物流大数据‧大挑战‧大机会

物流领域发展近三十年，近年来面临诸多挑战，包括工资成本上升，人员排班限制增加、留才不易、电商物流利润率下降、集中式促销方式导致的暴增货量。近几年来，物流业转型升级缓慢，从刊登的征人广告来看，仍多以业务、理货人员、宅配司机为大宗，较缺乏前瞻未来的数据分析、人工智能运用、无人机/自动运输，或是创新商业模式的研发人力。

大数据的分析应用，欧美发展比我们早了七、八年，现在慢慢开花结果，从欧美的经验可以知道，大数据不仅能协助降低物流作业成本，还可以创造新的营收来源，数据的整理、分析，一直到最后建置神经网络模型开始运作，至少得花二年，在这个领域，越早投入，就越能看到显著成果。

物流中心经营不易，也相当耗费人力，因此必须要让作业人员的效益充份发挥，所谓的充份发挥，并非让每位作业人员每天都有做不完的工作；而是让作业人员的时间，尽量做「有价值、有意义」的工作。

在物流中心内，「找东西」、「走路」这二种动作是对商品附加价值最低的，因为在物流中心内走再多路，如果无法让商品及时装车出货，物流中心就不会赚钱，如何减少走路，牵涉到整体动线，以及料架、商品的最佳摆放位置。这些基本道理大家都理解，问题在于如何透过微型装置，可以日积月累地捕捉这些信息？

大数据的分析要花钱，所以最好选择可改善的领域是自己可以控制的。举例来说，就算我们知道平均每辆货运车在码头等候卸货时平均排放三公斤二氧化碳当量，我们也难以去逐一改善这些车辆的排气装置；反之，如果我们知道平均每件退货处理会耗掉物流中心八个工作小时，或是平均每位拣货人员每天在物流中心工作时要走15000步，就可深入去分析其真正原因，因为这背后代表的都是相当大的改善效益。

处理大数据，使用传统统计学是一个方法，但不见得是最好方法，因为统计学中许多推论方法，必须先假设「母体符合常态分配」，甚至抽样的样本间要完全独立。然而在现今的电子商务环境，以及社群媒体的辅助下，消费者彼此间的下单采购行为不再是完全独立，而是容易受到各种外在环境的影响（例如看到脸书直播，就会吸引社群同好快速下单），传统统计理论的适用性会受到很大挑战。而目前对于大数据处理最佳的方法则是神经网络(neural net-work)，也就是将大量数据喂入神经网络模型，进而做出更好的逻辑推论，例如年轻人、年收入100万以下，是否会购买扫地机器人。