大数据是信息时代的典型特征，即通过收集、输入、储存、管理、分析对传统数据进行整合，在互联网的发展中其重要作用。目前大数据已经应用在很多领域中，并影响着各行各业，也有越来越多的行业开始关注大数据，例如“菜鸟网络”的建设就是阿里巴巴公司旗下物流行业应用大数据的典型案例，通过在电商平台和消费者共同进行商品时间的预算和运输，这就需要大数据的计算和支持。
那么物流行业究竟如何如大数据联系起来？有哪些重要的数据指标？如何利用数据分析提升效能呢？小亿今天想和大家聊聊这些问题。
一、物流行业与数据指标
数据也称观测值，是实验、测量、观察、调查等的结果，常以数量的形式给出。现代物流系统是一个庞大复杂的系统，包括运输、仓储、 配送、搬运、包装和再加工等诸多环节，每个环节信息流量十分巨大，产生了巨大的数据流。对物流数据加以分析能够帮助物流企业及时、准确地收集和分析客户、市场、销售及整个企业内部的各种信息，对客户的行为及市场趋势进行有效的分析，了解客户各自的偏好，了解企业内部物流问题的关键所在，从而在提高服务质量和物流效率的同时，降低企业物流成本，这就是物流行业的数据指标的意义所在。
物流行业的常见数据指标，大致有收货数据，储存数据，挑选数据，发货数据，退货数据这5类。
1、收货指标数据
收货数据，包括到货量，订单数，车辆的装载量，收货区域大小，收货作业时间，每天收货SKU数等。
车辆的装载量和卸载时间主要对于站台设计有影响，包括车辆大小、载重量等。一般情况下，还要分析卸货的方式、速度，以便详细规划站台的数量。
收货一般是比较简单的，但也有比较复杂的情形，比如新华书店图书的收货即是如此。因为每天到货的品种很多，还有大量混包的情形，因此收货要进行专门的处理。有些电商的收货也比较复杂，包括要进行QC等动作，对收货区的要求就不一样。
2、储存指标数据
货物储存是一个十分重要的运输过程，库存能力对系统的设计非常重要，但如何确定库存是非常有讲究的。除了库存总量W以外，还要考虑SKU数，以及各种存储方式下的库存要求等。
很多情况下，仓库的设计并非是单一的。所以，设计的时候就要清楚库存的方式是什么，有什么要求。
一般的储存形式分为2种主要方式：以托盘为单位储存（分为立体库和平面库两种最基本形式）和以箱为单位储存。
当然还有其它形式，如包裹、麻袋、散料等，也有条状物（如钢材），异形物品（如服装的挂装等）等。在设计中，这两种方式都要考虑，有时以托盘为主，有时以箱储存为主，有时两者比较均衡。
3、挑选指标数据
挑选分拣数据，包括挑选的订单数，订单行数，发货量，整盘出库量，整件出库量，拆零出库量是比较重要的。
在挑选管理货物的时候，物流行业有一个非常重要的ABC分类法，根据货品的重要程度把货品归为A、B、C三类，进行分别管理：
A类货品：品种比例在10%左右，占比很小；但年消耗的金额比例约为70%，比重较大，是关键的少数，需要重点管理。
B类货品：品种比例在20%左右；年消耗的金额比例约为20%，品种比例与金额比例基本持平，常规管理即可。
C类货品：品种比例在70%左右，占比很大；但年消耗的金额比例在10%上下，此类物品数量多，占用了大量管理成本，但年消耗的金额很小，只需一般管理即可。
在管理仓库的时候，拿出主要精力处理主要事情，不是说不去管理B类、C类的货品。
在B类、C类货品中也有相对重要和次要的货品，可以循环使用ABC分类法进行分类管理，有利于减少库存，节约管理费用，从而降低管理成本。
拣选环节设计关注的主要是拣选、包装和输送问题，因此，有关拣选的细节问题就非常重要。如整盘出库量、整件出库量和拆零出库量，这三个参数对于设计也是非常重要的。
4、发货指标数据
在发货阶段，发货路向、数量、车辆形式、作业时间、暂存时间等数据是发货设计阶段的基础。分拣机的格口不可能无限增加。
因此，设计中应考虑波次问题，以便控制格口数量。
有些物流中心的发货区设计很小，站台停车位很少，给发货造成很大困难。集货区的大小与发货波次有关。很多小的物流中心，每天只安排一次发货，其发货区就要大一些。
对一个大型的物流中心来说，一般要按照多个大波次组织发货，每个大波次还有若干小波次，由此可以大幅度降低对集货区的需求。这在设计中是要注意的，随着大家对物流认识越来越深刻，发货装车环节越来越受到重视。因此，设计中也要与时俱进，考虑自动化系统对发货区的影响。
5、退货指标数据
退货数据不是均衡的，有很大的波动性，相关的数据有订单数，SKU。
在数据分析中（实际作业也是如此），要将退货收货与退货处理分开来。其作业时间和作业量都会不一样，对退货来说，其作业流程对于设计会产生影响。一般数据分析仅仅提供退货量即可，包括订单数、订单行、SKU、数量等。
二、数据分析与物流行业
数据分析是指用适当的统计方法对收集来的大量第一手资料和第二手资料进行分析，以求最大化地开发数据资料的功能，发挥数据的作用。是为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。而具体到物流行业则是因为物流的覆盖范围很大，从物料计划、采购、仓库、生产计划、配送中心和进出口，都是数据密集的部门，都需要对数据进行汇总分析并对运作进行安排的关键部门。总的来说，物流行业的数据分析有以下4个环节：
1、采购环节
采购是物流中不可忽视的重要环节之一，原材料的获取是企业生产的基础，一个好的全面的采购分析对于领导制定下一步采购策略是至关重要的。而在这里遇到的问题是，如何在如此庞大的供应商中选择适合企业自己的，如何把握好供应商的产品质量，以及业务员绩效如何评价等等问题。对采购环节的数据分析可实现供应商信用评价、业务员绩效考核等决策分析, 帮助企业为后续生产、销售等环节的顺 利进行打下坚实的基础, 为最终产品在质量和成本上的定位提供科学的依据。
基于以上的问题，在采购环节的数据分析具体步骤如下：
首先是在采购价格上进行数据分析，分析价格波动规律，以及寻找出可能的商机。对采购商进行供应信用等级分析,从交付 日期、质量、数据和价格等方面评估供应商的表现。这些数据可以从企业的财务，库存等部门获得。对物品延迟交货情况进行分析，对可能影响整个供应链的因素进行抑制，防止造成更大的损失。对采购项目中某种物料下一时期的需求进 行分析，依据物料长期以来的采购情况，找出规律，进行预测，从而帮助相关决策者作出正确的决策。采购成本差异分析，找出其中采购成本波动的原因，是因为质量问题，还是因为交通运输等问题造成的成本差异，从而从根本上解决采购成本波动的问题。
2、销售环节
数据分析在销售环节应用的非常多，在现代企业的战略宝典中，提高销售利润总是重中之中。现代物流中，已由传统中推式生产转为拉式生产，如何把握客户不断变化的需求，更好的满足顾客需求已经成为每个企业必要思考的问题。销售处于供应链的最下游，也就是最能得到顾客需求信息的环节，决策者如何准确、及时捕捉到销售信息，分析销售情况,随时根据历史的销售情况,对下一步的生产经营科学地进行决策，成为企业是否能领先于竞争对手，保持企业生命活力的重要环节。
销售分析需要的基础数据主要来源于销售、库存、财务和人事等。对于零售物流等，大部分来源于POS终端系统所反映出来的信息情况。但实际中，由于销售数据分析也是最烦琐的一块，利用率也常常不及 20%，如何能更好的利用这些有用的数据，成为我们研究的对象。专职销售的企业数据分析：如超市，连锁店等。在销售商品数据中，哪些商品具有相关性，比如某些客户 在买了牙膏之后都会买牙刷。这是比较显性的相关，也有些是不明显的相关，比如某些客户购买了卫生纸产品后也会购买啤酒，这个就需要分析人员对其调查分析，这样就可以更好的帮助企业提供更好的服务，也可以更好的进行促销等活动。
在大量的销售数据中，找到那些贡献值最大的数据，也就是常说的“二八”原则，20%的产品，销售额却占到总销售的 80%以上，对这一类产品需要重点关注。对某类商品的特殊销售情况进行分析，在销售数据中，可能发现某类商品销售走向发生重大变化，对该类商品给予关注，找出原因，更好的进行采购。对滞销商品进行统计分析，找出哪些商品滞销，为什么滞销，有什么好的方法处理这些滞销商品等等。这些销售数据都可以进行分析，以便更好的实行CRM（客户关系管理）。多角度分析销售成绩，根据销售数量，销售金额，或者是为某新产品打开市场等等角度来对销售员进行销售数据分析，并据此展开绩效管理工作。
3、运输环节
运输起着消除物流生产地与消费地之间空间错位的作用，运输在物流中通常占有大量成本，并且难以控制，给企业带来了不小的风险，如何更好的改善运输状况，是物流企业中考虑最多的问题。建立智能交通系统，通过 GPS与 GIS等先进的物流信息技术，对整个运输情况进行跟踪处理，防止运输过程中可能遇到的各种问题。同时通过GPS通信导航，可以为车辆提供及时的路面信息与道路状况，为其选择最佳路线与实时导航，也可以对公司内部所有车辆的运营数据，如GPS定位跟踪数据、车辆的行驶时间、行驶距离、完成的吨公里数进行分析，以其发现内在的规律，从而更有效地进行企业的物流运输规划。
4、财务环节
对物流企业财务环节进行数据分析，可以满足企业领导对各业务部门费用支出情况查询的要求, 并实现了对应收款、应付款的决策分析，综合改善企业的财务运行状况。对物流企业财务环节进行数据分析，还包括分析各种材料成本在产品总成本中所占的比重，分析其与实际生产情况是否相符，存在什么样的差距以及产生这种差距的原因，从而发现采购活动中可能存在的漏洞。对物流企业各部门的财务数据进行分析，发现其可能存在的坏账，以及不正常金额出入情况，发现企业的不正常运作，为管理者更好的管理下面分属企业提供决策支持。
物流企业财务环节数据分析，不应仅局限于本公司内部，还应该扩展到客户与供应商甚至整条供应链上的各节点的财务数据。如对客户财务交易情况进行数据分析，比如客户的 欠款时间，欠款次数，金额等等，以此为依据建立客户信用等级，为客户管理提供参考数据。 对供应商的财务交易数据进行分析，甚至对其采购情况、收支情况以及财务健康情况进行数据分析，从而更好的选择财务稳健、信誉良好的供应商，从而提高企业自身的竞争力。
三、物流行业常用数据分析工具
1、EXCEL
EXCEL电子表格软件是一个看起来比较直观的工具，物流也是一个以直观的实物流动为基础的部门，但它们的结合并不是直观，因为EXCEL电子表格软件是物流引起的信息流的表现载体，必须以一定的逻辑顺序来进行组织安排，才能正确又高效进行物流供应链数据处理工作。
在日常的数据处理中，常用的 EXCEL电子表格软件函数有 VLOOKUP、RIGHT、LEFT、MID、SUMIF、INDEX、 MATCH 等。另外，通过对EXCEL电子表格软件功能的深度挖掘，如 VBA(Visual Basic For Applications)发挥EXCEL电子表格软件的更深的应用，解决数据统计分析中的各种难题，能大大提高办公效率。 总的来说，EXCEL 电子表格软件是一个集数据表、工作函数、VBA 应用程序和强大的报表处理于一身的强大工具。
2、MATALAB
MATLAB是由美国 MathWorks 公司发布的主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。 它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中。MATALAB强大的计算功能，能解决许多物流企业遇到的数据分析难题。
如物流领域的运输环节，为了降低物流成本，我们有必要研究如何组织物资调运才能使总运输成本最少这一重要问题。研究物资运输过程中最优的运输方案,需要在满足各种资源限制的条件下,找到使运输总成本最少的调运方案。实践中 通常是通过建立数学模型,用定量分析的方法来解决这一问题。由于此类问题所涉及的条件变量较多,一般的数学方法运算难度较大,结果不容易求出。而线性规划法则是最优化问题领域中最简单、最基本和使用最广泛的方法。而传统的手工解决方式存在着效率低、计算繁琐、数据易丢失等缺点，因此利用MATLAB软件来计算出最佳结果是很有必要的。利用MATLAB的优化工具箱，可以求解线性规划、非线性规划和多目标规划等多种问题。此外，它还提供了线性、非线性最小化，方程求解，曲线拟合，二次规划等大中型问题的求解方法，为优化方法在工程中的实际应用提供了更方便、快捷的途径。
3、物流中心仓储信息大数据平台
该工具主要是以亿信华辰的指标管理平台和大数据实时分析平台两种产品为主搭建的仓储信息大数据平台。下面小亿以亿信华辰为某国家级研究所搭建的物流中心仓储信息大数据平台为例为大家讲解。
为建立物流中心仓储信息大数据平台，承载运营管理过程中需要收集、统计的仓储数据，支持仓储管理人员的日常工作，提升数据应用价值，该研究所18年下半年开始着手搭建仓储管理系统。平台建设充分考虑业务需求，满足灵活的数据查询及分析需求，用户可针对系统内的指标、维度进行项目信息查询。完善仓储管理信息化系统，突出效率管理、时间管理和流程运行管理，针对物流过程和物流数据实现钻取、穿透分析，建立物流中心仓储信息的数据分析体系。
（1）平台方案
（2）建设目标
1）物流大数据量的报表自动化生成
2）库存物资全面分析与预警
3）年度库存指标分析与预测
4）物流指标模型探索与分析
5）建立大数据分析应用标准
（3）建设内容
1）库存关键指标
自动生成库存关键指标主界面。
（以上为演示数据）
2）公共库存分析
通过大数据分析的方法，将每一笔公共库的来源区分清楚，找到产生的领域、项目和申请人，将这些数据按照一定的规则存储在大数据平台，数据分析的时候按照指标要求直接提取加工后的数据进行展现，方便又快捷。同时，可以对指标进行钻取和穿透，可以通过公共库存类别一直追溯到最初的源头，包括产生的领域、项目和申请人，为有效解决公共库存提供决策依据。
3）库存指标分析
系统还实现了多角度的库存结构分析、库龄分析、周转率分析、物流工作效率分析等，物流部门可以随时掌握物流的各项指标，了解库存的情况。
4）预警管理
复检预警、报废预警、积压预警等预警数据每天自动生成，自动提醒，不需要再加工。
5）看板管理分析
系统抽取了物流作业的单据、操作人、操作时间，并计算出整体的作业效率看板，可以穿透到每一个人。同时对超期的任务进行预警，方便及时发现问题、解决问题，提升内部作业效率。
该项目基于大数据平台和ERP，把物流应用经验推广到其他业务部门，为该所每个部门设计一套指标分析体系，并通过大数据平台自动进行数据加工和展现。为高层领导设计整个所的指标体系和分管板块的指标体系，通过大数据平台自动进行数据加工，通过电脑或者大屏进行展现。
在物流行业，统计方法及数据分析大多只到描述统计阶段，即通过图表展示一些数据指标。数据分析如何深入应用，仍然亟待思考与探讨，故而物流行业的数据分析仍然需要大量的实际应用去寻找方向。
