大數據技術推動智能物流發展，帶來了什麼樣的效果？
大數據已經成為眾多企業重點發展的新興技術，多家企業已成立相應的大數據分析部門或團隊，進行大數據分析、研究、應用布局，各企業未來將進一步加強對物流及商流數據的收集、分析與業務應用。
大數據技術主要有以下四個物流應用場景
需求預測：通過收集用戶消費特徵、商家歷史銷售等大數據，利用演算法提前預測需求，前置倉儲與運輸環節。目前已經有了一些應用，但在預測精度上仍有很大提升空間，需要擴充數據量，優化演算法。
設備維護預測：通過物聯網的應用，在設備上安裝晶元，可實時監控設備運行數據，並通過大數據分析做到預先維護，增加設備使用壽命。隨著機器人在物流環節的使用，這將是未來應用非常廣的一個方向。如沃爾沃：在物流車輛設備上安裝晶元，可通過數據分析進行提前保養。
供應鏈風險預測：通過對異常數據的收集，進行如貿易風險，不可抗因素造成的貨物損壞等進行預測。
網路及路由規劃：利用歷史數據、時效、覆蓋範圍等構建分析模型，對倉儲、運輸、配送網路進行優化布局，如通過對消費者數據的分析，提前在離消費者最近的倉庫進行備貨。甚至可實現實時路由優化，指導車輛採用最佳路由線路進行跨城運輸與同城配送。
人工智慧主要由電商平台推動，尚處於研發階段，除圖像識別外，其他人工智慧技術距離大規模應用仍有一段時間。
人工智慧技術主要有以下五個物流應用場景
智能運營規則管理：未來將會通過機器學習，使運營規則引擎具備自學習、自適應的能力，能夠在感知業務條件後進行自主決策。如未來人工智慧將可對電商高峰期（雙十一）與常態不同場景訂單依據商品品類等條件自主設置訂單生產方式、交付時效、運費、異常訂單處理等運營規則，實現人工智慧處理。
倉庫選址：人工智慧技術能夠根據現實環境的種種約束條件，如顧客、供應商和生產商的地理位置、運輸經濟性、勞動力可獲得性、建築成本、稅收制度等，進行充分的優化與學習，從而給出接近最優解決方案的選址模式。
決策輔助：利用機器學習等技術來自動識別場院內外的人、物、設備、車的狀態和學習優秀的管理和操作人員的指揮調度經驗和決策等，逐步實現輔助決策和自動決策。
圖像識別：利用計算機圖像識別、地址庫、合卷積神經網提升手寫運單機器有效識別率和準確率，大幅度地減少人工輸單的工作量和差錯可能。
智能調度：通過對商品數量、體積等基礎數據分析，對各環節如包裝、運輸車輛等進行智能調度，如通過測算百萬SKU商品的體積數據和包裝箱尺寸，利用深度學習演算法技術，由系統智能地計算並推薦耗材和打包排序，從而合理安排箱型和商品擺放方案。
物聯網與大數據分析目前已相對成熟，在電商運營中得到了一定應用，人工智慧相對還處於研發階段，是未來各家研發的重點。物聯網技術與大數據分析技術互為依託，前者為後者提供部分分析數據來源，後者將前者數據進行業務化，而人工智慧則是大數據分析的升級。三者都是未來智慧物流發展的重要方向，也是智慧物流能否進一步迭代升級的關鍵。
TAG:摩方智享 |