译|数据驱动智慧供应链的构成要素与关联思考

数据质量，通过识别关键决策和瓶颈构建信息供应链。该模型适用于优化库存管理、自动化物流、预测需求、实现产品全生命周期追溯及应对突发风险。例如，通过AI机器人自动管理仓库，或利用数字孪生模拟和优化全球采购网络。

汇总来自三篇文章：
Data-driven, AI-powered supply chain part 3: Imagining the Future – Supply chain 5.0
Data-driven supply chain part 2: The theory of constraints & the concept of the information supply chain.
Roadmap for building a data-driven, AI-powered supply-chain

1 供应链网络的概念、约束理论（TOC）与信息供应链

尽管关于大数据和人工智能（AI）如何改变企业供应链的文章铺天盖地，但 Gartner 在过去十年间的（持续）调查显示，只有不到一半的 CDAO（首席数据与分析官）认为他们的团队在创造“一些”价值方面取得了成功（最新数据来自 Gartner, 2023年3月）。根据我的经验，这主要是因为组织在没有首先理解提高企业价值链吞吐量所涉及的关键原则的情况下，就盲目地投资于高级分析平台和人工智能工具。

通常情况下，失败在于CDAO的策略，而不在于人工智能工具或技术的选择。Gartner 2020年的一项调查指出了供应链分析成功面临的三大挑战：

1. 缺乏所需的可扩展数据基础（来自供应链）
2. 缺乏与供应链相关的人才和技能（你要么找到有供应链领域经验的人，要么找到有高级分析经验的人……很少能找到两者都懂的人）
3. 在构建供应链分析业务案例方面缺乏清晰度……换句话说，缺乏一个连贯的供应链分析策略。

第一部分 探讨了数据驱动的供应链决策在过去几年中是如何演变的，从最早的初级决策支持系统到未来将严重依赖大数据、AI-ML 和生成式 AI 的供应链。

第二部分 解释了企业价值链_并非一个简单的、单一的供应链_，而是一个复杂的网络，或者说是一个由多个相互依赖的供应链组成的相互关联的网络，这些供应链需要协同工作、完美和谐，以确保供应链以100%的效率运行。同时，本部分还阐述了_解决信息供应链中的瓶颈是成功实施约束理论（TOC）以最大化企业吞吐量的关键，以及如何将约束理论应用于信息供应链为构建数据驱动的供应链_提供了一种万无一失的方法。

第三部分 阐述了_数字化供应链的紧迫性；投资供应链5.0已不再是可选项，而是希望在未来十年保持 relevance 和竞争力的组织的生存必需品。本部分接着描述了数字化供应链的关键特征，并为构建数据驱动、AI赋能的供应链提供了一个宏观的路线图_。

第一部分：数据驱动的供应链——历史与演变

数据驱动决策的概念是新事物吗？

“数据支持决策”的概念并**不新鲜**。商业智能（BI）自20世纪60年代以来就已存在。然而，现在的数据量和可用性远超以往，企业比以往任何时候都更加依赖数据驱动的决策。对于那些持怀疑态度的人，我推荐《知识经济杂志》（Journal of Knowledge Economy）上的一篇优秀文章，它记录了1950-2020年间“信息驱动决策过程”的演变 (Parra. X & Ors, J Knowl Econ, 2022)。我们这些在90年代上大学的人（当时彼得·德鲁克还健在）可能还记得，当时我们被教导说“经理的工作就是根据手头可用的任何数据做出理性的决定”。德鲁克被认为是使用决策树来描述决策过程（DMP）的先驱（Drucker, 1967）。现在在人工智能中广泛使用的一些计算模型，如专家系统、神经网络等，实际上是在70年代提出的，但真正的进展是在80年代和90年代取得的，因为计算机变得更加强大和实惠。随着1990年代有越来越多的数据可用于支持决策，决策支持系统（DSS）也应运而生。

在制造业中，DSS最受欢迎的应用之一是在物流和供应链管理领域。

供应链决策支持系统（DSS）：简史

二十五年前，我曾是一名相当忙碌的 SAP 顾问，在成功完成了几个完整的实施周期后，我换了家公司，转行做供应链咨询……主要是因为我想做点不一样的事情。此外，我对供应链管理并不陌生；因为我在物流和分销包装方面有丰富的领域经验。

图1：传统的供应链概念

那些年，i2 Technologies 主导着供应链，尤其是决策支持系统（DSS）领域。然而，从第一天起，我就能注意到 i2 的整个业务有些奇怪……‘i2’给我的印象是一个考虑不周、设计笨拙的产品；尤其是与像 SAP 这样设计精妙绝伦的产品相比。i2 的大部分产品实施都是由 i2 Technologies 自己完成的，偶尔会从新吸纳的合作伙伴那里请来一两个顾问。我很快了解到，i2 的顾问收取高昂的费用，只坐商务舱+……但每当有客户试图提出尖锐问题时，他们只是抛出一些行话；虽然他们说的话听起来令人印象深刻且重要，但很少有实际意义。几个月内，我就足以推断出他们没有为客户提供任何真正的价值……讽刺的是，i2 过去常常声称他们为客户带来了超过750亿美元的“经审计的节省”。无论这个数字的真实性如何，它无疑帮助他们“卖出”了产品。

图2：供应链中的数据驱动决策——历史与演变

SAP 最初与 i2 密切合作。我记得他们的一些产品被集成到 SAP 中，并且可以在 SAP 内部进行配置。但他们最终因为一些从未公开的原因而分道扬镳，SAP 很快开发并推出了 APO——一个设计得更好、确实能用并能创造价值的产品。

2002年，i2 因连续五年虚报收入而被美国证券交易委员会（SEC）罚款超过10亿美元。不确定他们的外部审计师是谁，以及他们是否也“审计”了那750亿美元的节省。

新千年的第一个十年见证了一系列新工具和技术的引入，用于商业智能、数据仓库、数据可视化等，以及CRM和SRM。其中最知名的有 SAP BI-BO、Oracle、Siebel、Ariba 等。Tableau 在2003年首次亮相（当时它被称为 Polaris）。

在过去十年中，随着大数据——高级分析平台、AI-ML、物联网（IOT）——互联产品、自动驾驶卡车、无人机送货等的出现，供应链软件市场经历了重大创新。现在，生成式AI有望进一步彻底改变它。

2 TOC解决信息供应链中的瓶颈

在90年代末，我断断续续地听说过**约束理论（TOC）**，但直到2001年底才真正开始关注。我在马来西亚参加i2公司的年会时，遇到的一位顾问喝多了，结果滔滔不绝地向我宣讲TOC将如何改变世界。成立i2公司的两位合伙人之一的Ken Sharma，在与Sanjiv Sidhu联手之前，就曾在高德拉特研究所（Goldratt Institute）工作。在回机场的路上，我买了艾利·高德拉特（Eli Goldratt）的书《目标》（The Goal），并立刻被它迷住了。书中的模型既简单又合乎逻辑，而且读起来引人入胜……更像一本快节奏的惊悚小说，而不是一本枯燥的商业书籍。

TOC的市场在印度开始升温，尤其是在“可行愿景”（viable vision）被引入之后。这个概念激发了每一位有抱负的CEO的想象力；毕竟，谁能抗拒一个仅用四年时间就将公司的营业收入（topline）变成其净利润（bottom line）的机会呢？

简单来说，一家实施**TOC**的公司可以设定一个目标，在四年内将其当前的营业收入数字，转变为公司的净利润数字。这听起来不可思议，但高德拉特相信，对于一家公司来说，这是一个完全“可行的愿景”。他曾专门为CEO和高管们举办为期一天的研讨会，解释为什么这样的愿景是可行的。高德拉特的说服力如此之强，以至于许多CEO都想尝试一下。此外，高德拉特也愿意分担风险；他承诺，当且仅当公司成功实现其既定目标时，他才会收取大部分费用。

虽然有一些巨大的成功案例，但也有不少令人失望的案例。我想，“高层管理承诺不足”必定是失败的关键根本原因之一。随着时间的推移，TOC顾问们不再谈论“可行愿景”，但他们仍然持续获得业务，特别是来自中等规模的成长型公司。为TOC项目设定的目标虽然仍然具有挑战性，但绝对不像“可行愿景”那样雄心勃勃。

信息供应链中未解决的瓶颈是TOC项目失败的原因吗？

严格来说，TOC项目并不会“完全”失败。然而，它们可能无法交付预期的价值。它们确实能产生结果，但交付的规模和价值可能取决于你究竟是如何设计和实施项目的。在绝大多数情况下，在四年或更短时间内将营业收入数字转变为净利润的“愿景”，最终可能被证明是“不可行的”。

学术界对**TOC有不少批评**。一些人声称TOC并无新意（Steyn H., 2000），它大量借鉴了已有的概念；一些人声称它与Wolfgang Mewes提出的理论相同（Mewes. W., 1963）；还有人认为它不适用于产品组合决策等。大多数学者似乎认为，高德拉特教授的研究缺乏被称为严谨学术理论所必需的“严谨性”。高德拉特曾发表一篇题为《站在巨人的肩膀上》（Standing on the shoulders of Giants, Goldratt, 2009）的论文，承认了启发TOC的各种既有概念和人物。

虽然对于实施失败的原因没有共识，但许多顾问将失败归咎于以下原因：

1. 范围定义有限 & 高层管理承诺不足…… 典型情况是管理层过于谨慎，最终选择一个小的子流程进行试点，而这个子流程本身就不适合TOC的实施，也无法最终证明其价值。
2. 识别出的_关键约束_并非“真正的关键”约束。
3. 客户无法应对“阵痛期”带来的业务中断，最终退回到旧的流程模型。

在我看来：TOC项目之所以失败，是因为：

1. 它们未能认识到**企业价值链_并非一个_单一链条，而是一个由多个相互依赖的供应链_组成的_复杂网络**。
2. 它们**未能解决至关重要的信息供应链中的瓶颈**。

让我进一步解释。

我实施TOC的经验：信息供应链的重要性

在过去的三十年里，我大部分时间都在咨询和服务公司工作。我曾在我所在的一家大型数字内容服务KPO（知识流程外包）公司担任首席运营官（COO），并在其中一个部门尝试了TOC的概念。

整个经历非常引人入胜……那个部门多年来经营不善，刚刚失去了其最大客户——一家全球出版公司——的信任（以及四分之三的业务）。团队士气低落，我的老板（兼董事总经理）私下向我承认，他已经束手无策了。我被要求亲自推动这项业务，尽我所能让它重回正轨。当时系统和人员中已经充满了困惑，所以我没有在任何地方提及我正在推行TOC实施，以免让他们更加困惑。由于让业务重回正轨对我来说是更重要的优先事项，我想同时尝试TOC和服务链优化（Service-chain Optimization，简称SCO，一个不如TOC普及的概念）……此外，我一直认为，创建“对整个价值链的无缝、精细化、可下钻的可见性”是**最重要的修正措施**。因此，建立对供应链（在这里是服务链）的可见性是我最大的优先事项。

作为标准尽职调查的替代，我要求该部门的所有团队创建一个“每日状态报告”（DSR）——一份_清楚列出**“每项工作”在工作流程不同阶段进展状态**的报告_。我强制推行了一个“标准报告格式”，这个格式随着时间的推移不断演变，变得越来越精细。我确保所有页面上不同集群的精细化元素，最终能汇总到报告首页（我们称之为_“概览”_）的总数据上，作为高层管理的“执行摘要”。

在我看来，每日状态报告旨在成为一个“数字孪生”，反映出整个价值链中每个工作流程阶段里每项工作的真实状态。虽然这个**数字孪生还不能实时“收集和监控信息（数据+洞察）**”，但6-12小时的延迟对我们起步阶段来说是可以接受的。

每天，我都会与所有集群负责人和团队负责人召开_每日状态会议_，在会上我会过问每一项延迟或可能延迟的工作。这使得**发现工作流程中哪个特定阶段是瓶颈，或可能成为瓶颈变得非常容易。通过快速提升关键阶段的产能，在很大程度上解决了瓶颈问题**。除了瓶颈，其他初期问题还涉及“沟通”或沟通不畅。客户和交付团队之间的信息和指令在传递过程中失真，导致关键工作流程阶段的返工，进一步限制了产能。然后，令我惊讶的是，我发现在_内部工作流程的不同阶段之间也发生了类似的沟通中断_。在大多数情况下，数据缺失以及来回的澄清沟通_是_瓶颈的根本原因。

我们开始在**每日状态报告中创建一个空间，用于存放所有需要在内部工作流程不同阶段之间以及与客户团队交换的关键信息**。我们创建了一种_颜色代码_来提醒客户注意“缺失的信息”，以确保他们优先澄清。

很快，随着工作流程瓶颈的解决和**信息流的顺畅**，几个月前曾使该部门陷入瘫痪的初期交付问题开始消失。同时，客户开始认识到交付方面的显著且可喜的改进，并开始将越来越多的业务从其他供应商转回我们公司。我们开始在_每日状态报告_中为客户创建一个单独的部分，列出可能流向我们的_新业务_。这些预先的信息帮助各集群提前规划并增加产能以应对业务增长。

九个月内，该部门成为了公司中效率最高（也是最盈利）的业务单位。到第九个月底，该部门的营业收入运转率（月销售额）增长了两倍多。_每日状态报告_的概念随后被推广到其他部门，并取得了类似的巨大成功。

以下是我从这次实验中得到的关键经验：

1. 企业价值链**并非一个单一链条，而是一个复杂的网络，或一个由多个供应链相互交织而成的网**。

• 每一个**实物商品供应链都有一个服务供应链**支持它，即一组提供服务的人员，以确保_实物商品供应链_的良好运作。
• 例如：在供应链的每个阶段，你都需要有人制作运单、收货报告、发票等文件……_服务供应链_的效率和速度会影响_实物商品供应链_的速度和效率。例如：任何在创建消费税发票（GST-Invoices）上的延误都可能导致卡车无法离开工厂。
• 每一个_实物商品供应链_都有一个_现金流供应链支持着每一次商品所有权从一个实体转移到另一个实体，或每一次创建_合法寄托_时的_价值交换……一个为支持_实物商品供应链_而交付的每项服务付费的_现金流供应链_。例如：任何对运输等一项或多项服务的付款延迟，都可能使实物商品供应链陷入停顿。
• 每一个_实物商品供应链_都由一个_数据供应链/信息供应链支持……信息以物理文件（如消费税发票或运单）或“数字文件”的形式从一个工作流程阶段传递到下一个阶段（例如：SAP使用一种名为_IDoc（内部文档）的格式来发送与_唯一交易_相关的数据，以便与外部应用程序交换信息）。
• 为了让一个供应链以满负荷、最高产出率良好运作，多层供应链需要_协同工作，完美平衡_。现金流供应链、信息供应链或内部服务供应链中的任何瓶颈都必然会在_实物商品供应链_中造成瓶颈。

2. 创建“对供应链的无缝、可下钻的可见性”是任何供应链项目最重要的第一步——无论行业领域如何。这条规则对于制造业的_实物商品供应链_和对于服务业的_服务链_同样重要。

理想的供应链可见性模式应该是一种“数字供应链孪生”（例如：类似于SCADA系统），它能反映供应链每个阶段每项工作的“即时真相”。即时真相_意味着_实物商品供应链_与_数字孪生_之间的信息_即时交换。

3. 在制造业中，那些**只关注“实物商品供应链”内部“约束”，而_忽略_“服务供应链、现金流供应链和信息供应链”中约束的TOC实施……注定会失败**。

对于服务公司而言，_服务链_的效率和效果将取决于支持它的_现金流供应链_和_信息供应链_各层的效率和效果。_信息供应链_在服务公司中远比其他更重要。

4. 在典型的TOC实施中，为缓解（工作流程中）“约束”而创建的一系列“流程中缓冲”，将意味着在制品库存的增加，这反过来又意味着**营运资本的增加，并可能导致现金流供应链的压力增大**。

有大量文章论述了在一个_工作流程阶段_“提高产出率”如何可能给下游的后续_工作流程阶段_带来_增量压力_和瓶颈。

5. 在TOC实施中**最大化组织的“产出率”，需要在不打破不同相互依赖的供应链层（实物商品、内部服务和信息）之间的微妙平衡或“均衡**”的情况下进行。

这就引出了下一个大问题。如果工作流程中每个阶段的每个决策都由“数据”驱动……即100%相关且充分的数据来支持驱动供应链的决策，那会怎么样？

你究竟如何识别和列出在供应链的每个阶段正在做出哪些供应链决策？更复杂的是，_实物商品供应链_中的每一个此类决策都可能影响_现金流供应链_的关键指标，或对_服务供应链_的需求。

在我上面提到的案例研究中，我们确实研究了每个工作流程阶段、每项工作的_真实精细数据_，更重要的是，我们**制度化了一种方法来生成和利用这些数据来做出“服务链决策”。在我们的案例中，数据是“真正”的优先事项；因此我们有一个深思熟虑的策略来识别和获取支持每个工作流程阶段决策的数据**。

但我不确定一个典型的TOC实施是否会“优先考虑支持供应链决策的数据”。我也不确定TOC实施是否考虑到了**相互依赖的多层供应链的概念，以及可能发生在现金流和信息（数据+洞察）供应链中的瓶颈，而这些瓶颈反过来又会影响实物商品供应链**。

那么，究竟该如何构建一个数据驱动的供应链呢？我遇到的大多数文章和书籍只提供了笼统的方向……对于寻求构建“数字供应链”具体指导的人来说用处不大。

下面由OpenAI ChatGPT生成的回应（右图）出人意料地比大多数文章做得更好。它在第一步就提到了“识别流程瓶颈”。

3 数据驱动、人工智能驱动的供应链

“数字化”供应链的迫切需求

• 根据 CGE 2020 年的一份报告，致力于供应链数字化的公司有望将供应链成本降低高达 50%；此外，采购成本可降低 20%，同时因竞争优势的增强而实现超过 10% 的收入增长。（来源：全球企业中心 (CGE) 与 CREATe.org 合作）
• 根据 Hackett Group 的数据，世界一流的供应链组织通过数字化转型可节省高达 45% 的采购成本。（来源：Hackett Group）

可以得出结论：供应链“数字化”已成为企业保持竞争力的生存必需品。除了效率、客户体验和收入的大幅提升外，公司还可以期待巨大的成本节约……

展望未来：数据驱动（数字）供应链的构成要素

注意

任何数据驱动或人工智能驱动的供应链，其成效完全取决于支撑决策的底层**“数据”的“质量、粒度和丰富性”。因此，任何“数字供应链”最关键的组成部分都是数据**，以及支撑实物商品供应链的底层信息供应链。

一个优秀的战略顾问，通常会从描绘最终目标开始……因此，在我们尝试为构建数据驱动的供应链制定路线图之前，让我们首先设想一下它未来的样貌。

定义“理想”最终状态：未来人工智能驱动的数字供应链的特征

未来的供应链将由能够实时收集和分析数据的自我管理、自动化技术驱动。以下是一些示例：

• #基于云的SCM工具和用于供应链规划与优化的AI驱动算法
• #来自扩展价值链（涵盖供应商的供应商到客户的客户）的精细化地理标记数据
• #位置数据（每笔交易都带有位置戳）
• #工厂和仓库中的机器人技术：机器人自动存储和检索系统
• #配备GPS的自动驾驶卡车
• #嵌入供应链中每个SKU和每个设备的物联网（IOT）和无线电标签
• #基于互联网的人工智能机器人（监听站），用于持续扫描市场（互联网）以寻找更好的货源、材料和价格，并快速收集和处理风险数据（地缘政治/供应相关）
• #在任何可能的地方采用人工智能驱动的自动化流程
• #贯穿整个价值链的数据驱动决策

图 9：展望未来：数据驱动、人工智能驱动的数字供应链

1. 数据收集： 这是“数字供应链”中最重要的部分。未来的供应链预计将广泛使用物联网（IOT）、无线电标签、GPS等技术进行自动化数据采集（在极少数情况下，由事件驱动或周期驱动）。

   • # 企业数据通过无缝集成的地理标记微观市场数据得到增强（可能由第三方以订阅模式提供）
   • # 所有交易数据无一例外都将被地理标记，并即时分发到基于云的应用和数据湖仓。
   • # 每辆卡车都将配备 GPS，其位置将被 24x7 全天候跟踪。每个“配送包裹”都将带有一个无线电标签，其在供应链中的移动将被跟踪。
   • # 每次采购、每次订单履行、每个工作进度、每个项目都将通过带有时间和位置戳的数据进行跟踪。
   • # 每个产品和每个工作任务都将带有一个无线电标签，其在工作流各阶段的移动将被自动跟踪。
   • # 每个商店和仓库都将拥有完全自动化、由人工智能驱动的自动存储和检索系统（ASRS），该系统能自动装卸单元化托盘货物，同时跟踪每个零件号和每个 SKU 的位置（货位号）。
   • # 所有设备和装置无一例外都将启用物联网/GPS，并自动生成数据分发到多个分析引擎，用于控制和持续改进。
   • # 所有员工可能携带带有 GPS 的身份标签，或者他们的手机将通过定制的企业应用进行跟踪。
   • # 所有通过短消息应用和电子邮件进行的办公室内移动通信都将带有时间和位置戳。
   • # 通过每个 SKU 的无线电标签和唯一ID实现实时批次跟踪和产品可追溯性数据。
   • # 与客户和供应商的所有通信都将带有时间和位置戳。
   • # 内部企业数据将由外部数据补充/辅助，这些数据来自人口普查数据、市场数据等来源——所有数据在上传到数据湖仓之前都经过排序、规范化和地理标记。

2. 运输：

   • # 每辆卡车都将是自动驾驶、启用 GPS，并具备发送紧急求救信号的设施。
   • # 数字孪生（相当于控制运输网络的 SCADA 系统）将携带每个包裹、每辆卡车运载的每个 SKU 的详细信息，直至每个 SKU 的“序列号”级别。
   • # 用于运送产品的人工智能控制的自动驾驶无人机——尤其适用于最后一公里配送。

3. 仓储与供应链运营： 完全机器人化——自动化、人工智能驱动

   • # 机器人拣选和包装，人工智能驱动的_自动存储和检索系统_（ASRS）
   • # 通过每个箱子、每个托盘上的_无线电标签_，只需按一下按钮即可自动完成即时库存盘点。

4. 客户/供应商协作

   • # 基于生成式人工智能的聊天机器人进行交流
   • # 基于生成式人工智能的 IVRS 和机器人电话进行语音通信
   • # 基于生成式人工智能的社交媒体活动

5. 风险管理：

   • # 使用人工智能驱动的机器人监听器收集风险数据，以捕捉“风险信号”、“异常行为”或任何“不寻常活动”或“不寻常通信”——这些数据既来自内部企业数据，也来自包括公共和私人数据库、社交媒体和互联网在内的其他外部数据源。
   • # 人工智能驱动的风险报告和早期预警信号
   • # 人工智能驱动的自动化“路线修正”以及与供应商、客户、分销商和员工的“沟通”。
   • # 对于有保质期的物品（带有有效期的 SKU），将首先根据最短效期的批次进行拣选和包装。

6. 产品可追溯性、批次跟踪与不良事件报告

   • # 通过每个 SKU 的无线电标签和唯一 ID 实时识别（批号和序列号）和跟踪产品位置——这些信息映射到云上的_产品可追溯性数据_。
   • # 可追溯性数据 包括：材料和部件的来源、其加工历史和分销情况，如 ISO 9000:2005 (2005) 所述，以及与产品的历史、使用或位置相关的数据。
   • # 在发生任何_不良事件报告 (AER)_ 的情况下（例如食品、药品，甚至像汽车这样的耐用消费品），参考特定批号，可以轻松、即时地进行_批次召回_。这将自动触发一个警报，并附带“请勿销售/请勿使用警告”——不仅针对该特定批号，还针对所有使用了来自同一供应商相同输入批次的材料和部件的所有批次。无论这些有风险的批次位于何处，该警报都会在整个供应链（分销网络）中自动复制。

7. 数字孪生：

   • # 基于移动端：可从“任何地点、任何时间”进行操作，用于规划、监控、修正和控制。
   • # 数字孪生将 100% 映射扩展供应链的所有阶段，包括可控的供应商供应链和客户供应链。
   • # 控制塔与人工智能协同决策： 人工智能驱动的控制塔帮助管理者做出决策并管理供应链的整体绩效。管理者只需处理极端异常情况。

8. 全球采购与持续改进

   • # 使用机器人持续自动扫描互联网，以寻找更好的供应商、材料和更优的价格。
   • # 使用生成式人工智能与客户进行价格谈判。
   • # 在互联网和社交媒体上部署人工智能驱动的机器人（监听站），以捕捉关于威胁（如不良事件和地缘政治风险）或机会（更好的材料、更优的价格、更好的货源）的信号。

构建人工智能驱动的数字供应链

我之前曾广泛撰文论述数据驱动决策、数据到决策的生命周期，以及为建立数据驱动型组织创建路线图和商业案例。（请参阅我的书《Big Data for Big Decisions: Building a Data-driven Organization》，P. Taylor & Francis, UK, 2022 及在 Data Science Central 上的文章）。

正如我所论证的：抛开花哨的高级分析平台和人工智能不谈，建立数据驱动型组织的关键在于_专注于关键决策——即那些占业务成果 90% 的 10% 的组织决策。_

因此，要构建数据驱动的供应链，必须提出并回答以下关键问题：

1. 占供应链效率 80-90% 以上的关键“供应链决策”是什么？
2. 支持这些已识别的关键决策的数据是什么？

注意：大多数组织面临的更重大、更根本的问题是：他们根本不具备支持组织内关键决策所需的数据——无论是必要的粒度还是质量。毋庸置疑，在缺乏数据的情况下构建数据驱动的供应链是徒劳无功的，尽管许多首席数据官（CDO）正在尝试这样做。

简而言之，我主张通过以下步骤来构建数据驱动的供应链：