基于大数据链的创新物流商业模式分析与设计①

霍 伟

(河海大学文天学院，安徽 马鞍山 243031)

0 引 言

信息作为当今互联世界的第四个生产要素，已经成为竞争差异化的一个基本要素。精确的数据驱动洞察力有利于企业实现有效的业务决策，大数据需要经过分析才能揭示出有价值的信息。由于社交媒体应用、无线网络以及智能连接设备数量的增长，数据的数量(以比特为单位)已经超过了宇宙中的星星数量[1]，并呈指数增长[2]。与此同时，数据源的多样性和差异性也促进了数据量的快速增长。

1 基于大数据链的物流商业模式分析

企业开始探索信息驱动的商业模式。数据作为企业的宝贵资产，进行数据分析不仅能验证已做出的商业决定，也能对未来进行预测。基于大数据的创新型商业模式要求企业建立一套特定的数据科学技能，掌握数据分析程序和全面理解业务。

物流业与大数据链结合能使传统物流行业受益于大数据技术和方法。物流供应商需要管理大量的货物，同时也创造了海量的数据。通过全球配送网络采集到的数据可能无法得到充分利用。从价值的角度出发，大数据分析的应用可以分为三个价值维度。第一个维度是运营效率，数据分析的目的是通过做出更好的决策，优化资源的利用率，并提高业务质量和性能。第二个维度是客户体验，典型的目标是提高客户忠诚度，进行精确的客户细分，优化客户服务。第三个维度则是新商业模型的建立。新模型可以扩大现有商品的收入来源，并从全新的商品中创造额外收入。

2 基于大数据链的物流商业模式设计

2.1 数据驱动的物流商业模式

大数据分析所具有的五个不同的特点可以为物流企业带来竞争优势。这五个特点包括了：1)核心优化：优化交付时间、资源利用率等服务属性是物流业的挑战，大型的物流操作需要精确的数据以得到更好的优化结果；2)有型的商品/客户：有形商品的交付需要直接与客户进行交互，每天数以百万计的客户交互产生了海量的物流数据；3)客户业务同步：现代物流的解决方案集成到了生产和配送过程中，大数据分析方法的应用能够发现供应链存在的风险,并提供具有弹性的解决方案；4)数据网络：运输和配送网络是一个巨大的数据来源，数据能被利用来优化网络；5)覆盖全球：移动的车队能沿着运输路线主动收集本地的数据，以便进行后续的处理和分析。

2.2 案例分析——提高运营效率

2.2.1 最后一公里优化策略

最后一公里是物流配送的最后一个环节，也是约束物流配送网络效率的关键因素。优化最后一公里的配送主要有两种方法：第一种是通过实时优化配送路线来最大化配送的性能；第二种是构建一个全新的配送模型。

(1)配送路径优化。最后一公里[3]的配送问题实质上是旅行商问题，旨在节省配送时间。对数据进行实时、快速地处理是实现这一目标的前提。当配送车辆装货和卸货时，基于传感器的检测系统能够动态地计算最优配送顺序。当车辆在道路上行驶时，系统根据控制中心收集的交通数据动态地计算配送路线。解决最后一公里的配送问题需要根据实时数据流求解一系列的组合优化问题，以便动态地重新规划车辆的路线。配送车辆的驾驶员都会从导航系统接收到即时的路线更新。

(2)基于大众的配送。基于大众的方法(如众包)能提高最后一公里配送的效率。通勤者、出租车司机或学生可以通过提供最后一公里的配送服务来获得相应的回报。这种基于大众的物流配送模式能有效地降低最后一公里的配送成本。但由于大众具有随机移动的特性，对其实施监管是这种物流配送模式的一个难点。解决这个难点需要物流企业拥有处理大数据的能力，通过跟踪实时数据流，根据大众的位置和目的地将货物分配给相应的配送者。

2.2.2 配送网络和物流能力规划

对物流供应商来说，资源利用率优化是一个关键的竞争优势。物流能力(logistics capacity)过剩会降低企业盈利的能力，而物流能力不足则会影响服务质量。因此，物流供应商必须在战略和运营层面进行全面的资源规划。战略层面的规划需要考虑配送网络的长期配置，而运营层面的规划则是按日或按月对物流能力进行调整。在战略层面，物流配送网络的拓扑结构和容量需要根据未来的需求进行调整。大数据技术通过综合分析中转站和运输线路的历史容量等数据，进行配送网络的规划和优化。在运营层面，采用大数据分析的方法，对配送网络建立动态模型，预先计算对容量需求的影响，通过采集发货的实时信息来预测未来的资源分配情况。预测有利于工作人员调整物流能力，同时也可以识别到即将发生的风险。

2.3 优化客户体验

2.3.1 客户忠诚度管理

对于大多数商业模式来说，赢得新客户的成本远远高于留住现有客户的成本。但是由于存大量的间接客户接触点(如门户网站、应用程序)，跟踪和分析个人客户的满意度变得越来越困难。因此，许多物流企业未能建立有效的客户保留计划。利用大数据分析技术，企业可以识别出那些即将离开并加入竞争企业的有价值客户。大数据分析允许通过合并多个广泛的数据源来全面评估客户满意度。对于物流供应商来说，这体现在对客户接触点、物流服务质量运营数据和外部数据的综合评估上。从这个海量的数据中，物流供应商可以通过应用诸如语义文本分析、自然语言处理和模式识别等技术来提取每个客户的潜力，然后采取相应的应对措施和客户忠诚度计划。

2.3.2 服务改进和产品创新

物流供应商收集客户的反馈，这些反馈提供了宝贵的洞察服务质量和客户需求。客户反馈是改进服务质量的主要信息来源，也是物流商业模式创新构想的重要投入。为了从客户反馈评估中得到可靠的结果，企业有必要从尽可能多的接触点收集信息。在过去，客户关系管理系统和客户调查是主要的数据来源；如今大数据解决方案提供了对存储在各个互联网站点上有用数据的访问。在社交网络和论坛上，客户会分享他们对物流服务的评价和经历信息。这些信息经过文本挖掘和语义分析等复杂的大数据技术的处理后就可以得到有用的信息。

2.4 创新商业模式

2.4.1 需求预测

物流部门一直是宏观经济指标，全球货物运输常常作为未来经济发展的基准。货物的种类和装运数量表明了某区域的需求和供应水平。物流数据对全球经济的预测价值是由衡量物流部门宏观经济影响的现有金融指数构成的。通过应用大数据分析，物流供应商从通过其配送网络的货物流动中得到详细的微观经济见解，并利用庞大的数据来捕捉不同地域和行业的供需关系。装运记录的汇总(包括货物的原产地、种类、数量)都是有价值信息的来源。物流供应商提炼并分析这些数据，进行市场分析。物流供应商可以通过创建商业分析平台，允许用户根据他们的研究领域提取原始数据——有效地从控制物流运营的海量信息中创造新的收入流。在上述用例中，将分析技术应用于出货数据，是物流供应商实现新的信息驱动业务模型的方法。

2.4.2 实时本地信息

对于物流供应商来说，提货和配送过程为新商业模式的建立提供了机会。物流车队处于不断移动的状态，而且地理分布广泛，因此能够覆盖大部分区域。物流供应商可以为这些车辆配备相应的设备(如摄像头、传感器)，以便在行驶中收集信息。这种独特的功能使物流供应商能够为客户提供一套全新的数据增值服务。城市面积的加速增长提高了城市规划活动和环境监测的重要性。通过在运输车辆上安装各种传感器，物流供应商可以产生丰富的环境统计数据。数据集的数据包括臭氧和细尘污染的测量，温度和湿度，以及交通密度、噪音和城市道路上停车点利用率。物流供应商能为环保机构和房地产开发商等提供有价值的数据服务，还能获得相应的收入。

3 “最后一公里”优化设计

仅对案例分析中“最后一公里”优化策略的设计进行阐述。

考虑最后一英里的配送网络设计问题，为客户提供两种类型的配送服务。第一种类型称为中继点配送(Relay Delivery，RD)，即让物流公司将包裹存放在作为中继点的包裹存放点，由客户自己决定什么时候拿包裹。第二种类型是(Direct Delivery，DD)，即让物流公司直接把包裹送到家里，该方案的投递时延较低，但成本更高。

假设客户的需求遵循参数为λ的泊松分布，利用M/M/K/K队列模型[4]对中继点建模，其中K是中继点的容量，包裹到达中继点的时间间隔服从参数为μ的指数分布。本文不考虑将包裹送到中继点所需的时间。若客户选择DD类型的配送服务，需要支付一笔固定的费用q，物流公司在每单位时间内最多处理1/D的包裹。认为这个时间是恒定的，因为它与运输公司使用的车辆的交付能力有关。

(1)

(2)

由于客户数量庞大，问题(2)的求解会变得复杂，因此本文应用了Wardrop平衡原理[5]。Wardrop平衡原理奠定了网络流分配的基础。基于Wardrop第一原理，单个客户所采用的对策对其他客户没有影响。假设单个客户接受某中继点服务的概率为p，该客户属于该中继点的概率为p′，该客户的平均成本为：

(3)

此时，问题(2)可以表示为：

(4)

公式(4)可以确定模型是具有“避开大众”属性还是“跟随大众”。公式(4)是单调递减则说明模型是“避开大众”的，反之则是“跟随大众”的。当模型具有“避开大众”属性时，优化问题最多仅有一个均衡解。当策略pω满足式(5)，那么策略pω是Wardrop均衡的。

(5)

与此同时，当满足式(6)时，策略pω是均衡的。

(6)

优化问题(5)总是存在一个唯一的均衡解，通过求解该问题就能得到客户的最优策略。如果送货上门服务的价格q太大，那么所有客户最终将会决定在中继站取包裹，即选择策略RD。

4 结 论

探讨了基于大数据链的创新物流商业模式分析与设计，并针对最后一公里配送问题，建立了基于Wardrop平衡原理的非合作博弈优化模型。虽然运营效率、良好的客户体验和差异化是成功的关键，但预测需求和优化商品和服务的配送路径也有助于实现整体盈利最大化,未来的工作在于进一步优化新的物流商业模式。