نشریه «ساپلای چین دیجیتال» در گفت وگو با کارشناسان حوزه کلان داده یا بیگ‌دیتا، نحوه استفاده از فناوری‌های نوآورانه در ارزیابی تاثیرات کووید19 برا توضیح داده است. "کلان‌داده" ، به سان قوی سیاهی، همان پدیده حیرت‌انگیز و نامتعارفی است که در آینده نزدیک همه چیز را در همه‌جا دگرگون خواهدکرد.

تنها در عرض چند ماه کوتاه، تاثیرات کووید19 نه تنها  بر روش فعالیت زنجیره‌های تامین که  روند فعالیت در همه سازمان‌ها را متحول کرده است. بر اساس گزارش‌های دیلویت، یک شرکت بین المللی مشاوره مدیریت، هر چند تاثیرات کامل کووید19 بر زنجیره‌های تامین هنوز مشخص نشده است، اما تردیدی نیست که تاثیرات جهانی آن بر اقتصاد و تعاملات مالی، در همه بخش‌های زنجیره‌های تامین از مواد خام تا محصولات نهایی، حس خواهد شد.
 زنجیره‌های تامین، در عین پیچیدگی، برای رقابتی‌شدن فعالیت بسیاری از شرکت‌ها، حیاتی هستند. دیلویت توضیح می‌دهد که ماهیت جهانی و به‌هم پیوسته آن‌ها باعث می‌شود تا هم آسیب‌پذیری این زنجیره‌ها در برابر بسیاری از خطرات بیشتر شود و هم قدرت هضم تاخیرها و اختلالات کمتر شود. در طول یک دهه گذشته، تمرکز بر بهینه سازی زنجیره تامین و حداقل کردن هزینه‌ها، کاهش موجودی انبار و افزایش کاربرد دارایی‌ها، باعث شده است تا میزان انعطاف‌پذیری برای هضم تاخیرها و اختلالات از بین رفته و در نتیجه کووید19 نشان داد که چه تعداد از شرکت‌ها توانسته‌اند آسیب‌پذیری خود در برابر شوک‌های جهانی را در زمینه روابط موجود در زنجیره تامین، درک کنند. 
 
کلان داده و تحلیل در زنجیره تامین برای مدیریت تاثیر کووید19
واضح است که در ماه‌های آتی، فناوری به بخش مهمی از عملیات‌ کلیدی شرکت‌ها بدل خواهد شد.
 فرد‌ بومان، معاون بخش راهبردهای صنعتی Blue Yonder می‌گوید که در فضای کنونی که همه‌گیری کووید19 باعث این سطح از بی‌ثباتی در زنجیره‌های جهانی تامین شده‌است، نیاز به شفافیت و هماهنگی، بسیار بیشتر  از گذشته احساس می‌شود. کلان داده، کلید شناسایی مسای کل زنجیره تامین و کمک به برنامه‌ریزی برای شرایط متغیر و هماهنگی آنی با آن‌هاست. شرکت‌ها با دسترسی به داده‌ها از طریق هوش مصنوعی و یادگیری ماشین می‌توانند:
- مدل‌سازی و پیش‌بینی بهتری برای تقاضا انجام دهند.
-  تامین را با تقاضا هماهنگ کنند.
- سفارش‌گذاری را خودکار کنند.
- سطح موجودی انبار را با رعایت بهینه‌سازی حاشیه اطمینان و هزینه‌ها تعیین کنند.
- و بالاخره، تغییر میزان موجودی انبار در پاسخ به کمبودهای احتمالی در هر منطقه را تقریبا به صورت آنی انجام دهند.
بومان می‌افزاید:"کلان‌داده‌ها و تحلیل‌ آن‌ها، ابزارهایی هستند که صنعت زنجیره تامین را یک قدم ارتقا داده و امکان پیش‌بینی و برنامه‌ریزی را فراهم می‌کنند. به این ترتیب می‌توان برای رخدادها از ماه‌ها قبل از حادث شدن برنامه‌ریزی کرد نه اینکه بعد از هر اتفاقی، تنها گزارشگر آن باشیم. در واقع، شرکت‌ها با شناسایی عواملی که در ابتدا بی‌ربط به نظر می‌آمدند، به خوبی می‌توانند تصمیماتی فوری و تاثیرگذار بگیرند و این امکانی است که در گذشته وجود نداشت".
اندی کازینز، معاون ارشد و مسئول فروش بین‌المللی شرکت نرم‌افزاری اپیکور، نیز معتقد است که: "استفاده از جریان روزانه داده، یکی از نیازهای جاری این صنعت است و سیستم‌ها می‌توانند به تصمیم‌سازی و انتخاب سریع‌تر و عاقلانه‌تر، کمک کنند."
جویلیون آستین، از مدیران یک شرکت زنجیره تامین، معتقد است وقتی پای پذیرش موفق این فناوری‌ها در میان باشد: "شرکت‌ها باید کار را در ابعاد کوچکتر شروع و از رویکردهایی چابک استفاده  کنند و در عین حال، آماده درس گرفتن از اشتباهات خود و تغییر مسیر به سمت موفقیت باشند."
زنجیره‌های تامینی که بر اساس بهترین ارزش‌های تجاری کار می‌کنند، همیشه پروژه‌ها را با هدف‌هایی روشن و در جست و جوی پاسخ به چالش‌هایی بنا می‌کنند که با آنها روبه رو هستند. این مسئله در بیشتر موارد به معنی جستجوی "فرصت در درون داده‌ها"  است؛ اما رویکرد ارزش‌محور، تلاش می‌کند تا این دیدگاه را به تفکر "استفاده از داده"، بدل کند و به این سوال پاسخ دهد که به چه بینشی برای استفاده از فرصت نیاز دارم.
آستین همچنین تاکید می‌کند که: "گرچه  تاکنون حرف‌های زیادی درباره ایجاد منابع داده‌ای برای بیرون کشیدن تحلیل از آن‌ها زده شده، اما سازمان‌ها باید به دنبال فناوری‌های داده‌کاوی باشند که می توانند داده‌ها را در منابع متفاوت (داخلی و خارجی) جستجو کنند و سپس آن‌ها را  به شکل ساختاریافته‌ای، ارائه کنند. به‌کارگیری یادگیری ماشین( Machin Learning) هم می‌تواند، ارزش‌های مضاعفی برای داده‌ها خلق کند."
آستین هم‌چنین توضیح می‌دهد: "به‌کارگیری هدفمند کلان‌داده در کنار تحلیل می‌تواند به افزایش تمرکز بر سلامت زنجیره تامین منجر شود. این فناوری به فعالان زنجیره تامین قدرت و ابزار لازم ( در سطح برنامه‌ریزی، تولید و لجستیک) را می‌دهد تا هم سلامت داده را درک و مدیریت کنند و هم تغییر زنجیره تامین به سمت فعالیت‌های با‌ارزش‌تر را ممکن سازند."

زبان غیر مشترک؛ چالش تعریف داده
 چالش اصلی در کلان داده و تحلیل، آن است که داده‌های سراسر زنجیره تامین، نقطه به نقطه در اختیار هیچ نهادی به تنهایی نیست و تعریف داده (زبان یا فرمت داده) بین صنایع گوناگون و  همینطور مراحل مختلف زنجیره تامین، متفاوت است.
بهترین رویکرد در این مسیر، استفاده از پلتفرم‌هایی با API باز است که می‌تواند داده را به صورت آنی، از هر منبعی دریافت کند.
البته تحقیقات اخیر نشان می‌دهد که نیاز به تجربه در حوزه احصا و بهره‌برداری از داده به صورت مستمر در حال افزایش است. تقریبا سه چهارم کارمندان مدعی هستند که با داده‌های بیشتری سر و کار دارند و تقریبا دو سوم آن‌ها می‌گویند که حجم ایمیل‌های دریافتی‌شان در هر روز بیشتر از توان پردازش‌شان است. بیش از یک سوم آن‌ها هم می‌گویند که حجم بالای اطلاعات ورودی، باعث استرس آن‌ها و مانع اتخاذ تصمیم‌های تجاری مناسب  می‌شود.
 فناوری‌های هوش تجاری و نرم‌افزارهای تحلیل – شامل سیستم‌های برنامه‌ریزی منابع سازمان (ERP) و نرم‌افزار اجرای تولید (MES) –  از طریق جمع‌آوری، پالایش و تفسیر داده‌های معنادار و زمان‌بندی‌شده و همچنین مشخص‌کردن مسائل و حوزه‌هایی عمل می‌کنند که باید توجه بیشتری دریافت کنند.
با تحلیل این  فناوری‌ها، تصمیم ‌گیرندگان می‌توانند به سرعت به داده‌ها دسترسی پیدا کرده و امکان اتخاذ تصمیمات مناسب برای بهینه‌سازی عملیات در کل کسب و کار  سهل تر و دقیق‌تر می شود که شامل  حوزه های مختلف از جمله برنامه‌ریزی تقاضا و خدمات مشتریان هم می‌شود و در نهایت سود بیشتری برای شرکت خلق می‌کند.