時間：2018-08-07 10:05:36 點擊：次
來源：運聯(lián)傳媒 作者：

條評論打印收藏

 大數(shù)據(jù),，是指數(shù)據(jù)量級大到現(xiàn)有的軟硬件無法從中獲取「合理的,、科學(xué)的或者有意義的知識」,。一般常用的處理工具是Hadoop，Spark,。

人工智能（Artificial Intelligence）,，英文縮寫為AI,。簡單的理解就是，用計算機程序從已有的大量數(shù)據(jù)中計算出需要的結(jié)果,。

毫無疑問,，基于當(dāng)前計算機技術(shù)能力的發(fā)展這兩者必然會改變未來，尤其是物流行業(yè)這樣一個操作密集型的行業(yè),。當(dāng)下物流企業(yè)的高層技術(shù)管理人員,，對這兩者賦能物流企業(yè)寄予厚望。

從本文開頭任職要求可以看出,，這個大型物流企業(yè)在以處理大數(shù)據(jù)的要求招聘數(shù)據(jù)開發(fā)工程師,。那么作為新興部門或企業(yè)，是否有必要招此類開發(fā)工程師,？是否能接地氣,，實用性高不高？

數(shù)據(jù)處理分析就如同一個廚師將各種食材,，進行加工處理,，得出一道美味的菜肴。所以,，數(shù)據(jù)原材料是數(shù)據(jù)分析師處理的「食材」,，數(shù)據(jù)處理加工的工具如同加工過程中的烹飪工具，處理結(jié)果就是最后的「菜肴」,。那么如果烹飪工具很高級,，廚師技術(shù)很高，但是食材缺乏,，怎么能做出美味的「菜肴」呢？

食材分多種,，既有基礎(chǔ)食材,，也有清洗后的食材，還有刀切完成的食材,。

下圖表示數(shù)據(jù)分析與基礎(chǔ)工作流程的嵌套邏輯：

實際上,，上圖還可以用另外一種實際操作場景予以表述：

1）底層表示最基礎(chǔ)的數(shù)據(jù)采集層。

比如商品出售時掃描商品碼是第一個采集數(shù)據(jù)行為,，然后客人用相應(yīng)的支付寶賬號進行付款,，這是第二個需要采集的數(shù)據(jù)。最基礎(chǔ)的數(shù)據(jù)采集,，表示在第一現(xiàn)場做的行為的數(shù)據(jù)記錄,，這是我們進行數(shù)據(jù)分析的前提。這期間如果數(shù)據(jù)的采集量極其大,，那么需要用處理性能高的服務(wù)器與工具,，此時Spark就能發(fā)揮作用,。

這個底層系統(tǒng)我們一般稱為基礎(chǔ)業(yè)務(wù)系統(tǒng)。

2）中間第二,、第三層是數(shù)據(jù)分析加數(shù)據(jù)采集,。

比如根據(jù)商品流動排名分析（這是第一層數(shù)據(jù)分析的結(jié)果），店主購買排名第一的銷售商品,，這是第二層的采集行為,。其建立在第一層分析基礎(chǔ)上，以分析結(jié)果作為第二層數(shù)據(jù)采集的起點,，向后延伸采集更多的數(shù)據(jù),。

這兩層管理系統(tǒng)，我們稱為業(yè)務(wù)管理系統(tǒng),。

3）最上面一層是數(shù)據(jù)結(jié)果層,。

比如該商品根據(jù)流出與采購下達，預(yù)計某個具體日期的庫存量,，并作出相應(yīng)的補貨或促銷推薦,。這是最后展示及可被系統(tǒng)自動推薦用于決策的數(shù)據(jù)。整個過程完成了所有數(shù)據(jù)處理及人工智能,。

一般這個層次是最后的數(shù)據(jù)呈現(xiàn)層,，一般使用BI工具進行數(shù)據(jù)分發(fā)。

上面這個例子,，說明了數(shù)據(jù)分析與流程嵌套之間的關(guān)系：沒有基礎(chǔ)采集準備,，就沒有可分析的材料；沒有數(shù)據(jù)分析的結(jié)果作為二層管理流程的起點,，就沒有后續(xù)的采集節(jié)點,。

數(shù)據(jù)分析與流程相輔相成，這也是為什么我在上一篇《聯(lián)盟成網(wǎng)之「坑」》中說到「依附于體系的流程探索如『繡花』,，需要試錯與積累,，逐層細化，從而讓系統(tǒng)流程覆蓋率逐漸提高,。數(shù)據(jù)協(xié)調(diào)能力提升,，管理能力才能穩(wěn)健」的原因。

可以想象,，巧婦在做「無米之炊」的時候,，她只有兩個選擇：去自己找米；不做飯了,。對數(shù)據(jù)開發(fā)工程師來說就是：我去填基礎(chǔ)數(shù)據(jù)采集不全的坑,；我離職不干了。

在物流網(wǎng)絡(luò)中,，「填坑」的場景如下：

■ 你想讓數(shù)據(jù)開發(fā)做分撥更優(yōu)的人員模型配置,，現(xiàn)在貨物已經(jīng)做了條碼標記,，流轉(zhuǎn)過程中可以進行掃描記錄，但是場地分揀貨裝卸操作過程中,，庫位未標記,，人員標記也未記錄到系統(tǒng)中，根本無法知道現(xiàn)有人員的效能,。數(shù)據(jù)開發(fā)工程師等著業(yè)務(wù)部門去布設(shè)流程,，開發(fā)基礎(chǔ)業(yè)務(wù)操作系統(tǒng)太慢了，所以工程師自己直接沖進去做基礎(chǔ)操作系統(tǒng)了,。

上述情形說明,，一個優(yōu)秀的數(shù)據(jù)分析工程師在條件完備的公司，可以很好地利用他的能力為管理者提供更好的決策依據(jù),。而在一個條件尚不成熟的企業(yè),，管理者寧可潛心做管理建設(shè)與體系打造，也不要過早引入大數(shù)據(jù)分析工程師,，這樣只會造成企業(yè)成本的浪費與優(yōu)秀人才的信任透支,。

電商類行業(yè)以互聯(lián)網(wǎng)為基礎(chǔ)發(fā)展而來，本身是在線化產(chǎn)物,，大數(shù)據(jù)AI的應(yīng)用往往集中在此,。這也是市面上大數(shù)據(jù)分析工程師如此火熱的原因之一。

然而,，物流行業(yè)本質(zhì)上仍是傳統(tǒng)行業(yè),，互聯(lián)網(wǎng)信息技術(shù)只是幫助物流提高效率，國內(nèi)任何一家物流企業(yè)說自己已經(jīng)完全實現(xiàn)在線化還為時尚早,。所以,，國內(nèi)物流企業(yè)應(yīng)該更多反觀自己內(nèi)部的信息化進度，先少關(guān)注一點高精尖技術(shù),。

AI核心本質(zhì)是人工建立的算法模型,，讓計算機語言將人腦中的算法模型予以表現(xiàn)。現(xiàn)在大家經(jīng)常會說一些數(shù)據(jù)分析的方法論：回歸分析,、聚類分析、神經(jīng)網(wǎng)絡(luò)方法等,，而在實際模型建設(shè)中,，這些方法論能幫助實際應(yīng)用模型的作用微乎其微。更多的是從實際場景與需求出發(fā),，把專業(yè)人士多年的經(jīng)驗從大腦中進行提取,、歸納、抽象,。人腦中的經(jīng)驗與精華才是人工智能的「本」,，代碼與軟件實現(xiàn)是「末」,。

因此，希望物流行業(yè)越來越多的人能真正認識到大數(shù)據(jù)與AI的本質(zhì),，不去做那個看皇帝新裝的看客,。