理应用的相关文献，根据大数据的五个特性——采集、储存、分析、应用、增值分别进行论述。
2供应链管理及物流中的大数据采集
21大数据采集面临的问题
在传统的供应链管理中，纸张和手工的数据采集方法得到了广泛的应用，但从这些方法中获取的数据具有不完整性、不准确性和不及时性的特征，因此，基于这些数据的决策通常是不合理的、不可执行的。同时，现代数据采集技术在服务以及制造业领域方面也存在一些挑战。首先，不同的采集器拥有不同的特定数据格式，这些格式通常是异构和不兼容的，在这种情况下，数据集成就会变得非常困难。例如，在商业服务中，当两个类似的公司试图合并他们的交易，数据不规范与不兼容将使其变成一项很困难的任务。其次，当需要同时采集大量数据时，系统如果由于信号碰撞和中央处理器容量有限而被困，对金融服务业和国家安全物流产业也会造成一定影响。
22大数据采集技术与应用
随着智能自动识别、物联网设备等数据采集技术的发展，越来越多先进的数据采集器被应用。这些数据采集器可以集成生物识别技术来区分各种用户，语音控制系统以及自适应机制使设备在不同的情况下更智能、更容易使用。对于服务业和物流業来说，移动智能数据采集器更为适合。因此，将物联网技术嵌入到手机或其他实物中是一个非常有意义的技术。例如，装有温度传感器和射频识别（RFID）标签的盒子可以放置在带有活动RFID的智能容器中，它能够识别每一个盒子，然后集装箱再由一辆装有物联网设备和全球定位系统（GPS）的智能车辆运载。随着尖端技术的飞速发展，智能的可穿戴设备有可能在不久的将来也应用于供应链中的各种数据采集。
此外，数据标准化也显得至关重要。因此，需要对不同行业的标准方、数据库供应商和操作系统供应商提供多种可选择的实施标准。银行、保险、医药和自动转运站等服务行业是有效施行客户信息采集标准模式的绝佳领域。只有抓住了建立各种标准数据模型的黄金机会，才能实现更便捷和更快的信息共享。同时，还需重视的一点是使用数据标准的并行采集模型，在先进的硬件设计和软件算法的帮助下，并行数据采集方法有望在一秒钟内处理一个TB的数据大小。这为IT公司提供了机会，使其可以在不久的将来找到新的并行机制或硬件设备，以便快速可靠地捕获数据。
3供应链管理及物流中的大数据存储
31大数据储存研究意义
数据采集设备的完善，使人们能够准确地采集物流及供应链领域中的数据，而庞大的数据群需要一个便捷高效的储存方法来进行存储管理。大数据存储的研究就是探索一种更有价值和效率的方式存储和管理数据集群，以下对目前已提出的一些大数据储存管理方法进行了归纳整理。
32大数据存储技术分析
Y Chan（2014）研究了在存储和处理的数据量呈指数级增长，从而导致从商品集群到超级计算机的各种系统聚集在一起的情况下，在分布式环境中采用新的、高效的并行编程方法。Chepstov，Alexey（2014）讨论了在云和高性能计算领域中使用的最先进的主要并行技术，并在一个测试型高性能计算集群的示例文本处理应用程序上对它们进行了评估。Junjie Chen等研究了固态硬盘在高性能计算机（HPC）系统中的布局和部署策略，希望最大限度地提高性能，并给出了一个实际的固定硬件预算约束，提出了一种模型方法。此项研究将有助于指导包括Exascale系统在内的当前和计划中的高性能计算机系统中的大数据应用的设计和开发。Mesnier（2013）提出了另一种大数据存储方法，这一方法基于对象的机制，即每个文件都有一个标识符，用于索引数据及其位置。对象存储系统能够扩展到一个非常大的容量，这样企业就可以利用大数据作为DNS在Internet上进行操作。
33大数据存储模式转换
Thomas Vanhove等提出了一个数据存储模式之间的转换框架。当使用规范化数据模型时，框架可以很容易地扩展到其他数据存储，框架在两个不同的层次上执行转换，它使用批处理层转换数据存储的快照，而速度层转换查询，将新的或更新的数据插入数据存储，在MySQL（关系型数据库管理系统）和Cassandra（开源分布式NoSQL数据库系统）之间给出了一个转换。作为概念证明，在转换时间和开销方面，展示了转换的正确性并提供了性能结果。
4供应链管理及物流中的大数据分析
41大数据分析技术
大数据分析是商业分析中的一个新工具，它需要一些技术来处理大量的数据集。这些技术主要用于识别趋势、检测模式和采集信息，它们能够为不同的应用程序提供一系列核心技术和解决方案。甲骨文高级分析（OAA）将强大的数据库内算法和开源R算法相结合，实现了预测分析、高级数值计算和交互式图形。SAP高性能分析设备（HANA）使用并行多核处理器技术管理庞大的数据库，从而提供关于客户移动和市场波动的各种预测分析解决方案。微软提供了一个完整的平台技术构建可视化工具，从庞大的数据集中发现规律，从而对大数据进行充分分析。IBM SPSS模型能提供可预测的智能分析，以帮助个人、群体、系统和企业做出决策。 42大数据分析实践
大数据分析的实践目前已经得到了广泛的报道，其主要目的之一是充分利用数据，在适当的时间为正确的用户提供“正确的数据”，不同的公司可以根据自己的具体情况和问题进行大数据分析。全球管理咨询公司麦肯锡公司利用大数据分析技术为各公司提供了一套丰富的服务，以实现可持续的业绩改善。例如，在金融领域，利用大数据分析，麦肯锡公司帮助小商业银行升级服务。总部位于西雅图的电子商务巨头亚马逊利用大数据分析技术对顾客的行为进行预测，以便在顾客做出购买决定之前将货物运到他们手中。英特尔最近采用了大数据分析来加速开发和部署具有数据驱动作用的可穿戴应用程序，将来自英特尔的许多工具和算法与基于云的数据管理系统集成在一起。大范围的数据分析实践正在进行，以改善客户关系管理，提高利润率，寻找潜在市场，并从服务和管理两方面进行各种预测。
ApacheMaout寻求为工业应用中的大规模和智能数据分析提供可伸缩和商业化的机器学习技术。这些知名行业的例子包括谷歌、亚马逊、雅虎、ibm、Twitter和Facebook。它们在工业项目中实现了可伸缩的机器学习算法。因此，它们的许多项目都有很大的数据问题，ApacheMahout提供了一个缓解巨大挑战的工具
ApacheMahout寻求建立一个充满活力、响应能力强、多样化的社区，以便不仅在项目本身，而且在潜在的用例中进行讨论。因此，它的核心算法包括聚类、分类、模式挖掘、回归、降维、进化算法和基于批处理的协同过滤，通过Map-Reduce框架在Hadoop平台上运行。因此，对ApacheMahout库的算法进行了较好的设计和优化，使其具有良好的性能和性能。它还包含了许多非分布式算法
5供应链管理及物流中的大数据应用
51大数据应用研究意义
大数据在物流与供应链管理中的应用对于正确做出供应链决策，降低企业风险，以及提高供应链灵敏度，减少成本等方面是十分有利的。随着数据采集与储存分析技术的日渐完善，大数据在物流和供应链管理中的应用研究也愈加深入。
52大数据在供应链决策中的应用
Basole和Nowak（2017）研究了跟踪技术在供应链中的应用，他们根据制度理论和交易成本，对影响跟踪技术同化的因素进行分析，这项研究的结果可以為参与在供应链中部署跟踪技术的决策者提供信息。
Yu等（2017）探讨了数据驱动供应链能力对中国制造公司财务绩效的影响，提出了一种基于结构方程建模的数据分析方法。研究结果表明，供应链合作伙伴之间的协调和供应链对市场需求变化的快速响应与组织较佳的财务业绩呈正相关。
Choi（2017）在社交媒体观察、需求预测更新以及具有有限理性的零售商的帮助下，评估了时尚的快速响应计划。Singh等人（2017）提出了一种大数据方法，用于分析来自Twitter的社交媒体数据，以及识别现有供应链和食品物流管理方面的问题。这项研究可以让决策者了解如何改进食品供应链和物流管理的各个环节。
53大数据在货运绩效评估中的应用
Flaskou M等人开发一种处理原始GPS数据的方法，并规定了货运性能指标，提出了两种估计双向链路速度和分析卡车行程的算法。
Arun Kuppam等人从两个方面进行了研究：一是货车GPS数据的处理;二是建立基于旅游的卡车模型，还讨论了这些离散选择模型的校准和验证。
Chen-Fu Liao在以往研究货运机动性和可靠性的基础上，开发了卡车GPS数据分析方法，根据行车路线、路段、时间等指标，推导出卡车的机动度、延误度、可靠性等指标，并对其进行统计分析。
Xia Yang等人提出了一种使用逐秒GPS数据的程序和方法，从流动性、燃料消耗和排放三个重要方面对城市货运绩效进行评估。
Qi Gong等人提出正则回归模型，获得所观察到的出行时间的最大可能化，同时也减少了速度估计中的额外波动，利用实际走廊环路检测器数据模拟的稀疏车辆定位数据，对模型的性能进行了评价，该模型能够恢复走廊的真实速度图。基于速度估计的链路行程时间的研究表明，该方法在基准链路行程时间分配上有了很大的改进，特别是在拥挤的地区或在速度差异很大的链路上。
6供应链管理及物流中的大数据增值
大数据增值是基于大数据的储存和分析之上的，这两个阶段可以提供巨大的价值，使人们能够作出明智的战略性决策，从而提高了应用速度和准确性。两者结合所形成的大数据战略应用增值，具有巨大的实用价值，为供应链管理和物流领域的发展提供更强大的支撑。
Geerts等人在《支持一系列数据架构中的多个视图的标准经济现象》一文中，定义了一个利用单个事物（对象）标识信息的可用性的本体。从一组本体论原语开始，逐步定义了结构化原则，这些原则为供应链系统的设计提供了指导，这些系统的特点增加了可视性和互操作性，并促进了供应链活动的管理和协作决策。
Richard Addo-Tenkorang等人在供应链架构中提出了一个高效和可持续的“大数据ii”框架，用于工业运营，以获得产业竞争优势和创新的连锁管理。Am等人从工业运作以及制造业供应链管理等方面全面讨论了再加工挑战。
Zhenyu Liu提出了用于性能测试的技术，该技术为大数据应用提供了测试目标分析、测试设计、负载设计。
7结论与未来研究建议
71结论
文章从大数据的采集、储存、分析、应用以及增值五个方面回顾了大数据在物流及供应链管理的相关文献和研究。大数据的不断发展在物流和供应链管理中展示出了巨大的价值和潜力。大数据日益成为各行各业需要考虑的主要企业组织力量，也是发现新的机遇和价值的重要途径，是企业和供应链管理者做出决策的重要依据。但是，大数据庞大的数量以及爆发式的增长速度，使其应用面临更大挑战。尽管应用领域有许多研究在尝试解决这些问题，但对大多数企业来说，及时有效地处理大数据仍然是一项庞大而又极其复杂的任务。
转载注明来源:https://www.xzbu.com/2/view-15060568.htm
