大数据时代如何利用数据进行有效物流决策

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。