物流大資料就是透過海量的物流資料，即運輸、倉儲、搬運裝卸、包裝及流通加工等物流環節中涉及的資料、資訊等，挖掘出新的增值價值，透過大資料分析可以提高運輸與配送效率，減少物流成本，更有效地滿足客戶服務要求。

1. 物流大資料的作用 物流大資料應用對於物流企業來講具有以下 3 個方面的重要作用。

1）提高物流的智慧化水平 透過對物流資料的跟蹤和分析，物流大資料應用可以根據情況為物流企業做出智慧化的決策和建議。在物流決策中，大資料技術應用涉及競爭環境分析、物流供給與需求匹配、物流資源最佳化與配置等。 在競爭環境分析中，為了達到利益的最大化，需要對競爭對手進行全面的分析，預測其行為和動向，從而瞭解在某個區域或是在某個特殊時期，應該選擇的合作伙伴。 在物流供給與需求匹配方面，需要分析特定時期、特定區域的物流供給與需求情況，從而進行合理的配送管理。在物流資源最佳化與配置方面，主要涉及運輸資源、儲存資源等。物流市場有很強的動態性和隨機性，需要實時分析市場變化情況，從海量的資料中提取當前的物流需求資訊，同時對已配置和將要配置的資源進行最佳化，從而實現對物流資源的合理利用。

2）降低物流成本 由於交通運輸、倉儲設施、貨物包裝、流通加工和搬運等環節對資訊的互動和共享要求比較高，因此可以利用大資料技術最佳化配送路線、合理選擇物流中心地址、最佳化倉庫儲位，從而大大降低物流成本，提高物流效率。

3）提高使用者服務水平 隨著網購人群的急劇膨脹，客戶越來越重視物流服務的體驗。透過對資料的挖掘和分析，以及合理地運用這些分析成果，物流企業可以為客戶提供最好的服務，提供物流業務運作過程中商品配送的所有資訊，進一步鞏固和客戶之間的關係，增加客戶的信賴，培養客戶的黏性，避免客戶流失。

2. 物流大資料應用案例 針對物流行業的特性，大資料應用主要體現在車貨匹配、運輸路線最佳化、庫存預測、裝置修理預測、供應鏈協同管理等方面。

1）車貨匹配 透過對運力池進行大資料分析，公共運力的標準化和專業運力的個性化需求之間可以產生良好的匹配，同時，結合企業的資訊系統也會全面整合與最佳化。透過對貨主、司機和任務的精準畫像，可實現智慧化定價、為司機智慧推薦任務和根據任務要求指派配送司機等。 從客戶方面來講，大資料應用會根據任務要求，如車型、配送公里數、配送預計時長、附加服務等自動計算運力價格並匹配最符合要求的司機，司機接到任務後會按照客戶的要求進行高質量的服務。在司機方面，大資料應用可以根據司機的個人情況、服務質量、空閒時間為他自動匹配合適的任務，並進行智慧化定價。基於大資料實現車貨高效匹配，不僅能減少空駛帶來的損耗，還能減少汙染。

2）運輸路線最佳化 透過運用大資料，物流運輸效率將得到大幅提高，大資料為物流企業間搭建起溝通的橋樑，物流車輛行車路徑也將被最短化、最最佳化定製。 美國 UPS 公司使用大資料最佳化送貨路線，配送人員不需要自己思考配送路徑是否最優。UPS 採用大資料系統可實時分析 20 萬種可能路線，3 秒找出最佳路徑。 UPS 透過大資料分析，規定卡車不能左轉，所以，UPS 的司機會寧願繞個圈，也不往左轉。根據往年的資料顯示，因為執行儘量避免左轉的政策，UPS 貨車在行駛路程減少 2.04 億的前提下，多送出了 350000 件包裹。

3）庫存預測 網際網路技術和商業模式的改變帶來了從生產者直接到顧客的供應渠道的改變。這樣的改變，從時間和空間兩個維度都為物流業創造新價值奠定了很好的基礎。大資料技術可最佳化庫存結構和降低庫存儲存成本。 運用大資料分析商品品類，系統會自動分解用來促銷和用來引流的商品；同時，系統會自動根據以往的銷售資料進行建模和分析，以此判斷當前商品的安全庫存，並及時給岀預警，而不再是根據往年的銷售情況來預測當前的庫存狀況。總之，使用大資料技術可以降低庫存存貨，從而提高資金利用率。

4）裝置修理預測 美國 UPS 公司從 2000 年就開始使用預測性分析來檢測自己全美 60 000 輛車規模的車隊，這樣就能及時地進行防禦性的修理。如果車在路上拋錨，損失會非常大，因為那樣就需要再派一輛車，會造成延誤和再裝載的負擔，並消耗大量的人力、物力。 以前，UPS 每兩三年就會對車輛的零件進行定時更換，但這種方法不太有效，因為有的零件並沒有什麼毛病就被換掉了。透過監測車輛的各個部位，UPS 如今只需要更換需要更換的零件，從而節省了好幾百萬美元。

5）供應鏈協同管理 隨著供應鏈變得越來越複雜，使用大資料技術可以迅速高效地發揮資料的最大價值，整合企業所有的計劃和決策業務，包括需求預測、庫存計劃、資源配置、裝置管理、渠道最佳化、生產作業計劃、物料需求與採購計劃等，這將徹底變革企業市場邊界、業務組合、商業模式和運作模式等。 良好的供應商關係是消滅供應商與製造商間不信任成本的關鍵。雙方庫存與需求資訊的互動，將降低由於缺貨造成的生產損失。透過將資源資料、交易資料、供應商資料、質量資料等儲存起來用於跟蹤和分析供應鏈在執行過程中的效率、成本，能夠控制產品質量；透過數學模型、最佳化和模擬技術綜合平衡訂單、產能、排程、庫存和成本間的關係，找到最佳化解決方案，能夠保證生產過程的有序與勻速，最終達到最佳的物料供應分解和生產訂單的拆分。

3. Amazon 物流大資料應用 Amazon 是全球商品品種最多的網上零售商，堅持走自建物流方向，其將整合物流與大資料緊緊相連，從而在營銷方面實現了更大的價值。由於 Amazon 有完善、最佳化的物流系統作為保障，它才能將物流作為促銷的手段，並有能力嚴格地控制物流成本和有效地進行物流過程的組織運作。 Amazon 在業內率先使用了大資料、人工智慧和雲技術進行倉儲物流的管理，創新地推出預測性調撥、跨區域配送、跨國境配送等服務。

1）訂單與客戶服務中的大資料應用 Amazon 了完整的端到端的 5 大類服務：瀏覽、購物、倉配、送貨和客戶服務等。

① 瀏覽 Amazon 基於大資料分析技術來精準分析客戶的需求。透過系統記錄的客戶瀏覽歷史，後臺會隨之把顧客感興趣的庫存放在離他們最近的運營中心，這樣方便客戶下單。

② 購物 不管客戶在哪個角落，Amazon 都可以幫助客戶快速下單，也可以很快知道他們喜歡的商品。

④ 送貨 Amazon 的物流體系會根據客戶的具體需求時間進行科學配載，調整配送計劃，實現使用者定義的時間範圍內的精準送達。Amazon 還可以根據大資料的預測，提前發貨，贏得絕對的競爭力。

⑤ 客戶服務 Amazon 利用大資料驅動客戶服務，建立了技術系統來識別和預測客戶需求。根據使用者的瀏覽記錄、訂單資訊、來電問題，定製化地向用戶推送不同的自助服務工具，大資料可以保證客戶能隨時隨地電話聯絡到對應的客戶服務團隊。

2）智慧入庫管理技術 在 Amazon 全球的運營中心，從入庫這一時刻就開始使用大資料技術。

① 入庫 Amazon 採用獨特的採購入庫監控策略，基於自己過去的經驗和所有歷史資料的收集，來了解什麼樣的品類容易壞，壞在哪裡，然後給其進行預包裝。這都是在收貨環節提供的增值服務。

② 商品測量 Amazon 的 Cubi Scan 儀器會對新入庫的中小體積商品進行長寬高和體積的測量，並根據這些商品資訊最佳化入庫。這給供應商提供了很大方便，客戶不需要自己測量新品，這樣能夠大大提升新品上線速度。Amazon 資料庫儲存下這些資料，在全國範圍內共享，這樣其他庫房就可以直接利用這些後臺資料進行後續的最佳化、設計和區域規劃。

3）智慧揀貨和智慧演算法 Amazon 使用大資料分析實現了智慧揀貨，主要應用在以下幾個方面。

① 智慧演算法驅動物流作業，保障最優路徑 Amazon 的大資料物流平臺的資料演算法會給每個人隨機地最佳化他的揀貨路徑。系統會告訴員工應該去哪個貨位揀貨，並且可以確保全部揀選完之後的路徑最少。透過這種智慧的計算和智慧的推薦，可以把傳統作業模式的揀貨行走路徑減少至少 60%。

② 圖書倉的複雜的作業方法 圖書倉採用的是加強版監控，會限制那些相似品儘量不要放在同一個貨位。批次的圖書的進貨量很大“Amazon透過對資料的分析發現，穿插擺放可以保證每個員工出去揀貨的任務比較平均。

4）智慧隨機儲存 隨機儲存是 Amazon 運營的重要技術，但是隨機儲存不是隨便儲存，而是有一定的原則性的。隨機儲存要考慮暢銷商品與非暢銷商品，還要考慮先進先出的原則，同時隨機儲存還與最佳路徑有重要關係。 隨機上架是 Amazon 的運營中心的一大特色，實現的是見縫插針的最佳儲存方式。看似雜亂，實則亂中有序。亂是指可以打破品類和品類之間的界線，可以把它們放在一起。有序是指庫位的標籤就是它的 GPS，這個貨位裡面所有的商品其實在系統裡面都是各就其位，非常精準地被記錄在它所在的區域。

5）智慧分倉和智慧調撥 Amazon 智慧分倉和智慧調撥擁有獨特的技術優勢，在 Amazon 中國的 10 多個平行倉的調撥完全是在精準的供應鏈計劃的驅動下進行的，它實現了智慧分倉、就近備貨和預測式調撥。 全國各個省市包括各大運營中心之間有幹線的運輸調配，以確保庫存已經提前調撥到離客戶最近的運營中心。整個智慧化全國調撥運輸網路很好地支援了平行倉的概念，全國範圍內只要有貨使用者就可以下單購買，這是大資料體系支援全國運輸調撥網路的充分表現。

6）精準庫存預測 Amazon 的智慧倉儲管理技術能夠實現連續動態盤點，對庫存預測的精準率可達 99.99%。在業務高峰期，Amazon 透過大資料分析可以做到對庫存需求的精準預測，在配貨規劃、運力調配，以及末端配送等方面做好準備，從而平衡了訂單運營能力，大大降低爆倉的風險。

7）視覺化訂單作業、，包裹追蹤 Amazon 實現了全球視覺化的供應鏈管理，在中國就能看到來自大洋彼岸的庫存。Amazon 平臺可以讓國內消費者、合作商和 Amazon 的工作人員全程監控貨物、包裹位置和訂單狀態。從前端的預約到收貨到內部儲存管理、庫存調撥、揀貨、包裝，再到配送發貨，送到客戶手中，整個過程環環相扣，每個流程都有資料的支援，並透過系統實現對其的視覺化管理。

4. 國際物流大資料應用 DHL 應用大資料加快了自身反應速度，透過分析客戶資料做到了精準服務；UPS 透過大資料調整了配送策略節省了大量燃油成本；Fleet Risk Advisors 可對車隊管理做全程監控，甚至能覺察到司機的心理變化。

1）DHL DHL 速遞貨運公司的快運卡車被特別改裝成為 Smart Truck，並裝有摩托羅拉的 XR48ORFIO 閱讀器。每當運輸車輛裝載和解除安裝貨物時，車載計算機會將貨物上的 RFID 感測器的資訊上傳至資料中心伺服器，伺服器會在更新資料之後動態計算出最新最優的配送序列和路徑。 此外，在運送途中，遠端資訊處理資料庫會根據即時交通狀況和GPS資料實時更新配送路徑，做到更精確的取貨和交貨，對隨時接收的訂單做出更靈活的反應，以及向客戶提供有關取貨時間的精確資訊。如下圖所示:

DHL 透過對末端運營大資料的採集，實現了全程視覺化的監控，以及最優路徑的排程，同時精確到了每一個運營結點。此外，擁有 Crowd-Based 手機應用程式的顧客可以實時更新他們的位置或即將到達的目的地，DHL 的包裹配送人員能夠實時收到顧客的位置資訊，防止配送失敗，甚至按需更新配送目的地。

2）FedEx FedEx 聯邦快遞可以讓包裹主動傳遞資訊。透過靈活的感應器（如 SenseAware）來實現近乎實時的反饋，包括溫度、地點和光照，使得客戶在任何時間都能瞭解到包裹所處的位置和環境，而司機也可在車裡直接修改訂單物流資訊。 除此以外，聯邦快遞正在努力推動更加智慧的遞送服務；實現在被允許的情況下對客戶所處的地理位置的實時更新和了解，使包裹更快速和精確地送達客戶的手中。FedEx 將來可以根據收集到的歷史資料和實時增量資料，透過大資料解決方案解決 FedEx 更多的問題，從而提升競爭力。如下圖所示:

3）FleetBoard FleetBoard 致力於透過大資料處理為物流行業使用者提供遠端資訊化車隊管理解決方案，實現資料採集和全程監控，包括駕駛司機的駕駛動作、車輛溫度、車門開啟等細節。車輛上的終端透過移動通訊系統與 FleetBoard 的伺服器建立聯絡，互換資料。 物流公司或車隊管理者可直接訪問 GPS 及其他若干實時資料，如車輛行駛方向，停車/行駛時間和裝/卸貨等資訊。此外，透過計算駕駛員急加速、急剎車的次數，經濟轉速區行駛時間和怠速長短等資訊，可以直接幫助駕駛員發現駕駛命令中的問題並改進提高。FleetBoard 的物流大資料應用如下圖所示:

對於冷鏈運輸的使用者，FleetBoard有專門的資料管理系統來實時監測冷藏車的溫度、車門是否開啟等情況，自動向手機或電子郵箱傳送警示資訊。

4）Con—Way Freight Con-Way Freight 可提供零擔運輸、第三方物流和大宗貨物運輸等服務，範圍覆蓋了全美及北美五大洲的 18 個國家。 Con-Way Freight 透過使用大資料解決方案使得系統能夠整合實時增量資料，並透過詢問和處理非結構化資料快速得出準確的答案。 Ad-Hoc 系統使得公司可以定義需要監控的配送流程，預測商業活動內部和外部因素的影響，以及為 CRM 和營銷計劃提供消費者劃分，甚至可以定位到任何一位客戶，實時分析送達率和具體的貨運損失等資訊。而 Score Carding 系統能夠將原定目標和實時表現進行對比，使 Con-Way Freight 能夠隨時根據對比結果全面調整和提高運營表現。如下圖所示:

Con-way Freight 高管能夠透過大資料解決方案快速得出準確的資料報告，做岀恰當及時的運營決策。

5）C.H.Robinson C.H.Robmson 第三方物流公司擁有全美最大的卡車運輸網路，卻沒有一輛貨車。它用 1.5 億美元的固定資產，創造了 114 億美元的收入、4.5 億美元的利潤。它的新生始於 1997 年的商 業模式變革，主動放棄了自有貨車，建立了專門整合其他運輸商的物流系統，透過系統對社會 資源進行整合建立新的平臺經濟。如圖 5 所示，C.H.Robmson 的平臺模式由 3 部分構成：TMS 平臺，用來連結運輸商；“導航球” Navisphere 平臺，用來連線客戶；做支付的中間賬戶， 同時提供諮詢服務。2012 年，支付服務帶來大約 5 億美元的淨收入，諮詢服務帶來了 12 億美 元的收入。 C.H.Robinson 透過系統的兩大平臺：導航球（Navisphere）和 TMS 平臺，來對接客戶群和運輸商，沉澱形成的大資料庫可支援 C.H.Robinson 的增值服務。如下圖所示:

6）FRA FRA（Fleet Risk Advisors）為運輸行業提供了預測分析和風險預防或補救解決方案。FRA 根據歷史資料和實時增量資料可得出司機工作表現模型和若干預測模型，能夠準確地預測可避免的事故、員工流動等問題。 例如，根據司機實時的工作表現波動情況，預測司機疲勞程度和排班安排等，為客戶提供合理的解決方案以便提高司機安全係數，此外還能根據司機和機動車的實時狀況預測可能發生的風險，並及時提供預防或補救解決方案。FRA 利用大資料預測模型取得了很好的效果，如下圖所示:

FRA 透過大資料解決方案得出司機工作表現的若干預測模型，解決了事故發生率和人員流動等人事部門的問題。

物流市場的動態性和隨機性很強，從大資料中可以獲取市場變化、物流需求等資訊，及時規劃和調整資源配置，同時可因此最佳化物流路線規劃，降低物流成本和提高時效等。

所謂物流的大資料，即運輸、倉儲、搬運裝卸、包裝及流通加工等物流環節中涉及的資料、資訊等。透過大資料分析可以提高運輸與配送效率、減少物流成本、更可以有效地滿足客戶的服務要求。

資訊平臺並不是簡單地為企業客戶的物流活動提供管理服務，而是要透過對企業客戶所處供應鏈的整個系統或行業物流的整個系統進行詳細分析後，提出具有中觀指導意義的解決方案。許多專業從事物流資料資訊平臺的企業形成了物流大資料行業。

早在去年3月，京東就陸續同新浪、航海集團簽訂了戰略合作協議，在大資料方面實現了共享互通，來為助推物流全球化戰略佈局。從阿里聯合銀泰百貨推出“門店發貨”服務，到華潤萬家在杭州及南京的大賣場業態正式入駐京東到家，這不僅革新並優化了購物體驗，同時也對同城物流配送提出了更高的要求。機遇與挑戰同在，大資料的應用必將成為各家物流企業的競爭力之一。

這是一個高速發展的資訊時代，在物流行業蓬勃發展的今天，沒有資訊化、網路化的物流，沒有大資料作為支撐的物流，是難以發展為真正意義的現代物流的。