来源：CPDA数据分析师网 / 作者：数据君
在供应链和物流中通常有70％以上的运营费用直接与包裹运输相关
即便如此，在这个垂直领域的数据科学团队经常要负责训练极其复杂和昂贵的NLP（语言）模型，以用于呼叫中心，要求统计人员建立线性模型以进行需求预测，因为它们适用于所有企业，但是从总体上看，它们往往会产生较小的影响，那么物流公司应如何利用人工智能对其核心业务产生重大影响？答案首先是为与人们进行日常操作的技术提供技术，使他们能够以好奇心的速度进行测试。
速度是创造力的关键
如果我参与的成功的AI项目有一个共同点，那就是它们都花了大量的时间来完善思想和计划，我们针对非常特殊的业务案例开发了量身定制的AI模型和高性能算法，但令客户惊讶的是，与其他事物相比，实际编程只需要很少的时间，实际上我们大部分时间都花在为项目准备定性和定量数据上，明确地说，我不是在谈论清理和转换数据的技术性问题，也不是在验证统计先验或诸如此类的事情，我说的是一个创造性的过程，其中一个过程从业务模型开始，旨在建立与其匹配的数据模型，记得训练AI做出准确的预测本身并不是目的，而只是垫脚石，需要哪些其他数据来自动化整个业务流程？应该使用什么数据来衡量这种自动化的效果？为此，在AI计划的早期阶段已成为必不可少的工具。
cpda数据分析师
俗话说“速度不是一切”，因为只有当您已经足够快时它才是正确的
想象一下尝试用吉他写音乐时，每次弹奏和弦时，声音会在几秒钟，几分钟或几小时后返回，就像典型的商业智能工具一样。当大型数据集的处理和可视化实际上是瞬时的时，我想向您介绍我们如何采取AI举措，核心业务挑战不平凡让我们考虑一下瑞典的物流业务，我们看到了整个国家的道路和基础设施信息，以及流传输的车队和快递IoT数据，所有这些信息都叠加在一个仪表板上，并以毫秒为单位进行呈现，在这种情况下，我已经过滤了20辆卡车，但它们静止不动的时间最长，并标记为红色。它们全都位于配送中心，因为计划太多的车辆同时装载包裹。
您的物流服务的核心不是植根于预测延误
它可能更类似于提供具有精确时间窗口的当天交付，那么我们如何避免，并利用一个地方收集的全部信息来解决核心业务挑战？让我们来看一个具体的例子，完整的路线以绿色标记，剩余的路线以红色标记，此时我们想做的是看看是否可以通过重新路由剩余的卡车覆盖红色区域来维护服务水平协议。
道路建筑物和其他类型的地理空间数据可以轻松进行处理，并与关系表和其他传统数据集组合
使用工业求解器，要为车辆，包裹，客户，时间参数等的非常大的组合计算最佳路线，可能需要数周甚至数月的时间，取而代之的是，现代物流计划倾向于依靠专家调整的启发法来找到“足够好”的解决方案。诸如粒子群优化器之类的东西可以在短短几个小时内制定出复杂的计划，完善的解决一般问题的方法会产生较浅的影响，这并不是说它们不值得追求，但是要对您的业务核心产生重大且可衡量的影响，您需要进一步计划，并且要比平均水平更具创造力，长期以来，伟大的创新者都知道，好主意很少是缪斯女神的自发天赋。它们源于不断完善的结构化流程。如果您有能力以好奇心的速度进行构思，那么您会发现，出色的构思会自己实现。
