Power BI 供应链仪表板：可见性和绩效跟踪

供应链可视性并不是一种奢侈——它是导致客户付出代价的延迟发货与在客户意识到存在问题之前改变路线的发货之间的区别。拥有成熟供应链分析的组织可将库存持有成本降低 15--25%，将订单履行率提高 10--20%，并将物流支出削减 8--15%。 Power BI 通过将来自 ERP 系统、仓库管理系统、运输管理系统和供应商门户的数据连接到单个分析视图中，使这种可见性成为可能。

挑战不在于连接数据。面临的挑战是设计仪表板，以正确的粒度为每个受众提供正确的指标——从跟踪今天拣货准确性的仓库经理到评估季度供应商绩效和产能规划的供应链副总裁。

本指南涵盖了 Power BI 中供应链分析仪表板的完整架构，包括数据模型、KPI 定义、DAX 度量、库存管理可视化设计、供应商绩效、订单履行、需求计划、物流成本和仓库运营。

---

供应链分析的数据模型

核心表

供应链数据模型比财务或人力资源模型更广泛，因为它们跨越多个操作系统。

产品维度 (DimProduct)。 产品主数据包括 ProductID、SKU、ProductName、类别、子类别、测量单位、重量、体积、单位成本、重新订购点、安全库存、LeadTimeDays、ABCClassification（A 项目代表价值的 80%，B 项目代表 15%，C 项目代表 5%）和 IsActive。

供应商维度 (DimSupplier)。 供应商主数据包括SupplierID、SupplierName、国家、地区、类别（原材料、组件、成品、包装）、QualityRating、OnTimeDeliveryRating、LeadTimeDays（合同）、PaymentTerms 和 IsCritical（单一来源或高价值供应商的布尔值）。

位置维度 (DimLocation)。 仓库、配送中心和商店位置，包括位置 ID、位置名称、位置类型（仓库、配送中心、商店、越库）、地址、国家/地区、地区、容量（单位或立方英尺）和运营成本。

库存快照事实表（FactInventorySnapshot）。 库存水平的每日快照。列包括 SnapshotDate、ProductID、LocationID、QuantityOnHand、QuantityAlulated、QuantityAvailable、QuantityOnOrder、UnitCost 和 TotalValue。

采购订单事实表 (FactPurchaseOrder)。 具有行级详细信息的采购订单。列包括 POID、POLineID、SupplierID、ProductID、OrderDate、RequestedDeliveryDate、ActualDeliveryDate、QuantityOrdered、QuantityReceived、UnitPrice、IsOnTime（布尔值）、IsInFull（布尔值）和 QualityPassRate。

销售订单事实表 (FactSalesOrder)。 具有履行跟踪功能的客户订单。列包括 SOID、SOLineID、CustomerID、ProductID、LocationID、OrderDate、RequestedShipDate、ActualShipDate、ActualDeliveryDate、QuantityOrdered、QuantityShipped、IsOnTime、IsInFull、IsDamageFree 和 IsDocumentCorrect。

货件事实表 (FactShipment)。 运输记录包括 ShipmentID、CarrierID、OriginLocationID、DestinationLocationID、ShipDate、DeliveryDate、重量、体积、运费、方式（卡车、铁路、海运、空运）和服务级别（标准、加急、隔夜）。

日期维度 (DimDate)。 标准日期表。

---

库存管理指标

基本库存 KPI

Inventory Value =
SUM(FactInventorySnapshot[TotalValue])

Inventory Turns =
DIVIDE(
    CALCULATE(SUM(FactSalesOrder[QuantityShipped]) * AVERAGE(DimProduct[UnitCost])),
    AVERAGE(FactInventorySnapshot[TotalValue]),
    0
)

Annualized Inventory Turns =
VAR MonthsInPeriod =
    DATEDIFF(MIN(DimDate[Date]), MAX(DimDate[Date]), MONTH) + 1
RETURN
    [Inventory Turns] * (12 / MonthsInPeriod)

Days of Supply =
VAR AvgDailyDemand =
    DIVIDE(
        CALCULATE(SUM(FactSalesOrder[QuantityOrdered])),
        DATEDIFF(MIN(DimDate[Date]), MAX(DimDate[Date]), DAY) + 1,
        0
    )
RETURN
    DIVIDE(
        SUM(FactInventorySnapshot[QuantityAvailable]),
        AvgDailyDemand,
        0
    )

Stockout Rate =
DIVIDE(
    CALCULATE(
        COUNTROWS(FactInventorySnapshot),
        FactInventorySnapshot[QuantityAvailable] <= 0
    ),
    COUNTROWS(FactInventorySnapshot),
    0
)

Overstock Rate =
DIVIDE(
    CALCULATE(
        COUNTROWS(FactInventorySnapshot),
        FactInventorySnapshot[QuantityAvailable] > DimProduct[ReorderPoint] * 3
    ),
    COUNTROWS(FactInventorySnapshot),
    0
)

Inventory Accuracy =
-- Requires cycle count data
DIVIDE(
    CALCULATE(COUNTROWS(FactCycleCount), FactCycleCount[SystemQty] = FactCycleCount[ActualQty]),
    COUNTROWS(FactCycleCount),
    0
)

库存可视化设计

仪表板第 1 页：库存状况。

顶行：库存总价值、库存周转率、供应天数、缺货率和积压率的 KPI 卡。条件格式将缺货率标记为高于 2%，并以红色标记为低于目标。

中间部分：Y 轴为库存价值、X 轴为转弯的散点图，每个气泡代表一个产品类别。左上象限中的产品（高价值、低周转）是最大的优化机会——它们占用资金却没有贡献相应的收入。

底部：列出按供应天数（升序）排序的产品的表格，显示最接近缺货的商品。包括产品名称、当前库存、每日需求率、供应天数、再订购点和订购数量等列。应用条件格式：红色表示低于安全库存，琥珀色表示低于再订购点，绿色表示充足。

ABC 分析可视化

ABC 分类根据产品对总库存价值或销售额的贡献对产品进行细分。将此可视化为帕累托图，显示按产品从高到低排序的库存价值的累积百分比。 A 线标记 80% 阈值（A 项目）和 95% 阈值（B 项目）。其余为C项。

Cumulative Value % =
VAR CurrentProduct = MAX(DimProduct[ProductID])
VAR CurrentValue = [Inventory Value]
VAR AllProducts =
    ADDCOLUMNS(
        SUMMARIZE(DimProduct, DimProduct[ProductID]),
        "@Value", [Inventory Value]
    )
VAR TotalValue = SUMX(AllProducts, [@Value])
VAR CumulativeValue =
    SUMX(
        FILTER(AllProducts, [@Value] >= CurrentValue),
        [@Value]
    )
RETURN
    DIVIDE(CumulativeValue, TotalValue, 0)

---

供应商绩效

供应商记分卡指标

Supplier On-Time Rate =
DIVIDE(
    CALCULATE(COUNTROWS(FactPurchaseOrder), FactPurchaseOrder[IsOnTime] = TRUE()),
    COUNTROWS(FactPurchaseOrder),
    0
)

Supplier In-Full Rate =
DIVIDE(
    CALCULATE(COUNTROWS(FactPurchaseOrder), FactPurchaseOrder[IsInFull] = TRUE()),
    COUNTROWS(FactPurchaseOrder),
    0
)

Supplier OTIF Rate =
DIVIDE(
    CALCULATE(
        COUNTROWS(FactPurchaseOrder),
        FactPurchaseOrder[IsOnTime] = TRUE(),
        FactPurchaseOrder[IsInFull] = TRUE()
    ),
    COUNTROWS(FactPurchaseOrder),
    0
)

Average Lead Time (Actual) =
AVERAGEX(
    FactPurchaseOrder,
    DATEDIFF(FactPurchaseOrder[OrderDate], FactPurchaseOrder[ActualDeliveryDate], DAY)
)

Lead Time Variance =
[Average Lead Time (Actual)] - AVERAGE(DimSupplier[LeadTimeDays])

Quality Pass Rate =
AVERAGE(FactPurchaseOrder[QualityPassRate])

供应商仪表板设计

供应商记分卡矩阵。 显示每个供应商的表格，其中包含 OTIF 率、平均交货时间、交货时间差异、质量合格率和总支出的列。按 OTIF 率排序以突出表现不佳者。应用交通灯条件格式。

交货时间趋势。 折线图显示所选供应商按月的实际交货时间与合同交货时间。实际交货时间与合同交货时间之间的差距不断扩大，表明供应商绩效恶化，最终将导致缺货。

供应商风险评估。 构建风险矩阵，绘制供应商支出集中度（占每个供应商采购总额的百分比）与绩效（OTIF 率）的关系。高支出、低绩效的供应商是重大风险。业绩下降的单一来源供应商需要立即制定应急计划。

供应商比较

雷达图（蜘蛛图）比较 3--5 个关键供应商的多个维度（按时交货、质量、价格竞争力、交货时间一致性和响应能力），在供应商审查会议期间提供整体视图。

---

订单履行

完美订单率

完美订单率是衡量客户满意度的黄金标准。它仅计算同时满足所有四个条件的订单。

Perfect Order Rate =
DIVIDE(
    CALCULATE(
        COUNTROWS(FactSalesOrder),
        FactSalesOrder[IsOnTime] = TRUE(),
        FactSalesOrder[IsInFull] = TRUE(),
        FactSalesOrder[IsDamageFree] = TRUE(),
        FactSalesOrder[IsDocumentCorrect] = TRUE()
    ),
    COUNTROWS(FactSalesOrder),
    0
)

On-Time Delivery Rate =
DIVIDE(
    CALCULATE(COUNTROWS(FactSalesOrder), FactSalesOrder[IsOnTime] = TRUE()),
    COUNTROWS(FactSalesOrder),
    0
)

Fill Rate =
DIVIDE(
    SUM(FactSalesOrder[QuantityShipped]),
    SUM(FactSalesOrder[QuantityOrdered]),
    0
)

Order Cycle Time =
AVERAGEX(
    FactSalesOrder,
    DATEDIFF(FactSalesOrder[OrderDate], FactSalesOrder[ActualShipDate], DAY)
)

Backorder Rate =
DIVIDE(
    CALCULATE(
        COUNTROWS(FactSalesOrder),
        FactSalesOrder[QuantityShipped] < FactSalesOrder[QuantityOrdered]
    ),
    COUNTROWS(FactSalesOrder),
    0
)

履行仪表板

KPI 卡 在顶部显示完美订单率、准时率、填充率、订单周期时间和缺货率。

履行漏斗显示完美订单与不完美订单的细分，不完美订单分解为延迟、缺货、损坏和文档错误。这种瀑布式可视化回答了“为什么我们没有达到 100%？”

矩阵中的客户或渠道履行。不同的客户或销售渠道可能有不同的履行绩效，揭示特定于某些订单类型的产能或流程问题。

每日履行趋势 以折线图形式显示过去 90 天的准时率和履行率。在您的目标水平添加参考线。每日粒度揭示了运营模式（一周中特定日期的下降、促销的影响或季节性激增）。

---

需求与供应计划

需求预测可视化

Power BI 擅长可视化供需之间的差距，使规划人员能够做出主动的库存定位决策。

Forecasted Demand =
SUM(FactDemandForecast[ForecastedQuantity])

Actual Demand =
SUM(FactSalesOrder[QuantityOrdered])

Forecast Accuracy =
1 - ABS(
    DIVIDE(
        [Actual Demand] - [Forecasted Demand],
        [Forecasted Demand],
        0
    )
)

Supply Gap =
SUM(FactInventorySnapshot[QuantityAvailable]) +
SUM(FactInventorySnapshot[QuantityOnOrder]) -
[Forecasted Demand]

需求与供应图表。 面积图将预测需求显示为线条，实际需求显示为条形（针对历史时期），可用供应显示为阴影区域，订单供应显示为辅助阴影区域。当需求线超过总供应区域时，就会出现缺口，需要采取采购行动。

产品级缺口分析。 显示每种产品的当前库存、订单数量、未来 30/60/90 天的预测需求以及由此产生的缺口或过剩的表格。按 30 天间隔排序，确定立即行动项目的优先顺序。

预测准确度跟踪

按产品类别、计划者和时间范围跟踪预测准确性。未来的预测会变得不那么准确——测量 1 周、4 周和 13 周范围内的准确性可以揭示每个产品类别的可靠计划窗口。

---

物流成本分析

运输成本指标

Total Freight Cost =
SUM(FactShipment[FreightCost])

Cost per Shipment =
DIVIDE([Total Freight Cost], COUNTROWS(FactShipment), 0)

Cost per Unit Shipped =
DIVIDE([Total Freight Cost], SUM(FactShipment[Weight]), 0)

Freight as % of Revenue =
DIVIDE([Total Freight Cost], SUM(FactSalesOrder[Revenue]), 0)

Cost by Mode =
CALCULATE([Total Freight Cost])
-- Filter by DimShipment[Mode] in visualization

物流仪表板

按模式划分的成本细分使用圆环图显示货运成本在卡车、铁路、海运和空运中的分布。空运份额的增加通常表明物流反应性（由于计划不周而催促发货）。

航线分析 按运量和成本显示排名前 20 的航线（出发地-目的地对）。地图视觉效果提供了地理背景，其中线条连接起运地和目的地，线条粗细代表货运量，颜色代表单位成本。

承运商绩效比较以矩阵形式显示每个承运商，其中包含按时交货率、损坏率、平均运输时间、每次运输成本和每磅成本的列。这使得数据驱动的运营商选择和协商成为可能。

成本趋势以折线图形式显示每月物流成本，次轴为成本占收入的百分比。百分比指标对业务量变化进行标准化，并揭示物流效率是提高还是恶化。

---

仓库利用率

空间和劳动力指标

Space Utilization =
DIVIDE(
    SUM(FactWarehouse[UsedCapacity]),
    SUM(DimLocation[Capacity]),
    0
)

Labor Productivity (Units per Hour) =
DIVIDE(
    SUM(FactWarehouse[UnitsProcessed]),
    SUM(FactWarehouse[LaborHours]),
    0
)

Pick Accuracy =
DIVIDE(
    CALCULATE(SUM(FactWarehouse[CorrectPicks])),
    CALCULATE(SUM(FactWarehouse[TotalPicks])),
    0
)

Dock-to-Stock Time =
AVERAGEX(
    FactWarehouse,
    DATEDIFF(FactWarehouse[ReceiptTime], FactWarehouse[PutawayTime], HOUR)
)

Order Processing Time =
AVERAGEX(
    FactWarehouse,
    DATEDIFF(FactWarehouse[PickStartTime], FactWarehouse[ShipTime], HOUR)
)

仓库仪表板

利用率仪表。 仪表视觉显示相对于目标的当前空间利用率（通常为 80--85%）。低于 70% 表明产能成本过剩。高于 90% 表示操作受限，导致吞吐量降低。

劳动生产率趋势。 条形图显示每周每工时的单位数，并带有目标参考线。高峰期（假日季节）的生产率下降表明何时需要临时人员或加班。

运营效率热图。 行为一天中的小时数、列为一周中的天数的矩阵，颜色强度代表吞吐量。这揭示了运营模式——哪些班次最有生产力，哪些时间有闲置产能，以及何时出现瓶颈。

---

常见问题

综合供应链仪表板需要集成哪些系统？

至少，您需要 ERP 系统（用于订单、库存和采购数据）、仓库管理系统（用于运营指标）和运输管理系统（用于发货和物流数据）。其他有价值的来源包括供应商门户（用于实时交货时间和质量数据）、需求计划系统、物联网传感器（用于实时库存和状况监控）和客户反馈系统。从 ERP 作为骨干开始，逐步添加补充资源。

供应链仪表板应该多久刷新一次？

库存和履行仪表板受益于每日或每日两次的刷新——运营决策取决于当前的库存水平和订单状态。供应商绩效和物流成本仪表板可以每周或每月刷新一次，因为这些指标的分析间隔较长。高容量环境中的仓库操作仪表板可能需要使用 DirectQuery 或流数据集进行近实时刷新（每 15--30 分钟）。将刷新频率与决策频率相匹配。

什么是好的库存周转目标？

库存周转率因行业而异。杂货和易腐烂货物：每年 20--50 周转。快速消费品：8--15转。工业和 B2B 制造：4--8 圈。重型设备和特种产品：2--4圈。将您的转向与行业基准和您自己的历史趋势进行比较。即使提高 1--2 个百分点，也可以释放大量营运资金。

如何处理供应链分析中的数据质量问题？

数据质量是供应链分析的首要挑战。常见问题包括缺少收货日期、系统之间的产品代码不一致以及发货记录不完整。在数据管道级别解决这些问题：在 ETL 流程中实施验证规则，为丢失的数据创建异常报告，并建立为每个数据域分配所有权的数据治理流程。在 Power BI 中，使用条件格式突出显示丢失或可疑数据的行，以便用户知道哪些数字值得信任。

Power BI 可以处理实时供应链监控吗？

Power BI 通过 DirectQuery（实时查询源数据库）、流数据集（用于 IoT 和事件数据的推送 API）和 Power BI Premium 自动页面刷新（对于 Premium 容量每秒刷新一次）来支持实时和近实时场景。要监控仓库运营或跟踪在途货件，请配置从 WMS 或 TMS 接收更新的流数据集。对于大多数分析仪表板，每 1--4 小时计划刷新一次即可提供足够的货币。

成交率和完美订单率有什么区别？

填充率仅衡量数量履行情况——已发货的订购单位的百分比。 95% 的填充率意味着每订购 100 件商品中，您已发货 95 件。完美订单率更为严格——它衡量的是准时、完整、无损坏且同时具有正确文档的订单的百分比。一家公司可能有 95% 的履行率，但只有 75% 的完美订单率，因为其中一些已履行的订单迟到或文书工作错误。完美订单率是更有意义的客户体验指标。

如何在仪表板中构建供应链风险可见性？

创建一个风险记分卡，其中结合了供应商集中度（单一来源风险）、地理集中度（区域中断风险）、供应库存天数（缓冲充足性）、供应商财务状况（如果有）和交货时间波动性（不可预测的供应商）。对每个风险因素进行评分并汇总成综合供应链风险指数。将其可视化为按产品类别或供应商划分的风险热图，并深入了解基础数据。当风险评分超过可接受的水平时，警报阈值会触发通知。

---

专家供应链分析

推动真正运营改进的供应链仪表板需要物流、库存管理和采购领域的专业知识，而不仅仅是 Power BI 技术技能。这些指标必须符合您的运营实际，并且可视化必须为供应链组织中的特定决策者服务。

ECOSIRE 的 Power BI 服务 为供应链和物流分析提供仪表板开发，为连接 Odoo、SAP 和其他操作系统提供ERP 集成，并为处理大型交易数据集的仪表板提供性能优化。

---

供应链可视性并不是拥有更多数据，而是在正确的时间在正确的上下文中呈现正确的数据。仓库经理需要今天的拣货准确性。采购总监需要下季度的供应商风险评估。首席财务官需要本月的库存持有成本。构建您的仪表板，为每个受众提供推动他们决策的指标，从而改善整个供应链。