近年来,随着供应链的全球化发展,越来越多的企业开始在全球范围内采购原材料、销售产品,供应链囊括了更远距离、更多数量的跨洲、跨时区的合作者,这使得供应链的结构和管理变得异常复杂。在这样一个充满不确定性、竞争压力和动荡的全球市场中,供应链很容易受到供应中断和需求波动的风险,如何优化供应链绩效,使其能够有效降低供应中断和适应需求波动已成为很多企业关注的焦点。当前,企业在制定供应链管理策略时已经离不开大数据技术的支持,大数据为供应链管理带来了革命性的改变,它将传统的供应链竞争转变为基于“数据驱动”的供应链竞争。其中学习算法作为数据驱动技术的一种,也变得越来越流行。K-近邻(K-NN)、逻辑回归(LR)、人工神经网络(ANN)以及一些集成算法,通过对数据执行分类、聚类、关联、特征选择和回归等,帮助我们从大量数据中获取有效信息,从而辅助管理者做出决策。因此,探索出一套数据驱动的模型来解决供应链绩效的优化问题具有重要的理论和现实指导意义。针对上述背景,本文首先通过梳理相关的案例和文献,归纳出了有关于供应链绩效优化问题的研究思路和研究方法,同时提出了一个基于数据驱动的模型框架。随后,我们将弹性供应商选择和需求预测作为优化供应链绩效的两个核心点进行研究,结合文中提出的数据驱动的模型框架分别开发出相应的解决方案:(1)结合仿真技术和机器学习算法,提出了一种数据驱动模型用来支持弹性供应商选择。我们将准时交货作为供应商可靠性的一个指标,结果表明,如果机器学习算法和仿真的结合使用得当,能够提高供应商订单交付的可靠性,减少发生供应中断的风险。该模型的前提是客户与供应商之间是以数据为导向的、短暂的合作关系。(2)结合真实企业数据和深度学习算法,提出了一种基于LSTM和Light GBM的组合模型用来进行需求预测。我们通过对国外某大型连锁商店销售数据的可视化分析,总结了识别数据有效特征、清理数据和构建特征工程的方法;然后,我们使用基于LSTM和Light GBM的组合模型来预测其中具有代表性的商品销售量。实验表明,该组合模型可以准确、有效地预测商品销售量,并且预测结果更具有可解释性,这对于改善企业供应链的生产经营方式、日常管理、价格管理和精准营销等具有重要意义。