时间：2018-08-07 10:05:36 点击：次
来源：运联传媒 作者：

条评论打印收藏

 大数据，是指数据量级大到现有的软硬件无法从中获取「合理的、科学的或者有意义的知识」。一般常用的处理工具是Hadoop，Spark。

人工智能（Artificial Intelligence），英文缩写为AI。简单的理解就是，用计算机程序从已有的大量数据中计算出需要的结果。

毫无疑问，基于当前计算机技术能力的发展这两者必然会改变未来，尤其是物流行业这样一个操作密集型的行业。当下物流企业的高层技术管理人员，对这两者赋能物流企业寄予厚望。

从本文开头任职要求可以看出，这个大型物流企业在以处理大数据的要求招聘数据开发工程师。那么作为新兴部门或企业，是否有必要招此类开发工程师？是否能接地气，实用性高不高？

数据处理分析就如同一个厨师将各种食材，进行加工处理，得出一道美味的菜肴。所以，数据原材料是数据分析师处理的「食材」，数据处理加工的工具如同加工过程中的烹饪工具，处理结果就是最后的「菜肴」。那么如果烹饪工具很高级，厨师技术很高，但是食材缺乏，怎么能做出美味的「菜肴」呢？

食材分多种，既有基础食材，也有清洗后的食材，还有刀切完成的食材。

下图表示数据分析与基础工作流程的嵌套逻辑：

实际上，上图还可以用另外一种实际操作场景予以表述：

1）底层表示最基础的数据采集层。

比如商品出售时扫描商品码是第一个采集数据行为，然后客人用相应的支付宝账号进行付款，这是第二个需要采集的数据。最基础的数据采集，表示在第一现场做的行为的数据记录，这是我们进行数据分析的前提。这期间如果数据的采集量极其大，那么需要用处理性能高的服务器与工具，此时Spark就能发挥作用。

这个底层系统我们一般称为基础业务系统。

2）中间第二、第三层是数据分析加数据采集。

比如根据商品流动排名分析（这是第一层数据分析的结果），店主购买排名第一的销售商品，这是第二层的采集行为。其建立在第一层分析基础上，以分析结果作为第二层数据采集的起点，向后延伸采集更多的数据。

这两层管理系统，我们称为业务管理系统。

3）最上面一层是数据结果层。

比如该商品根据流出与采购下达，预计某个具体日期的库存量，并作出相应的补货或促销推荐。这是最后展示及可被系统自动推荐用于决策的数据。整个过程完成了所有数据处理及人工智能。

一般这个层次是最后的数据呈现层，一般使用BI工具进行数据分发。

上面这个例子，说明了数据分析与流程嵌套之间的关系：没有基础采集准备，就没有可分析的材料；没有数据分析的结果作为二层管理流程的起点，就没有后续的采集节点。

数据分析与流程相辅相成，这也是为什么我在上一篇《联盟成网之「坑」》中说到「依附于体系的流程探索如『绣花』，需要试错与积累，逐层细化，从而让系统流程覆盖率逐渐提高。数据协调能力提升，管理能力才能稳健」的原因。

可以想象，巧妇在做「无米之炊」的时候，她只有两个选择：去自己找米；不做饭了。对数据开发工程师来说就是：我去填基础数据采集不全的坑；我离职不干了。

在物流网络中，「填坑」的场景如下：

■ 你想让数据开发做分拨更优的人员模型配置，现在货物已经做了条码标记，流转过程中可以进行扫描记录，但是场地分拣货装卸操作过程中，库位未标记，人员标记也未记录到系统中，根本无法知道现有人员的效能。数据开发工程师等着业务部门去布设流程，开发基础业务操作系统太慢了，所以工程师自己直接冲进去做基础操作系统了。

上述情形说明，一个优秀的数据分析工程师在条件完备的公司，可以很好地利用他的能力为管理者提供更好的决策依据。而在一个条件尚不成熟的企业，管理者宁可潜心做管理建设与体系打造，也不要过早引入大数据分析工程师，这样只会造成企业成本的浪费与优秀人才的信任透支。

电商类行业以互联网为基础发展而来，本身是在线化产物，大数据AI的应用往往集中在此。这也是市面上大数据分析工程师如此火热的原因之一。

然而，物流行业本质上仍是传统行业，互联网信息技术只是帮助物流提高效率，国内任何一家物流企业说自己已经完全实现在线化还为时尚早。所以，国内物流企业应该更多反观自己内部的信息化进度，先少关注一点高精尖技术。

AI核心本质是人工建立的算法模型，让计算机语言将人脑中的算法模型予以表现。现在大家经常会说一些数据分析的方法论：回归分析、聚类分析、神经网络方法等，而在实际模型建设中，这些方法论能帮助实际应用模型的作用微乎其微。更多的是从实际场景与需求出发，把专业人士多年的经验从大脑中进行提取、归纳、抽象。人脑中的经验与精华才是人工智能的「本」，代码与软件实现是「末」。

因此，希望物流行业越来越多的人能真正认识到大数据与AI的本质，不去做那个看皇帝新装的看客。