Chapter 3: Barriers to Implementation (1)

作者在前面的兩章說明了大數據對於未來供應鏈的重要性，但是許多企業還是無法由大數據得到效益。在這一章，她提出幾個挑戰以及障礙。

在挑戰方面，作者提到在一次訪談時，雖然將近八成的高階主管肯定大數據是未來的趨勢，並且有將近七成的受訪者計畫導入，但是仍有八成以上的高階主管對於導入成本與效益是有很大的疑慮。主要的疑慮來自於下面幾項：

1. 資料與資訊：企業是否已經具有好的業務流程，並且有基礎架構將分析的結果運用於決策上。不然無法收集到所需要的資料，也無法有效運用大數據分析的結果，得到效益。
2. 由客戶服務出發的業務驅動因子：大數據分析的效益很大部分是來自於提昇對客戶的服務水準，但是有很多企業是著重於改善作業效率，如何將改善作業效率與客戶服務連接起來是採用大數據之前要思考的。
3. 如何整合獨立的資訊系統：過去導入複雜的資訊系統產生了許多獨立的資訊系統 (silos)，如CRM, SRM等。而大數據分析需要整合所有的資訊來進行分析，因此如何將這些資訊孤島連接起來將是最大的挑戰。
4. 產銷規劃 (sales & operations planning)：之前我也稍微提過產銷規劃的重要性，而作者更提到S&OP過程中需要整合許多的資訊、進行分析，作為決策的依據，因此執行S&OP的能力某種程度反應了該企業對於數據分析的能力。回應到第一點，如果沒有辦法有相關流程來運用分析結果，自然無法得到效益。

作者提到這四點挑戰，然後她歸納成三大障礙，看來很像老生常談，但是這也是為什麼許多企業過去在導入資訊技術失敗的原因。如果企業無法體認這三障礙並且想辦法克服，對於大數據運用大概也僅於趕流行而無法得到效益。這三個障礙適用於所有的資訊技術：

• 科技、技術、系統 (technology)
• 人員 (people)
• 流程 (process)

科技：

• 系統升級 (upgrade system)：為了引進大數據分析，無庸置疑的是企業需要對資訊技術進行升級，但是企業必須先就自己的需求出發，然後仔細盤點既有的資訊系統，然後找到不足的地方，導入適合的系統。

• 舊系統 (legacy system)：舊系統是最常見的障礙。過去為了解決一些業務問題會建置資訊系統，而一段時間下來就產生了許多獨立存在的系統，互相之間也沒有整合溝通。因此導入資料分析的系統時，就會因為這些根本架構的問題無法得到原本期望的效益，進而讓企業更懷疑所謂大數據的效益而更猶豫於相關投資。

• 資料的取得：供應鏈上的活動產生大量的資料，而大部分的組織並無法取得他們決策所需的資訊。作者提到：「可用的資訊」將成為重要的競爭資產。幾年前，我們也提過所謂「供應鏈可視度」，也就是即時提供所需的資訊。大部分的企業到目前為止還是有取得這些即時資訊的困難。如果將供應鏈延伸到供應鏈夥伴，則取得資訊更是困難。台灣在代工的架構下，僅僅因為下游客戶的需求，被動提供資訊，卻鮮少主要要求上游提供資訊，自然也就無法進行分析取得決策所需要的資訊。除了收集自己所產生的資料、要求供應鏈夥伴提供外，還有些資訊必須向外購買，例如市場資訊，未來購買資料應該也會慢慢被接受。

人員：

• 高階主管的認同：企業領導者無法了解分析可以為企業帶來的競爭力，所以相關IT投資被視為鉅額成本，企業領導者不願意投入。除非領導者具有願景，了解分析可以帶來的優勢，主導變革轉型，將企業帶向「分析導向企業」，否則不可能獲得成功。

• 分析人員：企業缺乏分析人才 (talent)。作者認為招募、訓練或是與學校合作都是方法，但是企業必須推動以「分析結果」為決策依據的文化，讓所有員工了解分析對於日常作業的相關性，進而主動了解、學習相關分析技術，才能真正轉化整個組織。

• 文化：組織必須認同「分析」導向的作法，整個組織員工都有此信念，支持、持續這樣的改革。而其中企業領導者必須扮演重要的領頭角色。

流程：

• 充分利用資訊系統進行業務決策：許多公司為了因應這股風潮，大筆投資於IT系統，並且雇用分析專家，但是如果缺乏業務流程來串連，終究還是會以失敗收尾。過去在導入APS的經驗裡，常常發現作業人員不願意信任IT系統，還是以自己的「經驗」來進行決策，並非將IT系統整合於業務流程中，以IT系統支援業務決策。相似的心態也會讓大數據分析的導入失敗。因為「人」與「系統」相互獨立，系統無法幫助人進行業務活動，將淪為一個可有可無的工具。

• 整合業務流程：分析的效益來自於跨不同業務功能的整體分析，在供應鏈上S&OP就是一個最典型的整合業務，它需要銷售、研發、行銷、生產、採購等跨部門的整合分析與決策。如果各業務功能部門獨立運作，以傳統接力賽型態來作業，自然就無法發揮整合分析的成效。

• 激勵 (incentive)：人類的本能都是抗拒任何的改變，所以只有設計相關的激勵方案才能讓員工願意擁抱改變。

第三章待續...

Chapter 2: Transforming Supply Chain

雖然作者還是把供應鏈分成買 (buy)、做 (make)、運 (move)以及賣 (sell)四大功能，但是她仍強調供應鏈不是一段段的流程，是一個「系統」，所以必須要以整體優化的角度來看，否則是無法得到綜效。

供應鏈策略是主導供應鏈運作的規劃 (可以參考我之前討論供應鏈策略的部份)，作者認為供應鏈策略應該跟兩個部分連結：供應鏈網絡設計 (supply chian network)以及資訊科技策略(information technology, IT)。

所謂供應鏈網絡設計是指實體供應鏈 (工廠、配銷中心...)的設計與規劃，在所有供應鏈的教科書也都會講這塊，但是可能因為台灣幅員小，這部份並不是很受重視，加上代工的型態為主，很多企業也都是以客戶為主，逐客戶而居。

供應鏈管理最主要的部份就是資訊，所以如何有效收集、分析資訊是供應鏈管理相當重要的課題 (再講一次：但是不是僅僅只是APS而已)。蘋果CEO Tim Cook在掌管Apple供應鏈時，他最早做的事情就是進行資訊整合，讓他能夠即時掌握供應鏈資訊。加上大數據後，有更多的資訊必須去收集、分析、解讀，因此如何運用IT是供應鏈管理成功的必要條件。

因為供應鏈是一個系統，所以僅專注於任何一個業務功能是無法得到成效，必須將整體系統端到端 (from sourcing to sell) 整體思考，才能得到大數據的成效。其次，過去的技術讓我們僅僅能進行有限的分析，所以才有aggregated planning的發展，但是透過大數據分析的技術，企業可以將過去分析的模型與方法drill down到SKU (stock keeping unit)、到單獨客戶 (individual customer)層級，得到更好的決策依據。而相對的，正因為是整體跨buy, make, move, sell系統的活動，其資料量非常龐大，也正好是大數據的範疇。在領先企業，如Amazon、P&G等等公司都是透過大數據應用管理整體供應鏈，才打造出領先的能力。

總結來說，只有體認供應鏈是一個「系統」，以整體概念來思考規劃大數據分析應用，才能真正得到供應鏈轉型的成效。

後話：

前幾年曾研究過系統動態 (system dynamic)這個概念，簡單的說主要概念就是因為一個系統裡因為時間的遞延，所以因果 (cause-effect)不是立即呈現，所以如果沒有辦法以一個動態系統的概念來思考，對於系統的改善是沒有效果的。例如：公司想要降低庫存，所以就去檢討庫存水位，而規劃人員、採購就會改變行為模式，專注於物料採購，一段時間後，可能慢慢把庫存降低了，但是或許造成訂單延遲交貨、斷線等結果。供應鏈裡面有名的長鞭效應 (bullwhip effect)其實也是系統動態的著名例子。

系統動態這個觀念可以用來解釋很多問題，如經濟、政治...有興趣的人可以去看看。幾年前有一本書叫「第五項修煉」，其實也是說明系統動態的概念。

讀書心得 Big Data Driven Supply Chain Management: Chapter 1 Game Changer

新的競爭已然來到，沒有辦法跟上這個潮流的企業會逐漸落後，而由市場上消失。新的競爭是來自於大數據，但並僅僅是大數據而已，而是大數據加上分析所產生的商業智慧 (intelligence)。

其實過去企業也進行不同的分析，但是過去的資料量受限於技術數量有限，但是因為移動裝置的普及、雲端服務、摩爾定律所說明的電腦運算能力成本的降低，大幅提昇資料量 (變成big data)，所以可以透過相同分析所得到的資訊更多了，所以企業可以更好的進行決策，因此能夠透過大數據分析改善決策品質的企業將比它的競爭者有更好的優勢。

其次，現在由B2B逐漸轉成B2B2C，因此直接對消費者的行銷 (shopper marketing) 會愈來愈重要，因為能夠掌握消費者的企業會有更高的優勢。這不是只是品牌公司才需要的，配銷、零售也需要知道消費者喜好 (看Amazon就知道了)，而台灣ODM/OEM這些企業也都要掌握它客戶產品的狀況，不然就會繼續在砍單、急單中循環。但是消費者的資訊何其多，自然就是要透過大數據分析的能力，才能得到其中的智慧。

台灣的企業有多少已經有所體認？我們是不是能夠扮演推動這個趨勢的力量？還是要等到大陸或其他競爭國家造成我們競爭力落後才能夠感受到威脅？

工業4.0下的供應鏈運作

前一篇稍稍談了一下工業4.0、物聯網、大數據以及供應鏈，就讓我天馬行空一下想像一下在這樣情境下供應鏈的運作會變成如何。

所有的生產線都是多工並且可以彈性調整生產作業，因此生產途程 (routing)也不需要預先定義，而物料表 (BOM)也沒有固定的幾個選擇而已。

在長期規劃時，透過市場資訊、消費者行為變化，預估需求趨勢，並且根據企業的策略目標進行產能、物料的準備。同時根據需求趨勢變化、市場供需狀況，進行定價分析，以提出一個最好的價格。對於採購成本，則是根據物料採購趨勢，預估採購價格變化，進行彈性採購來降低物料成本。

當客戶下單時，根據客戶需求立即進行分析，根據目前產能負荷、機台能力等選擇最適合的生產途程，同時也根據需求立即展出物料需求並與庫存進行確認，如果目前庫存不足以滿足數量，則選擇最符合需求的供應商向它下採購單。然後根據這些結果回覆客戶預計交期。

當進行生產時，根據目前生產狀況與進度，確認下一站工序的相關資源，選擇適合的機台安排生產；如果生產狀況發生意外，則立刻進行替代方案的分析與選擇，期望維持對於客戶的供給承諾。

未來透過物聯網即時收集資訊，以及其他來源的資訊整合 (社群、internet、是市場資訊)、大數據分析、江河運算等技術，企業的供應鏈變成一個變形蟲似的運作，隨時根據「資訊分析」變化，來適應外界所有的變化，公司應該會像Stark一樣透過一個控制中心，監控所有活動，並且透過即時分析，由電腦建議行動方案。這個未來應該不遠了，只是哪個企業會是先行者？

我認為先行者將大幅拉開競爭優勢，而且讓追隨者無法跟上，這樣的數位革命下，me2的思維與作法應該沒有辦法超越，甚至連打平都很費力。因為整體的精髓都在分析能力，而分析能力並不是一個可以複製的能力，因為所有企業的情境都不同，相同的分析模式並無法直接套用在不同企業，必須進行一些修正與調整，而這並非可以「複製」的。就像火工頭陀僅能學到外功，而內功是無法靠觀察複製而來的。

工業4.0、物聯網、大數據與供應鏈管理

天下雜誌最近提到由德國所提出的工業4.0概念，個人的解讀就是工廠運作是透過生產線的即時資料回饋立即進行調整、修正，讓整體生產效率最佳。

工業4.0需要透過物聯網的技術來實現，也就是所有的東西都要能夠互相連結：機台要回復生產參數以及生產過程的變化、檢驗機台要回復檢驗結果、輸送帶要回復運送狀況...等等，因此這些「東西」 (things) 都透過網路將資訊大量傳回來。而這些資料透過大數據分析的技術進行分析，以得到可執行的行動方案，然後再指示、修正生產線繼續生產。

在工業4.0下，人將由「操作者」逐漸變成「監督者」，監督生產線的狀況而僅僅在需要的時候介入調整，否則生產線將可以自主作業。

再者，因為產業變化、技術進步、個人化需求增加，在工業1.0, 2.0時所追求的經濟生產批量可能會逐漸變小，而慢慢的變成批量=1的生產型態。透過資料分析可能提早預估批量變化，彈性調整批量，甚至以1為單位來生產。

在這樣的作業型態下，供應鏈管理將天翻地覆，過去我們所熟悉的管理模式將不再適用。以前透過交易資料 (transaction data) 進行分析、規劃而管理的模式將被改變，工業4.0時代將以立即的資訊進行江河運算 (stream computing)，而即時透過現況立即反應。因此當一筆交易資料 (如生產工單) 收集進來時，生產線可能都已經經過數次的修正與改變了；而供應鏈規劃更不再是透過交易資料來進行批量式規劃 (batch planning) ，而是隨時隨地根據生產線變化即時調整反應，也就是由「週期性規劃」變成「即時反應」了。未來在工業4.0後，無法做到sense & respond的供應鏈將會居於劣勢了。

巨量資料與供應鏈管理

因為物聯網等科技的發展，未來幾乎所有的物件都可以將現況的資訊即時上傳到雲端，例如：運送的卡車目前的位置、倉庫庫存的即時資訊、生產機台目前的狀態與產出...所以未來整體供應鏈上的資訊將會是愈來愈即時，但是也愈來愈巨量。

因此過去以批次化進行規劃、決策的模式將不會再繼續，而且會慢慢被淘汰；我相信取而代之的將是一種適應化 (adaptive) 的模式，也就是根據巨量資料分析的結果並參考使用者預先設計的邏輯調適供應鏈運作，以達到滿足客戶需求的目的。未來使用者的主要工作將會是調整適應邏輯讓整體運作效率最高，而非像現在一樣是根據規劃結果進行判斷、決策，然後再執行。

不過困難的是，這樣的分析與適應可能需要跨企業才能發揮最大的綜效。因此水平分工的產業型態比較起垂直整合完整的大型企業來看，後者在於整體供應鏈適應調整的機制與速度可能會比前者較有優勢。前者可能因為商業競爭考量，不願意分享部分資訊，因此在分析時會因為缺乏某些資訊造成偏頗，而採取不夠周全的對應方式。

如果要能夠真正統合供應鏈上的資訊，達到以巨量資料分析打造適應化供應鏈，可能需要先將需要統合的資訊標準化，整合供應鏈的所有成員提供相對的資訊，然後將分析結果、適應的邏輯都能夠透明公開提供給這些成員查詢，並且讓所有成員能夠分享到好處。

這可能是一個烏托邦式的想法，但是相信未來應該會有企業或產業會慢慢的往這個方向前進。