供应链控制塔系列：如何分析供应链业务场景？

在全球化进程中，供应链网络日益复杂，企业与企业的竞争业已逐渐演变为供应链与供应链的竞争，在应对高度复杂性和更高端到端可见性等诉求之下，供应链控制塔受到更多关注和应用，本公号之前对供应链控制塔的基本定义和涵盖范围做了简要介绍，文后附链接。接下来将对供应链控制塔出系列文章，基于SCOR模型体系，系统讲述控制塔在不同的分析阶段、使用的不同的技术能力，不同的应用环节和对象、建立控制塔的渠道并结合案例等等这些方面综合讲述供应链控制塔。欢迎感兴趣的同行友人交流讨论。

本篇文章为开篇，我们从分析方法在不同阶段的体现做展开介绍，因为这其实是我们做任何数字化项目的建设的基础路径。

分析阶段深度与不同的技术场景

1.1 五个分析阶段

在大数据，智能化时代之下，分析工具日益增长的可用性等，将基于数据的分析带到新的阶段。托马斯 达文波特和珍妮 哈里斯在其《分析竞争》一书中（下附书籍链接），引入一个矩阵的思考维度，横轴将分析方法本身分为五个阶段，即描述性分析、诊断性分析、预测性分析、规范性分析和认知性分析五种。纵轴将不同的分析阶段对应到其在应用中的描述性的信息，将某一现象从基本的描述到原因追溯，到预测，再规定，最后到认知层面。

这五种分析方法通常是分阶段实现的，可以解决不同层面不同角度的问题，不过我们不能简单地说哪种分析方法比其他方法更好，无论在哪个层面，其都有对应的应用场景以支持决策。

1.2 举个供应链场景为例子

假设在某一个供应链业务部门，其日常会遇到的问题典型的例子就是供应短缺，满足不了客户需求。我们第一个要问的问题是，发生了什么？这是个描述性的分析，是哪个产品出现了交付不及时的问题；接着，下一个问题是为什么会交付不及时造成短缺？这个分析就涉及诊断性分析了；我们需要往深了查询，是哪颗子物料或者组装流程或者供应商排产比预期节奏晚了吗？当诊断出这个问题后，我们基本就可以判断由于这个问题的产生，后续的影响，接下来这种短缺会持续多久，预计何时会解决，这就到了预测性分析的层面了。然后，我们能做什么，有什么资源可以来改善这个预警到的问题呢，从而尽可能最优地平衡供需？于是，在这种优化措施的干预之下，我们会看到一个“修正”，一个我们期望的供应改善结果，这里称其为规范性分析；最后，达到智能程度的认知性分析，即试图学习到目前的供应链问题，采取的改善措施，这些路径所给予的信息、经验。基于此，可以发展比如基于AI的预测模型，从数据出发，到信息整合和相当程度的洞察。

上面结合一个供应场景的问题简要说明了当我们分析问题时，在企业想快速看到问题到寻找方案解决问题，以及回顾做lesson learned的时候，这其中所遵循的不同分析阶段的基本规律。可以想见，达到人工智能层级的状态，是我们一直说的数字化供应链所能实现的最优局面。而供应链控制塔在不同分析阶段的主要功能也会有所侧重，并且可以在不同的应用场景下将多个分析阶段的功能做融合。

1.3供应链控制塔在各分析阶段中的应用场景 

这几个阶段是基于使用的不同的技术能力做区分的，这里简单介绍如下6个典型的控制塔应用可能性：

• 数据实时智能连接: 实施获取数据用于商务过程监控，流程监控等

• 问题分析: 使用预测性、描述性的分析方法使得数据本身从反应型朝着预测型转变

• 影响分析: 理解某个预警信号的影响，从数字化本身的生态系统到公司业务中的供应链

• 场景建模: 对于不同的场景，提供合适的模拟模型做仿真，给定某个输入后预测可能的响应情况

• 协同响应: 在整个生态系统中互相连接，互相协作

• AI智能: 通过AI/机器学习等技术实现高度自动化

那么，从供应链控制塔出发，在不同的分析阶段之下，数字供应链所涉及的对应的技术趋势有哪些？下篇文章我们做展开介绍。

文中提及的《分析竞争》书籍链接：

参考文章：

How can supply chain technology leaders realize a control tower?-Gartner

The difference between descriptive, diagnostic, predictive & cognitive analytics- Eric Wilson