大數據對于未來倉儲物流的發展有著變革性的意義。倉內的各種物資如何完成高效的運轉作業，其核心在于如何挖掘出倉儲相關大數據的價值，并把它與倉內的各種設備和作業策略結合起來。

隨著物流的智能化發展，大數據技術的作用日益凸顯。

在物流企業的倉儲、運輸、配送、加工等環節每天都會涌現出海量的數據，面對海量數據，物流企業在不斷增加大數據方面投入的同時，不再僅僅把大數據看作是一種數據挖掘、數據分析的信息技術，越來越多的企業把大數據看作是一項戰略資源，隨著大數據時代的到來，大數據技術可以通過構建數據中心，挖掘出隱藏在數據背后的信息價值，充分發揮大數據給物流企業帶來的發展優勢，在戰略規劃、商業模式和人力資本等方面做出全方位的部署，為企業物流運營過程中的戰略決策、運營規劃、資源統籌、人效提升、成本控制等方面提供有力支撐，從而幫助企業優化管理，提高行業競爭力。

倉儲物流作為物流運作中的一個重要環節，其日常運營生成和積累了龐大的用戶入庫、出庫、揀選等訂單行為數據，如何通過大數據將這些信息對接，將每個節點的數據收集并整合，通過數據中心分析、處理轉化為有價值的信息，是整個倉儲物流行業目前最為關心的問題。

大數據在倉儲物流中的發展現狀

1.政策環境

目前，國家出臺的與大數據相關的物流行業規劃和政策，主要包括《第三方物流信息服務平臺建設案例指引》、《商貿物流標準化專項行動計劃》、《物流業發展中長期規劃（2014-2020年）》、《關于推進物流信息化工作的指導意見》等一系列政策，將大數據、信息化處理方法作為物流行業轉型升級的重要指導思想。

2013年6月發布的《交通運輸業推進物流業健康發展的指導意見》指出，加快推進交通運輸物流公共信息平臺建設，完善平臺基礎交換網絡，加快推進跨區域、跨行業平臺之間的有效對接，實現鐵路、公路、水路、民航信息的互聯互通。鼓勵企業加快推進信息化建設。

2014年2月發布的《第三方物流信息服務平臺建設案例指引》指出，對第三方物流信息服務平臺建設的指導思想、基本原則、建設類型、建設標準、保障措施與考核要求等進行了具體說明，并收錄了目前國內經營模式較為先進、取得較好經濟社會效益的第三方物流信息平臺建設案例。

此外，交通運輸部正在編制的物流發展“十三五”規劃，其中統籌謀劃現代物流發展，指出要發展智慧物流，適時研究制定“互聯網”貨物與物流行動計劃，深入推進移動互聯網、大數據、云計算等新一代信息技術的應用；強化公共物流信息平臺建設，完善平臺服務功能。

2.技術環境

大數據處理關鍵技術一般包括：大數據獲取、預處理、存儲、大數據分析、可視化等技術。

在數據獲取上，現有的RFID射頻技術、傳感技術、系統日志抓取技術、EDI交互數據及移動互聯網數據抓取技術等，都能從倉內運營中獲得的各種類型的結構化、半結構化（或稱之為弱結構化）及非結構化的數據，這些龐大的數據量是大數據知識服務于倉儲物流的根本。目前仍需突破分布式高速高可靠數據爬取或采集、高速數據全映像等大數據收集技術；突破高速數據解析、轉換與裝載等大數據整合技術；設計質量評估模型，開發數據質量技術。

在數據存儲上，大數據存儲與管理要用存儲器把采集到的數據存儲起來，建立相應的數據庫，并進行管理和調用。重點解決復雜結構化、半結構化和非結構化大數據管理與處理技術。主要解決大數據的可存儲、可表示、可處理、可靠性及有效傳輸等幾個關鍵問題。開發可靠的分布式文件系統（DFS）、能效優化的存儲、計算融入存儲、大數據的去冗余及高效低成本的大數據存儲技術；突破分布式非關系型大數據管理與處理技術，異構數據的數據融合技術，數據組織技術，研究大數據建模技術；突破大數據索引技術；突破大數據移動、備份、復制等技術；開發大數據可視化技術。

在數據分析上，改進已有數據挖掘和機器學習技術。開發數據網絡挖掘、特異群組挖掘、圖挖掘等新型數據挖掘技術。突破基于對象的數據連接、相似性連接等大數據融合技術。突破用戶興趣分析、網絡行為分析、情感語義分析等面向領域的大數據挖掘技術。

3.行業環境

2013年被稱為大數據元年，2014年則為移動互聯元年。物流大數據研究和應用剛剛起步，尚屬新興的研究領域，發展比較緩慢。從細分市場來看，醫藥物流、冷鏈物流、電商物流等都在嘗試趕乘大數據這輛高速列車，但從實際應用情況來看，目前電商物流憑借互聯網平臺具有一定的先發優勢。大數據或將成為物流企業的強力助手。作為一種新興的技術，它給物流企業帶來了機遇，合理地運用大數據技術，將對物流企業的管理與決策、客戶關系維護、資源配置等方面起到積極的作用。2014年，中國物流大數據應用市場應用規模為2.92億元，預計到2020年將達到188.23億元。大數據在電商物流企業中的應用貫穿了整個物流企業的各個環節，其中電商的倉儲物流環節由于表單直接與前臺銷售數據相連，其數據更具挖掘和應用價值。

1.科學庫存布局

電商企業向全品類擴張時必然面臨一個問題——如何在全國范圍內進行合理的庫存布局，以此實現成本和效率之間的最優化。庫存布局包含兩個維度的含義，第一個維度是在各個倉庫里面放哪些品類的商品，如何在跨倉之間解決高拆單率的問題；第二個維度是在同一個庫內，哪些商品放在一起是最合適倉儲作業的問題。基于這個痛點，京東在以往運營過程中積累的海量數據起到了作用。通過大數據可以解析出不同的季節、不同的區域，訂單和商品的關聯度，系統可以知道哪些商品會非常頻繁的被同一個客戶下單購買。通過京東的智能算法，去形成京東獨有的對于商品的第四級分類，該分類方式能夠幫助企業更好地實現物流服務水平和成本之間的最優。

對于京東的倉儲系統來說，在過去一年里已經深入挖掘了“20W×20W/日”的訂單數據，構建起一個基于時間序列的數據立方體，萃取穩定可信的商品關聯度，在此基礎上集中應用先進算法，自主研發了全品類商品布局解決方案。該方案能夠精細化梳理數百萬甚至上千萬SKU在550萬平方米庫房中的布局結構，在倉間級、倉內級、巷道級三個維度，系統性地推動京東運營體系商品布局最優化。

2.揀貨路徑優化

在揀貨過程中，一般是由系統下傳揀貨集合單給揀貨人員，由揀貨人員按照集合單上的商品順序依次完成揀貨作業。京東原有的倉儲系統雖然采用訂單的批次處理策略，但主要依賴于倉庫人員的經驗，人工設置篩選條件來生成揀貨集合單任務，從而造成揀貨位置分布極其分散、揀貨行走路徑冗長、揀貨路徑選擇不合理等問題，嚴重阻礙了倉庫的運轉效率。

而現在，利用大數據和機器學習，京東的倉內系統可以根據商品的歷史出庫數據和儲位數據情況來進行自我學習，對具有相似屬性的訂單進行地理位置上的分類，將局部區域的訂單集中在一起，用算法取代人腦規劃超過550萬平米庫房的最優揀貨路徑，用代碼代替人腿協助近萬名揀貨員奔跑，讓巨型物流中心的揀貨員，像行走在7-11便利店一樣，每穿越一個貨架，都滿載而歸，從而節省揀貨行走時間，提升倉庫的運轉效率。

3.智能單量預測

利用大數據進行預測是大數據應用中的一個重要方向，通過大數據預測技術，可以挖掘出消費者的消費偏好及習慣，預測消費者需求，從而將商品物流環節和客戶需求同步進行，將商品提前布局到消費需求周圍、并預計運輸路線和配送路線，緩解運輸高峰期的物流壓力，提高客戶的滿意度和客戶粘度。

通過大數據支撐的智能單量預測系統能夠支持京東全品類千萬級自營SKU的需求預測，單量預測品類倉維度準確率達到85%，是庫存管控相關系統重要的基礎數據來源，也是京東數字化驅動智慧運營的基礎。

4.倉儲作業人效提升

需要在倉庫站點完成配送的包裹數也倍增，這種倍增對于物流交互體系來說產生的壓力毋庸置疑，隨著人力成本的提升，依靠于傳統的人海戰術已經越來越難以解決。

在這些人工智能和自動化設備背后，大數據支撐的算法是核心和靈魂。在上架環節，算法將根據上架商品的銷售情況和物理屬性，自動推薦最合適的存儲貨位；補貨環節，補貨算法的設置讓商品在揀選區和倉儲區的庫存量分布達到平衡；出庫環節，定位算法將決定最適合被揀選的貨位和庫存數量，調度算法將驅動最合適的機器人進行貨到“人/機器人”的搬運，以及匹配最合適的工作站進行生產。大數據使得京東能夠有足夠大的信心去迎接因為消費升級而帶來的更大規模的物流交付體系的壓力。

結論

大數據對于未來倉儲物流的發展有著變革性的意義。倉內的各種物資如何完成高效的運轉作業，其核心在于如何挖掘出倉儲相關大數據的價值，并把它與倉內的各種設備和作業策略結合起來。未來，物聯網技術可以捕捉倉內的每一個資源的狀態，包括人、設備、設施、庫存、訂單，通過這種動態狀態的捕捉，可以即時獲取到生產線上的瓶頸。把這些數據匯聚到中央調度系統，由中央調度系統去做柔性的、動態的安排。利用大數據也可以突破現有倉庫不同商品、不同作業模式的限制，大數據驅動的策略引擎可以根據當前的訂單結構和倉庫產能，自主地調控對不同訂單、不同業務流程的作業模式，從而解決全領域、全業務形態、全品類商品的同倉生產問題。大數據為倉儲物流的精細化作業、智能化作業提供了無限暢想的空間，同時如何有效收集、處理、分析指數級增長的分散數據以服務于倉儲物流的現場運營和決策指引，也是企業當前面臨的一個巨大挑戰。