供应链金融与大数据:要大,越大越好

    人过留名,雁过留声,交易过就要留数据。数据本质上是对客观事物和客观现象的描述和统计,反映了客观世界的一些真实存在。古人做生意记账就是留数据,现在随着全球化产业分工和信息技术的发展,海量数据更是充斥商业领域的方方面面。如果没有数据,正常的贸易便没法正常开展,依托于物流和贸易的供应链金融更是需要大数据为融资决策提供参照。大数据分析是开展供应链金融业务的技术基础,但这个大数据究竟有多大?虽然没有一个具体标准,但5个V被视为大数据“大”的重要特点,即数据量大(volume)、数据类型繁多(variety)、数据增长快(velocity)、很大价值(value),以及高真实性(veracity)。

    大数据主要包括四种类型:结构性数据、非结构性数据、传感器数据和新类型数据。结构性数据,主要体现在电子表格上的交易数据和时间段数据,刻画了企业间交易流程的操作,比如企业的ERP数据就是结构化数据的一个重要来源;非结构性数据,包括企业的社会化数据、渠道数据、客户关系数据等,这些数据虽不反映交易状态本身,却跟交易高度相关,从这些数据中可以描述企业社会形象的大致轮廓。传感器数据,主要体现了交易相关的有形要素,比如射频识别数据、二维码数据、位置数据、温度及重力数据等;新类型数据,主要应用在可视化领域,比如视频数据、影像数据、音频数据、电子地图数据等。

    这是一个大概分类,不同的数据体现了不同的客观存在,但数据本身的价值有多高,还要依据数据的质量。对数据质量的评价标准包括内在标准和情境标准两方面,内在标准表示数据能在多大程度上准确、及时、一致和完整地反映客观事物;情境标准考察采集数据时的情境,体现在数据的相互关联性、可信度、附加价值、声誉等方面。

    兵法云:不谋全局者,不足以谋一域;不谋万世者,不足以谋一时。在供应链金融业务中,数据越“大”,越能全面描绘企业的运营能力和交易活动。所以,基于大数据的商业分析,就是围绕关键商业目标,整合企业内外分散的数据源,预见商业问题,并指导相关行动。如果提取这个概念的关键词,就形成了一个IMPACT框架:确定问题(identity)、操作数据(master)、赋予含义(provide)、可行建议(actionable)、传播沟通(communicate)和追踪结果(track)。

    其中,确定问题,是确定关键的商业问题和目标,设置清晰的时间表和工作预期;操作数据,是采集、分析和整合信息,为决策提供参考;赋予含义,是清晰表达和呈现数据的含义,及其与其他商业问题的相关性;可行建议,是基于对数据的解读,得出价值信息并提供商业建议;传播沟通,是通过多种传播途径将数据分析的结果在企业内部扩散;追踪结果,是针对数据分析结果带来的效果,制定一种跟踪评估的方法。

文章来源:快资讯