Martin Wilcox最近的数据网格博客概述了四个关键要求,这些要求促使人们使用数据网格、领域驱动设计(DDD)和面向对象(OO)原则等概念:
如果应用得当,这些新的和更紧迫的供应链需求可以通过简化的数据和分析实现数字化和自动化来解决。但是,读者们,请不要过分关注新的、漂亮的术语,比如数据网格,而不考虑现在可能真的是“回归基础”的时候了——以更智能和集成的方式利用数据和分析。
供应链是快消和制造组织所有价值链活动的中心。供应链中的能力是相互交织和相互依赖的;这些供应链的管理和运营非常复杂。从历史上看,当出现具体问题时,组织会急于解决这一点问题,很快就会意识到不考虑宏观观点会导致不希望的结果。例如,在我们努力最大限度地减少对过剩库存的浪费投资时,我们可能会忘记库存结果有许多原因和驱动因素:
供应链是我们部署DDD和OO概念的完美候选者,因为它是足够大且复杂领域的经典例子,可以从应用框架将复杂问题分解为更小的领域和数据产品中受益。这可以在以后与业务流程保持一致,影响KPI和可部署的分析技术。所有用例中的分析技术/AI /ML框架都遵循可预测的路径。这些分析步骤和技术也可以通过我们将要介绍的另一种技术(称为特征工程)进行可重复。
当我们开始将供应链问题和分析(如上面列出的问题和分析)分解为其组件数据部分时,它会产生一组有限的数据点,这些数据点可以容器化、组装、仔细集成并连接回供应链的业务事件和活动。
个案研究:一家大型汽车制造商投入巨资构建数据仓。仓库的原始架构师部署了深思熟虑的技术模型,同时通过标准化供应商定价和付款政策节省了数百万美元的成本。最初的目的是利用相同的数据足迹将数据扩展到相邻的分析领域。由其中一个业务部门资助的一项单独的销售和运营规划(S&OP)计划实施了单点解决方案,并利用了仓库中的一些数据点,同时构建了来自其他ERP和车间管理解决方案的额外数据。这导致了第一个数据流条。接下来,财务部门建立了另一个孤岛——一组相邻的数据馈送来解决AR机会等。
经过四年的发展,该组织生活在数据管道丛林中,所有数据源的复杂性和相互依赖性,治理有限,最重要的是,不同系统给出的答案不同。新的领导层又回到了绘图板上,试图简化生态系统并使平台现代化。现代化可以通过回归基本原理来实现——及时(JIT)数据源、适当关注数据工程、治理结构和简化。组织随着时间的推移而发展。现在,在所有的中断之后,我们有一个前所未有的机会反思、重写和做出改变。
现在,如果创建一种在我们的供应链中重新装备和回归基础的方法对您有所启发,请继续关注我的下一篇文章:疫情后的供应链——如何在我们的决策中建立弹性。
- 敏捷地响应不断变化的需求和发现分析应用程序的需求
- 优化和解析分析功能所需的变量数量不断增加
- 以合理的成本提供这些功能,同时保持所需的治理级别
- 增量交付功能和自动化
如果应用得当,这些新的和更紧迫的供应链需求可以通过简化的数据和分析实现数字化和自动化来解决。但是,读者们,请不要过分关注新的、漂亮的术语,比如数据网格,而不考虑现在可能真的是“回归基础”的时候了——以更智能和集成的方式利用数据和分析。
供应链是快消和制造组织所有价值链活动的中心。供应链中的能力是相互交织和相互依赖的;这些供应链的管理和运营非常复杂。从历史上看,当出现具体问题时,组织会急于解决这一点问题,很快就会意识到不考虑宏观观点会导致不希望的结果。例如,在我们努力最大限度地减少对过剩库存的浪费投资时,我们可能会忘记库存结果有许多原因和驱动因素:
- 我们是否建立了准确的预测?
- 消费动态的变化?
- 供应计划是否与库存计划、交货时间和物料需求计划步骤一致?
- 是否以粒度和时间敏感的方式按地点计划了计划库存?
- 物流能力和运营计划如何?
供应链是我们部署DDD和OO概念的完美候选者,因为它是足够大且复杂领域的经典例子,可以从应用框架将复杂问题分解为更小的领域和数据产品中受益。这可以在以后与业务流程保持一致,影响KPI和可部署的分析技术。所有用例中的分析技术/AI /ML框架都遵循可预测的路径。这些分析步骤和技术也可以通过我们将要介绍的另一种技术(称为特征工程)进行可重复。
当我们开始将供应链问题和分析(如上面列出的问题和分析)分解为其组件数据部分时,它会产生一组有限的数据点,这些数据点可以容器化、组装、仔细集成并连接回供应链的业务事件和活动。
个案研究:一家大型汽车制造商投入巨资构建数据仓。仓库的原始架构师部署了深思熟虑的技术模型,同时通过标准化供应商定价和付款政策节省了数百万美元的成本。最初的目的是利用相同的数据足迹将数据扩展到相邻的分析领域。由其中一个业务部门资助的一项单独的销售和运营规划(S&OP)计划实施了单点解决方案,并利用了仓库中的一些数据点,同时构建了来自其他ERP和车间管理解决方案的额外数据。这导致了第一个数据流条。接下来,财务部门建立了另一个孤岛——一组相邻的数据馈送来解决AR机会等。
经过四年的发展,该组织生活在数据管道丛林中,所有数据源的复杂性和相互依赖性,治理有限,最重要的是,不同系统给出的答案不同。新的领导层又回到了绘图板上,试图简化生态系统并使平台现代化。现代化可以通过回归基本原理来实现——及时(JIT)数据源、适当关注数据工程、治理结构和简化。组织随着时间的推移而发展。现在,在所有的中断之后,我们有一个前所未有的机会反思、重写和做出改变。
现在,如果创建一种在我们的供应链中重新装备和回归基础的方法对您有所启发,请继续关注我的下一篇文章:疫情后的供应链——如何在我们的决策中建立弹性。
连续 20 年:被公认为数据分析领域的领导者
随时了解情况
订阅 Teradata 的博客,获取每周向您提供的见解