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)中計算出需要的結果。

毫無疑問，基于當前計算機技術能力的發(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)。當下物流企業(yè)的高層技術管理人員，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，處理結果就是最后的「菜肴」。那么如果烹飪工具很高級，廚師技術很高，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)我們一般稱為基礎業(yè)務系統(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上，以分析結果作為第二層數(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)務管理系統(tǒng)。

3）最上面一層是數(shù)據(jù)結果層。

比如該商品根據(jù)流出與采購下達，預計某個具體日期的庫存量，并作出相應的補貨或促銷推薦。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系：沒有基礎采集準備，就沒有可分析的材料；沒有數(shù)據(jù)分析的結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：我去填基礎數(shù)據(jù)采集不全的坑；我離職不干了。

在物流網(wǎng)絡中，「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)務部門去布設流程，開發(fā)基礎業(yè)務操作系統(tǒng)太慢了，所以工程師自己直接沖進去做基礎操作系統(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)為基礎發(fā)展而來，本身是在線化產(chǎn)物，大數(shù)據(jù)AI的應用往往集中在此。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)應該更多反觀自己內(nèi)部的信息化進度，先少關注一點高精尖技術。

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)絡方法等，而在實際模型建設中，這些方法論能幫助實際應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。