物(wù)流之數據治理
浏覽量:
(一(yī))、數據倉庫技術
設計一(yī)個新倉庫，翻新一(yī)個現有的倉庫，或改善倉庫運營需要詳細了解設施設備能負載的工(gōng)作量。其中(zhōng)，必須分(fēn)析客戶訂單模式和它如何決定設施内的工(gōng)作量。下(xià)面，我(wǒ)們來看看如何進行倉庫數據統計分(fēn)析：
數據來源：
主要有三類必需的數據用于支撐性能分(fēn)析：每個SKU有關的數據，客戶訂單有關的數據和倉庫内位置相關的數據。
SKU數據收集關于每個SKU包涵的有用的信息
•一(yī)個區别于其他所有SKU的唯一(yī)ID，能夠允許我(wǒ)們将其他資(zī)料和這個數據連接起來
•一(yī)個簡短的文本解釋，用于确認和檢查錯誤
•産品系列可能對存儲和操作有一(yī)定的影響，這些尤其成爲産業的趨勢，所以必需了解内容。比如，一(yī)個藥品連鎖店(diàn)的産品系列可能包括護發産品，牙科産品，剃須産品等，在零售店(diàn)裏都擺放(fàng)在一(yī)起。對于雜(zá)貨店(diàn)經銷商(shāng)來說，産品系列可能包括幹貨、日化、生(shēng)産、冷藏、冷凍等。
對于一(yī)個糖果經銷商(shāng)來說，産品系列可能包括巧克力（對熱度過敏），薄荷味的糖（有氣味），棉花糖（輕，容易吸收其周圍的氣味）等等。對于一(yī)個服裝經銷商(shāng)來說，産品系列可能包括服裝類型，磨（mill），款式，顔色或大(dà)小(xiǎo)。請注意，一(yī)個SKU可能會超出一(yī)種産品系列。
•倉庫内存儲位置的地址，可能包括區，過道，部件，貨架和貨架上的位置
•對于以這種SKU存儲的每個位置
存儲單元的規模，如托盤或箱子，有利于驗證和檢查錯誤
存儲單元的物(wù)理維度（長度，寬度，高度，重量），都有利于認識所需求的空間
銷售單位的規模，如箱數或件數，這利于驗證和檢查錯誤
每個存儲單元所銷售的數量，這可能是1
•推出日期，這有助于識别可能因新推出的在作業中(zhōng)所代表數不足的SKU
•按月或周的最大(dà)庫存水平，這有助于确定有多少空間必須提供給這個SKU
倉庫所使用的不同類型的存儲單元和銷售單元是有區别的，了解這些約定顯得尤爲重要，例如，詞語“紙(zhǐ)箱”通常被稱爲其它名稱（“箱”，“盒”），并根據其在一(yī)個倉庫中(zhōng)使用時所能具有本質上的不同的含義。
例如，一(yī)個供應商(shāng)出貨的一(yī)個紙(zhǐ)箱内可能包含幾個包，每個包内包含幾個盒子，每個盒子包含着件數（如圖2.2），一(yī)個标準的例子，辦公産品經銷商(shāng)提供一(yī)個标準SKU的圓珠筆，制造商(shāng)可能會提供12隻産品作爲一(yī)盒（如同你在商(shāng)店(diàn)裏看到一(yī)樣），12盒爲一(yī)個内包裝（放(fàng)在一(yī)個薄紙(zhǐ)箱容器），4個内包裝爲一(yī)個紙(zhǐ)箱，供應商(shāng)的紙(zhǐ)箱（或貨運單位）裏總共有576隻筆。雖然每個術語，盒、内包、紙(zhǐ)箱、貨運單位都普遍使用，也并沒有約定它們适用于哪個級别的包裝。
了解這個包裝的數據如何存儲在數據庫中(zhōng)，是很重要的，常常零售客戶（經銷商(shāng)的）必需購買的銷售單位的整數倍數量，筆的銷售單位可能是每一(yī)個，這意味着一(yī)個客戶實際上可以訂購不足一(yī)個12隻筆的完整的盒子。在數據庫中(zhōng)這些信息可能被存儲爲任一(yī)數字“1”或符号“EA”（代指每個），如果客戶必需是購買盒數的，那麽銷售單位可能被列爲“12”或“盒”。
現在假設數據庫記錄的客戶購買是12，出現在訂單揀選員(yuán)的揀貨單上的是什麽？究竟是什麽意思？12隻筆（1盒）或12盒？如果您認爲這意味着12隻筆的時候，而實際上表示12盒，你會低估需求12的一(yī)個因素。如果制造商(shāng)銷售的筆以件數計，會計将以一(yī)隻單一(yī)的筆爲單位記錄交易，盡管在出站端對它是如何被轉售有限制。
爲确保一(yī)緻性，人們可以随時以最小(xiǎo)的物(wù)理單位記錄，鋼筆數，但這要求訂單揀選員(yuán)清楚，如：156隻=13盒。爲了便于精确揀貨，所要求的記錄可能是13，同時訂單揀選員(yuán)需要知(zhī)道，這意味着13盒。（當然，如果另種筆是以隻數轉售的，這會導緻混亂），爲了避免這種混亂情況，許多設施都以會計目的，将如何記錄需求和如何将其呈現在揀貨清單上分(fēn)開(kāi)處理，例如，揀貨清單上應該這樣說：需求=156=13盒12隻裝。
還有另外(wài)一(yī)個原因是這種包裝的數據很重要，它總是以某種輕松手持容器而不是松散的件數，更高效的存儲和處理産品。以筆作爲案例，這個處理單元可以是12盒或12箱的内包。爲了補充庫存産品的貨架，這将是更容易以内包裝單位補貨。爲了貨架的空間效率和訂單揀選效率，堆放(fàng)整齊的盒裝産品将是更好的存儲方式。
SKU的數據可能保存在一(yī)個公司内不同的數據庫，所以收集所有數據可能會呈現出挑戰，作爲一(yī)般的規則，如果你認爲一(yī)些數據可能是相關的有最小(xiǎo)的機會，那麽收集它！
訂單曆史訂單曆史就是在過去(qù)一(yī)年提交的所有顧客的購物(wù)清單的簡單串聯，它包含以下(xià)信息
•這個訂單唯一(yī)的ID，與其他客戶的購物(wù)清單所區别，并從另一(yī)天或之後的同一(yī)天，區分(fēn)同一(yī)客戶的購物(wù)清單
•SKU唯一(yī)的ID，可以讓我(wǒ)們看見SKU就明白(bái)它存儲的地方
•客戶
•特殊處理
•訂單揀選日期/時間
•出貨數量
爲了分(fēn)析倉庫操作，你必須要對你獲得這個數據仔細，通常這個數據是來自于銷售交易數據庫，通過金融作業而不是倉庫作業。結果，記錄的日期可能是代表訂單被放(fàng)置或印刷時的日期，不是當它在設施中(zhōng)被處理的日期。
類似地，出現在銷售交易數據庫的訂單也許實際上已經在另一(yī)台設備處理過了。然而，一(yī)般情況下(xià)，有些地方的信息是可用的，因爲每天訂單揀選員(yuán)不得不知(zhī)道要揀選的東西。
記住，一(yī)個訂單曆史記錄的主要是财務信息，好的一(yī)點是它很可能是非常準确的；但它也可以是誤導性的，因爲它所代表的是金融交易，而不必是操作作業。例如，它可以發生(shēng)這樣的情況，所被要求的SKU顯示的金額爲負數，但這通常意味着類似的貨物(wù)被退回和進貨到貨架上。
有一(yī)個簡單的檢查是否收到的訂單數據大(dà)約是正确的，大(dà)部分(fēn)公司持續跟蹤每一(yī)天的發貨線路，作爲第一(yī)個驗證檢查的辦法，按時間段計算在數據庫中(zhōng)的線路數，這些數字應該與所記錄的數據非常匹配。（如果您隻是獲知(zhī)相信員(yuán)工(gōng)已經發貨，當通過仔細處理數據庫後得到的數字是明顯不同時，請不要感到驚訝。）
訂單數據将會是你必須管理的最大(dà)的文件，用一(yī)個粗略的估計預計每行每條線路約50個字節，每天的線路數可以涵蓋從2000-8000條（每年0.5-2萬條線路）爲一(yī)般活躍的設施（例如辦公用品，高級紙(zhǐ)張，電(diàn)信物(wù)資(zī)）。
到每天10000-40000條線（每年2.5-10萬條）爲一(yī)個非常活躍的設施（例如，服務配件，零售藥店(diàn)），更達到每天超過80000條線路（每年20萬條）爲最活躍的設施（例如，藥物(wù)或目錄分(fēn)銷）。因此，一(yī)年的訂單數據可能超過100兆字節.
倉庫的布局與選址一(yī)張倉庫的地圖讓我(wǒ)們清楚每個SKU存儲的地點，我(wǒ)們可以推斷，一(yī)個訂單揀選員(yuán)不得不前往這個位置取回産品;并從圖上我(wǒ)們可以推斷一(yī)些關于所需行走的事情，這将使我(wǒ)們能夠評估選擇布局和倉庫的設計。
（二）、物(wù)流數據分(fēn)析，主要分(fēn)析什麽？
在做物(wù)流規劃設計時，人們往往對設計指标感到茫然，對新員(yuán)工(gōng)尤其如此。有些設計人員(yuán)比較急躁，一(yī)上來就急于做方案、畫圖，結果畫來畫去(qù)，就不知(zhī)道自己到底要做什麽了。耽誤了不少時間不說，設計方案要麽不知(zhī)所雲，要麽離(lí)題萬裏，對用戶是一(yī)個很大(dà)的傷害。
一(yī)個良好的設計習慣，往往是應該首先明确設計目标，了解清楚設計要求之後，再去(qù)動筆，就比如寫文章，總應該先确定寫什麽主題，目的是什麽，給誰看，然後才開(kāi)始寫提綱、反複推敲提綱、找好素材和參考資(zī)料，再動筆寫，然後再反複推敲、修改潤色。不然，就很難寫成一(yī)篇有質量的文章。畫圖雖然很重要，但到底隻是一(yī)種比較簡單的勞動，而畫什麽，表現什麽主題，達到什麽目标才是設計的關鍵。
設計是如此，對一(yī)個設計方案的評價也是如此。我(wǒ)遇到很多客戶要求評價一(yī)個總體(tǐ)的方案，其實這是很難的。其中(zhōng)關鍵的一(yī)點就是，方案是設計需求的響應，對方案進行評估，首先要對設計目标進行分(fēn)析和評估，這才是根本。
數據分(fēn)析是一(yī)件很嚴肅和需要專業知(zhī)識的工(gōng)作，并非僅僅對數據進行簡單的加減排列組合就可以了。我(wǒ)特别反對那些不注重數據分(fēn)析的客戶。一(yī)項設計，設計指标是基礎。基礎出現問題，你選用的設備再好，系統再先進，也是于事無補的。
其實物(wù)流倉儲系統的規劃設計也沒有那麽難，關鍵一(yī)點是需求要清楚明确。而需求是可以用數據來描述和定義的。一(yī)個項目，其關鍵數據也就那麽幾個而已，如收貨量、發貨量、庫存量、拆零量、SKU等，并不難掌握。本文就講一(yī)講這些最基本的需求，爲了便于理解，主要從物(wù)流倉儲的幾個環節進行描述。
基礎數據
在進行系統性描述之前，一(yī)定要清楚物(wù)流的作業當量最後是以小(xiǎo)時來計算的（當然還可以細化到半小(xiǎo)時，甚至更小(xiǎo)單位）。所以，我(wǒ)們所有的物(wù)流量，最終要以小(xiǎo)時當量來計算。然而，從用戶那裏得到的實際的設計指标，很可能是年度的作業綱領，如年配送100億。這個數據非常重要，卻也是非常不确定的，因爲從這個指标推導下(xià)來，就會看到，每年的作業天數、每天的作業時間、貨物(wù)的價值、倉庫庫存周轉次數等，對最終設計都有很大(dà)的影響。所以，這些關聯數據應該是要首先明确的。
假設設計綱領是G(年配送目标，億元)，單箱價格是p，則年度總配送箱數是：
Q = G/p
假設每年作業天數是N（天），每天工(gōng)作時間是t，則每小(xiǎo)時的作業量是：
q = Q/N/t
如果庫存周轉天數爲D，則庫存量的計算公式如下(xià)：
W = q*t*D
以上的數據關系都很容易推導，但在實際中(zhōng)要注意的是：不同的作業，其作業時間可能是變化的，如高峰時期每天作業時間要大(dà)于平常作業，發貨時間有時也與收貨時間不同等，會增加計算和分(fēn)析的難度。
在進行具體(tǐ)數據分(fēn)析時，還要明确箱與托盤的對應關系。托盤一(yī)般選擇标準托盤（1200*1000），假設平均的滿盤量爲n，則庫存托盤數應爲：P = W/n
當然，在描述具體(tǐ)數據時，要區分(fēn)收貨、發貨還是退貨，每一(yī)個作業也許是不一(yī)樣的。很多時候，用戶是不清楚這些差異的，或者表述不清楚，那麽我(wǒ)們就應該将自己的經驗或理解進行分(fēn)享，以便雙方達到認識的一(yī)緻。
1 、收貨有關的數據
與收貨有關的數據，包括到貨量（箱）、訂單數、車(chē)輛的裝載量、收貨區域大(dà)小(xiǎo)、收貨作業時間、每天收貨SKU數等。
車(chē)輛的裝載量和卸載時間主要對于站台設計有影響，包括車(chē)輛大(dà)小(xiǎo)、載重量等。一(yī)般情況下(xià)，還要分(fēn)析卸貨的方式、速度，以便詳細規劃站台的數量。
收貨一(yī)般是比較簡單的，但也有比較複雜(zá)的情形，比如新華書(shū)店(diàn)圖書(shū)的收貨即是如此。因爲每天到貨的品種很多，還有大(dà)量混包的情形，因此收貨要進行專門的處理。有些電(diàn)商(shāng)的收貨也比較複雜(zá)，包括要進行QC等動作，對收貨區的要求就不一(yī)樣。
很多人對高點平均值和算術平均值對于設計的影響不甚了解。簡單來說，将一(yī)年（或一(yī)定時間）的收貨量除以一(yī)年（或一(yī)定時間）的實際工(gōng)作天數，即得到平均每天收貨量，一(yī)年中(zhōng)最大(dà)收貨量的一(yī)天，即最大(dà)收貨量。在實際上設計中(zhōng)，如果按照平均值設計，則使得加班的天數會很多；如果按照最大(dà)值進行設計，則會出現工(gōng)作很不飽滿，設備閑置的現象。因此，一(yī)般取平均值和最大(dà)值之間的某個值進行設計，具體(tǐ)要根據實際需要确定，發貨也有這種情況。
2 、儲存有關的數據
庫存能力對系統的設計非常重要。但如何确定庫存卻是非常有講究的。除了庫存總量W以外(wài)，還要考慮SKU數，以及各種存儲方式下(xià)的庫存要求等。很多情況下(xià)，倉庫的設計并非是單一(yī)的。所以，設計的時候就要清楚庫存的方式是什麽，有什麽要求。
一(yī)般的儲存形式分(fēn)爲2種主要方式：以托盤爲單位儲存（分(fēn)爲立體(tǐ)庫和平面庫兩種最基本形式）和以箱爲單位儲存。當然還有其它形式，如包裹、麻袋、散料等，也有條狀物(wù)（如鋼材），異形物(wù)品（如服裝的挂裝等）等，不再詳述。在設計中(zhōng)，這兩種方式都要考慮，有時以托盤爲主，有時以箱儲存爲主，有時兩者比較均衡。
計算庫存能力當然與箱規有關，也與平均庫存天數有關，這是基礎。SKU對庫存分(fēn)配的要求有很大(dà)的制約作用，往往與作業面設計有關。此外(wài)，發貨量對于庫存設計也有非常大(dà)的影響，如拆零量，就要求對拆零區有一(yī)定限制。
庫存ABC分(fēn)析也是非常重要的，對于倉庫設計起到重要作用。一(yī)般情況下(xià)，庫存ABC分(fēn)析結果決定了儲存形式，ABC的定義将随着不同業務有所不同，要因地制宜。實際操作中(zhōng)，往往要對夠托盤，夠1/2托盤的SKU及這些SKU所占庫存比例進行分(fēn)析，以便正确決策。
随着電(diàn)子商(shāng)務的興起，SKU不斷擴大(dà)，ABC分(fēn)析尤其重要。此外(wài)要注意的一(yī)個趨勢是，箱式存儲方式越來越受到重視，其占比越來越高。也影響庫存的分(fēn)析。
再計算儲存能力時，人們普遍對庫存充滿率感到困惑。一(yī)般情況下(xià)，我(wǒ)們知(zhī)道，托盤或貨箱并不能完全被充滿，而爲了滿足作業的順利進行，貨位也不能完全被充滿。因此，要留有餘地，這兩個系數在不同的案例中(zhōng)會有差異，但都不應該忽視。
3、 揀選有關的數據
揀選的訂單數、訂單行數、發貨量是比較重要的設計數據。
發貨ABC分(fēn)析同樣重要，要注意的是：發貨ABC分(fēn)布與庫存ABC往往是不相同的，分(fēn)析時要注意加以區分(fēn)。
揀選環節設計關注的主要是揀選、包裝和輸送問題，因此，有關揀選的細節問題就非常重要。如整盤出庫量、整件出庫量和拆零出庫量，這三個參數對于設計也是非常重要的。
一(yī)些基礎信息也是要清楚的，如揀選效率、播種效率和包裝效率等，有些可以通過其它項目經驗獲得，有些應進行實際測量。需要指出的是，測量結果與作業流程、工(gōng)位設計以及測量方法有關，有時很難确定一(yī)個準确的結果。
不同的揀選方法其效率差異很大(dà)，這是設計要特别考慮的地方。事實上，采用什麽樣的技術手段，對設計結果影響甚大(dà)。這一(yī)些問題，在數據分(fēn)析時，就應該有所考慮。
4 、發貨有關的數據
發貨路向、數量、車(chē)輛形式、作業時間、暫存時間等數據是發貨設計階段的基礎。
衆所周知(zhī)，分(fēn)揀機的格口不可能無限增加。因此，設計中(zhōng)應考慮波次問題，以便控制格口數量。有些物(wù)流中(zhōng)心的發貨區設計很小(xiǎo)，站台停車(chē)位很少，給發貨造成很大(dà)困難。
集貨區的大(dà)小(xiǎo)與發貨波次有關。很多小(xiǎo)的物(wù)流中(zhōng)心，每天隻安排一(yī)次發貨，其發貨區就要大(dà)一(yī)些；對一(yī)個大(dà)型的物(wù)流中(zhōng)心來說，一(yī)般要按照多個大(dà)波次組織發貨，每個大(dà)波次還有若幹小(xiǎo)波次，由此可以大(dà)幅度降低對集貨區的需求。這在設計中(zhōng)是要注意的。
随着大(dà)家對物(wù)流認識越來越深刻，發貨裝車(chē)環節越來越受到重視。因此，設計中(zhōng)也要與時俱進，考慮自動化系統對發貨區的影響。
5 、退貨有關的數據
退貨很重要也很困難，但容易受到忽視。
在通常的數據分(fēn)析中(zhōng)，退貨分(fēn)析也是不充分(fēn)的。事實上，退貨與收貨的過程是不一(yī)樣的。這主要是因爲退貨收貨需要處理的數據量遠遠大(dà)于普通收貨。
退貨作業不是均衡的，有很大(dà)的波動性。因此，在數據分(fēn)析中(zhōng)（實際作業也是如此），要将退貨收貨與退貨處理分(fēn)開(kāi)來。其作業時間和作業量都不會一(yī)樣。
對退貨來說，其作業流程對于設計會産生(shēng)影響。一(yī)般數據分(fēn)析僅僅提供退貨量即可，包括訂單數、訂單行、SKU、數量等。
要注意的是，退貨有兩種形式，其一(yī)是終端退回到物(wù)流中(zhōng)心；其二是物(wù)流中(zhōng)心退回供應商(shāng)或者報廢處理。兩者差異是很大(dà)的。在數據分(fēn)析時，要分(fēn)别對待。
6、其它
數據分(fēn)析很重要，也有一(yī)定難度，這是需要指出的。經驗和專業知(zhī)識對于數據分(fēn)析很重要。此外(wài)，數據分(fēn)析結果必須得到用戶确認才能用于設計。
對一(yī)個數據樣本的預處理，是分(fēn)析數據的第一(yī)步。什麽數據是有效的，什麽是無效的，要有明确的規則。剔除無效數據對于數據分(fēn)析是很關鍵的一(yī)步。當然，要做到這一(yī)點，除了認真調研和分(fēn)析外(wài)，經驗和常識也很重要。
數據要有典型性，因此，數據量不能太少。比如，一(yī)年四季的數據是變化的，一(yī)個季度之中(zhōng)的數據也是變化的。每月、每周、每天，甚至每個小(xiǎo)時的變化如何，要有系統的分(fēn)析。一(yī)個靜止的和孤立的數據是沒有意義的，必須與系統環境相關聯。這一(yī)點也很重要。
有時，數據分(fēn)析與方案設計不是一(yī)個人，這時就需要注意溝通。數據分(fēn)析不可能完全獨立進行，它需要與設計方案相匹配，正因爲如此，每個項目的數據分(fēn)析的重點也是不一(yī)樣的。
數據分(fēn)析人員(yuán)至少要對設計需求有所了解，才能知(zhī)道如何分(fēn)析數據，如何從成千上萬的數據中(zhōng)找到規律并抽出有用的東西。
最後要說明一(yī)點的是，數據分(fēn)析的結果并不是直接應用于設計，而是要據此提出設計指标。其中(zhōng)有些數據的變化是比較緩慢(màn)的，如産品特點、訂單結構、品項數、作業方式等，有些卻會變化劇烈，如設計指标等。這些除了經驗、行業情況能夠提供幫助外(wài)，關鍵的是要認真分(fēn)析，找出規律。在這個過程中(zhōng)，充分(fēn)的調研，與用戶充分(fēn)的溝通尤其重要。
附錄 關于EIQ分(fēn)析
EIQ分(fēn)析對于物(wù)流規劃設計與物(wù)流管理都是非常重要的分(fēn)析方法。其中(zhōng)E(Entry)表示訂單，I（Item）表示品項數，即SKU數，Q（Quant）表示數量。
EIQ分(fēn)析的分(fēn)析項目主要有：
1）EN分(fēn)析：即每張訂單的訂貨品項數量分(fēn)析。即通常所說的訂單結構或訂單行數分(fēn)析。EN分(fēn)析可以對訂單行的分(fēn)布情況做出準确判斷，從而對揀選策略尤其是拆零方式提供指南(nán)。比如說B2C電(diàn)商(shāng)業務，其訂單行很少，而對于醫藥的B2B配送，每張訂單的行數會較多，兩者在設計上的處理方法是不一(yī)樣的。
2）EQ分(fēn)析：每張訂單的訂貨數量分(fēn)析。對一(yī)個訂單的每行數量進行分(fēn)析，就可以獲得訂單結構的基本情況。對一(yī)個訂單行來說，會存在整件和拆零兩種情況，因此，訂單的分(fēn)布情況還可以指導對庫存分(fēn)布、拆零揀選的具體(tǐ)設計。
3）IQ分(fēn)析：每個單品的訂貨數量分(fēn)析。這種分(fēn)析主要用于庫存ABC分(fēn)析。庫存ABC對于倉庫庫存結構設計和揀選系統的設計都有非常重要的作用。
4）IK分(fēn)析：每個單品的訂貨次數分(fēn)析，也即産品訂貨的頻(pín)率。這是與發貨ABC相關的指标。發貨ABC分(fēn)析對于貨物(wù)存放(fàng)的策略、補貨策略，以及揀貨策略的設計都是至關重要的。
EIQ分(fēn)析一(yī)般是對曆史數據進行。用于設計的分(fēn)析，旨在确定訂單結構和庫存結構。對運營管理而言，EIQ分(fēn)析則常常用于對實際運營的優化，如ABC分(fēn)析即使如此，可以根據一(yī)段時間的ABC分(fēn)析結果，及時調整庫存的結構，以期達到提高揀選效率的目的。
對一(yī)項設計而言，一(yī)般應選取1年以上的數據比較适宜。太少的數據可能缺乏代表性。當然也有例外(wài)，如數據量本身就不夠，那就隻有從行業中(zhōng)其他企業的數據中(zhōng)尋找規律了。
（三）、大(dà)數據思維的核心原理
大(dà)數據思維原理是什麽?筆者概括爲7項原理。
01 數據核心原理
從“流程”核心轉變爲“數據”核心
大(dà)數據時代，計算模式也發生(shēng)了轉變，從“流程”核心轉變爲“數據”核心。hadoop體(tǐ)系的分(fēn)布式計算框架已經是“數據”爲核心的範式。非結構化數據及分(fēn)析需求，将改變IT系統的升級方式：從簡單增量到架構變化。大(dà)數據下(xià)的新思維——計算模式的轉變。
例如：IBM将使用以數據爲中(zhōng)心的設計，目的是降低在超級計算機之間進行大(dà)量數據交換的必要性。大(dà)數據下(xià)，雲計算找到了破繭重生(shēng)的機會，在存儲和計算上都體(tǐ)現了數據爲核心的理念。大(dà)數據和雲計算的關系：雲計算爲大(dà)數據提供了有力的工(gōng)具和途徑，大(dà)數據爲雲計算提供了很有價值的用武之地。而大(dà)數據比雲計算更爲落地，可有效利用已大(dà)量建設的雲計算資(zī)源，最後加以利用。
科學進步越來越多地由數據來推動，海量數據給數據分(fēn)析既帶來了機遇，也構成了新的挑戰。大(dà)數據往往是利用衆多技術和方法，綜合源自多個渠道、不同時間的信息而獲得的。爲了應對大(dà)數據帶來的挑戰，我(wǒ)們需要新的統計思路和計算方法。
說明：用數據核心思維方式思考問題，解決問題。以數據爲核心，反映了當下(xià)IT産業的變革，數據成爲人工(gōng)智能的基礎，也成爲智能化的基礎，數據比流程更重要，數據庫、記錄數據庫，都可開(kāi)發出深層次信息。雲計算機可以從數據庫、記錄數據庫中(zhōng)搜索出你是誰，你需要什麽，從而推薦給你需要的信息。
02 關注效率原理
由關注精确度轉變爲關注效率
關注效率而不是精确度，大(dà)數據标志(zhì)着人類在尋求量化和認識世界的道路上前進了一(yī)大(dà)步，過去(qù)不可計量、存儲、分(fēn)析和共享的很多東西都被數據化了，擁有大(dà)量的數據和更多不那麽精确的數據爲我(wǒ)們理解世界打開(kāi)了一(yī)扇新的大(dà)門。大(dà)數據能提高生(shēng)産效率和銷售效率，原因是大(dà)數據能夠讓我(wǒ)們知(zhī)道市場的需要，人的消費(fèi)需要。大(dà)數據讓企業的決策更科學，由關注精确度轉變爲關注效率的提高，大(dà)數據分(fēn)析能提高企業的效率。
例如：在互聯網大(dà)數據時代，企業産品叠代的速度在加快。三星、小(xiǎo)米手機制造商(shāng)半年就推出一(yī)代新智能手機。利用互聯網、大(dà)數據提高企業效率的趨勢下(xià)，快速就是效率、預測就是效率、預見就是效率、變革就是效率、創新就是效率、應用就是效率。
競争是企業的動力，而效率是企業的生(shēng)命，效率低與效率高是衡量企來成敗的關鍵。一(yī)般來講，投入與産出比是效率，追求高效率也就是追求高價值。手工(gōng)、機器、自動機器、智能機器之間效率是不同的，智能機器效率更高，已能代替人的思維勞動。智能機器核心是大(dà)數據制動，而大(dà)數據制動的速度更快。在快速變化的市場，快速預測、快速決策、快速創新、快速定制、快速生(shēng)産、快速上市成爲企業行動的準則，也就是說，速度就是價值，效率就是價值，而這一(yī)切離(lí)不開(kāi)大(dà)數據思維。
說明：用關注效率思維方式思考問題，解決問題。大(dà)數據思維有點像混沌思維，确定與不确定交織在一(yī)起，過去(qù)那種一(yī)元思維結果，已被二元思維結果取代。過去(qù)尋求精确度，現在尋求高效率;過去(qù)尋求因果性，現在尋求相關性;過去(qù)尋找确定性，現在尋找概率性，對不精确的數據結果已能容忍。隻要大(dà)數據分(fēn)析指出可能性，就會有相應的結果，從而爲企業快速決策、快速動作、創占先機提高了效率。
03 預測原理
從不能預測轉變爲可以預測
大(dà)數據的核心就是預測，大(dà)數據能夠預測體(tǐ)現在很多方面。大(dà)數據不是要教機器像人一(yī)樣思考，相反，它是把數學算法運用到海量的數據上來預測事情發生(shēng)的可能性。正因爲在大(dà)數據規律面前，每個人的行爲都跟别人一(yī)樣，沒有本質變化，所以商(shāng)家會比消費(fèi)者更了消費(fèi)者的行爲。
例如：大(dà)數據助微軟準确預測世界懷。微軟大(dà)數據團隊在2014年巴西世界足球賽前設計了世界懷模型，該預測模型正确預測了賽事最後幾輪每場比賽的結果，包括預測德國隊将最終獲勝。預測成功歸功于微軟在世界懷進行過程中(zhōng)獲取的大(dà)量數據，到淘汰賽階段，數據如滾雪球般增多，常握了有關球員(yuán)和球隊的足夠信息，以适當校準模型并調整對接下(xià)來比賽的預測。
世界杯預測模型的方法與設計其它事件的模型相同，訣竅就是在預測中(zhōng)去(qù)除主觀性，讓數據說話(huà)。預測性數學模型幾乎不算新事物(wù)，但它們正變得越來越準确。在這個時代，數據分(fēn)析能力終于開(kāi)始趕上數據收集能力，分(fēn)析師不僅有比以往更多的信息可用于構建模型，也擁有在很短時間内通過計算機将信息轉化爲相關數據的技術。
幾年前，得等每場比賽結束以後才能獲取所有數據，現在，數據是自動實時發送的，這讓預測模型能獲得更好的調整且更準确。微軟世界懷模型的成績說明了其模型的實力，它的成功爲大(dà)數據的力量提供了強有力的證明，利用同樣的方法還可預測選舉或關注股票(piào)。類似的大(dà)數據分(fēn)析正用于商(shāng)業、政府、經濟學和社會科學，它們都關于原始數據進行分(fēn)析。
我(wǒ)們進入了一(yī)個用數據進行預測的時代，雖然我(wǒ)們可能無法解釋其背後的原因。如果一(yī)個醫生(shēng)隻要求病人遵從醫囑，卻沒法說明醫學幹預的合理性的話(huà)，情況會怎麽樣呢?實際上，這是依靠大(dà)數據取得病理分(fēn)析的醫生(shēng)們一(yī)定會做的事情。
從一(yī)個人亂穿馬路時行進的軌迹和速度來看他能及時穿過馬路的可能性，都是大(dà)數據可以預測的範圍。當然，如果一(yī)個人能及時穿過馬路，那麽他亂穿馬路時，車(chē)子就隻需要稍稍減速就好。但是這些預測系統之所以能夠成功，關鍵在于它們是建立在海量數據的基礎之上的。
此外(wài)，随着系統接收到的數據越來越多，通過記錄找到的最好的預測與模式，可以對系統進行改進。它通常被視爲人工(gōng)智能的一(yī)部分(fēn)，或者更确切地說，被視爲一(yī)種機器學習。真正的革命并不在于分(fēn)析數據的機器，而在于數據本身和我(wǒ)們如何運用數據。一(yī)旦把統計學和現在大(dà)規模的數據融合在一(yī)起，将會颠覆很多我(wǒ)們原來的思維。所以現在能夠變成數據的東西越來越多，計算和處理數據的能力越來越強，所以大(dà)家突然發現這個東西很有意思。所以，大(dà)數據能幹啥?能幹很多很有意思的事情。
例如，預測當年葡萄酒的品質
很多品酒師品的不是葡萄酒，那時候葡萄酒還沒有真正的做成，他們品的是發爛的葡萄。因此在那個時間點就預測當年葡萄酒的品質是比較冒險的。而且人的心理的因素是會影響他做的這個預測，比如說地位越高的品酒師，在做預測時會越保守，因爲他一(yī)旦預測錯了，要損失的名譽代價是很大(dà)的。所以的品酒大(dà)師一(yī)般都不敢貿然說今年的酒特别好，或者是特别差;而剛出道的品酒師往往會“語不驚人死不休的”。
普林斯頓大(dà)學有一(yī)個英語學教授，他也很喜歡喝(hē)酒，喜歡儲藏葡萄酒，所以他就想是否可以分(fēn)析到底哪年酒的品質好。然後他就找了很多數據，比如說降雨量、平均氣溫、土壤成分(fēn)等等，然後他做回歸，最後他說把參數都找出來，做了個網站，告訴大(dà)家今年葡萄酒的品質好壞以及秘訣是什麽。
當他的研究公布的時候，引起了業界的軒然大(dà)波，因爲他做預測做的很提前，因爲今年的葡萄收獲後要經過一(yī)段的時間發酵，酒的味道才會好，但這個教授突然預測說今年的酒是世紀最好的酒。大(dà)家說怎麽敢這麽說，太瘋狂了。更瘋狂的是到了第二年，他預測今年的酒比去(qù)年的酒更好，連續兩次預測說是百年最好的酒，但他真的預測對了。現在品酒師在做評判之前，要先到他的網站上看看他的預測，然後再做出自己的判斷。有很多的規律我(wǒ)們不知(zhī)道，但是它潛伏在這些大(dà)數據裏頭。
例如，大(dà)數據描繪“傷害圖譜”
廣州市傷害監測信息系統通過廣州市紅十字會醫院、番禺區中(zhōng)心醫院、越秀區兒童醫院3個傷害監測哨點醫院，持續收集市内發生(shēng)的傷害信息，分(fēn)析傷害發生(shēng)的原因及危險因素，系統共收集傷害患者14681例，接近九成半都是意外(wài)事故。整體(tǐ)上，傷害多發生(shēng)于男性，占61.76%，5歲以下(xià)兒童傷害比例高達14.36%，家長和社會應高度重視，45.19%的傷害都是發生(shēng)在家中(zhōng)，其次才是公路和街道。
收集到監測數據後，關鍵是通過分(fēn)析處理，把數據“深加工(gōng)”以利用。比如，監測數據顯示，老人跌倒多數不是發生(shēng)在雨天屋外(wài)，而是發生(shēng)在家裏，尤其是旱上剛起床時和浴室裏，這就提示，防控老人跌倒的對策應該着重在家居，起床要注意不要動作過猛，浴室要防滑，加扶手等等。
說明：用大(dà)數據預測思維方式來思考問題，解決問題。數據預測、數據記錄預測、數據統計預測、數據模型預測，數據分(fēn)析預測、數據模式預測、數據深層次信息預測等等，已轉變爲大(dà)數據預測、大(dà)數據記錄預測、大(dà)數據統計預測、大(dà)數據模型預測，大(dà)數據分(fēn)析預測、大(dà)數據模式預測、大(dà)數據深層次信息預測。
互聯網、移動互聯網和雲計算機保證了大(dà)數據實時預測的可能性，也爲企業和用戶提供了實時預測的信息，相關性預測的信息，讓企業和用戶搶占先機。由于大(dà)數據的全樣本性，人和人都是一(yī)樣的，所以雲計算機軟件預測的效率和準确性大(dà)大(dà)提高，有這種迹象，就有這種結果。
04 信息找人原理
從人找信息，轉變爲信息找人
互聯網和大(dà)數據的發展，是一(yī)個從人找信息，到信息找人的過程。先是人找信息，人找人，信息找信息，現在是信息找人的這樣一(yī)個時代。信息找人的時代，就是說一(yī)方面我(wǒ)們回到了一(yī)種最初的，廣播模式是信息找人，我(wǒ)們聽(tīng)收音機，我(wǒ)們看電(diàn)視，它是信息推給我(wǒ)們的，但是有一(yī)個缺陷，不知(zhī)道我(wǒ)們是誰，後來互聯網反其道而行，提供搜索引擎技術,讓我(wǒ)知(zhī)道如何找到我(wǒ)所需要的信息，所以搜索引擎是一(yī)個很關鍵的技術。
例如：從搜索引擎——向推薦引擎轉變。今天，後搜索引擎時代已經正式來到，什麽叫做後搜索引擎時代呢?使用搜索引擎的頻(pín)率會大(dà)大(dà)降低，使用的時長也會大(dà)大(dà)的縮短，爲什麽使用搜索引擎的頻(pín)率在下(xià)降?時長在下(xià)降?原因是推薦引擎的誕生(shēng)。就是說從人找信息到信息找人越來越成爲了一(yī)個趨勢，推薦引擎就是說它很懂我(wǒ)，知(zhī)道我(wǒ)要知(zhī)道，所以是最好的技術。喬布斯說，讓人感受不到技術的技術是最好的技術。
大(dà)數據還改變了信息優勢。按照循證醫學，現在治病的第一(yī)件事情不是去(qù)研究病理學，而是拿過去(qù)的數據去(qù)研究，相同情況下(xià)是如何治療的。這導緻專家和普通人之間的信息優勢沒有了。原來我(wǒ)相信醫生(shēng)，因爲醫生(shēng)知(zhī)道的多，但現在我(wǒ)可以到谷歌上查一(yī)下(xià)，知(zhī)道自己得了什麽病。
谷歌有一(yī)個機器翻譯的團隊，最開(kāi)始的時候翻譯之後的文字根本看不懂，但是現在60%的内容都能讀得懂。谷歌機器翻譯團隊裏頭有一(yī)個笑話(huà)，說從團隊每離(lí)開(kāi)一(yī)個語言學家，翻譯質量就會提高。越是專家越搞不明白(bái)，但打破常規讓數據說話(huà)，得到真理的速度反而更快。
說明：用信息找人的思維方式思考問題，解決問題。從人找信息到信息找人，是交互時代一(yī)個轉變，也是智能時代的要求。智能機器已不是冷冰冰的機器，而是具有一(yī)定智能的機器。信息找人這四個字，預示着大(dà)數據時代可以讓信息找人，原因是企業懂用戶，機器懂用戶，你需要什麽信息，企業和機器提前知(zhī)道，而且主動提供你需要的信息。
05 機器懂人原理
由人懂機器轉變爲機器更懂人
不是讓人更懂機器，而是讓機器更懂人，或者說是能夠在使用者很笨的情況下(xià)，仍然可以使用機器。甚至不是讓人懂環境，而是讓我(wǒ)們的環境來懂我(wǒ)們，環境來适應人，某種程度上自然環境不能這樣講，但是在數字化環境中(zhōng)已經是這樣的一(yī)個趨勢，就是我(wǒ)們所在的生(shēng)活世界，越來越趨向于它更适應于我(wǒ)們，更懂我(wǒ)們。哪個企業能夠真正做到讓機器更懂人，讓環境更懂人，讓我(wǒ)們随身攜帶的整個的生(shēng)活世界更懂得我(wǒ)們的話(huà)，那他一(yī)定是具有競争力的了，而“大(dà)數據”技術能夠助我(wǒ)們一(yī)臂之力。
例如：亞馬遜網站，隻要買書(shū)，就會提供一(yī)個今天司空見慣的推薦，買了這本書(shū)的人還買了什麽書(shū)，後來發現相關推薦的書(shū)比我(wǒ)想買的書(shū)還要好，時間久之後就會對它産生(shēng)一(yī)種信任。這種信任就像在北(běi)京的那麽多書(shū)店(diàn)裏面，以前買書(shū)的時候就在幾家，原因在于我(wǒ)買書(shū)比較多，他都已經認識我(wǒ)了，都是我(wǒ)一(yī)去(qù)之後，我(wǒ)不說我(wǒ)要買什麽書(shū)，他會推薦最近上來的幾本書(shū)，可能是我(wǒ)感興趣的。這樣我(wǒ)就不會到别的很近的書(shū)店(diàn)，因爲這家書(shū)店(diàn)更懂我(wǒ)。
例如，解題機器人挑戰大(dà)型預科學校高考模拟試題的結果，解題機器人的學曆水平應該比肩普通高三學生(shēng)。計算機不擅長對語言和知(zhī)識進行綜合解析，但通過借助大(dà)規模數據庫對普通文章做出判斷的方法，在對話(huà)填空和語句重排等題型上成績有所提高。
讓機器懂人，是讓機器具有學習的功能。人工(gōng)智能已轉變爲研究機器學習。大(dà)數據分(fēn)析要求機器更智能，具有分(fēn)析能力，機器即時學習變得更重要。機器學習是指：計算機利用經驗改善自身性能的行爲。機器學習主要研究如何使用計算機模拟和實現人類獲取知(zhī)識(學習)過程、創新、重構已有的知(zhī)識，從而提升自身處理問題的能力，機器學習的最終目的是從數據中(zhōng)獲取知(zhī)識。
大(dà)數據技術的其中(zhōng)一(yī)個核心目标是要從體(tǐ)量巨大(dà)、結構繁多的數據中(zhōng)挖掘出隐蔽在背後的規律，從而使數據發揮最大(dà)化的價值。由計算機代替人去(qù)挖掘信息，獲取知(zhī)識。從各種各樣的數據(包括結構化、半結構化和非結構化數據)中(zhōng)快速獲取有價值信息的能力，就是大(dà)數據技術。大(dà)數據機器分(fēn)析中(zhōng)，半監督學習、集成學習、 概率模型等技術尤爲重要。
說明：用機器更懂人的思維方式思考問題，解決問題。機器從沒有常識到逐步有點常識，這是很大(dà)的變化。去(qù)年，美國人把一(yī)台雲計算機送到大(dà)學裏去(qù)進修，增加知(zhī)識和常識。最近俄羅斯人開(kāi)發一(yī)台計算機軟件通過圖林測試，表明計算機已初步具有智能。
讓機器懂人，這是人工(gōng)智能的成功，同時，也是人的大(dà)數據思維轉變。你的機器、你的軟件、你的服務是否更懂人?将是衡量一(yī)個機器、一(yī)件軟件、一(yī)項服務好壞的标準。人機關系已發生(shēng)很大(dà)變化，由人機分(fēn)離(lí)，轉化爲人機溝通，人機互補，機器懂人，現在年青人已離(lí)不開(kāi)智能手機是一(yī)個很好的例證。在互聯網大(dà)數據時代，有問題—問機器—問百度，成爲生(shēng)活的一(yī)部分(fēn)。機器什麽都知(zhī)道，原因是有大(dà)數據庫，機器可搜索到相關數據，從而使機器懂人。是人讓機器更懂人，如果機器更懂人，那麽機器的價值更高。
06 電(diàn)子商(shāng)務智能原理
大(dà)數據改變了電(diàn)子商(shāng)務模式，讓電(diàn)子商(shāng)務更智能商(shāng)務智能，在今天大(dà)數據時代它獲得的重新的定義。
例如：傳統企業進入互聯網，在掌握了“大(dà)數據”技術應用途徑之後，會發現有一(yī)種豁然開(kāi)朗的感覺，我(wǒ)整天就像在黑屋子裏面找東西，找不着，突然碰到了一(yī)個開(kāi)關，發現那麽費(fèi)力的找東西，原來很容易找得到。大(dà)數據思維，事實上它不是一(yī)個全稱的判斷，隻是對我(wǒ)們所處的時代某一(yī)個緯度的描述。
大(dà)數據時代不是說我(wǒ)們這個時代除了大(dà)數據什麽都沒有，哪怕是在互聯網和IT領域，它也不是一(yī)切，隻是說在我(wǒ)們的時代特征裏面加上這麽一(yī)道很明顯的光，從而導緻我(wǒ)們對以前的生(shēng)存狀态，以及我(wǒ)們個人的生(shēng)活狀态的一(yī)個差異化的一(yī)種表達。
例如：大(dà)數據讓軟件更智能。盡管我(wǒ)們仍處于大(dà)數據時代來臨的前夕，但我(wǒ)們的日常生(shēng)活已經離(lí)不開(kāi)它了。交友網站根據個人的性格與之前成功配對的情侶之間的關聯來進行新的配對。例如，具有“自動改正”功能的智能手機通過分(fēn)析我(wǒ)們以前的輸入，将個性化的新單詞添加到手機詞典裏。在不久的将來，世界許多現在單純依靠人類判斷力的領域都會被計算機系統所改變甚至取代。計算機系統可以發揮作用的領域遠遠不止駕駛和交友，還有更多更複雜(zá)的任務。别忘了，亞馬遜可以幫我(wǒ)們推薦想要的書(shū)，谷歌可以爲關聯網站排序，Facebook知(zhī)道我(wǒ)們的喜好，而linkedIn可以猜出我(wǒ)們認識誰。
當然，同樣的技術也可以運用到疾病診斷、推薦治療措施，甚至是識别潛在犯罪分(fēn)子上。或者說，在你還不知(zhī)道的情況下(xià)，體(tǐ)檢公司、醫院提醒你趕緊去(qù)做檢查，可能會得某些病，商(shāng)家比你更了解你自己，以及你這樣的人在某種情況下(xià)會出現的可能變化。就像互聯網通過給計算機添加通信功能而改變了世界，大(dà)數據也将改變我(wǒ)們生(shēng)活中(zhōng)最重要的方面，因爲它爲我(wǒ)們的生(shēng)活創造了前所未有的可量化的維度。
說明：用電(diàn)子商(shāng)務更智能的思維方式思考問題，解決問題。人腦思維與機器思維有很大(dà)差别，但機器思維在速度上是取勝的，而且智能軟件在很多領域已能代替人腦思維的操作工(gōng)作。例如美國一(yī)家媒體(tǐ)公司已用電(diàn)腦智能軟件寫稿，可用率已達70%。雲計算機已能處理超字節的大(dà)數據量，人們需要的所有信息都可得到顯現，而且每個人互聯網行爲都可記錄，這些記錄的大(dà)數據經過雲計算處理能産生(shēng)深層次信息，經過大(dà)數據軟件挖掘，企業需要的商(shāng)務信息都能實時提供，爲企業決策和營銷、定制産品等提供了大(dà)數據支持。
07 定制産品原理
由企業生(shēng)産産品轉變爲由客戶定制産品
下(xià)一(yī)波的改革是大(dà)規模定制，爲大(dà)量客戶定制産品和服務，成本低、又(yòu)兼具個性化。比如消費(fèi)者希望他買的車(chē)有紅色、綠色，廠商(shāng)有能力滿足要求，但價格又(yòu)不至于像手工(gōng)制作那般讓人無法承擔。因此，在廠家可以負擔得起大(dà)規模定制帶去(qù)的高成本的前提下(xià)，要真正做到個性化産品和服務，就必須對客戶需求有很好的了解，這背後就需要依靠大(dà)數據技術。
例如：大(dà)數據改變了企業的競争力。定制産品這是一(yī)個很好的技術，但是能不能夠形成企業的競争力呢?在産業經濟學裏面有一(yī)個很重要的區别，就是生(shēng)産力和競争力的區别，就是說一(yī)個東西是具有生(shēng)産力的，那這種生(shēng)産力變成一(yī)種通用生(shēng)産力的時候，就不能形成競争力，因爲每一(yī)個人，每一(yī)個企業都有這個生(shēng)産力的時候，隻能提高自己的生(shēng)産力，過去(qù)沒有車(chē)的時候和有車(chē)的時候，你的活動半徑、運行速度大(dà)大(dà)提高了，但是當每一(yī)個人都沒有車(chē)的時候，你有車(chē)，就會形成競争力。大(dà)數據也一(yī)樣，你有大(dà)數據定制産品，别人沒有，就會形成競争力。
在互聯網大(dà)數據的時代，商(shāng)家最後很可能可以針對每一(yī)個顧客進行精準的價格歧視。我(wǒ)們現在很多的行爲都是比較粗放(fàng)的，航空公司會給我(wǒ)們裏程卡，根據飛行公裏數來累計裏程，但其實不同顧客所飛行的不同裏程對航空公司的利潤貢獻是不一(yī)樣的。所以有一(yī)天某位顧客可能會收到一(yī)封信，“恭喜先生(shēng)，您已經被我(wǒ)們選爲幸運顧客，我(wǒ)們提前把您升級到白(bái)金卡。”這說明這個顧客對航空公司的貢獻已經夠多了。有一(yī)天銀行說“恭喜您，您的額度又(yòu)被提高了，”就說明錢花得已經太多了。
正因爲在大(dà)數據規律面前，每個人的行爲都跟别人一(yī)樣，沒有本質變化。所以商(shāng)家會比消費(fèi)者更了消費(fèi)者的行爲。也許你正在想，工(gōng)作了一(yī)年很辛苦，要不要去(qù)哪裏度假?打開(kāi)e-Mail，就有航空公司、旅行社的郵件。
說明：用定制産品思維方式思考問題，解決問題。大(dà)數據時代讓企業找到了定制産品、訂單生(shēng)産、用戶銷售的新路子。用戶在家購買商(shāng)品已成爲趨勢，快遞的快速，讓用戶體(tǐ)驗到實時購物(wù)的快感，進而成爲網購迷，個人消費(fèi)不是減少了，反而是增加了。爲什麽企業要互聯網化大(dà)數據化，也許有這個原因。2000萬家互聯網網店(diàn)的出現，說明數據廣告、數據傳媒的重要性。
企業産品直接銷售給用戶，省去(qù)了中(zhōng)間商(shāng)流通環節，使産品的價格可以以出廠價銷售，讓銷費(fèi)者獲得了好處，網上産品便宜成爲用戶的信念，網購市場形成了。要讓用戶成爲你的産品粉絲，就必須了解用戶需要，定制産品成爲用戶的心願，也就成爲企業發展的新方向。
大(dà)數據思維是客觀存在，大(dà)數據思維是新的思維觀。用大(dà)數據思維方式思考問題，解決問題是當下(xià)企業潮流。大(dà)數據思維開(kāi)啓了一(yī)次重大(dà)的時代轉型。
（四）、大(dà)數據賦能物(wù)流行業
随着信息技術的飛速發展，特别是雲計算、物(wù)聯網技術的成熟，推動了以大(dà)數據應用爲标志(zhì)的智慧物(wù)流産業的興起。
随着信息技術的飛速發展，特别是雲計算、物(wù)聯網技術的成熟，推動了以大(dà)數據應用爲标志(zhì)的智慧物(wù)流産業的興起。智慧物(wù)流極大(dà)地促進了物(wù)流産業優化和管理的透明度，實現了物(wù)流産業各個環節信息共享和協同運作，以及社會資(zī)源的高效配置。而如何抓住大(dà)數據時代帶給我(wǒ)們的機遇，成爲物(wù)流企業在競争中(zhōng)赢得主動和實現跨越發展的關鍵所在。
大(dà)數據究竟能夠給物(wù)流行業帶來什麽？如何抓住機遇？又(yòu)會面臨哪些挑戰？這些問題都值得深入研究和探讨。
推動智慧物(wù)流發展
“數據作爲一(yī)種新的資(zī)源，數據的擁有者将來會獲得越來越大(dà)的話(huà)語權，整個社會的治理結構與規則将會發生(shēng)非常深刻的變化，這是每個人都會面臨的社會變遷。”中(zhōng)國物(wù)流學會常務副會長、中(zhōng)國物(wù)流與采購聯合會專家委員(yuán)會副主任戴定一(yī)認爲，智慧物(wù)流是物(wù)流的發展目标，而大(dà)數據能夠支撐智慧物(wù)流的發展，物(wù)流行業和企業要利用好大(dà)數據，才能夠真正從變革中(zhōng)受益。
戴定一(yī)表示，首先要做好整合，這是大(dà)數據的關鍵。“整合一(yī)定要建立在有價值的服務之上。很多數據整合或者叫第三方雲平台能否建成的主要障礙，是利益關系能否協調好，否則來自各個利益主體(tǐ)的信息很難被整合在一(yī)。”他告訴記者，目前比較成功的案例都有一(yī)個規律，那就是采用了利益交換的模式--用服務去(qù)換取管理。也就是說，各個利益主體(tǐ)通過交換的方式，你将信息的管理權交給我(wǒ)，我(wǒ)将信息整合起來後形成服務給你，你再将更多信息給我(wǒ)，我(wǒ)給你更多的服務……這樣循環起來，就産生(shēng)了更多的價值。
除了利益難以整合，來自于各個利益主體(tǐ)的信息，由于數據結構、标準等都不一(yī)樣也很難整合在一(yī)起。戴定一(yī)指出，這就需要對信息進行科學拆分(fēn)，拆分(fēn)是整合的基礎。“現在很多時候過多強調了整合，卻不知(zhī)整合的成功與否，很大(dà)程度上取決于基礎模塊分(fēn)得是否科學，是否标準。隻要拆得好，拆得标準，将來整合起來會非常方便。”他說。
其次，如何讓獲得的數據得到充分(fēn)的利用，是大(dà)數據的另一(yī)大(dà)關鍵問題。對此，戴定一(yī)提出要關注兩個方面。一(yī)個是數據的數量優于質量。“在大(dà)數據時代，數據的質量不再是第一(yī)位的，因爲現在數據量非常大(dà)，能夠解決所有質量上的缺陷。所以在大(dà)數據時代，數據量越大(dà)，價值越大(dà)。”
另一(yī)個是數據相關性優于數據邏輯性或因果性。他表示，在大(dà)數據的時代，數據的很多因果性事先無法獲知(zhī)，但是通過數據處理獲得的相關性結果，能夠告訴你裏面可能有什麽樣的因果關系。因此，在大(dà)數據時代，因果關系不是主要的。因爲數據處理的及時性，隻需要知(zhī)道這件事與那件事之間有什麽關系，可以把結果做成一(yī)個黑匣子，知(zhī)道輸入什麽會輸出什麽就夠用了。
與此同時，在大(dà)數據時代，服務的方向也開(kāi)始朝着動态化、個性化發展。如上所述，大(dà)數據時代，物(wù)流數據的特征将是一(yī)個動态的電(diàn)子地圖，每個人的電(diàn)子地圖都不一(yī)樣，我(wǒ)的地圖上标注的東西是我(wǒ)關心的，他标注的是他關心的，并且這些信息可能每分(fēn)每秒都在發生(shēng)變化。因此，動态化和個性化服務将具有非常大(dà)的價值。
第三，要抓住物(wù)流的基本問題。“大(dà)數據時代的智慧物(wù)流有許多新的發展，但是始終還是會圍繞網絡和流程這兩個物(wù)流的基本問題發展的。”戴定一(yī)強調。智慧網絡将提升資(zī)源管控和利用率水平，而智慧流程将提升管理精細化與協同水平。一(yī)個是對資(zī)源的管控，一(yī)個是對作業流程（服務流程）的優化，這兩件事是物(wù)流的基本問題與核心。
此外(wài)，公共平台将在解決網絡（資(zī)源）與流程（服務）結合的基礎上，創造新的公共服務。“公共平台正在成爲數據集聚的漏鬥，這個漏鬥産生(shēng)的數據可能會是産生(shēng)一(yī)種新的公共服務創新，這是我(wǒ)們非常期待的大(dà)數據價值。”他表示。
驅動電(diàn)商(shāng)物(wù)流變革
作爲當今物(wù)流業的發展熱點，電(diàn)商(shāng)物(wù)流得到了很多關注。中(zhōng)國綜合開(kāi)發研究院副院長曲建認爲，與大(dà)數據的結合是電(diàn)商(shāng)物(wù)流發展的必然趨勢。
曲建表示，大(dà)數據時代的來臨，不是技術的變革，首當其沖是思維的變革，随之而來的将是商(shāng)業模式的改變。在衆多技術領域中(zhōng)，大(dà)數據是最容易收割成果的技術，它處在技術萌芽期和期望膨脹期這樣一(yī)個轉型過程中(zhōng)，經濟價值的增長量非常大(dà)；并且，它通過數據化、價值化、和角色的再定位，重新給每個企業尋找到一(yī)套挖掘價值的潛力。“在大(dà)數據時代，因爲物(wù)流業的應用特點與大(dà)數據技術有較高的契合度，在主客觀條件上也有較高的應用可能性，是未來大(dà)數據時代赢家的選擇。因此，物(wù)流企業特别是電(diàn)商(shāng)物(wù)流企業要高度關注大(dà)數據時代的機遇。”
通過互聯網技術和商(shāng)業模式的改變，可以實現從生(shēng)産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爲物(wù)流業創造新價值奠定了很好的基礎。“可以看到，通過互聯網技術的變化，可以讓全國物(wù)流業的布局相應地發生(shēng)一(yī)系列調整。從過去(qù)生(shēng)産者全國配送中(zhōng)心，逐步演化成爲個性化訂單，從顧客的需求向上推移，促使整個配送模式的改變。過去(qù)是供給決定需求，今後越來越多地從需求開(kāi)始倒推，按照需求的模式重新設計相應的供給點的安排。”曲建指出，這些都是因爲大(dà)數據時代到來所産生(shēng)的變革。
而未來，電(diàn)商(shāng)物(wù)流企業在大(dà)數據時代如何更好地發展？曲建強調，要特别值得關注兩個方面的建設，一(yī)個是物(wù)流倉儲平台建設，它對物(wù)流成本的影響至關重要。在今後全國産業布局調整完以後，物(wù)流倉儲平台在全國如何布局是很關鍵的問題。
另一(yī)個是物(wù)流信息平台建設。今後的物(wù)流信息平台，将是基于大(dà)數據的中(zhōng)轉中(zhōng)心或調度中(zhōng)心、結算中(zhōng)心。物(wù)流信息平台會根據以往的快遞公司的表現、各個分(fēn)段的報價、即時運力資(zī)源情況、該流向的即時件量等信息，進行相關的“大(dà)數據”分(fēn)析。得到優化線路選項，并對第三方物(wù)流公司進行優化組合配置，系統會将訂單數據發送到各個環節，由相應的物(wù)流公司完成。
通過運用大(dà)數據，電(diàn)商(shāng)物(wù)流中(zhōng)心将得到大(dà)幅優化。倉儲運輸的空間将被系統化布置。将在物(wù)流節點公司上進行整合，對過去(qù)單一(yī)物(wù)流企業，搭建起橋梁。物(wù)流車(chē)輛行車(chē)路徑也将被最短化、最暢化定制。此外(wài)，企業信息系統将全面整合與優化。
曲建最後建議，要發展大(dà)數據時代的電(diàn)商(shāng)物(wù)流，首先可以借鑒新加坡貿易網經驗，高效率的信息管理，搭建網絡平台簡化所有單證手續，節省時間和成本，提高效率。其次，引進電(diàn)子數據交換系統，實現無紙(zhǐ)化。建立交易商(shāng)、貨運代理商(shāng)、政府機構之間貿易文件、航空運單、托運單等的電(diàn)子化鏈接。第三，發布物(wù)流系統電(diàn)子數據交換标準，規範輔助各方面的電(diàn)子聯系，如有必要，給予企業資(zī)助以實現電(diàn)子交換系統可獲得性。第四，爲倉庫和配送中(zhōng)心配套自動存儲和回複系統，倉儲管理系統，來提升運營。
加速公路運輸整合
作爲物(wù)流業的重要組成部分(fēn)，對于公路運輸市場來說，大(dà)數據又(yòu)意味着什麽？對此，香港物(wù)流運輸過程透明管理研究院院長南(nán)興軍表示，大(dà)數據時代要求傳統物(wù)流産業發生(shēng)變革，在運力整合方面未來也将會發生(shēng)諸多變化。
物(wù)流運輸企業的運力基本上都是由三個部分(fēn)組成：自有車(chē)輛、簽約承運商(shāng)、業務量大(dà)時臨時租車(chē)。南(nán)興軍認爲，過去(qù)我(wǒ)們是以合約的模式，内部管理或考核在線下(xià)組織車(chē)輛和運力來完成我(wǒ)們的業務；未來在大(dà)數據時代，将走向平台，走向社會，面向社會整合運力，而整合的内容主要包括時間、空間、管理和服務。
“大(dà)數據時代的運力生(shēng)态圈将是一(yī)個平台，但又(yòu)不隻是一(yī)個平台，而是由很多個平台組成的一(yī)個系統、一(yī)個生(shēng)态體(tǐ)系。而處于生(shēng)态圈中(zhōng)心的是社會運力池。”南(nán)興軍說，比如現在車(chē)輛都要裝GPS,GPS運營商(shāng)自然會有幾萬甚至幾十萬的運力客戶，這麽多的車(chē)輛在一(yī)起就會形成一(yī)個社會運力池。這個運力池存在大(dà)量的、功能型号用途各異的車(chē)輛，車(chē)輛的數據也在這裏面，通過大(dà)數據進行拆分(fēn)整合、分(fēn)析，就可以知(zhī)道這些車(chē)的優點缺點、線路時效等。
他進一(yī)步解釋，在運力池周圍的是“貨主圈”,有很多類似中(zhōng)外(wài)運這樣的大(dà)中(zhōng)型物(wù)流企業私有平台，企業利用自己所掌握的貨源控制了大(dà)量的運力，并利用私有平台對這些運力進行整合。如果把這些私有平台與運力池進行對接，就會産生(shēng)一(yī)種新的平台--運力整合平台。
“我(wǒ)們知(zhī)道，公共信息平台的特點是提供标準産品和信息服務，而私有平台更多的是個性化、專業化的流程、服務和産品。通過運力池的大(dà)數據分(fēn)析，公共運力的标準化和專業運力的個性化需求之間就會産生(shēng)良好的匹配。這解決了公共信息平台上沒有貨源或貨源信息虛假的問題。”南(nán)興軍強調。
