1.2.5　智能物流發展的重要方向

大數據分析技術現在已非常成熟，在電子商務運營中得到了廣泛應用。人工智能技術相對成熟，除圖像識別外，其他人工智能技術已開始應用，是未來發展的要點。物聯網技術與大數據分析技術互為依托，前者為后者提供數據來源，后者將前者的數據進行事務化，人工智能技術則是大數據分析技術的升級。三者都是未來智能物流發展的重要方向。

1.大數據助力智能物流晉級的4個應用場景

（1）需求猜測。

需求猜測是指經過收集用戶消費特征、預期需求、商家出售等大數據，運用算法進行評估并提早猜測需求，優化前置倉儲與運送環節。需求猜測現在已經有了一些應用，但在猜測精度上仍有很大提升空間，未來需要擴充數據量、優化算法。物流人才需求猜測是指以企業的戰略目標、發展規劃和工作任務為出發點，綜合考慮各種因素的應用。

（2）設備保護猜測。

通過物聯網的應用，提高設備創新能力，在設備上安裝芯片，可實時監控設備的運轉數據，經系統集成并進行大數據剖析實現預先保護，形成保護帶動效應，延長設備使用壽命，提高核心競爭力。隨著機器人與設備在物流環節的應用，設備保護猜測將成為未來應用十分廣泛的一個方向。設備技術創新機制有機結合技術創新體系，例如，在物流車輛設備上安裝芯片，可經過數據剖析對車輛提早進行保養。

（3）供應鏈危險猜測。

經過對反常數據的收集，對不正常狀態進行判斷，對在這個過程中形成的貨品損壞等進行猜測，以提高產能。

（4）網絡及路由規劃。

運用數據、時效、規模等構建剖析模型，對網絡及路由進行規劃，對倉儲、運輸、配送網絡進行優化布局。對于以快運業務為主的運輸網絡，區間配送時效及運力直接決定運輸網絡品質。例如，經過對消費者數據的剖析，提早在距離消費者最近的庫房備貨。合理配置分撥中心是構建運輸網絡的第一步，可完成實時路由優化，在核心競爭區域達成全網絡覆蓋，指導車輛采用最佳線路進行跨城運輸與同城配送，基于網絡平臺實現服務器選擇算法和路由規劃算法。

2.大數據助力智能物流技術的5個應用場景

（1）智能運營規矩處理。

未來，經過機器學習，運營規矩引擎將具備自學習、自適應能力，可深耕精細化運營優化服務，引領行業智能在感知事務條件后進行自主決議計劃。智能運營規矩在智能監管方面的挑戰主要來自公平性、透明性和責任認定。在不同場景下依據產品品類等條件自主設置訂單生產方式、交付時效、運費、反常訂單處理等運營規則，完成智能處理。

（2）最優庫房計劃。

人工智能可以依據實際環境的種種條件，秉承“安全、相信、創新、質誠”的經營管理理念，堅持從客戶需求角度出發，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、建筑成本、稅收制度等，通過專業技術進行不懈的努力及充沛的優化與學習，制訂最優庫房計劃，推動倉儲業不斷向前發展。

（3）改進輔佐決議計劃。

運用機器學習等，基于歸納專家體系、決議計劃支撐體系，識別人、物、設備、車的狀況，學習優異的辦理和操作人員的指揮調度經歷和決議計劃等，對規劃計劃進行歸納剖析，完成輔佐決議計劃和主動決議計劃，使輔佐決議計劃的作用大大提升。

（4）圖像識別。

利用計算機對圖像進行處理，運用圖像處理技術從視頻中提取圖像，基于圖像識別和卷積神經網絡提高手寫運單識別機器的識別率和準確率。計算機視覺商業化應用的逐漸落地，將大幅度削減人工輸入訂單的工作量，降低產生輸入差錯的可能性。

（5）智能調度。

結合大數據與機器學習，經過對產品數量、體積等根底數據的剖析，對各環節如包裝、運輸車輛等進行智能調度。智能調度經過測算百萬SKU產品的體積數據和包裝箱尺寸，運用深度學習算法，高效匹配并智能核算，推薦耗材和打包排序，激活閑置資源，合理安排箱型和產品擺放計劃。