随着供应链变得越来越复杂，必须采用更好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，将彻底变革企业市场边界、业务组合、商业模式和运作模式等。
　　第三产业供应链协同应用市场进入空间较大，尤其以医疗、金融、电子商务等细分领域需求较高。第二产业供应链协同市场成熟度逐步提高，尤其以物流、汽车、零售、公共事业为主要领域，供应链协同数据将起到市场升级的核心驱动作用。
　　无论是第三产业，还是第二产业，到底如何应用大数据？
　　1、预测：精确的需求预测。需求预测是整个供应链的源头，整个市场需求波动的晴雨表，销售预测的灵敏与否直接关系到库存策略，生产安排以及对终端客户的订单交付率，产品的缺货和脱销将给企业带来巨大损失。企业需要通过有效的定性和定量的预测分析手段和模型并结合历史需求数据和安全库存水平综合指定精确的需求预测计划。
　　如汽车行业，在应用SAS分析平台进行精准预测后，可以及时收集何时售出、何时故障及何时保修等一系列信息，由此从设计研发、生产制造、需求预测、售后市场及物流管理等环节进行优化，实现效率的提升，并给客户带来更佳的用户体验。
　　2、资源获取：敏捷、透明的寻源与采购。为新产品、优化成本而寻找新的合格供应商满足生产需求；同时，通过供应商绩效评估和合同管理，使采购过程规范化、标准化、可视化、成本最优化。
　　3、协同效率：建立良好的供应商关系，实现双方信息的交互。良好的供应商关系是消灭供应商与制造商间不信任成本的关键。双方库存与需求信息交互、VMI运作机制的建立，将降低由于缺货造成的生产损失。采购订单与生产订单通过各种渠道快速、准确的反应能力在当前集团化、全球化，多组织运作的环境下尤为重要。订单处理的速度在某种程度上能反应出供应链的运作效率。
　　4、供应链计划，与物料、订单同步的生产计划与排程。有效的供应链计划系统集成企业所有的计划和决策业务，包括需求预测、库存计划、资源配置、设备管理、渠道优化、生产作业计划、物料需求与采购计划等。企业根据多工厂的产能情况编制生产计划与排程，保证生产过程的有序与匀速，其中包括物料供应的分解和生产订单的拆分。在这个环节中企业需要综合平衡订单、产能、调度、库存和成本间的关系，需要大量的数学模型、优化和模拟技术为复杂的生产和供应问题找到优化解决方案。
　　5、库存优化。成熟的补货和库存协调机制消除过量的库存，降低库存持有成本。通过从需求变动、安全库存水平、采购提前期、最大库存设置、采购订购批量、采购变动等方面综合考虑，监理优化的库存结构和库存水平设置。
　　6、物流效率。建立高效的运输与配送中心管理，通过大数据分析合理的运输管理、道路运力资源管理，构建全业务流程的可视化、合理的配送中心间的货物调拨以及正确选择和管理外包承运商和自有车队，提高企业对业务风险的管控力，改善企业运作和客户服务品质。
　　7、网络设计与优化。对于投资和扩建，企业从供应链角度分析的成本、产能和变化更直观、更丰富也更合理。企业需要应用足够多的情景分析和动态的成本优化模型，帮助企业完成配送整合和生产线设定决策。
　　8、制造业各行业管理特点突出，在供应链管理上呈现行业管理差异。如汽车行业重点关注准时上线和分销环节、食品饮料行业关注的重点在冷链及配送环节、服装行业的供应链管理重难点在消灭链条上高库存等等。
　　9、风险预警，在大数据与预测性分析中，有大量的供应链机会。例如，问题预测可以在问题出现之前就准备好解决方案，避免措手不及造成经营灾难。还可以应用到质量风险控制，如上海宝钢，其生产线全部实现流水化作业，生产线上的传感器可获得大量实时数据，利用这些可以有效控制产品质量。通过采集生产线上的大量数据，来判断设备运营状况健康状况,对设备发生故障的时间和概率进行预测。这样企业可由此提前安排设备维护，保证生产安全。
　　大数据将用于供应链从需求产生，产品设计到采购、制造、订单、物流以及协同的各个环节，通过大数据的使用对其供应链进行翔实的掌控，更清晰地把握库存量、订单完成率、物料及产品配送情况等；通过预先进行数据分析来调节供求；利用新的策划来优化供应链战略和网络，推动供应链成为企业发展的核心竞争力。
　　大数据能给供应链带来什么好处？
　　供应链管理大数据应用产业目前正处于起步期，未来2年将快速发展。有深度行业积累的供应链协同数据平台将是未来2年资本主要进入的领域。据产业市场研究与分析公司IndustryARC的详细研究，2012年全球大数据市场规模约为69.3亿美元，2013年增长一倍至122.1亿美元左右。预计该市场到2018年将达到404亿美元，2013-2018年的CAGR约为31.4%。
　　这么大的投资规模，到底能带来哪些价值呢？
　　1、库存优化。比如，SAS独有的功能强大的库存优化模型可以实现在保持很高的客户满意度基础上，把供应成本降到最低并提高供应链的反应速度。其库存成本第一年就可下降15%～30%，预测未来的准确性则会上升20%，由此带来的是其整体营收会上升7%～10%。当然还有一些其他的潜在好处，如提升市场份额等。此外，运用SAS系统，产品质量会得到显著提升，次品率也会因此减少10%～20%。
　　2、创造经营效益，从供应链渠道，以及生产现场的仪器或传感器网络收集了大量数据。利用大数据对这些数据库进行更紧密的整合与分析，可以帮助改善库存管理、销售与分销流程的效率，以及对设备的连续监控。制造业要想发展，企业必须了解大数据可以产生的成本效益。对设备进行预测性维护，现在就具备采用大数据技术的条件。制造业将是大数据营业收入的主要来源。
　　3、B2B电商供应链整合。强大的电商将引领上游下游生产计划-下游销售对接，这种对接趋势是上游制造业外包供应链管理Supply-Chain，只专注于生产Manufacturing，ProductionChain(R&D)。物流外包上升到供应链外包是一个巨大的飞跃，体现了电商的强大竞争力和整合能力，海量数据支持和跨平台、跨公司的对接成为可能。B-B供应链整合具有强大的市场空间，能够改善我国产业布局、产业链优化、优化产能分配、降低库存、降低供应链成本、提高供应链效率。
　　4、物流平台规模发展，B-C商业模式整合已经成为现实，但是物流执行平台的建设是拖后腿的瓶颈。多样产品的销售供应链的整合有很大的技术难题，如供货周期、库存周期、配送时效、物流操作要求等，这样的物流中心难度很大，大数据平台建设将驱动整体销售供应链整合;中国的还有的现实问题跨区域物流配送、城乡差异等，政府的管制是一大难点/疑难杂症，大数据平台有助于政府职能调整到位。
　　5、产品协同设计，过去大家最关心的是产品设计。可是现在，在产品设计和开发过程中，相关人员相互协同，工厂与制造能力也在同步设计和开发中。当前的压力在于向市场交付更具竞争力、更高配置、更低价格、更高质量的产品，而同时满足所有这些要求，是制造和工程企业的下一个重大的价值所在。这也正是大数据的用武之地。
　　企业如何部署大数据？
　　要让数据发挥价值，首先要处理大数据，要能够共享、集成、存储和搜索来自众多源头的庞大数据。而就供应链而言，这意味着要能够接受来自第三方系统的数据，并加快反馈速度。其整体影响是增强协同性、加快决策制定和提高透明度，这对所有相关人员都有帮助。传统供应链已经在使用大量的结构化数据，企业部署了先进的供应链管理系统，将资源数据，交易数据，供应商数据，质量数据等等存储起来用于跟踪供应链执行效率，成本，控制产品质量。
　　而当前大数据的概念则超出了传统数据产生、获取、转换、应用分析和存储的概念，出现非结构化数据，数据内容也出现多样化，大数据部署将面临新的挑战。
　　针对如今所生成、传输和存储的海量信息进行简单处理所带来的挑战。当前，数据量呈爆炸式增长，而随着M2M(机器对机器的通讯)的应用，此趋势仍将持续下去。
　　但是，如若能够解决这些挑战，将可以打开崭新的局面？核心在两个方面：
　　1、解决数据的生成问题，即如何利用物联网技术M2M获取实时过程数据，虚拟化供应链的流程。通过挖掘这些新数据集的潜力，并结合来源广泛的信息，就可能获得全新的洞见。如此，企业可以开发全新的流程，并与产品全生命周期的各个方面直接关联。与之集成的还有报告和分析功能，为流程提供反馈，从而创建一个良性的强化循环。
　　以SiemensPLMSoftware为骨干，并以Teamcenter这样的技术平台为核心，企业便可以设想出整个集成实施情景。在此情景下，由于客户、用户、设计和测试提出的所有需求和反馈都能被反馈至开发环节，因此实现安全管理的大数据便成为变更和竞争优势的催化剂。由设计部门向仿真部门提出仿真要求，仿真部门将结果反馈给设计部门，然后再传至供应链、制造、包装和物流部门，从中我们看到了一个基于大数据的良性循环的诞生。
　　2、解决数据应用的问题，如何让供应链各个价值转换过程产生的数据发生商业价值，是发挥数据部署的革命性生产力的根本。大数据在供应链的应用已经不是简单的交易状态可视，支撑决策库存水平，传统ERP结构是无法承担的。因此企业必须重新做好数据应用的顶层设计，建立强大全面的大数据应用分析模型，才能应对复杂海量的数据如何发挥价值的挑战。
　　大数据在供应链领域的应用刚刚起步，随着供应链的迅速发展，大数据分析，数据管理，大数据应用，大数据存储在供应链领域蕴含巨大的发展潜力，大数据的投资也只有与供应链结合，才能产生可持续、规模化发展的产业。