4.1.1 Condiții preliminare pentru generarea de date logistice 4.1.2 Acumularea capacității de a stăpâni datele mari 4.2 Implementarea datelor mari în optimizarea logisticii 5 Rezultate de optimizare 5.1 Logistică informaționalizată 5.2 Promovarea modernizării întreprinderilor de logistică 5.3 Eficiență sporită și costuri reduse 5.4 Calitate sporită a serviciilor și loialitatea clienților
4 Aplicarea datelor mari în logistică
4.1 Informații logistice bazate pe date 4.1.1 Condiții preliminare pentru generarea de date logistice Achiziționarea datelor logistice Condiția prealabilă pentru producerea de date logistice la scară largă este că mai multe componente, cum ar fi elemente logistice, facilități logistice, instrumente de operare logistică și procese de operare logistică, pot fi complet digitalizate (Yang și colab. 2017). Acest lucru necesită o aplicare extinsă a Internetului obiectelor, a internetului mobil și a altor tehnologii avansate pentru a colecta date logistice relevante pentru toate scenariile și operațiunile (Kataria și Mittal 2014). Datarea elementelor logistice este pur și simplu digitizarea mărfurilor, ambalajelor, documentelor logistice și a personalului. Datarea facilităților logistice este digitalizarea parcurilor, terminalelor, terminalelor de marfă, depozitelor, rafturilor, sistemelor de sortare și transport, etc. Datarea instrumentelor logistice include digitalizarea instrumentelor operaționale, cum ar fi vehiculele de transport, stivuitoarele, paleții, stivuitoarele și armele de măturat (Zhong și colab. 2016). Datarea operațiunilor logistice se referă la colectarea datelor de la cine le predă, vouchere pentru predare, mărfurile încărcate, ora de încărcare a vehiculului și așa mai departe; cu alte cuvinte, colectarea de informații despre întregul proces, de la începutul până la sfârșitul încărcării (Sagiroglu și Sinanc 2013; Ghosh 2015). Probleme existente Cu toate acestea, maturitatea unei tehnologii nu înseamnă că tehnologia va fi aplicată în mod eficient și pe deplin. Atât de multe probleme practice se confruntă cu întreprinderile care doresc să obțină date logistice pe scară largă. În teorie, întreprinderile mari cu resurse și capacități tehnologice suficiente pot integra diverse terminale Internet of Things și sisteme de informații logistice pentru a obține date logistice mari (Jabeur și colab. 2017). Cu toate acestea, realitatea este că numărul acestor companii este limitat, deoarece formarea capacităților logistice de date mari depinde nu numai de fonduri și talente, ci și de investiții durabile și durabile. Indiferent dacă sunt producători sau o companie terță parte de logistică, vor favoriza profiturile pe termen scurt din operațiune, față de investițiile în capacități logistice de date mari (Aliresearch 2017). Majorității întreprinderilor mici și mijlocii (IMM- urilor) le va fi dificil să își formeze capabilități de date mari, deoarece nu au resurse suficiente pentru a integra terminalele la scară largă ale Internetului obiectelor și sistemele de informații logistice. IMM-urile trebuie să utilizeze companiile de tehnologie ca o platformă pentru a se împuternici cu capacități de date mari (Ayed et al. 2015). În ultimii ani, companiile bazate pe platforme din domeniul logisticii și internetului au crescut rapid, dar există încă un decalaj mare în cerințele pentru capacitățile de date mari ale industriei (Jabeur și colab. 2017). Motivele sunt duble: mai întâi, trebuie îmbunătățite capacitățile de inovare și servicii ale unor astfel de companii bazate pe platformă; în al doilea rând, IMM-urile din întreaga industrie nu sunt suficient de deschise și nu sunt conștiente de cum să se împuternicească prin intermediul acestor platforme (Kataria și Mittal 2014). 4.1.2 Acumularea capacității de a stăpâni datele mari Cloud computing În ceea ce privește resursele de cloud computing, doar companiile bazate pe tehnologie la scară largă au în prezent capacitățile și resursele relevante; de exemplu, întreprinderi unicorn precum Huawei, Baidu, Alibaba și Tencent. În era Big Data, resursele de cloud computing vor deveni o resursă de bază, iar serviciile de cloud computing vor deveni un serviciu public de bază (Nowicka 2014). Desigur, va fi posibil ca unele mari companii din lanțul de aprovizionare și companii de logistică să își creeze propriile centre private de cloud computing, dar nu pot exista decât câteva astfel de întreprinderi. Concentrându-ne pe domeniul informatizării logistice, nu s-a stabilit încă dacă furnizorii tradiționali de sisteme informaționale logistice au capacitatea de a furniza servicii de cloud computing. Cu toate acestea, odată cu formarea datelor logistice la scară largă, vor fi înființate companii care furnizează servicii profesionale de cloud computing pentru industria logistică (Kataria și Mittal 2014; Shen și colab. 2017). Analiza datelor mari În ceea ce privește analiza logistică a datelor mari, este necesar ca o firmă să aibă personal cu talente cuprinzătoare și care să înțeleagă relevanța elementelor logistice, să însușească instrumentele de analiză a datelor mari și să înțeleagă algoritmii de analiză a datelor mari (Wang și colab. 2016) . În prezent, întreaga industrie este extrem de lipsită de astfel de talente. Marea majoritate a profesioniștilor din industrie care înțeleg relevanța logisticii sunt în mod obișnuit cei cărora le lipsesc mediile de calculatoare și tehnologii Internet (Aliresearch, 2017). Cu toate acestea, multe elite din domeniul calculatoarelor și al internetului au acordat puțină atenție internetizării logisticii și logisticii big data. Este dificil pentru companii să cultive angajați capabili să gestioneze big data în mediul de afaceri, deoarece au nevoie de formare în multe competențe de bază (Ayed et al. 2015). În ceea ce privește pregătirea personalului în terțiar 38 J. of Data, Inf. și Manag. (2019) 1: 33–43 instituțiilor, universităților și colegiilor le lipsește resursele logistice de date mari și scenariile legate de industrie pentru ca studenții să aplice și să practice ceea ce sunt predate. Prin urmare, integrarea în continuare a „producției, învățării și cercetării” este o problemă deosebit de importantă în modul de cultivare a indivizilor talentați care pot stăpâni date logistice (Sagiroglu și Sinanc 2013). În ceea ce privește modul în care întreaga industrie poate naviga în logistică pentru Big Data, companiile bazate pe platforme din domeniul informatizării logistice sau internetului logistic ar trebui să își actualizeze capacitățile tehnologice pentru a include capacitatea de a gestiona Big Data cât mai curând posibil, deoarece acestea trebuie să ofere servicii nu numai pentru colectarea, stocarea și prelucrarea datelor mari de la un număr mare de IMM-uri și companii de logistică, dar și pentru analiza logistică a datelor mari (Kataria și Mittal 2014). Valorificarea mineritului Pentru a genera în mod direct valoare și a deservi activitățile de producție, logistica big data trebuie să se bazeze pe abilitarea AI. În mod tradițional, analiza datelor mari a implicat aplicarea artificială a algoritmilor de modelare matematică, tragerea concluziilor relevante și ghidarea practicii (Wang și colab. 2017). Această abordare analitică este o metodă academică tipică care poate fi utilizată pentru a explora regularitatea perioadelor mai lungi de evenimente (Wu și colab. 2014). Cu toate acestea, analiza logistică a datelor mari are, de obicei, o imediate puternică, necesitând decizii și răspunsuri imediate în timp util, bazate pe combinația de date de congestionare a traficului, date de reaprovizionare și cerere în timp util, date de resurse logistice în timp real etc. Astfel, este necesar să se introducă tehnologii precum învățarea profundă a mașinilor și AI pentru a obține capabilități de analiză și procesare în timp real ale Big Data logistică pentru a genera informații de luare a deciziilor privind prelucrarea Big Data logistică și pentru a ghida activitățile economice rapid și direct ( Kataria și Mittal 2014). Înțelegerea actuală a IA în industria logistică se referă mai mult la dispozitivele inteligente care au apărut în industrie, cum ar fi mașinile fără conducător auto, roboții de distribuție fără pilot, sortatoarele fără pilot și roboții de stocare. În esență, mecanismul AI implică procesarea instantanee a datelor mari de către un anumit algoritm și luarea imediată a deciziilor și răspunsurilor, astfel încât oamenii să poată simți inteligența mașinii și a sistemului (Wang și colab. 2017). Cu toate acestea, formarea capabilităților AI, în afară de puterea de calcul, depinde mai mult de implantarea regulilor de operare a industriei și de câmp sub formă de algoritmi în robot sau sistem. Robotul sau sistemul vor lua apoi automat decizii și răspunsuri pe baza algoritmului de prelucrare a datelor big data la fața locului și speciale (Wang și colab. 2016). 4.2 Implementarea datelor mari în optimizarea logisticii „Onlineizarea” tuturor operațiunilor logistice duce la realizarea analizei în timp real pentru fiecare operațiune, deoarece este bazată pe date, ceea ce reprezintă o bază solidă de date (AddoTenkorang și Helo 2016). Dacă afacerea este offline, sau sistemul nu poate colecta date cu precizie și în timp util, procesul de date mari va întâmpina mari dificultăți din cauza datelor inexacte și a lipsei datelor cheie, chiar dacă volumul datelor este suficient de mare (Ghosh 2015) . Tehnologiile de prelucrare a datelor mari includ, de asemenea, o serie de tehnologii pentru colectarea, transmiterea, stocarea, calculul și afișarea datelor. În aplicațiile de date mari, primul pas este identificarea scenariilor de aplicație pentru o întreprindere (Wang și colab. 2017). Trebuie luate în considerare cel puțin două dimensiuni: dimensiunea în timp real (analiza datelor mari se bazează pe secunde sau offline) și dimensiunea consistenței (cerințele pentru consistență) (Sagiroglu și Sinanc 2013; Ayed și colab. 2015). Prelucrarea datelor în sistemele logistice tradiționale, cunoscută și sub numele de analiza business intelligence, se efectuează adesea după aceea (Jin și Kim 2018). Spre deosebire de sistemele logistice tradiționale, optimizarea adusă de datele mari în logistică se bazează pe date; astfel, aplicarea datelor rulează prin întregul proces și este un proces ascendent ciclic care se încheie cu date (Chen și colab. 2012). Bazat pe surse de date fiabile și tehnologii de procesare, sistemul logistic poate fi optimizat treptat pe baza datelor mari. Acest proces se desfășoară în mod normal în mai multe etape. Primul presupune restaurarea corectă și promptă a operațiunilor prin colectarea datelor operaționale ale companiei și afișarea acestora la diferite niveluri de cerere. Datele offline, cum ar fi ziarele zilnice de afaceri și rapoartele săptămânale și lunare, stau la baza gestionării afacerii. Dacă datele nu pot fi afișate prompt și precis, operațiunile digitale nu pot fi efectuate, darămite să fie inteligente (Ayed et al. 2015). Pentru sistemul logistic, prezentarea grafică este importantă, deoarece uneori „o imagine valorează o mie de cuvinte”. În dimensiunea de timp, va fi ușor să controlați afacerea dacă volumul de producție al fiecărui nod și diferențele dintre nodurile adiacente pot fi identificate prompt. De asemenea, s-a constatat că dezvoltarea unui terminal mobil este extrem de benefică pentru companii. Logistica este o combinație de flux de informații, flux de capital, logistică fizică și flux de mărfuri. Prin urmare, demonstrația dimensiunii geografice este, de asemenea, benefică (Jabeur și colab. 2017). Următoarea etapă implică evaluarea afacerii prin big data. Cu sprijinul tehnologiei Big Data, evaluările de afaceri pot fi efectuate pe baza datelor socializate. În plus, metoda de testare a scalelor de gri a internetului poate fi utilizată pentru a efectua evaluări de optimizare a proceselor. Aceste metode pot oferi o înțelegere mai profundă a unei afaceri. Pentru industriile logistice, astfel de clasamente în funcție de datele în timp real pot juca, de asemenea, un rol semnificativ ca stimulent (Jabeur și colab. 2017). Big data ar trebui apoi utilizate pentru a prognoza afacerea după o monitorizare în timp real și o evaluare exactă. Prognoza a fost întotdeauna elementul principal și cel mai valoros al aplicațiilor de date mari. Cu toate acestea, multe dintre predicțiile care sunt posibile folosind datele mari se bazează pe corelații, astfel încât este dificil să se realizeze J. of Data, Inf. și Manag. (2019) 1: 33–43 39 niveluri ridicate de precizie predictivă. Cu cât este mai mare nivelul de toleranță față de precizia rezultatului unei predicții, cu atât predicția este mai ușoară. Dacă volumul afacerii poate fi prevăzut înainte de operațiuni, acest lucru este semnificativ pentru programarea resurselor și așa mai departe, deoarece poate atinge o oportunitate mai bună și poate evita risipa pentru industria logistică (Ayed et al. 2015). Etapa finală implică luarea de decizii inteligente pe baza analizei de date mari. Acest lucru se bazează în mare măsură pe acuratețea predicțiilor și toleranța companiei la acuratețe. Va fi mai ușor să obțineți decizii inteligente dacă afacerea se află la un nivel mai ridicat de precizie și toleranță de predicție. În prezent, cea mai bună metodă implică încă o combinație între mașină și om: mașina este capabilă să utilizeze tehnologia AI și analiza big data pentru a îmbunătăți deciziile manuale. Tehnologia de învățare profundă bazată pe date mari a făcut progrese recente în domeniul AI, cum ar fi în cazul AlphaGo; aceasta oferă un domeniu substanțial pentru imaginație în luarea deciziilor inteligente (Ting și colab. 2014; Jabeur și colab. 2017; Zhang și colab. 2018). Nucleul datelor mari este predicția. Dacă liderii de afaceri pot cunoaște în avans situația afacerii, gestionarea la fața locului poate fi gestionată mai bine, iar aplicațiile ulterioare pot fi utilizate în sistemul de decizie de afaceri (Becker și Intoyoad 2017). 5 Rezultate de optimizare 5.1 Logistică informaționalizată Sub protecția tehnologiei Big Data și a logisticii Big Data în sine, pot fi realizate o varietate de aplicații, de la dispunerea inteligentă a punctelor de logistică până la optimizarea rutelor de transport (Witkowski 2017); de la ratele de încărcare la optimizarea „ultimului kilometru”; de la luarea deciziilor la nivelul companiei la recomandări inteligente din partea personalului de distribuție; și așa mai departe (Zhu 2018). Treptat, nivelul de inteligență va fi îmbunătățit. Logistica inteligentă va oferi avantaje incomparabile în ceea ce privește eficiența, costurile și experiența utilizatorului (Ting și colab. 2014). Pentru a rezuma, logistica inteligentă este optimizarea rezultată din aplicarea Big Data în logistică, care utilizează sisteme software pentru a integra mai bine oamenii și echipamentele (Yang și colab. 2017). Sistemul de funcționare își îmbunătățește constant nivelul de inteligență, ceea ce permite oamenilor și echipamentelor să își exercite avantajele respective pentru a obține cel mai bun rezultat și a continua să evolueze (Jabeur și colab. 2017). Ca o nouă infrastructură socială, logistica informațională la un capăt conectează consumatorii, oferind o experiență mai bună consumatorilor prin satisfacerea cererilor mai diverse ale consumatorilor și promovând continuu actualizări ale consumului; la celălalt capăt conectează furnizorii pentru a aprofunda optimizarea lanțului de aprovizionare. Astfel, perspectivele dezvoltării unei logistici inteligente sunt de mare anvergură; vor fi posibile aplicații din ce în ce mai interesante bazate pe date mari (Zhong și colab. 2015). 5.2 Promovarea modernizării întreprinderilor de logistică În vremurile actuale, confruntate cu o concurență globală complicată și piețe extrem de competitive și cu schimbări rapide, zeci de întreprinderi de logistică sunt nevoite să continue să investească pentru a-și crește capacitatea de transport pentru a capta cota de piață și a-și menține competitivitatea (Wang și colab. 2016). Cu toate acestea, fără sprijinul analizei datelor, rezultatele acestor investiții sunt mai puțin benefice decât se aștepta (Ayed et al. 2015). De obicei, performanța se va îmbunătăți pentru o perioadă scurtă de timp, dar pe termen lung, aceste comportamente creează daune potențiale companiei, cum ar fi surplusul de capacitate atât pentru transport cât și pentru depozitare. Dacă întreaga industrie se află într-o perioadă de, pierderile vor ajunge la întreprinderile logistice, iar efectele negative pentru acestea pot fi mai mari decât cele pozitive. Cu toate acestea, odată cu aplicarea mai profundă a analizei de date mari în industria logistică, întreprinderile logistice vor putea înțelege și prezice mai bine cerințele clienților lor de a furniza servicii personalizate și diferențiate prin analiza informațiilor atât interne cât și externe (LaValle și colab. 2011 ; Grover și colab. 2018). Pentru a evita astfel de pierderi, cu sprijinul datelor mari, se pot face anumite predicții pentru a ajuta întreprinderile să înțeleagă mai bine preferințele consumatorilor și să prezică tendințele pieței. În plus, întreprinderile își pot ajusta strategiile și operațiunile de afaceri în mod corespunzător, reducând astfel pierderile. Influențată de aceste stimulente, aplicarea analizei de date mari contribuie la modernizarea întreprinderilor de logistică (Lee 2018) 5.3 Eficiență sporită și costuri reduse Aplicarea datelor mari poate contribui la îmbunătățirea transparenței atât pentru practicieni, cât și pentru industrii și, în cele din urmă, poate spori eficiența operațională a întreprinderilor de logistică printr-o comunicare și un schimb de informații mai deschis (Barreto și colab. 2017). Datele generate de operațiuni și performanța afacerii pot fi analizate pentru a forma un tablou de bord vizualizat pentru a promova transparența informațiilor. Pentru unele întreprinderi de logistică, utilizarea datelor mari pentru a forma un tablou de bord vizualizat este o parte a restructurării unei întreprinderi inovatoare și colaborative cu tehnici de ultimă generație. O cantitate imensă de date este creată de la întreprinderile de logistică și comunitățile deservite de acestea; astfel, se poate stabili o platformă care să ofere informații valoroase prin analiza big data și sinteza înregistrărilor istorice atât din amonte, cât și din aval, care pot fi utilizate pentru analize mai avansate în luarea deciziilor (Barreto și colab. 2017). Rezultatele operațiunilor ulterioare vor fi mai rentabile, deoarece deciziile pot fi actualizate cu promptitudine pentru a se asigura că nevoile reale ale clienților sunt conforme cu prevederile întreprinderilor (Ting și colab. 2014). Cu cât este mai ridicat nivelul de aplicare a datelor mari, cu atât este mai favorabil pentru îmbunătățirea eficienței logistice (Urbinati și colab. 2018; Zhu 2018). În acest sens, modul de profit va fi reorganizat și optimizat în continuare, iar activitățile fără valoare adăugată pot fi eliminate la 40 J. din Data, Inf. și Manag. (2019) 1: 33–43 nivelul maxim. Îmbunătățirea transparenței datelor privind calitatea și performanța logisticii poate contribui la îmbunătățirea performanței cuprinzătoare a furnizorilor de servicii logistice, sporind astfel competitivitatea (figurile 3 și 4 din Aliresearch 2017). În prezent, gradul general de informare în industria logistică a Chinei nu este ridicat. Schimbul de informații lipsește între cele 70 de milioane de IMM-uri și gospodării din toată țara. Fenomenul de insule izolate de informații ”este proeminent. Probleme precum nepotrivirea informațiilor referitoare la cerere și ofertă, schimbul nesatisfăcător de informații și conduita prematură în lanțul de aprovizionare vor crește inevitabil costurile afacerii, vor reduce eficiența și vor scădea dramatic calitatea serviciilor (Ting și colab. 2014). Se așteaptă ca logistica bazată pe informații să reducă fundamental costurile logistice și să îmbunătățească foarte mult calitatea și eficiența serviciilor prin măsuri precum comunicarea informațiilor, partajarea resurselor și aplicațiile inteligente. Potrivit unei prognoze a Federației Chineze de Logistică și Achiziții, se vor aduce beneficii economice de peste 50 de miliarde de yuani dacă raportul dintre costurile logistice totale și PIB poate fi redus cu 0,1% (Aliresearch 2017). În plus, construcția repetată a terminalelor a provocat în mod obiectiv probleme, cum ar fi resursele irosite, ineficiența, concurența excesivă și congestia traficului (Boone și colab. 2017; Jin și Kim 2018; Zhu 2018). 5.4 Calitate sporită a serviciilor și loialitatea clienților Loialitatea clienților poate fi îmbunătățită prin analize de date mari, prin înțelegerea crescută a preferințelor clienților prin stabilirea unui model susținut de înregistrări istorice și predicții ulterioare ale tendințelor. Prin urmare, un plan orientat spre viitor pentru un serviciu mai bun este fezabil și poate integra mai bine resursele existente pentru a oferi servicii personalizate și a menține conexiunile cu clienții (Barreto et al. 2017). În plus, valoarea generată din analiza big data nu se limitează la menținerea clienților existenți, ci va ajuta și întreprinderile de logistică să acceseze în mod eficient și să câștige noi clienți. În contextul informației, nu mai există un flux informațional continuu, ci mai degrabă interacțiune reciprocă. Fig. 3 Rata de utilizare a formularului electronic al coletului Cainiao Fig. 4 Rata de utilizare a formularului electronic a coletelor în China continentală 2016 J. of Data, Inf. și Manag. (2019) 1: 33–43 41 Prin urmare, analiza de date mari poate ajuta întreprinderile de logistică să promoveze piața țintă precisă prin înțelegerea clienților lor (Ting și colab. 2014). Proiectarea unei strategii de piață este supusă previziunii dinamice a comportamentului consumatorului, iar dezvoltarea unei întreprinderi depinde de capacitatea de achiziție și analiză de date mari (Kverneland și colab. 2017; Dong și Yang 2018). Astfel, vizibilitatea și profitabilitatea întreprinderilor de logistică se vor îmbunătăți în conformitate cu îmbunătățirile în calitatea serviciilor și loialitatea clienților. Soluțiile logistice inteligente reprezentate de internet și big data au devenit mai utilizate pe scară largă în industria logistică și au jucat un rol semnificativ în îmbunătățirea capacităților sale de servicii (Fig. 5). Potrivit unui raport al Aliresearch (2017), comenzile de colete în China au crescut cu 126% din 2014 până în 2016, dar capacitatea serviciilor s-a menținut bine, deoarece congestia și experiența slabă a utilizatorilor au fost inversate ca urmare a utilizării analizei de date mari. A existat o creștere de aproape 25% a ratei de livrare a pachetelor din 2015 până în 2016, ceea ce corespunde rezultatelor cercetărilor privind creșterea calității serviciilor și livrarea la timp prin utilizarea analizei de date mari în operațiunile logistice (Ayed et al. 2015). În plus, o comparație a actualității în toată țara efectuată de Aliresearch (2017) relevă faptul că regiunea Delta râului Yangtze și-a menținut poziția de lider. În această regiune, Shanghai, provincia Zhejiang și provincia Jiangsu sunt principalele provincii din industria logistică a Chinei prin aplicarea mai bună a datelor mari, sugerând că actualitatea logisticii este legată pozitiv de nivelul de aplicare a datelor mari (Kayikci 2018). 6 Concluzii și lucrări viitoare Revizuirea din această lucrare a fost realizată dintr-o perspectivă de dezvoltare și a inclus evoluția atât a logisticii, cât și a Big Data, caracteristicile și caracteristicile logisticii și Big Data, bazele logisticii date și rezultatele aplicării Big Data pentru optimizarea logisticii. S-a constatat că datele mari au avut o semnificație transformatoare pentru starea actuală a logisticii și dezvoltarea sa completă. Nucleul realizării unei operațiuni extrem de eficiente în diferitele etape ale logisticii constă în modul de procesare a valorii Big Data și combinarea acesteia cu diverse echipamente și strategii de operare. În viitor, tehnologia Internetului obiectelor va putea capta starea fiecărei componente a logisticii, cum ar fi facilitățile, echipamentele, oamenii, comenzile și inventarul. Blocajele și constrângerile de pe linia de producție pot fi detectate imediat prin captarea stării dinamice. Sistemul central de dispecerizare poate face aranjamente dinamice și flexibile prin analiza datelor colectate. În plus, utilizarea datelor mari poate rupe restricțiile diferitelor mărfuri și moduri de operare în cadrul logisticii actuale. Big data oferă posibilități nelimitate pentru operațiuni logistice meticuloase și inteligente. Între timp, identificarea unei abordări adecvate pentru colectarea, prelucrarea și analiza eficientă a datelor disparate crescând exponențial pentru a servi operațiunilor la fața locului și îndrumarea deciziilor de logistică este o altă problemă provocatoare cu care se confruntă în prezent întreprinderile. În consecință, sunt propuse patru direcții de studiu empirice: & Structura inventarului științific. Modul de a face aranjamente de inventar rezonabile la nivel național pentru a optimiza costurile și eficiența este o problemă cu care companiile trebuie să se confrunte atunci când se extind în produse din categoria completă. & Optimizarea traseului de alegere. Acest lucru se bazează în principal pe experiența personalului din depozit, care stabilește manual condițiile de screening pentru a genera sarcina de a alege comenzile de colectare. Acest lucru are ca rezultat căi de preluare extrem de împrăștiate, lungi și ilogice, care împiedică grav eficiența operațională a depozitului. & Prognoza inteligentă. Utilizarea datelor mari pentru prognoză este o direcție importantă, deoarece prin intermediul tehnologiei de previziune a datelor mari, pot fi identificate preferințele și obiceiurile consumatorilor. & Îmbunătățirea eficienței depozitării. Pe baza previziunilor, va fi posibilă sincronizarea logisticii mărfurilor cu nevoile clienților; configurați în avans aspectul cererii consumatorilor; anticipează rutele de transport și distribuție; ușurează presiunea logistică în perioadele de vârf ale transportului; și să îmbunătățească satisfacția și viscozitatea clienților.