远离数据困难的五种原因分析

您是否经常感觉自己被大量数据淹没? 在当今海量数据的工作环境中,这是许多供应链专家们非常熟悉的一种感觉。

或者,您也许没有意识到,您正在处理的数据量可能已经超过了实际需要的量。 在数据来源和数据点的数量似乎呈指数级增长的情况下,这是一个常见的陷阱。

不管怎样,过量的数据可能会扰乱决策过程,并且会让您更难查明有损货运网络效率的问题根源。 实际上,虽然先进的运输管理系统 (TMS) 解决方案能够显著提高分析能力,但过量的数据会让您无法充分利用它的优势。

数据激增的原因有很多,但根据我们的经验,其中有五大原因与物流领域的关联尤为密切。

职能错位。 数据不符合职能团队的具体需要。 例如,运输部门需要监控按时交付率和周转次数等多项指标,而采购部门需要依靠不同的度量组合。 不恰当的指标产生的数据流很容易让分析人员陷入泥沼。 支持一整套主要绩效衡量办法的二级指标也是如此。 应注意建立基于角色的指标,力求清晰并且符合总体战略。

目标不当。 设定不切实际或不恰当的绩效目标很容易导致数据分析困难。 比如说 98% 的按时交付绩效目标,只要在谨慎考虑市场情况及实际业务能力后已经达到过这个数字,就没有任何问题。 简单地凭空指定一个数字,几乎肯定会产生不必要的支持数据。 可以考虑建立一个跨职能团队,将客户预期和您的工作重点与绩效目标统一起来。

主题多变。 目前,似乎有无数的方法可以用来划分和切割数据。 一方面,这对于分析工作有巨大的益处;而另一方面,过多的选择往往使用户在整理报告时纳入大量多余或重复的内容。 应为相关各方统一数据分类方法和用于计算各种指标的方法。 例如,按时交付率可以通过多种方法来计算,包括按分钟、一刻钟或一小时的窗口计算,以及按天计算,或按照“提前一天算延迟”的标准计算。

组织割裂。 在实施 TMS 时,常规做法是系统提供商与托运人一起沟通确定企业需要哪些类型的数据。 但是,当需要使用 TMS 的站点跨越多个国家/地区时,这项工作就变得极具挑战性。 这种情况下,确定每个站点的数据需求会耗费更多时间,而 TMS 可能会在完成这个过程之前就上线。 可以计划建立跨站点的标准化记分卡,并利用基于角色的指标来实现清晰性。

缺乏了解。 TMS 商业智能 (BI) 工具在范围和成熟度方面都已得到迅猛发展,为用户提供了五年前尚不存在的分析能力。 但要跟上这些发展的节奏可能会比较艰难,而且有些工具可能并未得到正确使用,或者未发挥出全部的潜力。 例如,用户可能会因为没有利用到 BI 工具的所有功能而承担着超出实际需要的繁重分析任务。 可从简单功能入手,将来再逐步整合更多复杂功能。

这个列表并不详尽,但只要解决这些问题(或解决其中几个问题),就能清楚把握数据重点,而这是有效决策的根本。

如果您目前缺乏有关货运网络绩效的数据,并且希望填补这一空白,了解这些问题将有助于您避开过多实际上并不需要的数据。 或许您可以采取托管 TMS 的形式,将大部分数据管理任务外包给第三方提供商。

如何避开数据分析瘫痪的陷阱,可以总结为一条重要建议: 理解您的物流战略是什么,以及企业在技术和人员方面的能力,并确保您的指标与所有这三项内容匹配。

Glenn Koepke — 运营总监