大数据成就采购新优势

在当前的商业环境中，技术的进步在不停地影响着商业模式的改进。从物流到生产，从财务到人力资源，企业中各个部门已经开始采用各式各样的IT系统来支持自己的业务。这些IT系统在帮助各部门更高效、更准确地完成相应的业务流程的同时，也为企业创造了新的财富：数据。

虽然“大数据”、“云计算”等新的概念已经逐渐被大家所熟悉，但大部分企业对于如何开发和利用大数据，以及大数据分析的巨大潜力还不甚了解。尤其是在中国，有效运用这些分析方法也遭遇到一些常见的问题：数据质量不高、缺乏跨部门整合、分析人才匮乏等。这些现实问题经常使企业踌躇不前。那么何时才是开始大数据分析的合理时机呢?本文将通过两个案例说明：无论企业规模大小、业务是否复杂，或者技术是否成熟，对大数据的应用分析应该越早越好，因为不同类型的大数据分析方法都能为企业带来可观的投资收益。

更需要大数据的采购部门

其实数据分析、商务智能的概念早在20世纪60年代就已经提出。当时的学者已经提出了一些分析模型来对车间的生产流程进行统筹优化。时至今日再次重视这个概念，主要基于两个原因。第一，企业的产品生命周期在不停地变短，用户需求的多样性也在不停地增加。这些新的需求要求现代企业能在短时间内对复杂问题做出更迅速、更准确的反应。第二，技术的进步显着降低了使用大数据分析的门槛。新一代的存储技术、数据处理技术使企业能用很低的成本去储存和分析海量的数据。例如现在只需要几百美元即可存储中国国家图书馆中的所有信息，这在几年前是不可想象的事情。

今天，在全球67%来自众多行业且规模各异的公司都依赖大数据分析来获得竞争优势。根据《麻省理工斯隆管理评论》和SAS研究所的一项调查，这一数字较两年前增长了80%，而且该数字仍将继续增长。因为很多公司都已经开始了解大数据分析的潜力，并且开始对其加以开发利用。

现实中也不难发现大数据分析在采购部门中的广泛应用。例如企业会跟踪原材料市场的价格波动，依靠先进的分析模型和预测方法来对冲市场风险;在标书中定量地收集一些成本参数来发掘供应商的真实成本，以此来更好地帮助其进行谈判;甚至会看到采购部门运用复杂的优化模型来找出成本优化和业务需求之间的平衡点。

更广泛地讲，现代的供应链已经变得越来越复杂：产品的多样性越来越高，市场的波动性越来越强，外部因素对供应链的扰动也越来越多。这使得企业很难有效地将有限的资源在供应链中合理地分配。使用新的分析方法能使采购部门发挥更大的战略功能，以优化企业资源在各个环节中的分配。

这些新的分析方法也能帮助采购部门更广泛地参与到企业整体战略的制定，以及跨部门之间的产品开发、质量控制、风险管理中去。例如采购部门可以利用他们对现有供应商和市场的深入了解，通过预测模型对新品设计和生产的供应商提供建议。

大数据分析的可观收益

对于大数据分析的应用基本可以被分为描述性的和预测性的。描述性的分析是对之前发生的商业行为进行深入的研究和探索。其分析结果主要回答“我们之前具体是怎么做的”。这个问题的答案通常能帮助相关部门发现改进的机会。而预测性的大数据分析注重于对未来的预期和现有流程优化。其一般会通过比较复杂的分析模型来直接回答“我们以后应该怎么做”(见图1)。

描述性大数据分析案例

科尔尼公司近期使用描述性分析帮助一家跨国快速消费品公司优化其国内的市场费用。通过对公司以往财务和采购数据的分析和整合，发现了上千万美元的采购成本优化机会。

这家快速消费品公司的采购部门在各个区域之间独立运营。所以每个地区的采购流程、品类定义和供应商等都不完全一致。由于这种非集中式的采购管理形式，集团公司难以准确跟踪各个品类的财务支出，更勿论对品类进行采购管理或优化了。不仅是运营流程纷繁复杂，所有相关信息也都分散在各个区域的财务、市场和采购系统中。这些信息不仅在结构和内容上不尽相同，对费用的核算形式在不同部门中也会因为税率或者报账日期不同而有显着区别。

诚然，手工梳理这几十万条财务和采购数据不是一个很有效的方法。重新设计业务流程、升级IT系统，不仅需要大量的投入，也会降低公司管理的灵活性。为此，科尔尼公司依托其全球大数据分析能力为客户迅速设计了一套大数据分析工具。这个基于数据挖掘方法的工具不仅能整合分散在各个部门、各个区域的花费，还能对每一笔费用自动进行采购品类划分、供应商整合等分析。利用这个工具，只用了短短几周的时间就清晰地梳理清楚了集团公司在各个区域、各个品类的花费，以及其供应商的相关情况。以此建立的费用分析魔方使这家快速消费品公司能通过不同维度对各类费用进行综合的分析和比较(见图2)。

清晰的费用透明度为企业带来了巨大的收益：首先，清楚的供应商情况使这家企业可以对之前各区域分散管理的供应商进行整合和优化，这不仅能降低采购成本，也增加了其供应商的管理能力。例如之前这家公司在各个区域有超过150个促销活动代理商，其中20多家占到了全部费用的80%，而只需要其中不到10家就可以覆盖所有区域。仅仅通过供应商之间报价的不同就已经能为这项支出节约7%-8%的成本;其次，对各个区域采购产品标准的分析使我们能对其进行标准化设计。这不仅能节约成本，降低供应链管理复杂度，还能加快采购的周期;最后，清晰的品类花费也能增强对采购产品整个生命周期的管理。以装饰材料为例。之前每个区域供应商负责设计、制作、最后施工的每个步骤。这样不仅周期比较长，而且质量也难以控制。改进后的方法是集团公司把设计集中外包给一家供应商，而制作和实施的供应商可以由区域自主决定。通过以上几种方法，集团公司的整体采购成本降低了8-11%。

更有意思的是，采购部门通过这个项目展示出来的分析能力也使其更广泛地参与到公司整体战略的讨论中。例如清晰梳理的花费情况使其能更好地参与公司品牌战略和渠道战略讨论，并建议以配合各项促销项目的活动设计、周期规划以及活动的后期评估。明确每种支出性质的花费不仅能使企业更好地控制费用的支出(例如明确限制对客户的折扣费用不能超过销售额的2%等)，也能增强其风险管理能力(例如在优化前这家快速消费品公司对每个客户的折扣比例存在显着的差异，如果出现客户间的并购，或者客户的销售人员从一家跳槽到另外一家的情况，将很难控制折扣费用的整体支出)。最后当费用支出和相应的销售情况挂钩之后，这家公司即能清晰地看到每个品牌、每个渠道、每个区域的投资回报率。这也能使其更好地分配资源，以优化整个系统的投入产出比(见图3)。通过这几个方面，这家快速消费品公司重新设计了其促销管理和客户管理的相关策略，并对系统内的资源配置基于投资回报率进行了优化。这不仅为企业节约了上千万美元的采购成本，还使其市场费用的整体投资回报率显着提高。

由此可见，即使在业务流程复杂多样、IT系统成熟度不是很高的企业，也有相应的大数据分析方法为企业带来显着的收益。

预测性大数据分析案例

除了描述性分析，科尔尼公司近期也通过预测性分析帮一家跨国玩具企业优化其在中国的包装采购成本。这家企业在中国的采购部门已经相当成熟，并在过去10年中持续优化其在中国的采购成本和供应商群，曾经认为包装采购成本已经非常优化，没有太多潜力。但通过运用先进的组合优化分析模型(如图4所示)，以及对各种情景的模拟分析，最终依然实现了每年几千万美元的成本节约。

例如本图中的情况：我们应该选择哪些盒子放进一个能装15公斤的包里，以让包里面的盒子价值最高?当然在现实案例中，需要考虑商业限制而绝不仅仅是包的容积这一项。

组合优化作为优化采购成本的方法已经被全球很多企业所采用。通过科尔尼公司近些年在玩具、快速消费品、化工等行业的成功经验，即使对一些采购部门成熟度很高、管理控制做得比较好的企业，这项新的方法也能带来10-15%以上的成本优化空间。这主要得益于组合优化的3个优势：

首先组合优化是全局性的优化。它能将所有品类、所有供应商同时进行综合考虑，所以经常能找到更多的成本优化空间;其次，组合优化能更好地对花费情况进行管控。所有业务上的要求，包括供应商偏好、品类需求等，都能被考虑进去，所以其也能为采购部门提供长期的竞争优势;最后，组合优化模型非常灵活，允许供应商根据自身优势建议创新性的解决方案。例如当供应商建议了一个新的交货期或规格，并能提供相应的折扣时，只需要做轻微的调整就能重新分析新的情况，找到最优解决方案。

回到我们的具体案例来说。对于采购成本优化，这家客户和其他企业一样，并不只是希望降低成本，更需要的是保证业务的正常运行和成本优化的可持续性。所以在优化时需要考虑各种各样业务上的需求和偏好。例如，整体供应商的数量需要保证在8-12个之间，以便降低供应风险(比如过分依赖某些供应商以至于削弱了自身博弈力量)，同时控制供应链复杂度;或者相似的品类都需要从一家供应商采购，以方便管理(以便更快，更好地利用规模效应，降低采购成本)。再加上供应商不同的报价、产能、折扣、物流成本等，找到一个“最优”的方案就变得异常困难了。尤其在采购的品类比较多、品类间关系比较复杂的情况下，通过简单方法找到一个满足各种业务条件，并能达到成本最优的方法基本上是无法实现的。

面对这样的情况，科尔尼公司帮客户设计了一个详尽、互动的报价模型，用于收集供应商在各个项目上的建议和报价，同时运用专业化的分析软件，通过组合优化的方法完成了这样一项艰巨的任务(见图5)。首先在招标过程中，供应商需要提供具体的成本组成信息而不仅是产品的最终报价，并根据自身的优势在不同项目上给出创新性的建议。例如供应商需要提供各种原材料成本(如纸张、油墨、胶)，生产成本(如印刷、上光等)，以及其他如物流、损耗等的相关成本信息。同时如果供应商可以以优势的价格采购某品牌的纸张，并且确认可以满足客户的质量要求，则可以创建一个新的基于这种替代材料的报价。通过这些成本信息以及对生产过程的模拟，每家供应商对产品的最终报价(加入创新性建议后，报价可能是若干个不同的方案)就可以被计算出来。这些信息不仅能帮助这家玩具企业更好地对供应商进行横向比较并进行成本谈判，还能为之后做进一步的成本优化和情景分析提供所需要的数据基础。例如如果需要分析改变某些产品的纸张和上光技术后新的成本，这完全可以通过供应商反馈的成本数据计算出来，从而推动企业内部决策。

除了收集成本数据，招标书中还额外收集了各个供应商的具体情况以对其进行综合比较。例如供货范围、产能限制、资质认证、数量折扣、付款账期等。这些数据被统一建立总拥有成本模型，加载到专业软件(TradeExtensions?)中进行综合最优化分析和情景模拟。TradeExtensions?是一个专业化的针对采购的组合优化分析软件。它不仅能在各种复杂限制条件下为各个产品找到最合适的供应商，还能进行情景分析来对某些特定情况进行模拟。运用这个软件，采购部门将多达6000多个采购品项同时进行了整体优化，并在优化中充分考虑了供应商报价、技术、产能等方面的差异，以及企业自身对供应商、风险管理、业务分配等的具体需要。

优化的结果也是惊人的：在满足所有业务需求的情况下依然可以节约15%以上的采购成本。同时最优化的供应商采购和品类分配方案也被确定了下来。除此之外，优化模型还对各种业务情况进行了情景模拟：例如“如果给供应商甲多分10%的配额，这将能额外获得多少收益?”，或者“如果将供应商的数量从8家增加到10家，对成本有多大影响?”这些情景分析清晰地体现出每一个业务需求对成本的影响，以帮助决策者更精确地做整体业务规划。

正如图6中所示：现在的供应商偏好政策使采购成本增加了8%，而集中采购策略只让成本增加了2%。所以进一步优化现在的供应商偏好策略会有更大的成本节约潜力。图7中还额外描述了几种综合方案。其中“最优情况”是在不考虑各种业务需求下能达到的理论最优值，这种情况下只考虑了成本节约，具体操作起来会有不少困难。而“合理的方案”中考虑了所有业务上的必须满足的需求，所以实施起来操作性很强。“理想的情况”中除了考虑强制性业务需求外，还考虑了一些选择性的业务需求(例如账期优化，或者改变印刷流程等)。这些额外的优化能增加成本优化的空间，但需要企业综合考虑具体的实施方案，例如各项优化的优先级、资源投入情况、复杂度、风险控制、实施路线图等，以便成功地收获这些额外收益。

这个案例同样清晰展示了预测性分析的巨大潜力。尤其当业务的复杂度很高、需要分析的品类很多的情况下，只有依靠先进的大数据分析方法，才能将采购部门的业务水平提升到一个新的高度。

如何提升大数据分析能力？

从以上的两个案例不难看出大数据分析有广泛的应用空间并能在短期内带来巨大的收益。但对于一个刚刚或者即将步入大数据分析领域的公司来说，一个棘手的问题就是：如何才能获取所需具备的分析能力?

首先对业务流程的理解和洞察是各种分析方法和模型成功的关键。这并不仅限于IT部门，而是需要由采购部门主导，通过(跨)部门的合作共同完成。

其次企业需要提升员工的大数据分析能力。这可以通过积极培训现有团队、招聘新的分析人才，或者培训和招聘相结合的办法。这样一方面可以引进新的分析人才获得立竿见影的效果，另一方面可以培训新进人员和现有人员，从而可以为长期掌握大数据分析和采购技能做好准备。至于采购组织会偏重哪种方法取决于很多因素，需要考虑包括采购组织的结构、当前对分析的兴趣和敏锐性，以及业务的需求等来决定最佳策略。

最后，还需要一些项目在实践中锻炼团队的分析能力。要提前找到那些可以作为实战场地的分析项目，尽可能选择那些可以通过降低复杂性、分析性采购，或者以事实为基础的谈判等举措，利用数据来督促现有供应商降低价格，并从中获益的项目。

各种各样的大数据分析方法已经开始逐渐改变采购部门的功能和职责。了解大数据分析可以做些什么，以及如何融入采购职能是一个过程。完成这样的转化需要不停地完善企业的业务流程、组织构架和IT系统。这会是一个长期的、渐进的过程，但效果显着。所谓“千里之行，始于足下”，是时候开始迈向智能企业的步伐了。