大数据的成长之痛 附供应链数据分析最佳实践流程
大数据数据分析方法数据处理流程实战案例
大数据数据分析方法数据处理流程实战案例数据分析方法和数据处理流程可以从以下几个方面进行实战案例的介绍。
1.数据收集：数据的收集是数据分析的第一步。
收集数据的方式可以多种多样，可以是从企业内部获取的，也可以是来自外部渠道的。
例如，一个电商企业可以通过自己的网站收集用户的浏览记录、购买记录等数据。
另外，也可以从社交媒体、调研报告、公开数据集等渠道获取数据。
数据的收集过程需要根据实际情况确定。
2.数据清洗：数据清洗是将原始数据中的噪声、错误和不完整的信息进行处理的过程。
数据清洗包括数据去重、缺失值处理、异常值处理等步骤。
例如，在进行用户分析时，如果用户ID有重复的情况，需要将其去重；如果一些字段有缺失值，可以使用插值法进行填充。
数据清洗的目的是为了保证数据质量，提高分析的准确性和可靠性。
3.数据预处理：在进行数据分析之前，需要对数据进行预处理。
数据预处理包括数据标准化、数据变换等步骤。
例如，对于量纲不统一的数据，可以通过数据标准化将其转换为标准化值，以消除不同变量之间的量纲影响。
另外，还可以对数据进行降维处理，以减少特征的数量并提高模型的速度和准确性。
4.数据分析方法：数据分析方法包括统计分析、数据挖掘、机器学习等。
统计分析是通过统计学方法对数据进行描述和推断，以发现数据的规律和关联。
数据挖掘是通过从大量数据中寻找模式、关联和趋势来发现潜在的知识。
机器学习是利用算法和模型来对数据进行训练和预测。
不同的数据分析方法可以根据具体问题和数据特点进行选择和应用。
5.数据可视化：数据可视化是将分析结果以图表、图形等形式展现出来，以帮助人们更好地理解数据和分析结果。
数据可视化可以通过直方图、饼图、散点图等方式进行展示。
例如，在进行销售分析时，可以使用柱状图来展示不同产品的销售额，以便于对比和分析。
数据可视化可以使数据更加直观和易于理解，提高决策的效果。
通过以上的数据处理流程和数据分析方法，可以进行大数据数据分析的实战案例。
供应链大数据分析的应用案例与经验
供应链大数据分析的应用案例与经验随着互联网的快速发展和技术的不断进步，大数据已经逐渐成为各个领域的关键技术和资源。
在供应链领域，大数据分析的应用也受到了越来越多企业的关注和重视。
通过对供应链中的各个环节进行数据采集、处理和分析，企业可以更好地了解和掌握供应链运作的情况，从而优化业务流程、提高效率和降低成本。
本文将通过介绍几个具体的应用案例，来分享一些供应链大数据分析的经验和启示。
案例一：预测需求，优化库存管理在传统的供应链运作中，企业通常需要通过历史销售数据和市场情报来预测产品的需求量，从而进行库存管理和采购安排。
然而，这种方法往往存在着准确性低、滞后性强的问题。
而通过大数据分析，企业可以借助先进的预测模型和算法，结合历史销售数据、市场趋势和其他相关指标，对产品需求进行更加准确和及时的预测。
以某电子产品公司为例，通过对过去几年的销售数据进行分析，结合天气、节假日和促销活动等因素的影响，该公司成功构建了一个预测模型。
这个模型将帮助该公司准确预测未来几周甚至几个月的产品销售情况，并据此优化库存管理和采购计划。
通过将供应链上下游的数据进行整合和分析，该公司实现了库存周转率的大幅提升，同时减少了库存积压和滞销产品的风险。
经验一：合理利用外部数据源大数据分析并不仅仅局限于企业内部的数据，通过合理利用外部的数据源，如市场数据、天气数据和社交媒体数据等，可以为预测和决策提供更加全面和准确的信息。
在构建预测模型时，可以尝试不同的数据组合和算法模型，以寻找最优的方案。
案例二：提高供应链可视化程度供应链中的各个环节之间存在着复杂的关系和依赖，企业要想全面了解和把握供应链的运作情况，传统的手工记录和报表分析已经无法满足需求。
而通过大数据分析，可以将供应链中涉及的各类数据进行整合和分析，实现供应链的可视化管理。
某零售企业的供应链部门通过建立一个供应链数据仪表盘，并实时更新供应链的各项指标和关键数据。
通过这个仪表盘，企业的管理层可以直观地了解到每个环节的运作情况，发现问题和异常，并及时采取措施进行调整和优化。
供应链分析实战指南利用数据分析优化供应链效率
供应链分析实战指南利用数据分析优化供应链效率供应链分析实战指南：利用数据分析优化供应链效率一、引言在如今全球化的商业环境中，供应链的高效运作对企业和组织的成功至关重要。
为了确保供应链的顺畅、高效运转，企业需要采用科学的方法和策略来进行供应链分析，并利用数据分析技术来优化供应链效率。
本文将介绍供应链分析的实战指南，帮助企业和组织提升其供应链性能并取得竞争优势。
二、数据收集与整理在开始供应链分析之前，首要任务是收集和整理相关数据。
这些数据可以涵盖供应链中的各个环节，如供应商信息、物流运输数据、库存管理等。
通过收集和整理这些数据，企业可以建立起供应链的完整数据集，并为后续的分析提供可靠的依据。
三、供应链目标设定在进行供应链分析之前，企业需要明确其目标和期望。
供应链目标的设定应该与企业的整体战略和目标相一致，并具备明确的量化指标。
例如，企业可能希望降低物流成本、提高库存周转率或缩短供应链的响应时间。
明确的目标设定将有助于企业确定分析的重点和方向。
四、供应链网络分析供应链网络分析是一项基本且重要的供应链分析方法。
通过绘制供应链网络图，企业可以清晰地了解供应链各个环节之间的关系和依赖。
这有助于企业识别供应链中的瓶颈环节、冗余环节以及潜在的风险。
供应链网络分析还可以帮助企业确定合适的供应商和合作伙伴，并寻找优化供应链的机会。
五、数据挖掘与预测数据挖掘和预测技术在供应链分析中具有重要作用。
通过分析历史数据和模式，企业可以利用数据挖掘技术来探索供应链中隐藏的规律和趋势。
例如，通过分析产品销售数据，企业可以预测下一季度的需求，从而调整采购和生产计划，避免库存积压或缺货情况的发生。
预测技术的应用能够帮助企业优化供应链的规划和资源分配。
六、供应链可视化分析在进行供应链分析时，数据可视化是一项重要且有效的技术。
通过将供应链数据可视化为图表、仪表盘或地图等形式，企业可以更直观地理解和分析供应链中的关键指标和趋势。
这有助于企业快速发现问题和机会，并及时采取相应的措施。
利用大数据分析优化供应链配送路径规划
利用大数据分析优化供应链配送路径规划一、引言随着电子商务和物流行业的快速发展，供应链管理变得愈发重要。
在供应链管理中，物流配送路径规划是一个至关重要的环节。
通过合理的路径规划，可以降低物流成本、提高物流效率，并最终改善客户满意度。
利用大数据分析来优化供应链配送路径规划，成为供应链管理领域的热门研究课题，本文将从以下几个方面进行分析和探讨。
二、大数据在供应链管理中的应用1.供应链管理中的数据收集在供应链管理中，众多环节的数据都可以被收集并分析。
例如，销售数据、库存数据、运输数据、客户订单数据等。
这些数据可以通过物联网技术、RFID技术等手段进行采集和传输，形成大数据。
2.大数据分析的优势相比传统的基于经验和直觉的决策方式，利用大数据进行分析的优势显而易见。
大数据分析可以综合考虑更多的因素，发现隐藏在海量数据中的规律和关联性，并通过数据模型进行预测和优化。
在供应链管理中，大数据分析可以提高决策的准确性和实效性。
三、供应链配送路径规划的挑战1.路径规划中的复杂性供应链配送路径规划的复杂性主要表现在客户地点众多、运输方式多样、运输时间窗口限制等方面。
如何在满足各项约束条件的前提下，找出最优的配送路径是一个复杂且经典的优化问题。
2.时效性要求的变化随着电子商务和物流速递服务的普及，客户对于货物交付的时效性要求越来越高。
供应链配送路径规划需要根据不同的时效性要求进行优化，以满足客户的需求。
3.不确定性的因素在供应链配送过程中，存在各种不确定性的因素，如天气状况、交通状况、供需变化等。
这些因素的变化会对配送路径产生重大影响，因此需要在路径规划中考虑这些不确定性因素。
四、利用大数据分析优化供应链配送路径规划1.数据采集和处理利用大数据分析优化供应链配送路径规划首先需要收集和处理各类供应链数据。
这些数据包括客户订单数据、运输数据、交通数据、天气数据等。
通过数据采集和清洗，将各类数据整理成可供分析的格式。
2.数据分析和挖掘在分析阶段，需要运用各种数据挖掘和机器学习算法来探索数据中的规律和关联性。
物流供应链中的大数据分析及优化方法
物流供应链中的大数据分析及优化方法物流供应链是指从生产企业到最终消费者之间所有的物流环节和流程。
随着互联网和移动技术的快速发展，物流供应链中产生的数据量越来越庞大，这就需要利用大数据分析和优化方法来提高物流效率和降低成本。
一、物流供应链中的大数据分析方法1. 数据收集和处理：通过物流追踪和传感器技术，可以实时收集到物流供应链中的各种数据，包括货物运输状态、温湿度变化、运输时间等。
同时，对这些数据进行清洗和转化，使其能够被分析工具所识别和处理。
2. 数据挖掘和分析：利用大数据平台和数据挖掘算法，可以从海量数据中找出有用的信息和规律。
比如，利用聚类分析可以将货物进行分类，以优化运输路线和运输方案；利用关联分析可以找出货物运输过程中的关键因素，从而提前预测和解决潜在问题。
3. 实时监控和预测：通过物联网技术和实时数据分析，可以对物流供应链中的各个环节进行实时监控和预测。
比如，可以通过传感器监测货物的温度和湿度，及时调整运输条件，以保证货物的安全和质量；可以通过实时监控运输工具的位置和运输速度，及时调整路线和运输方案，以提高运输效率。
二、物流供应链中的大数据优化方法1. 路线优化：通过大数据分析，可以找出不同地点之间最短和最优的运输路线。
比如，利用地理信息系统(GIS)和历史运输数据，可以找出运输时间和成本最低的路线，以提高物流效率和降低成本。
2. 库存优化：通过大数据分析，可以预测市场需求和货物流动趋势，从而优化物流供应链中的库存管理。
比如，根据销售数据和季节性变化，可以合理调整库存储备，以避免库存积压和缺货现象。
3. 运输安排优化：通过大数据分析，可以优化运输工具的调度和运输计划，以提高运输效率和降低成本。
比如，利用实时交通数据，可以根据路况和交通拥堵情况，调整运输工具的行驶路线和运输时间，以保证货物按时到达目的地。
4. 供应链整合优化：通过大数据分析，可以将物流供应链中的各个环节进行整合和优化，以提高整体效率和降低成本。
大数据分析的基本步骤和流程(Ⅲ)
大数据分析的基本步骤和流程随着信息技术的不断发展，大数据已经成为当今社会最重要的资源之一。
通过大数据分析，企业可以更好地了解消费者需求，优化生产和供应链，提高效率和降低成本。
但是，要有效地进行大数据分析，需要经过一系列的基本步骤和流程。
本文将探讨大数据分析的基本步骤和流程，以帮助读者更好地了解如何进行大数据分析。
数据收集和整合大数据分析的第一步是数据收集和整合。
数据可以来自各种渠道，包括传感器、社交媒体、交易记录等。
在收集数据时，需要确保数据的准确性和完整性。
同时，还需要将不同来源的数据整合在一起，以便进行后续的分析。
这一步骤需要使用各种数据收集工具和技术，如ETL（抽取、转换、加载）工具、数据集成平台等。
数据清洗和预处理收集和整合数据后，下一步是进行数据清洗和预处理。
大数据往往包含大量的噪音和错误数据，需要进行清洗和修复。
在数据清洗过程中，需要识别和删除重复数据、缺失值和异常值。
同时，还需要对数据进行标准化和转换，以便进行后续的分析。
这一步骤需要使用数据清洗工具和算法，如数据挖掘和机器学习算法。
数据存储和管理清洗和预处理后，数据需要存储和管理起来。
大数据往往包含海量的数据，需要使用适当的存储和管理技术来进行有效的管理。
常见的大数据存储技术包括分布式文件系统（如HDFS）、NoSQL数据库（如MongoDB、Cassandra）等。
同时，还需要进行数据安全和权限管理，以保护数据的机密性和完整性。
数据分析和建模数据存储和管理完毕后，下一步是进行数据分析和建模。
数据分析是大数据分析的核心步骤，通过分析数据可以发现隐藏在数据背后的规律和趋势。
数据分析的方法包括统计分析、机器学习、数据挖掘等。
在进行数据分析时，需要选择合适的算法和模型，以便准确地分析数据。
数据可视化和解释数据分析和建模完成后，需要将分析结果进行可视化和解释。
数据可视化是将数据以图形化的形式呈现，以便更直观地理解和解释数据。
同时，还需要对分析结果进行解释，以便向决策者和利益相关者传达分析结果。
如何利用大数据分析优化供应链管理
如何利用大数据分析优化供应链管理在当今竞争激烈的商业环境中，供应链管理的效率和效益对于企业的成功至关重要。
随着信息技术的飞速发展，大数据分析已成为优化供应链管理的强大工具。
通过收集、处理和分析大量的数据，企业能够获得有价值的洞察，从而做出更明智的决策，提高供应链的灵活性、响应能力和成本效益。
大数据分析在供应链管理中的应用场景十分广泛。
首先，在需求预测方面，它能够帮助企业更准确地预测市场需求。
以往，企业通常依靠历史销售数据和经验来进行预测，但这种方法往往存在误差。
而借助大数据分析，企业可以整合来自多个渠道的数据，包括社交媒体、电商平台、市场调研等，以更全面地了解消费者的行为和偏好，从而提高需求预测的准确性。
例如，一家服装企业通过分析社交媒体上的时尚趋势和消费者的讨论，提前预测到某种款式的服装将流行，从而及时调整生产计划，满足市场需求，避免了库存积压。
其次，大数据分析在库存管理方面也发挥着重要作用。
企业可以实时监控库存水平，了解库存的流动情况，分析哪些产品库存周转率高，哪些产品库存积压严重。
通过这些数据，企业能够优化库存策略，确定合理的安全库存水平，减少缺货和积压现象的发生。
比如，一家电子零售商通过大数据分析发现某款热门手机的销量增长迅速，而库存即将告罄，于是立即补货，避免了销售机会的损失。
在供应商管理方面，大数据分析同样能够带来显著的效益。
企业可以收集供应商的绩效数据，如交货准时率、产品质量、价格等，对供应商进行评估和分类。
这样，企业可以与优质供应商建立更紧密的合作关系，同时对表现不佳的供应商进行改进或淘汰。
此外，通过分析供应商所在地区的经济、政治、环境等因素，企业还可以提前预测潜在的供应风险，制定应对措施，确保供应链的稳定。
要实现大数据分析在供应链管理中的有效应用，企业需要建立完善的数据收集和处理系统。
这包括从内部的ERP（企业资源计划）系统、CRM（客户关系管理）系统等收集数据，以及从外部的市场、行业报告、合作伙伴等获取数据。
大数据处理与分析的流程与实践经验
大数据处理与分析的流程与实践经验随着信息技术的迅猛发展，大数据处理与分析在各行各业中扮演着愈发重要的角色。
本文将介绍大数据处理与分析的一般流程，并分享一些实践经验。
一、数据采集与清洗数据采集是大数据处理与分析的第一步，通常通过各种方式获取来自不同数据源的原始数据。
这些数据源可以是传感器数据、网络日志、社交媒体信息等。
为了保证数据的质量，我们需要进行数据清洗，包括去除重复数据、处理缺失数据、修复错误数据等。
数据采集与清洗的过程需要考虑到数据格式的规范化和一致性。
二、数据存储与管理在数据采集与清洗之后，我们需要将清洗后的数据存储起来，并进行有效的管理。
常见的数据存储方式包括关系数据库、分布式文件系统、NoSQL数据库等。
在选择数据存储方式时，需根据实际需求考虑数据的结构化程度、数据量大小、访问速度等因素。
三、数据预处理与转换为了更好地支持后续的分析工作，我们需要对数据进行预处理与转换。
预处理包括数据平滑、数据采样、数据降维等，以提高数据的准确性和精确性。
转换则包括数据编码、数据格式转换、数据标准化等，以提高数据的可用性和可分析性。
数据预处理与转换的目标是使数据更适合后续的数据分析工作。
四、数据分析与挖掘数据分析与挖掘是大数据处理的核心环节。
在这个阶段，我们需要使用各种数据分析算法和工具对数据进行挖掘，从中发掘出有价值的信息和知识。
常见的数据分析技术包括统计分析、机器学习、数据挖掘、人工智能等。
数据分析与挖掘的目标是发现数据背后的规律和关联，以支持业务决策和问题解决。
五、数据可视化与报告数据分析的结果通常通过数据可视化和报告的方式呈现给用户。
数据可视化可以将复杂的数据转化为图表、图形等形式，使用户更直观地理解数据。
报告则是将数据分析的结果以文字形式进行总结和解释，以方便用户理解和使用。
数据可视化与报告的目标是将分析结果有效地传达给用户，帮助用户做出相应的决策和行动。
实践经验：1.明确问题和目标：在进行大数据处理与分析之前，需要明确需要解决的问题和分析的目标。
企业大数据分析的最佳实践
企业大数据分析的最佳实践第一章引言在当今数字化时代，企业面临着大量数据的挑战，很多企业都开始关注如何利用这些数据来获得竞争优势。
而企业大数据分析就是一个解决方案。
大数据分析是将大数据收集、存储、处理、分析和管理，以发现内在规律、关联性或者其他有用信息的过程。
本文将着重探讨企业大数据分析的最佳实践，为广大企业提供思路和方法。
第二章数据收集企业大数据分析的第一个环节是数据收集，需要整合企业内外部所有可用的数据源，并且构建数据湖或数据仓库来存储这些数据。
企业内部的数据可以包括销售数据、客户数据、历史数据等等；而企业外部的数据可以包括社交媒体数据、搜索引擎数据、行业报告等。
在数据收集过程中，需要考虑到数据的完整性、准确性以及安全性等因素。
第三章数据清洗企业数据中经常存在一些“脏数据”，如缺失值、重复数据、不一致数据等，这些都会干扰数据分析的结果。
所以数据清洗是大数据分析流程中至关重要的步骤之一。
通过数据清洗，可以减少数据错误率、提高数据的质量并优化数据分析的结果。
数据清洗包括了数据去重、标准化、转化、缺失值的填充和异常值的处理等环节。
第四章数据处理数据处理是大数据分析流程的核心之一。
在具体处理工作中，大数据处理方法可以分为两种，批处理和流处理。
批处理通常用于大量的事前数据处理，例如数据挖掘任务；而实时处理则可以提供连续的、即时的反馈，例如在线监控等任务。
在数据处理阶段中，选择合适的算法和方法来实现数据转换和模型训练，使用先进的技术方法来提高模型精度和效率。
数据处理过程中需要注意的问题包括选择数据处理引擎、数据预处理、数据建模、特征工程、机器学习算法的选择等。
第五章数据分析企业数据分析的核心是挖掘内在规律和关联性或其他有用信息。
它是数据分析流程的最终阶段。
数据分析可分为不同的方法和技术（例如数据挖掘、机器学习算法等）。
适当选择适合的方法和工具可以提高分析效率和准确性。
通过数据可视化可以使分析结果表现为图形化的展示，进一步增强业务人员对业务趋势的认知。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
供应链管理领域如何正确引入大数据分析技术 附 供应链数据分析最佳解决方法
来源：CSCMP供应链管理通讯第一期 作者：Lisa Harrington, Dr. Zac Rogers, Dale Rogers, Richard Sharpe and Susan Lacefield 翻译：高珉 时间：2019年3月14日星期四
编者按：根据最近的一项调查显示，大数据分析这项技术正在逐步向更加广泛的领域应用。从托盘、卡车再到一袋蔬菜，任何物体都有收集、储存和传输信息的能力。如果企业能够把这些数据进行人工智能的分析，就会得到十分准确的结果，这样就可以帮助他们做出更快、更好的决策。同时减少浪费，增加价值。但是很多企业在供应链数据分析的应用上无从下手，也有的企业已经开始投入大量的资金和人力来进行大数据分析这项工作，但是他们得到的数据往往会出现数据丢失或者不准确的状况。那么我们应该如何掌握甚至将这项技术应用到自己的企业当中呢？在接下来的文章中会通过一些实际的案例来跟大家分享，大数据分析这项技术的应用以及如何解决各个阶段遇到的障碍。同时总结出供应链数据分析最佳解决实践方法。
“大数据分析的时代已经到来！”数据分析公司Competitive Insights LLC在“第二届年度大数据分析研究”活动上说到。同时参加讨论的有Harrington Group, CSCMP供应链管理季刊以及两所著名的供应链管理学院，亚利桑那州立大学和科罗拉多州立大学。这几家机构在2017到2018年联合推出了一项研究，旨在为企业提供一个基准，能够让他们了解供应链数据分析的现状并认识到如何在该领域中利用大数据分析采用何种策略。这么做的目的就是帮助企业在开展数据分析的同时发现并解决遇到的困难和障碍。
这项研究的调查对象是由CSCMP《供应链管理季刊》的读者、《竞争观察》杂志的读者以及亚利桑那州立大学和科罗大多州立大学研究人员编制的一份联系人名单组成。其中2017年度共搜集到了133条可用的调查信息，2018年度共搜集到了125可用的调查信息。 图一：大数据分析成熟度级别 在实际应用当中，企业变得越来越实际 在调查中我们想受访对象提出的一个问题是“在大数据分析方面，您如何描述您供应链组织的成熟程度？”（见图一）。总的来说，根据调查结果显示，很多企业都已经开展和实施大数据分析这项工作。在两年间，实施数量增长了14%。但是根据上图中显示，这些已经开展实施这项技术的企业当中，很少有人提出将这项技术作为“转型”或“升级”的方式去实施。大多数采用的是“早期”或“开发”阶段。这就表明，大多数企业要么让在进行概念验证的测试，要么只是推出了最初的实践。
同时我们还可以看出，到了2018年“转型”和“升级”的关注数量是下降的，我们认为，与2017年相比，企业不是不关注大数据分析的实践，相反，跟多企业在“转型”这个定义上的关注程度是有所增加的。随着越来越多的企业在关注并实施大数据分析的工作，他们也是梳理和学习如何更好的去理解和应用这项工作。换句话说，企业正在对自己在成熟度曲线上的实际位置和未来所面对困难处理的程度上做一个客观的分析和评估。而2017年涨幅的原因就像所有新兴技术一样，企业从一个普遍的兴奋期逐渐向理性、客观的状态转变。
我们在调查中的满意度数据上就可以看出，企业对2018年数据质量和可用性低于2017年。与2017年相比，2018年受访者对数据可用性的满意度平均降低了4%，对数据完整性的满意度降低了7%。在两年间，人们对数据可靠性的满意度也下降了5%。也许从这些数据上企业会认为大数据分析的必要性问题，但是我们认为，随着企业对数据分析实现的深入，他们会越来越意识到自身现有的数据问题，并对解决这些问题所需的努力和承诺的力度做出更好的理解。 理所当然的是，如果受访者对数据质量不满意，他们对数据分析结果的满意度也会降低。实际上，2018年的调查显示受访者对2018年大数据分析工作相对于2017年实现的收益的评估略有下降。在这两年中，调查受访者被要求使用七分制来量化他们的影响。已经从各个领域的大数据分析中实现，例如盈利能力，库存管理以及总体服务成本的可见性。得分1等于没有影响，7等于变革影响。图2显示2018年与2017年相比所有潜在收益的感知影响略有下降。
图二：大数据分析工作的平均实现收益 显然，如果受访者对他们的数据质量不满意，那么他们对自己的数据分析结果也不会满意。事实上，2018年的调查显示，与2017年相比，受访者对2018年大数据分析工作实现效益的评估略有下降。在这两年当中，我们通过使用一个7分制的量表来量化他们已经从大数据分析中实现的影响，这些内容包括盈利能力、库存管理和对总服务成本的可见性。1分代表没有影响，7分代表变革性的影响。图二显示了这两年的对比数据，可以看出所有潜在收益的感知影响都略有下降。 分析的数据类型很重要 在评估大数据分析实现的预期收益时，了解分析的类型有很多是至关重要的。对于调查，我们定义了一下几个不同类型的数据分析：
描述：正在发生的事情 诊断：为什么会这样 预测：接下来会发生什么 规范：应该怎么做 认知：使用机器学习来告诉我们应该做什么或可以做什么 图三：每种分析的平均使用水平 受访者再次需要用一个7分制的量表来选择他们企业目前使用的每种类型的分析来说明他们供应链决策的程度（1分表示没有使用，7分表示大量使用）。平均而言，受访者对描述性分析的评分为4.61分（在“部分使用”和“经常使用”之间），对诊断性分析的评分为4.02分，对预测性分析的评分为3.16分（在“部分使用”和“偶尔使用”之间），对规范性分析的评分为3.56分，对认知性分析的评分为2.27分（“不经常使用”）参见图三。这些分数与去年相似，或者略低于去年。调查结果表明，在现实生活中的许多供应链中，复杂的分析类型仍然比基本的方法使用得少。
图四：分析类型与现实收益的关联性 通过对调查结果进行回归分析，企业使用的分析类型与他们报告所获得的收益之间存在显著的相关性。标注1通常，越复杂的分析往往与越广泛的结果相关联。在图四中显示了描述性分析的使用至于客户服务的改进相关。这一发现是有道理的，因为了解供应链中正在发生的事情，可以帮助企业在客户发现问题之前，更好地告诉他们所面临的问题。虽然诊断分析的使用与需求规划略有关联，并且与协作程度相关，但是没有发现与任何其他已实现的好处有关联。（所谓“轻微”我们的意思是，有90%以上的把握，而不是95%以上的把握）然而，预测分析可以与许多好处联系，比如需求规划、风险管理和协作方面的改进。
有些违反直觉的是，规定分析与这些已实现的好处没有任何相关。事实上，他于需求计划的改进呈轻微的负相关。当公司达到规定性分析的水平时，他们可能不仅对需求规划做出了一些改进，而且更加意识到自己的问题所在。如果没有更高级的分析能力，他们可能难以解决这些问题，而现在他们对这些问题有了更多的了解。从很多方面来看，这种负相关知识我们在2018年报告中看到趋势的一个缩影。企业开始实施更复杂的流程，并在此过程中开始认识到他们尚未克服的困难。
最后，我们发现最有帮助的分析类型是认知分析，与风险管理和生产力有很强的相关性，与客户服务、可见性和协作有轻微的相关性。换句话说，使用的分析类型越复杂、越有前瞻性，企业就会意识到更多的好处。
在调查企业用于执行分析的软件工具类型时，调查题型再次使用7分制（其中1分表示“不使用”，4分表示“某些用途”，7分表示“大量使用”）以衡量企业目前使用各种分析工具。这些工具包括：Microsoft Excel或类似的电子表格程序；运营点解决方案（OPS），如仓库管理系统和运输管理系统，与企业资源规划（ERP）系统相关的高级分析工具和商业智能（BI）工具。与去年的调查结果一样，Excel电子表格程序是试用最广泛的分析工具，平均得分为5.80分，表示“频繁使用”。OPS平均得分4.64分，ERP和商业智能工具分别是3.97分和3.88分。 图五：软件工具和实现的利润之间的相关性 调查小组进行了多次分析以确定实现的有形大数据分析利益与这些平台的使用之间是否存在联系。（参见图五）虽然Microsoft Excel是这些平台中使用最广泛的，但它也是最不实用的。实际上，在使用Excel或OPS作为主要大数据分析平台，与客户服务、需求规划、风险管理、供应链可视性、协作或整体生产率等方面不存在任何切实改善的关联。这说明，很多企业现有的大数据分析是无效的。他们可能对目前的状态有所帮助，但是不是一个长久的使用工具。如果不改变方法，企业不太可能看到状态的改变。
相反，尽管ERP和BI系统是最少使用的平台，但回归分析表明他们是最有益的。ERP的使用与客户服务、需求计划、风险管理、库存管理、供应链可见性和增加盈利能力的实现有着显著的关联性。BI系统在客户服务、供应链核实性、端到端供应链协作以及整体生产力方面性能的改进提供了最佳解决方案。这些结果表明，要让大数据分析发挥作用，企业需要使用正确的工具。
希望在哪里？ 尽管大多数受访者只实施了一些不太复杂的分析类型，但是他们对这些分析的结果都抱着很高的期望。根据报告显示，这些受访者通过大数据的分析和实践在预计未来12个月客户服务、供应链可视性、生产力以及盈利能力上都有显著的改善。但实际上，仅有40%的受访者计划在未来12个月之内对认知分析进行中等或非常大的投资，只有52%的受访者计划在预测分析方面进行大量投资。相比之下，近三分之二（63%）的受访者都在计划投资描述性的分析。
2018年的调查结果表明现实与预期结果之间存在脱节的状态。企业似乎将重点放在基础解决方案商，但是希望获得的是复杂解决方案的相关结果。
图六 实施大数据分析的障碍 尽管很多现象令人担忧，但是仍有希望。在调查中的受访者普遍表示，与去年相比，实施大数据分析的阻碍变得越来越少。在实施大数据分析中的障碍调查中，分为七个等级，其中潜在障碍从5（中等重要）和4（无显著或无意义）的平均分数下降到了4或3（中等无关紧要）之间的分数。（见图六）