还记得《魔戒》里面白袍巫师所使的水晶球Palantiri，可以拥有看到任何地方的能力。能看到千里之外，甚至能预测未来，电影里最伟大的巫师才能有这种操纵能力。如果在现实中，也能实现这样的超能力，是不是在经营运营管理上可以超越其他竞争对手，甚至可以在商场上独立鳌头了呢？

Palantir公司，是美国大数据方面的独角兽公司，Palantir公司的主要成就包括：

·        911之后，Stanford的几个教授差点被CIA抓起来，原因是他们利用海量信息并迅速分析后的相似结果发布出去。“人脑+电脑“来分析复杂问题并辅助反恐的可能性，初见端倪。

·        一家受雇于SecuritiesInvestment Protection Corporation（SEC旗下组织）曾利用Palantir爆出猛料，在整合40年的记录及海量数据并充分挖掘之后，终于发现了纳斯达克前主席麦道夫(Bernie Madoff)的“庞氏骗局”。

·        除了翻出麦道夫，在随后不久，Palantir在抓住并击毙本拉登（Osama bin Laden）的行动中，又立上了一功。

 许多重要的事情，是无法测量的，你必须进行管理。虽然管理过程中有许多不可测量的东西，但是数据在管理中仍然很重要。在今天，弄清楚管理过程中哪些数据比较重要仍然是非常困难的一件事。有效的数字化转型不仅仅是衡量公司执行管理层和员工的业绩，还需要衡量客户的各个方面。本文会提出在物流行业中大数据BI应用中，探讨如何能像Palantir一样挖掘出可贵的商业价值与洞察，转型目前物流行业普遍粗放的管控模式，变型为数据驱动管理以支持前方的炮火精准导航与爆破。

大数据这三个字的意义更多是指一种概念和思维方式，并没有什么具体的含义，既不是一种工作也不是一种技术，可能勉强算得上是一些门槛稍高的，和数据科学有关的算法，技术以及工具的统一称谓，比如数据挖掘(聚类，关联)，机器学习(逻辑回归，神经网络)，比如自然语言处理，比如分布式运算(Hadoop, Spark,Hive等)。相比大数据，Business Inteligence(BI)的历史就要久远许多，在各大软件厂商的不断教育下，大中型公司几乎都采购了BI软件。其实BI也是一个比较宽泛的概念，和大数据一样包含了许许多多的技术和工具，像是数据仓库，OLAP cubes，数据集市，星型模型，数据挖掘等等。那么他们究竟是不是同一个东西呢？首先给大家列举下以下几个基本概念：

商业智能（BI）

其实软件厂商所提供的BI软件与广义的BI概念还是有很大程度的区别。为了追求高度的抽象化与通用性，BI软件大部分时间所承担的责任是一家公司的各类报表应用：将各个IT系统的数据传输聚合至BI，然后进行统计汇总，并统一在前端通过BI 报表或portal呈现出图表与数值，便于业务人员了解日常数据和运营情况。所以除了ETL部分以外，BI软件绝大多数的功能都是通用性极强的，跨行业，非定制化。

数据清理程序（ETL）

ETL是英文 Extract-Transform-Load 的缩写，用来将数据从来源端经过抽取（extract）、转换（transform）、加载（load）至数据仓库的过程。传统的物流企业目前面对内部各数据孤岛上的零散数据库，特别需要使用ETL来进行数据整合的过程。

ETL看似低端，其实当今的大数据顶尖企业Palantir，在最初为CIA服务的时候，也是从ETL开始的，让美帝特工不用在分散的多个数据库上分别做一次查询。

这也就决定了BI软件的最强大之处就在于监控和绘制通用性的统计报表，比如时间序列统计（趋势分析），分布统计（分种类统计），分段统计（数字类）等等。

BI软件的强项是将这些业务数据汇总起来，无需经过编程即可绘制出可供长期监控的可视化报表，同时实现随时更新。

数据科学，如果站在一个数据工程师的立场上，BI软件做的事情其实也属于数据分析的范畴，任何数据洞察，数据挖掘工作都需要涉及到这些通用维度的基本统计。但在这种浅层分析的基础之上，数据科学家可以通过带入较强的人为干预和行业性输入，做到许多高于BI的数据洞察。而将这些洞察落地，运用至具体产品设计，产品营销方案，会员体系管理和售后服务中，便可以像互联网公司一样，实现以数据驱动业务。而这个过程当中，需要用到大数据技术和ETL技术来支持BI的洞察逻辑。

BI工具的种类包括：

报表工具-在内容、设计、数据源、格式上过于复杂的特殊报表需求， 可以交给报表工具去处理。

多维分析工具-涉及到建立一个与关系型数据存储不同的结构 (立方体)，这是对在一 些维度和尺度上的高性能需求的优化。

数据挖掘工具-算法数据挖掘则会让你意识到还没有浮出水面的新的市场机会或商业问题。

数据可视化工具-提供了一种方法，让海量的详细信息通过绘图，制表和 穿过数据的卷宗而形成视觉上的认识。 

谈完了工具，那么我们再看看在物流行业，大数据BI可以解决哪些具体问题吧。

·        动态路由优化 – 一件货物的路由分配，需要分析所有的路由负载状况后进行动态路由调整及优化，让路由系统就像人的毛细血管一样的精密流转。

·        人员密集的装卸车-需要对外场里面的所有数据进行有效分析，比如货区之间的科学设计，笼车，叉车如何最优调整才能让装卸效率最大化分析。想要做到这一点，一切操作皆需要流程化运作。

·        网络规划 – 一般而言，网络规划是一个及其依赖算法的大数据运算方式，一般需要对车线，路由，网点位置，票件量，组织效率等各数据源进行数据建模，算法优化分析，最后对网点和分拨的调整给出专业建议。

·        运营能力规划-对于运营能力，简单而言就是人力充分利用，车辆的重复使用，减少单边车，人均效能提高各方面进行大数据量分析和给出调整建议。

·        客户忠诚度-依托于CRM系统，针对于网络的论坛，菜鸟评价，大量在线不规则数据进行爬虫抓取和分析，根据预设好的客户忠诚度模型，充分挖掘忠诚度高，客单量较多的客户进行分析后的特别关怀活动。

·        服务质量提升-针对于客服、仲裁、菜鸟指数相关的收发派签等环节的大数据量分析，明显提升各环节的服务质量。

·        风险评估和预防-风险方面是快递快运企业最为头疼的一块。使用相关性分析，可以预测出2天内马上爆仓的分拨中心，可以让分拨经理提前进行额外的人力配置和更优的排班计划，找到更多的车辆而非临时车运力有效降低成本。

·        市场洞察-可以分析出重点市场的货源结构及峰谷时间段，同行的平均价格分析及漂亮预测，来根据市场上的军情做出有效反应。

·        财务需求与供应链分析 -如果能清晰分析各种增长模型，可以最终落实到财务预测分析模型中，在需要大量现金流的时候提前支取，更早的预估车辆购买与货量增长的匹配模型，进而对内做有效的财务决策。对外，对B2C和B2B模式的供应链分析客户的需求并提前布局满足客户的需求。

·        地址匹配 – 与GIS系统中的数据进行有效分析，对于客户和地址的管理更有效的分析，从而有效降低错发误发件。

·        环境和天气预测 – 同一些外界网站和官方数据进行有效联动，通过提前进行天气预报并且进行系统路由临时调整，对于一些特殊路段绕开更快的货物运输与派送。 

那么要怎么才能做好这些场景呢？一般而言，需要搭建好这七层的数据及分析基础，以下图中需要从底往上以此进行数据建模和分析过程。

 §  基础数据平台：包括各种数据池数据，元数据，主数据，包括客户的数据形成一个用户画像存在公司级的数据库里面。

§  产品研发：一方面可以提升产品研发效率，另一方面可以做热门的个性化产品研发，通过规模化的手段进行个性化的定制。

§  业务运营监控：通过大数据去监控异常变动，比如通过大数据来及时监控KPI，快速生成可视化图片等快速洞察业务现状，及时避免损失。

§  客户洞察、体验优化和智能客服：通过360网点系统，建立客户洞察分析基础，使得最终用户的体验优化，可以通过爬虫抓取客户对本物流企业的评价及即时反馈。同时可以引进智能客服系统，对于客户的查询及投诉建议等有更好的管理。

§  精细化运营及营销：通过以上各层，打通精细化运营的基础，更丰富的利用各种运营，经营分析和用户画像，货源结构等综合信息，打通数据管理层次。更好的进行精准营销。

§  业务市场传播：更好的分析客户的心理诉求，根据客户的喜好度进行数据挖掘，并且投入结果到更丰富的客户管理中去，建立起客户忠诚度管理等系统及品牌营销策略决策。

§  战略分析：如果大数据能打通任督二脉，那一定是能建立一个从CEO到底层员工都可以受益的全景视图。在这个超能水晶球系统中，最能决胜至胜的关键点就是快速的战略分析到流程驱动，到最后KPI考核融为一体。这才应该是物流企业最需要的超凡水晶球。

如何来实现以上者七层递增的大数据BI应用场景呢？

首先，要避开三个大坑：

§  业务部门不知道BI或者大数据有什么用，也不知道在业务的哪些场景里能用到。

§  企业内部数据孤岛非常严重，不同业务部门的数据库各自为政，跨部门使用数据非常困难。

§  组织架构不合理

要避开这三个大坑，一定要做好业务规划。在没有业务需求场景的时候就拉起大数据应用的队伍，让他们研究，这样他们就难办了，往往出来的成果也不明显。最后这种的情况下就会失败。所以，应该反过来，先从业务角度，从结果看，从哪些方面能应用大数据能帮我带来好处。这需要企业领导人，业务负责人和大数据专家一起认真规划探讨，尤其是要根据企业一到两年或者更远的业务规划，看大数据是在哪些应用场景上对我有促进作用？是效率方面的提升还是业绩方面的直接提升？确定了大数据的应用场景，然后要根据业务场景去看数据模型怎么去搭，需要哪些数据，如果数据不够，再去和外面去合作和购买相关的数据。

2016年，是资本充分布局物流行业的初始元年，2017年及未来的物流行业是一个充分竞争的过程，那么建设具有大数据技术的BI，如果可以实现在物流行业做到知历史，管现在，看未来，那么物流行业的这种大鱼吃小鱼，快鱼吃慢鱼的游戏规则就可以在看清现实的基础上，通过快速调整市场反馈与速度差异，实现中型物流企业可以抗衡大型企业，最终实现弯道超车。希望更多的优质物流企业能在大数据使用场景多下功夫，早日实现这一弯道超车的梦想，实现自己的商业帝国的构想!

©2017 原色咨询企业管理咨询有限公司 本文由原色咨询管理咨询有限公司保留一切权利，转载请保留本版权信息、原文链接，且不得删改原文内容。

原色咨询：一群有梦想有专业来自国际一流咨询公司的团队，以为客户实现业务价值作为自我实现的理想，投入到英雄辈出的物流行业。前进路上，希望与更多有志之士同行！

微信号：RGB_CONSULTING

提示：请长按下面二维码关注原色咨询