供应链大数据分析及应用
供应链大数据分析及应用，传统模式下，企业的供应链是“链式”运作，随着经济的发展变化为数字供应链，数字化供应链的本质是“供应链管理”+“数字化”，下面来详细了解供应链大数据分析及应用。
供应链大数据分析及应用1大数据供应链其实是将供应链以数据进行管理。更多的是把供应链中的各个业务系统通过数据去打通，然后让这些数据彼此有所关联。
你能够发现他们之间的关系，从而对于生产环节中的物料、生产、物流进行更好的掌控，从而提高流转效率，降低成本。
我举个格力电器（芜湖）的实际应用案例。
他们数据分析的应用有4个方面：物流分析、运营效率监控、生产线监控、质量控制。
一、物流分析
通过监控大屏分屏去实时监控业务运转情况，哪个环节出问题第一时间在仪表盘预警，信息有效及时；
监控库存中每个仓位中物料比例及存量。
二、运营效率监控
监控订单数量完成比例、拣选进度、订单齐套数量及比例；
监控生产车间里各生产机组的生产效率、下线比例。
三、生产线监控
通过MES和MPR采集的系统数据，连接Yonghong Z-Suite进行实时的多维分析。
例如，物料齐套检查这项工作，以前需要点对点针对相关人员进行排查，而现在检查的结果是在分析平台实时展现，指标体系更可以根据情况灵活调整，IT人员的工作效率提升了30%以上。
大数据的质量
企业在进行大数据分析时，需要考虑数据的质量问题。低质量的数据不仅会影响企业的决策，甚至还可能导致企业产生损失。事实上，数据的有用性取决于数据质量，随着大数据重要性的跃升，对高质量数据的需求也增加了。
虽然现在对于数据质量评价还没有统一标准，但是大家一致赞同数据质量评价应包含多个维度指标。指出数据质量的评价应包括数据内在（Intrinsic）要求和情境（Contextual）要求。内在要求指数据本身所具有的客观属性，包括数据的准确性、及时性、一致性和完整性。
情境指数据的质量依赖于数据被观察和使用的情境，包括关联性（Relevancy）、价值增值性（Value-added）、总量（Quantity）、可信度（Believability）、可及性（Accessibility）、数据声誉（ReputationoftheData）。
