MMOG V6解读之158 | 难以验证的交互数据，易错环节自查方法

MMOG V6中的6.4.2.3.F2机构应有流程来验证已传送和接收信息的准确性（如：计划和发货排程、ASN），必要时采取纠正措施。

供应链运行的IT系统的实施是“三分设计、七分管理、十分数据”，由此可见，数据在EDI实施过程中的重要性。数据是基础，如果数据有问题，交互出来肯定也会有问题。所以企业和供应商在运行EDI时，要做好数据收集、数据输入、数据处理等工作，还要建立流程，做好信息的验证工作，确保数据准确性。

以W公司为例，他们为许多汽车主机厂（包括海外客户）供应关键零部件，每天涉及大量的订单计划、发货安排以及货物交付通知（ASN）等信息交互。曾经，由于在数据准确性方面把控不足，出现过严重的问题。当时，企业与供应商之间的数据存在差异，计划的发货排程与实际执行出现了脱节，导致一些关键零部件未能按时送达主机厂，使得主机厂的生产线被迫中断，造成了重大的停产事故。这一案例充分凸显了数据作为基础要素，一旦出现问题，在供应链各环节交互时必然会引发连锁反应，影响整个供应链的正常运作。

优秀的供应链管理者，是具备数据准确性意识的，过往的经验会告诉他们，不要盲目相信数据质量，但凡数据都值得怀疑，因为这里面出错的可能性太高了。企业和供应商所获得的数据，从数据定义、上报、汇总、加工到使用，每一道工序都可能出错，这使得数据风险大幅提升。

数据可能出错的环节：
1、数据来源多种多样，在汽车零部件行业亦是如此。比如，零部件的生产数据，有些可能来自生产线上的传感器埋点平台，实时记录着生产的数量、质量等参数；有些来自服务端对订单处理、库存管理等环节的记录；甚至还有些涉及人工对一些特殊情况的记录，像临时的工艺调整、零部件的抽检结果等。这些不同来源的数据可能存在微弱的区别，若不加甄别统一使用，就容易出错。

例如，在统计某型号汽车发动机零部件的合格率时，若将不同生产线传感器记录的数据与人工抽检记录随意拼接，很可能得出错误的合格率数值，进而影响对产品质量的判断以及后续的生产决策。

2.数据定义：即使是同一种来源里，数据也可能存在不同的记录和统计逻辑。在汽车零部件企业中，对于库存数据的定义就可能存在差异。有的部门按照零部件的入库时间来统计库龄，有的则是按照实际可投入生产使用的时间来界定，这就意味着在进行库存管理、成本核算等使用数据前，必须确认数据定义的一致性，否则各部门依据不同定义的数据进行决策，必然会导致资源调配的混乱，影响企业的正常运营。

3.排除错误数据：当企业进行产品功能迭代或者生产工艺改进后，数据上报往往会出现问题。比如，W工厂在升级了生产工艺后，相关的质量检测数据上报出现了故障，导致某个阶段的次品率数据没法正常统计。若这些异常数据不及时排除，在分析产品整体质量趋势以及改进效果时，就会极大干扰结果，可能让企业误判生产情况，错失改进的最佳时机。

 4、数据内容：要排除虚假数据。有的时候，不是所有数据都是真实可信的数据。为了进行市场调研或者测试新产品的市场反应，企业可能会设置一些虚假流量数据等。但在真正进行数据分析，比如评估某款零部件的市场需求热度时，若不留意这些虚假值，就很容易影响分析判断，做出错误的生产计划调整，导致库存积压或者供不应求的局面。

5.字段覆盖情况：实际工作过程中，出于种种原因，我们会发现很多数据字段的覆盖率不全。比如物料代码、库龄等字段，这个时候需要弄明白，究竟什么情况下数据会缺失，不要盲目相信数据是随机采样的。因为很可能部分供应商的问题，没有提供类似字段，导致样本存在明显偏差。

6.清洗错误数据：在数据管理中，数据出错极为常见。比如在物料字段里，除了名称，有时会莫名出现数字，这可能是因为不同生产车间上报逻辑不统一。又比如记录工人操作设备的时长数据出现了不符合常理的 “时间” 级别的数值，大概率是上报错误。这些错误若不通过抽样浏览明细数据等方式提前发现并处理，在后续的生产计划、成本核算等环节就会引发一系列问题。

 7、数据加工过程：谨慎对待人工处理，但凡涉及人的环节，都很容易出错。比如复杂的excel处理、大量的数据采集工作等。企业越来越倾向于将能机器处理的都交给机器。自动化的加工远比人工处理来得放心，也更容易批量处理。如果一定要人处理，也可以通过一些模板、格式要求，来限定人们的输入范围，避免离谱的错误和后期的高昂纠正成本。     

8、格式转换：数据类型繁多，在不同类型互相转换过程中也容易出错。常见的如将表示零部件规格的字符串类型转数值，或者将带有精度的浮点转整数时，很容易丢失信息，导致后续的数据分析、匹配等环节出现偏差，影响对零部件适配性等关键问题的判断。

如何验证数据准确与否：

一般来说，企业和供应商主要通过以下几个方面来判断。
1、看公司信息的一致性和完整性。有经验的供应链管理者对信息会非常敏感。他们对本企业管理数据运行很熟悉，因此，一旦看到有莫名异样的数据，就会去查个明白。正常来说，数据有自己合理的范围，如果出现了一个特别异常的值，那么就值得特别注意。此外，除了这些参考值以外，还可以同比环比横向比，如果发现某个值不符合预期，那么也应该仔细分析。

2、看客户发来的信息：客户也会出错，不能因为是客户传递过来的信息数据就听之任之。当数据有误时，就会产生“牛鞭效应”。当发现问题时，就立刻与客户联系，核对数据，确认是错误时，要及时纠正。
3、看供应商的反馈：除了企业之外，供应商出于对自己利益的考虑，对下游客户来的数据也会慎重对待，当发现异常时，会像企业一样立刻与企业联系，核对并纠正这些数据。
4、通过物料的库存：当供应商发出ASN时，系统里的库存数据会做出相应的反应。当供应商发出 ASN 时，系统里的库存数据会做出相应反应。若两者不能吻合，比如发货通知显示某零部件已发出，但库存系统中却没有相应减少的记录，立刻就可以判定数据有问题，从而及时排查是发货环节还是库存记录环节出了差错。

5、通过数据相互印证：是指数据加工过程中的前后对比。比如数据处理前后，同一个指标的平均值出现了巨大差异，而又不符合逻辑时，就说明信息来源出了问题。又比如通过不同的数据，算出来的类似指标之间，存在明显区别，那么也说明了数据错误。

在审核时，审核员对此条款不会给予很大的关注，因为这对客户影响不会很大。但企业绝不能因此而忽视。企业应积极准备好相关文件，清晰告知审核员在哪个文件中有这一条款，更重要的是要切实将数据准确性的保障措施落实到日常的供应链管理工作中，借助智能化手段以及现代管理理念，不断优化数据管理流程，提升整个供应链的运行效率和稳定性。

了解相关业务 → 或致电 086-021-54190656