大数据在物流管理的应用研究

导语：大数据在物流管理的应用研究一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

1大数据概述

1．1大数据的概念。常规软件工具进行捕捉、管理和处理的数据集合。是一种必须采用新的处理方法才能够获得完整可靠的结果，并且有着更良好的决策能力、洞察能力和流程优化可能性的这么一种海量的、增长率明显的和多样化的信息资产。从技术角度来看，近年来不同研究机构及学者关于大数据及大数据技术的定义逐渐趋于相同。一般来讲，大数据是指体量巨大，产生速度极快，具有非结构化性质的数据，不能在固定时间使用普通数据处理软件对数据进行清洗和筛选。大数据技术指从数量庞大，结构复杂的数据集合中获得信息的能力。而与大数据最初的定义不同的是，大数据的技术发展到今天，已经成为基于神经网络学，深度学习和云技术上的。研究方向涵盖计算信息科学、工程、商业、经济管理、社会公共服务等多个领域的综合性学科。1．2大数据的特点。大数据相比于传统的数据应用来讲，其有着数据量巨大，可查询分析等特点。而IBM提出了5V特点:Volume(大量)、Velocity(高速)、Variety(多样)、Value(价值)、Veracity(真实性)［10］。这五个特点作为五个方面:第一，数据量巨大，如今的数据量已经大到了可以被称为海量数据，且无处不在;第二，处理速度快，应用者能够从海量的数据信息当中快速的获取有价值的数据信息，这正是和常规的数据挖掘技术有着显著区别的特点;第三，数据的种类繁多，不仅包括报纸期刊书籍文献，还包括社交记录、视频、图片、地理位置等;第四，只要将得到的数据进行合理的运用分析，那么这些数据就能创造巨大的价值;第五，各个渠道收集到的数据繁杂而多变，并非是单一的样本数据，而是多方面的信息，研究者能够更加准确的抓住这些数据背后的真实情况，通过正确的数据做出合理的判断。

2大数据技术

2．1大数据的应用模型。①统计理论模型。统计模型(stochasticmodel)是指以概率论和大数法则为基础，以统计学为辅助，使用纯数学方法创造的一种模型。总的来说，统计模型就是某种分布的集合或者说是密度函数的集合或者回归函数的集合。统计模型分为参数模型和非参数模型两种类型。比如说正态分布是由均值和标准差两个参数确定的分布集合，这就属于参数统计模型。有些模型的样本中的分布函数F是不确定的，如何确定由样本确定F就是统计学和非参数统计模型的研究内容。②时间序列模型。时间序列分析(Time－SeriesAnalysis)顾名思义，输入列都是与时间相关的数据，同时需要考虑季节、历史、周期、趋势等因素，通过一些手段来预测未来某个时间点会怎么样。使用的分析方法有:移动平均法、指数平滑法、模型拟和法等。通常的判断方法叫做时序图检验，由于一个平稳的时间序列的均值和方差都是常数，那么平稳序列的时序图一定会在一个常数附件波动。而且波动的范围是有界的;如果有明显趋势或者呈现一定的周期，那么它通常不是平稳数列。那么如果判断出是平稳序列，则使用ARMA模型。如果是非平稳序列，就要使用ARIMA模型。2．2大数据应用技术。大数据分析是发掘出数据价值的重要手段，大数据的分析技术能够对数据进行高效、快速、准确的挖掘，同时还能够探究出大数据之间的隐藏相关关系。目前的数据分析手段主要包括以下几种:①数据可视化。数据可视化是对最后大数据分析的结果进行输出与展示的一种技术。它主要通过使用计算机图形学和图像处理技术来对已经分析好的数据进行数据到图形的转换，或者直接显示出来，并进行交互处理，使得图形化的数据能够更好的显示出数据与数据之间的关联，让用户们能够更加直接的发现出数据之中隐含的规律［2］。②数据分析。大数据的分析过程是关键的一环，而涉及到的数据分析技术自然也是其中关键。一般来说，无论是哪个领域或者行业，常用的分析方法都是相对适用的，如统计分析、数据挖掘。统计分析在概率理论当中是对数据的随机性以及不确定性来建立模型，然后对模型进行分析叙述，最后总结得出其内在联系。统计分析主要包括回归分析、因子分析、判别和聚类分析。数据挖掘是将大数据集中数据模式的算法，许多数据挖掘的计算方法已经在智能识别、信息追踪、人工智能等方面得到了广泛应用。数据挖掘算法主要包括决策树、最大期望算法、k最邻近算法等［3］。③云计算。云计算是整个大数据分析的基石，正是因为云计算技术在数据储存，数据库以及数据管理与分析方面作为基础支撑着，所以大数据在今天才能够进行广泛的应用，因此，大数据时代之中，大数据和云计算两者相辅相成，不可或缺。云计算其实是一种商业计算模型，通过将任务分布到异地大量的计算机构成的资源池上，使各种应用系统能够根据需要获取计算能力、储存空间和信息服务。目前来说云计算可以看做是一种作为商品购买的计算能力，可以让应用者便捷的按需求访问网络获取资源，所需要的数据短时间之内就能够提供，便于使用和管理。

3大数据在物流管理中的应用

在互联网技术的推动下，大数据、人工智能等新技术有了进一步的发展，已经成为全球数字化转型与创新的典型动力。近几年，一些创新型企业加大了对人工智能及大数据等新技术的研发和应用，其产生的效益也初见成效。3．1大数据在物流管理中的应用领域。企业的物流活动主要包括:运输、仓储、配送等，相关的决策有:计算库存、调配原材料、调度配送路线以及货物运输。大数据的应用方面多在于优化仓储管理、补充库存数量、配送中心最优化选址以及运输成本最小化等。①在货运组织中的应用。大数据分析在货运领域的应用是最为常见的，主要体现在选址优化、库存规模与供货路线等活动中。数据分析可以对企业的客户进行分组，因此，对于交通路线、交通模式以及不同产品的品类等相关要素进行划分和归类，便可以此作为相应的基础和依据。②在交通路线中的应用。交通和路线选择是物流管理中大数据分析应用最多的领域，很多企业通过使用加载GPS导航的远程大数据信息处理技术，来对货运交通的路线进行优化。此外，交通分析能够提高车辆燃料使用效率，进行预防性检修和报警，从而优化司机行为和行车路线，提高运输的效率和效益，对于天气及其他的干扰性因素的实时记录和分析也有助于路线优化。早在20多年前，UPS公司就开始收集其运输过程中相关的数据为其运输决策服务。③在库存管理中的应用。射频识别技术在库存管理中的应用效果显著，其具有所含信息量大，可重复及远程读取等优点，广泛应用在动态追踪库存、确定位置及货物量以及规避安全风险等方面。目前，随着物流信息技术的进一步发展，射频识别数据技术还能够检测路线周围温度、保证食品安全、规划运送保质期和及时地将问题通知决策者。3．2大数据在物流管理中的应用实例。①沃尔玛对大数据的应用。沃尔玛拥有每小时超过100万顾客的交易量，他们大量收集顾客的数据，将其储存在数据库中，所有数据都将进入综合技术平台进行处理。仓储经理利用该系统分析具体销售数据，优化产品分类，并通过质量检验将产品分配到当地社区。此外，沃尔玛分布在8－90个国家近两万家的供应商可以共享其在系统中的数据和分析结果，通过自家公司的零售链平台与沃尔玛系统对接，供应商们可以追踪自家公司的产品，这样供应商们就可以了解每家商场内不同类型产品的需求状况，及时获取各个商场需要再次进货的时间和数量。此外，供应商还能够对数据库信息进行查询，搜索销售、装运、订单、发票、索赔及预告等相关信息，可以进入沃尔玛分类计划系统，在销售数据和商店特性的基础上创造专为店面量身打造的模块化布局。由此可见，沃尔玛在其物流管理中的大数据管理和应用优势，是其能够一直保持世界上最大零售商位置的成功因素之一。②顺丰对大数据的应用。顺丰是我国最早成功地在物流管理中应用大数据技术的企业之一，顺丰公司早在几年前就建立了“顺丰大数据平台”，其中的“大数据解决方案”和“物联网大数据应用”等技术，在今年的人工智能计算大会上进行了展示。在物流领域大数据解决方案层面，目前，顺丰科技经过多年来的自主研发，已基于“天网”+“地网”两大基础物流系统，组成了顺丰的“信息网”。顺丰大数据平台对接顺丰物流的每个环节，能够管理物流领域中的海量数据，实现了顺丰物流的全面数字化管理，让物流快递的“每一个环节”、“每一票快件”都可以即时追踪。在完成数据管理的应用上，顺丰大数据平台融合云计算、人工智能等新技术，在顺丰物流数据分析与决策上加以应用，通过快递件量预测、库存分仓管理、配送路线规划等智慧物流决策，实现降低物流成本，提升物流效率的目标。现下，顺丰的快递件量预测已精准到各个区域的每一个派送网点和每一个快递员，整体资源的配置实现了合理而高效。通过高效智能的排班模型，对物流工作任务进行科学的调配，可以提高快递员的工作效率。众所周知，在每年的双十一活动中，顺丰物流都有着突出而优秀的表现，这一切都归功于顺丰大数据平台高效的大数据处理及分析能力。③德邦对大数据的应用。近几年，德邦快递在数字化IT技术上加大了投入，两年前正式建立了数字化指挥中心，构建运营总览、拉灯预警和大屏诊断三大模块。该指挥中心目前可显示全国120多家外场、1万多个网点的全景视频。随着数字孪生黑科技的引进和应用，德邦快递通过对快递各环节信息的采集，把快递转运场景映射到虚拟的数字化模型上，使用大数据验算技术，能够对外场的货量进行预测，并提前获得中转场货量饱和度等健康指数提供给枢纽中心管理者，不仅可以避免爆仓，还可以科学合理地调度快递在中转场地的进、出港环节流动，实现企业效率和成本价值最大化。同时，从2018年开始至今，德邦快递就与网易大数据签订了协议，双方在大数据领域开展了深入合作，目前已成功地在门店选址、用户画像、路径优化等方面对德邦快递的业务进行优化。

4大数据的应用趋势

4．1云计算是大数据的重要平台。从大数据的使用价值和技术上来看。大数据需要云计算平台的算力、安全性、可靠性和可管理性。云平台同样也是产生大数据的重要场所，云计算技术产生的数据结构更统一，更利于企业进行大规模服务，供应链管理和业务协同。预计未来两者关系将更为密切，一个由大数据驱动的云计算时代将会到来。4．2数据管理成为核心竞争力。数据管理会成为企业管理和企业文化当中的一种核心竞争力，与财报直接关联。当人们逐渐意识到数据资产是重要的硬通货之后，企业尤其是互联网企业和服务业，就必须将数据管理纳入到企业管理的章程当中去，将数据管理作为企业核心竞争力。企业掌握的用户数据的总量，增长速度和应用率将会成为和主营业务收入同样重要的发展指标。一个企业能否持续发展，与一个企业能不能充分挖掘企业用户行为数据强烈相关。4．3数据质量是BI(商业智能)成功的关键。人工智能和机器学习本质是统计学，统计学的预测能否解决实际需求，其中一个重要的因素就是数据的质量，数据源过多会带来大量的冗杂数据。想要运用算法实现商业智能的成功，企业需要格外注意数据的质量。4．4数据生态系统复合化程度加强。大数据世界不是一个单一的、平面的网格。而是一个由大量参与者和多层次变量所构成的一个立体系统，从终端设备的提供商开始、基础设施建造者、网络适配器供应商、网络接入服务提供商。再到数据服务提供商、数据服务使用者等等一系列的参与者共同拼接起来的系统［4］。随着大数据应用的迅猛发展，这样的一套数据生态系统已经有所雏形。在未来的发展当中，必然有着系统角色再细分的趋势，同时也意味着市场的再一次细分，各个角色功能的调整。随着物流4.0时代的来临，大数据的应用在物流管理中已逐渐深入，企业通过对物流环节中产生的海量数据进行收集、存储、处理和分析，既可精准而快速地了解物流行业的发展趋势和自身的经营现状，还可为每一个客户定制个性化需求的产品和服务，从而提高整个社会物流运作的效率。

［参考文献］

［1］韩朝胜．电子商务物流大数据应用问题研究［J］．现代营销(下旬刊)，2017(10)．

［2］杨安，兰欣，冯炀．大数据环境下创业决策的困难与对策研究［J］．技术与市场，2015(8)．

［3］白君贵，王丹．大数据视角下企业信息资源整合与价值提升研究［J］．情报科学，2018(09)．

［4］娜达．R桑德斯．大数据供应链［M］．北京:中国人民大学出版社，2015(7)．

作者:谢美娥 单位:武汉商学院