互联网+物流 在大数据时代能带来哪些变革_百度知道
互联网+物流 在大数据时代能带来哪些变革
我有更好的答案
大数据，变革车货匹配　　每次到物流园区都看到很多信息部，大量的车辆在园区的停车场候着，有时候等上两三天配不上货也是正常的事，大大浪费了资源，所以才催生了很多以车货匹配的信息平台和APP，且不说车货匹配带来的数据量如何，仅大数据的沉淀积累就有一段漫长的路要走，通过运力池的大数据分析，公共运力的标准化和专业运力的个性化需求之间可以产生良好的匹配，同时，结合企业信息系统也会全面整合与优化。基于大数据实现车货高效匹配，不仅能减少空驶带来的损耗，还能减少污染，是一举多得的好事情！大数据的应用能有效解决公共信息平台上没有货源或货源信息虚假的问题。当前，国内做车货匹配的平台性企业大多还在摸索，效果不佳，运作乏力。　　大数据，运输路线优化　　下面先看看UPS是如何用大数据优化送货路线的？UPS配送人员不需要自己思考配送路径是否最优，UPS采用Orion系统可实时分析20万种可能路线，3秒找出最佳路径。UPS通过大数据分析规定：卡车不能左转，原因是左转会导致货车长时间等待。未来，UPS将用大数据预测快递员将做什么并及时控制纠正问题。通过运用大数据，物流运输效率将得到大幅提高，大数据为物流企业间搭建起沟通的桥梁，物流车辆行车路径也将被最短化、最优化定制。所以，UPS的司机会宁愿绕个圈，也不要往左转，听着些许荒唐，因为左转而绕远路的费时和耗油真的可以忽略不计吗？根据往年的数据显示，因为执行尽量避免左转的政策，UPS货车在行驶路程减少2.04亿的前提下，多送出了350000件包裹。　　大数据，销售预测与库存　　通过互联网技术和商业模式的改变，可以实现从生产者直接到顾客的供应渠道的改变。这样的改变，从时间和空间两个维度都为物流业创造新价值奠定了很好的基础。借助大数据不断优化库存结构和降低库存存储成本，运用大数据分析商品品类，系统会自动调用哪些商品是用来促销的，哪些商品是用来引流的，同时，系统会自动根据以往的销售数据建模和分析，以此判断当前商品的安全库存，并及时给出预警，而不再是根据往年的销售情况来预测当前的库存状况，降低库存存货，从而提高资金利用率。通过互联网技术的变化，可以让全国物流业的布局相应地发生一系列调整。从过去生产者全国布局配送中心，逐步演化成为个性化订单，从顾客的需求向上推移，促使整个配送模式的改变。过去是供给决定需求，今后越来越多地从需求开始倒推，按照需求的模式重新设计相应的供给点的安排。这些都是因为大数据时代到来所产生的变革。　　大数据，设备修理预测　　美国联合包裹服务公司（UPS）从2000年就开始使用预测性分析来检测自己全美60000辆车规模的车队，这样就能及时地进行防御性的修理。如果车在路上抛锚损失会非常大，因为那样就需要再派一辆车，会造成延误和再装载的负担，并消耗大量的人力、物力，所以，以前UPS每两三年就会对车辆的零件进行定时更换。但这种方法不太有效，因为有的零件并没有什么毛病就被换掉了。通过监测车辆的各个部位，UPS如今只需要更换需要更换的零件，从而节省了好几百万美元。有一次，监测系统甚至帮助UPS发现了一辆新车的一个零件有问题，因此免除了可能会造成的困扰。　　大数据，供应链协同管理　　随着供应链变得越来越复杂，如何采用更好的工具来迅速高效地发挥数据的最大价值，有效的供应链计划系统集成企业所有的计划和决策业务，包括需求预测、库存计划、资源配置、设备管理、渠道优化、生产作业计划、物料需求与采购计划等。将彻底变革企业市场边界、业务组合、商业模式和运作模式等。建立良好的供应商关系，实现双方信息的交互。良好的供应商关系是消灭供应商与制造商间不信任成本的关键。双方库存与需求信息交互、VMI运作机制的建立，将降低由于缺货造成的生产损失。部署供应链管理系统，要将资源数据、交易数据、供应商数据、质量数据等存储起来用于跟踪供应链在执行过程中的效率、成本，从而控制产品质量。企业为保证生产过程的有序与匀速，为达到最佳物料供应分解和生产订单的拆分，需要综合平衡订单、产能、调度、库存和成本间的关系，需要大量的数学模型、优化和模拟技术为复杂的生产和供应问题找到优化解决方案。　　大数据，变革思维方式　　物流行业的人们不再认为数据是静止和无价值的，对数据也有了重新认识，但片段性的、短期的数据似乎并未发挥出让人立竿见影看得到的价值！也许，有的企业会死在追求大数据的道路上，当然出现这种结果也是悲壮的！企业管理人员如果没有大数据的理念，就会丢失掉很多有价值的数据，譬如某专线货车价格并不完全依赖于起点和终点，也不完全依赖于公里数，太多影响其价格变动的因素了。　　如今，大数据逐渐成为投资公司热衷的领域，也逐渐在成为一种商业资本，未来大数据还能创造更多的出乎意料的价值存在，短期看也许是“虚”的，但一旦转变思维，数据就能激发出更多新点子，创造更多新产品和新型服务，数据的奥妙只为一直追求、愿意聆听且掌握了学习手段的人所知。　　加速大数据产业链，需要更先进的分析技术，“互联网+物流”的本质是物流行业经过互联网改造后的在线化、数据化，其前提是互联网作为一种基础设施的广泛安装。“互联网+”仰赖的新基础设施，可以概括为云（云计算和大数据基础设施）、网（互联网+物联网）、端（直接服务个人的设备）三部分，这三个领域的推进将决定“互联网+”计划改造升级物流产业的效率和深度。大数据时代的来临，不是技术的变革，首当其冲是思维的变革，随之而来的将是商业模式的改变。
采纳率：64%
为您推荐：
其他类似问题
您可能关注的内容
物流的相关知识
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。大数据时代如何利用数据进行有效物流决策
随着信息时代数据量的剧增，深化物流管理最为有效的方法是引入数据分析技术，对物流数据进行分析和预测，取代经验论，帮助决策者做出快速、准确的决策。
1、物流领域常用数据分析场景　
梳理我们整个物流环节，数据分析的应用可以分为两个方向，规划和预测。
其中规划方向的应用往往是以成本和时间为优化目标，或者是两者综合的多目标优化，在分析过程中我们往往是通过成本构成或者时间构成的角度去寻找他的影响因素，在分析这些影响因素的基础之上，找到合理的变量取值，使得成本最优，时间最少。常用的应用场景包括仓储选址规划、运输路径规划、仓储布局规划。
预测方向的应用场景主要包括市场销售预测、采购需求预测、供货周期预测，预测不会直接产生经济效益，它的意义主要体现在在了解未来发展方向和发展量的基础上采取合理的预防措施，比如说市场销售预测是为了合理安排生产和库存，进而获得供应链总体成本的最优。
在大数据时代，我们获得数据越来越多，不管是数量上还是维度上，常用数据分析方法也都有可以进一步的拓展，使结果更加的合理准确。
2、仓储选址规划常用数据分析方法　　
仓库选址是指在一个具有若干供应点及若干需求点的经济区域内，选一个地址建立仓库的规划过程。合理的选址方案应该使商品通过仓库的汇集、中转、分发，达到需求点的全过程的效益最好。
常用的仓储选址数据分析方法包括精确重心法、加权评分法、P-中值法、鲍摩-瓦尔夫模型、多级多设施选址模型等等。
　　(1)精确重心法
　　(2)加权评分法
　　(3)P-中值法
　　(4)鲍摩-瓦尔夫模型
　　(5)多级—多设施选址模型
3、仓储选址常用方法对比分析
由于不同的企业在建设物流配送中心时，对配送中心未来用途、构成的需求有所不同，因此在对物流配送中心进行规划时要充分考虑这些因素，选取适当的选址方法。
4、大数据时代仓储选址方法应用拓展
那么在大数据环境下，我们应该如何更加有效的选址呢?
应用大数据进行选址可以实时获取海量数据资源，使得准确性大大提高，随着信息获取方法的智能化以及多样化，人们也不一定非要到实地去勘测调研，大大节省人力物力。
大数据时代，针对仓储选址场景，除了运用综合的模型和智能的算法，分析获得的有效数据，提取隐含其中的信息，得出最优的仓储选址结果之外。可以向前拓展数据获取方式，通过RFID射频数据、传感器数据、社交网络数据、移动互联网数据等方式获得各种类型海量数据。向后延伸数据可视化方法，借助计算机图形学和图像处理技术，将选址结果转化为图形，清晰有效地传达于受用者。
归根结底，仓储中心选址的决定因素主要还是中心供需量、物流运输成本和中心建设运营成本三个方面，大数据对仓储中心的选址的影响归根到底还是对于这三个方面因素的作用。
大数据时代，通过RFID射频技术、传感器、GIS、GPS、社交网络、移动互联网等方式可以获得各种类型海量数据。
基于数据采集技术获取有效基础数据，通过适用的数据分析方法，得出最优的仓储选址结果，选用数据可视化工具直观和明显地展示选址后系统流量流向地图。
大数据已经渗透到物流领域的各个环节之中，其作为一种新兴技术，它给物流的发展带来了更多的机遇。对物流企业而言，合理地运用大数据技术，对企业的管理、客户关系维护、资源配置等方面都将起到积极的作用，使物流决策更加高效与准确。
本帖子中包含更多资源
才可以下载或查看，没有帐号？
还是学到很多东西
使用 (可批量传图、插入视频等)快速回复
仓库社区微信公众号 /1
成为仓库社区VIP会员，海量资料免费下载！
汇集仓库管理行业精英,一起交流,学习,提高!
仓库社区主管群即将满员...
点击查看群号加入....
使用QQ号也可以登陆社区了！
工作时间：8:00-22:00
逛了这许久，何不进去瞧瞧？404-您访问的页面不存在或链接破坏依托于中国物流领域最大的新媒体平台-物...
物流发展：大数据时代如何利用数据进行有效物流决策
随着信息时代数据量的剧增，深化物流管理最为有效的方法是引入数据分析技术，对物流数据进行分析和预测，取代经验论，帮助决策者做出快速、准确的决策。
1、物流领域常用数据分析场景　　梳理我们整个物流环节，数据分析的应用可以分为两个方向，规划和预测。
其中规划方向的应用往往是以成本和时间为优化目标，或者是两者综合的多目标优化，在分析过程中我们往往是通过成本构成或者时间构成的角度去寻找他的影响因素，在分析这些影响因素的基础之上，找到合理的变量取值，使得成本最优，时间最少。常用的应用场景包括仓储选址规划、运输路径规划、仓储布局规划。
预测方向的应用场景主要包括市场销售预测、采购需求预测、供货周期预测，预测不会直接产生经济效益，它的意义主要体现在在了解未来发展方向和发展量的基础上采取合理的预防措施，比如说市场销售预测是为了合理安排生产和库存，进而获得供应链总体成本的最优。
在大数据时代，我们获得数据越来越多，不管是数量上还是维度上，常用数据分析方法也都有可以进一步的拓展，使结果更加的合理准确。
2、仓储选址规划常用数据分析方法　　仓库选址是指在一个具有若干供应点及若干需求点的经济区域内，选一个地址建立仓库的规划过程。合理的选址方案应该使商品通过仓库的汇集、中转、分发，达到需求点的全过程的效益最好。仓储选址步骤如下图所示。
常用的仓储选址数据分析方法包括精确重心法、加权评分法、P-中值法、鲍摩-瓦尔夫模型、多级多设施选址模型等等。
(1)精确重心法
(2)加权评分法
(3)P-中值法
(4)鲍摩-瓦尔夫模型
(5)多级—多设施选址模型
3、仓储选址常用方法对比分析
由于不同的企业在建设物流配送中心时，对配送中心未来用途、构成的需求有所不同，因此在对物流配送中心进行规划时要充分考虑这些因素，选取适当的选址方法。
4、大数据时代仓储选址方法应用拓展
那么在大数据环境下，我们应该如何更加有效的选址呢?
应用大数据进行选址可以实时获取海量数据资源，使得准确性大大提高，随着信息获取方法的智能化以及多样化，人们也不一定非要到实地去勘测调研，大大节省人力物力。
大数据时代，针对仓储选址场景，除了运用综合的模型和智能的算法，分析获得的有效数据，提取隐含其中的信息，得出最优的仓储选址结果之外。可以向前拓展数据获取方式，通过RFID射频数据、传感器数据、社交网络数据、移动互联网数据等方式获得各种类型海量数据。向后延伸数据可视化方法，借助计算机图形学和图像处理技术，将选址结果转化为图形，清晰有效地传达于受用者。
归根结底，仓储中心选址的决定因素主要还是中心供需量、物流运输成本和中心建设运营成本三个方面，大数据对仓储中心的选址的影响归根到底还是对于这三个方面因素的作用。
大数据时代，通过RFID射频技术、传感器、GIS、GPS、社交网络、移动互联网等方式可以获得各种类型海量数据。
基于数据采集技术获取有效基础数据，通过适用的数据分析方法，得出最优的仓储选址结果，选用数据可视化工具直观和明显地展示选址后系统流量流向地图。
大数据已经渗透到物流领域的各个环节之中，其作为一种新兴技术，它给物流的发展带来了更多的机遇。对物流企业而言，合理地运用大数据技术，对企业的管理、客户关系维护、资源配置等方面都将起到积极的作用，使物流决策更加高效与准确。
作者：多智时代
(来源:中国物通网)
欢迎搜索关注钱塘号的微信公众号：
定时推送,福利互动精彩多
没有注册？
已有账号登录
>>>请拖动滑块完成拼图>>>
我已阅读并同意
已经注册？
>>>请拖动滑块完成拼图>>>大数据时代，如何用数据进行物流决策大数据时代，如何用数据进行物流决策百日精进百家号随着信息时代数据量的剧增，深化物流管理最为有效的方法是引入数据分析技术，对物流数据进行分析和预测，取代经验论，帮助决策者做出快速、准确的决策。1、物流领域常用数据分析场景梳理我们整个物流环节，数据分析的应用可以分为两个方向，规划和预测。其中规划方向的应用往往是以成本和时间为优化目标，或者是两者综合的多目标优化，在分析过程中我们往往是通过成本构成或者时间构成的角度去寻找他的影响因素，在分析这些影响因素的基础之上，找到合理的变量取值，使得成本最优，时间最少。常用的应用场景包括仓储选址规划、运输路径规划、仓储布局规划。预测方向的应用场景主要包括市场销售预测、采购需求预测、供货周期预测，预测不会直接产生经济效益，它的意义主要体现在在了解未来发展方向和发展量的基础上采取合理的预防措施，比如说市场销售预测是为了合理安排生产和库存，进而获得供应链总体成本的最优。在大数据时代，我们获得数据越来越多，不管是数量上还是维度上，常用数据分析方法也都有可以进一步的拓展，使结果更加的合理准确。2、仓储选址规划常用数据分析方法仓库选址是指在一个具有若干供应点及若干需求点的经济区域内，选一个地址建立仓库的规划过程。合理的选址方案应该使商品通过仓库的汇集、中转、分发，达到需求点的全过程的效益最好。仓储选址步骤如下图所示。常用的仓储选址数据分析方法包括精确重心法、加权评分法、P-中值法、鲍摩-瓦尔夫模型、多级多设施选址模型等等。（1）精确重心法（2）加权评分法（3）P-中值法（4）鲍摩-瓦尔夫模型（5）多级—多设施选址模型3、仓储选址常用方法对比分析由于不同的企业在建设物流配送中心时，对配送中心未来用途、构成的需求有所不同，因此在对物流配送中心进行规划时要充分考虑这些因素，选取适当的选址方法。4、大数据时代仓储选址方法应用拓展那么在大数据环境下，我们应该如何更加有效的选址呢？应用大数据进行选址可以实时获取海量数据资源，使得准确性大大提高，随着信息获取方法的智能化以及多样化，人们也不一定非要到实地去勘测调研，大大节省人力物力。大数据时代，针对仓储选址场景，除了运用综合的模型和智能的算法，分析获得的有效数据，提取隐含其中的信息，得出最优的仓储选址结果之外。可以向前拓展数据获取方式，通过RFID射频数据、传感器数据、社交网络数据、移动互联网数据等方式获得各种类型海量数据。向后延伸数据可视化方法，借助计算机图形学和图像处理技术，将选址结果转化为图形，清晰有效地传达于受用者。归根结底，仓储中心选址的决定因素主要还是中心供需量、物流运输成本和中心建设运营成本三个方面，大数据对仓储中心的选址的影响归根到底还是对于这三个方面因素的作用。大数据时代，通过RFID射频技术、传感器、GIS、GPS、社交网络、移动互联网等方式可以获得各种类型海量数据。基于数据采集技术获取有效基础数据，通过适用的数据分析方法，得出最优的仓储选址结果，选用数据可视化工具直观和明显地展示选址后系统流量流向地图。5、总结总之，大数据已经渗透到物流领域的各个环节之中，其作为一种新兴技术，它给物流的发展带来了更多的机遇。对物流企业而言，合理地运用大数据技术，对企业的管理、客户关系维护、资源配置等方面都将起到积极的作用，使物流决策更加高效与准确。本文由百家号作者上传并发布，百家号仅提供信息发布平台。文章仅代表作者个人观点，不代表百度立场。未经作者许可，不得转载。百日精进百家号最近更新：简介:心不想，
物不至。作者最新文章相关文章