導語：如何才能寫好一篇社交媒體信息動態分析，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

大數據下科技信息領域需要解決的主要問題

（1）大數據下科技信息處理的標準化體系研究相比傳統的科技信息，大數據環境下的科技信息的來源、類型、內容和數據格式更為復雜，制定和完善科技信息的標準化體系和內容是及其必要的。信息資源的標準化體系是保證信息有效存儲、處理、分析和利用的基礎和前提。本文認為將依據當前科技信息現狀，針對具體領域研究和制定大數據下的科技信息處理規范和建議是必要的。（2）大數據下的科技信息資源的建設方法研究借助大數據技術可實現科技信息的大數據處理與大數據存儲，實現多源異構的科技信息完成數據的存儲、處理、交換等功能。大數據下的科技信息資源的建設方法研究需要從數據本身和數據的組織兩個研究視角出發，分析梳理大數據環境下科技信息資源在建設中面臨的難點和關鍵性技術問題，研究和提出科技信息資源的知識組織系統框架和基本構建方法。（3）大數據下的科技信息資源的分析方法研究結合科技大數據特點，主要利用深度學習技術解決科技大數據的高維數據降維處理問題。研究和探索面向科技信息資源的分析方法，提出不同類型科技信息資源的關聯分析、重要性分析、主題演化路徑等深層次的信息分析方法和技術，通過系列分析方法和技術研發，解決科技信息資源管理工作中存在的問題，研究方法在實踐中進行創新和發展。世界的發展、科技的換代、媒介的延伸以及人文的變更，匯聚成一股巨大的洪流，加速了我們所處時代的變換，人工智能技術已經滲透到各個技術領域，以上問題涉及科技信息的組織和分析，需要人工智能技術的融合，即與人工智能技術的深度融合必將推動科技信息進入全新時代。

人工智能應用于科技信息領域的研究意義和主要研究內容

人工智能為解決科技信息的獲取和分析提供解決途徑（1）人工智能可拓展獲取科技信息的來源。從事智能分析的美國Stabilitas公司的首席運營官ChrisHurst認為：“人工智能可以擴大信息工作的范圍，不會遺漏那些有價值的細節。”科技信息同樣需要通過各種渠道獲取世界各國的同類信息，利用分布式網絡爬蟲等人工智能技術可獲取全世界的開源信息，包括文本和音視頻數據。（2）人工智能可加快處理科技信息數據的速度。美國中央信息局肯特學校教信息分析的校長JosephGartin認為：“梳理社交媒體來獲得信息并不是什么新鮮事，讓人耳目一新的是如今我們收集社交媒體數據的數量之大和速度之快。”海量的科技信息通過人工智能技術可以快速處理億萬比特的數據，從而了解世界各國同類信息或事件，將每天接收到的大量數據轉變為能夠用于政策和戰場行動的信息。（3）人工智能使科技信息的分析自動化、智能化。據俄羅斯通訊社報道，俄羅斯總統普京表示：“無論誰在這一領域中處于領先地位，都將成為世界的統治者。”普京認為：人工智能是未來權力的關鍵。利用自然語言處理技術、語音識別、圖像檢索等人工智能技術可以極大的提高信息人員檢索有用信息的速度。此外，知識圖譜作為人工智能的知識庫基礎，基于知識圖譜可實現分析對象的多維多步自動關聯分析，利用深度學習模型可大大提高多因素影響的系統分析，獲得更好的信息分析效果。主要研究內容（1）基于人工智能技術的科技信息的知識存儲和管理大數據下的科技信息具有海量、異構、跨媒體的特點，其知識存儲和管理需要對結構化或非結構化的跨模態數據進行語義智能化計算研究，以為統一語義范疇下的數據查詢提供便捷的元數據服務；對跨媒體知識統一組織進行研究，為不同關系結構，不同模態數據的統一存儲與管理提供結構基礎；同時，需要對跨媒體知識的更新進行研究，為動態的數據存儲與多變的業務管理提供支撐。最后，對跨媒體知識檢索與查詢進行研究，從實際的檢索和查詢業務角度出發，制定規則，優化性能，提升知識數據被獲取時的準確性與高效性。（2）基于人工智能技術的科技信息與知識的深度揭示與聚類加強科技信息資源的多源多模態數據整合關聯、信息抽取、不確定推理、機器學習、自然語言處理等人工智能技術研發與應用；利用人工智能技術實現科技信息資源的外在層面的資源整合，資源內在特征的深度聚合，實現科技信息與知識的深度揭示與聚類。通過可視化方式實現科技信息知識（研發技術、研發機構、研發人員等）的聚合、揭示與展示。其中重點利用語義分析技術、詞表/本體構建技術、知識圖譜技術、大數據分析等人工智能技術，通過可視化方式實現科技信息知識的聚合、揭示與展示；實現對格式各異、內容復雜的數字資源進行深層次的揭示，從資源外在層面的資源整合，深入到資源內在特征進行深度聚合，實現信息與知識的深度揭示與聚類，同時將科技信息知識服務嵌入知識交流之中。技術路線圖如圖1所示。（2）基于人工智能技術的科技信息前沿技術發現與預警研究前沿技術發現與預警旨在有效指導和開展科技研究，國內外已有研究在信息對象和研究方法上比較單一，信息價值和服務效果受限。科技信息前沿技術發現與預警研究應更強調面向信息源的全面收集、處理、分析的一定程度智能化生產過程，更好的感知非完備信息，輔助信息用戶把不確定性預測變成更確定性預測。研究將不同類型的信息源進行整合、融合，多維度的分析科技前沿技術特征，從不同角度實現有價值信息的綜合疊加和映射，從中發現、分析和描述科技前沿技術問題，為科技領域專家實現科技前沿的準確辨識提供服務，實現有效的技術預警。技術路線圖見圖2所示。

基于人工智能技術的科技政策動態分析平臺設計

科技政策動態分析脫離原有人工分析為主的模式，而借助技術手段進行輔助分析是時展的必然趨勢，海量數據的現實對情報分析方法的沖擊不可避免。技術參與的目的是提高人工分析的效率和質量，采用技術輔助手段是可以做到事半功倍的。基于人工智能技術的科技政策動態分析平臺的目的在于如何利用技術手段提供獲取情報數據、情報多維分析能力和自動生成可讀性的分析報告的能力，幫助提高人類思維的效率。1）科技政策動態信息監測科技政策動態信息監測主要采用網絡信息的監測方式，只有在有效采集網絡信息的基礎上才能進而實現具體內容分析與信息服務。信息監測是對互聯網上共享的科技政策資源進行提取、解析、收集和存儲等的過程。科技政策動態信息監測的一般框架可由圖3表示。科技政策動態信息監測系統的層次模型：表示層，業務邏輯層和數據訪問層。數據訪問層：連接數據庫，執行插入和查詢等操作。主要是用數據集訪問。業務邏輯層：調用數據訪問層的方法然后返回結果給表示層。表示層：獲取表單的數據，然后調用業務邏輯層的方法處理數據，然后根據結果顯示相應的數據。科技政策動態信息監測的系統框架：系統分為數據層與應用層兩個層次。其中，數據層為整個平臺提供數據支撐，包括監測站點、情報、文章、等基礎信息數據，以及用戶信息、日志信息等數據。應用層主要提供站點管理、信息服務、編輯撰文三大功能模塊，為用戶使用系統進行信息檢索、篩選、瀏覽、定制、撰文等提供服務，同時也為管理員進行系統管理、任務分配、成果組織等提供相應接口。具體系統框架如圖4所示。

篇2

IBM是什么？藍色巨人？一群技術極客組成的公司？

IBM現在告訴你，他還要幫助你做營銷。“IBM還是個Nerd（書呆子），但我們要把科學引入營銷藝術。”IBM企業營銷管理集團（EMM）副總裁李有群在接受《成功營銷》獨家專訪時這么說。

好萊塢式傳奇

在技術派當道的IBM管理層中，李有群表現出難得的風趣。“我很想在大家面前說中文，但是有很多專業術語實在不知如何表達。”首次在中國媒體前公開亮相，李有群這樣調侃自己。即使中文不是很好，對數字有絕對的敏感，在演講過程中多次核對、糾正同聲傳譯者對幾個數據的說法。

這種敏感，除了職業、專業使然，是否還源于在拉斯維加斯靠腦袋掙錢的過去？

李有群可以說是一位天生的企業家，進入IBM之前，擁有一連串的創業經歷。高中時就創辦了他的第一家軟件公司，還是提供營銷解決方案的公司Unica的創始人。Unica曾是IBM的供應商，其在營銷方面的創新舉措被IBM看中，于2010年和Coremetrics一起被IBM花30億美元收購，這才有了之后的EMM――2010年6月組建的IBM企業營銷管理集團。李有群現在仍兼任Unica品牌的首席執行官，醞釀著其他收購計劃。

在麻省理工學院上學期間，李有群一度每個周末都混跡于拉斯維加斯的賭場。周五晚上飛過去，周六晚上回學校。不過，那個時候李有群并不是沉迷賭博。他曾是該學院傳奇組織“21點”小組的一員。“我們是算牌，不是賭博。”李有群說，“那就像一個真正的公司在運作，整個團隊有35個人，每年的業績都是成倍增長。”

這段賭場瘋狂故事后來被拍成了好萊塢電影《決勝21點》。雖然李有群認為電影并不很真實，過于戲劇化，但仍不失為一段值得說道的經歷。

步入職業經理人生涯

除了Unica，IBM還收購了另一家軟件公司Coremetrics。Coremetrics偏重于網絡分析，而Unica偏重于端到端的市場營銷管理，新組建的EMM企業營銷管理集團旨在提供營銷解決方案以及為面向業務營銷主管的銷售活動提供保障。李有群負責管理的就是這么一個隸屬于IBM的行業解決方案部門，他要離開創業生涯，進入職業經理人領域。

從智能手機到社交網絡，再到網絡電視，林林總總的新技術改變了人們的消費方式、購買方式以及企業與個人的互動方式。互聯網的功能在不斷外延、擴大，并通過社交網站、移動終端等，提供了更多的關聯。以前網絡內容主要是由媒體提供，而現在消費者可以通過微博、播客等各種各樣的渠道提供他們的想法，為網絡提供內容。在這一過程中，營銷模式也在迅速演變。如今的消費者變得很強勢――他們可以在合適的時間以合適的價格購買他們所需的商品。當他們凝聚到一起，可以很輕松地捧紅或者毀掉一個品牌。

“2010年在美國，網上由消費者提供的有關產品的信息達到了約5000億條。企業必須從以產品為中心變為以客戶為中心，贏得客戶，保留客戶。”李有群說，“營銷的目標就是激發需求，產生更多的潛在客戶，為公司的品牌進行服務。”

消費者的信息和需求如何獲得？在先后收購了Unica、Coremetrics之后，IBM全面發力進軍營銷技術市場。IBM將EMM部門作為“智慧商務”（Smar ter Commerce）計劃的一部分，融合IBM全球的技術與服務資源，將為市場帶來更廣泛的營銷功能以及其他的職能支持，從而幫助企業創建以客戶為中心的業務。“我們要把科學引入營銷藝術，利用技術、利用數據，將營銷藝術的想象力、創造力和策略規劃做得更好。”

IBM的EMM解決方案幫助企業在計劃及預算、人力及流程、數據及資產和衡量及業績幾個層面推動實際市場營銷價值。通過部署EMM解決方案，將幫助提高在線轉化率、增加市場活動、提高客戶重返率、減少市場周期/提高效率、精準定位廣告提升業績、改善市場活動質量等。

“這是更為一體化的服務，EMM解決的是所有端到端的問題。”在李有群設想下，CMO應該不需要從一個軟件跳到另一個軟件，不需要好幾家甚至幾十家供應商，而需要一個整合營銷方案供應商。

開拓中國市場

李有群的這次公開亮相，甚至動用自己的個人傳奇經歷吸引目光，就是為了帶領EMM拓展中國內地市場。

“我們在中國內地才剛剛開始，但是在美國、歐洲，以及亞洲的新加坡、泰國、印度和臺灣地區，都有很多公司在用EMM的解決方案。”即使在中國是從零開始，李有群當然也懂得榜樣力量的重要性，他借助歐洲最大的金融服務機構之一――ING荷蘭國際集團的案例來說明。

金融機構如果只采用單一渠道與客戶溝通，其運行時間點和客戶需要的時間點肯定是有差異的。比如，客戶希望的是他們在想要找到銀行的時候就能立即實現，但實際上他們只能跟著銀行的時間轉。ING意識到這一點，并且希望提高營銷活動與客戶的相關性。

所以，ING就在EMM解決方案的幫助下這樣開始改進：運用公司網站、郵寄信件、電子郵件、電話中心和分支機構等多種渠道分別與客戶進行溝通，并運用這些渠道分析收集客戶的交易信息，包括他們的一些上網行為。通過對這些數據進行動態分析，ING就能夠了解客戶下一步的行為，比如他可能需要的服務和產品是什么，他有什么投訴或建議等等。這些信息都存在EMM提供的中央決策服務器里，當這個客戶出現在ING某個分支機構或者是登錄ING網站時，針對這個客戶的定制服務或者是產品就可以自動出現。同時，在與客戶溝通的時候，會出現之前收集的與他相關的數據信息，由此做出相應的反饋。

篇3

關鍵詞：敏捷物流；大數據；現代物流技術

中圖分類號：F253.9 文獻標識碼：A

Abstract： In the era of big data， logistics service enterprises are facing greater challenges， they also have a better opportunity at the same time to analyze the characteristics of the modern agile logistics. In the context of different information technology， the operating mechanism of agile logistics is different， and the new content and new direction of agile logistics is studied. The operation mechanism of the traditional agile logistics is analyzed， and the operation model of agile logistics based on the large data information is constructed. From the traditional agile logistics system to a diversified， open， efficient extension of development， enrich the concept of agile logistics. The construction of agile logistics operation model provides a practical significance for the logistics practitioners and the new era of logistics service enterprises.

Key words： agile logistics； big data； modern logistics technology

0 引 言

敏捷的起源要追溯到1991年，當時美國的Lehigh大學聯合國內13家公司共同撰寫了名為《美國21世紀制造企業戰略》的報告，在這份報告里首次提出了敏捷制造（Agile Manufacturing）和虛擬制造（Virtual Manufacturing）的新概念[1]，在此后的幾年里，敏捷制造被廣大學者和從業人士廣泛研究，研究的成果也得到了廣泛應用。2000年，美國斯坦福大學全球供應鏈管理協會在敏捷制造及相關概念的基礎上，構建了全球供應鏈敏捷性模型，從產品開發柔性、采購柔性、制造柔性和后勤柔性四個方面分析了全球供應鏈的運行模式，并討論了四個柔性因素對敏捷供應鏈的影響[2]。

在此后的幾年里，學者們將敏捷的含義進行了廣泛的拓展，從敏捷供應鏈到敏捷物流。敏捷供應鏈在國外得到了更廣泛的研究，而敏捷物流在國內得到了相對廣泛的研究。至于敏捷供應鏈，南開大學的王玲等對敏捷供應鏈的研究做了總體概述[3]，在此不再贅述。武漢理工大學的王洪波對敏捷物流系統的構建及運行方式進行了深入的研究[4]，華中科技大學的劉小群、馬士華對敏捷物流的運作技術與方法進行了深入的研究[5]，大連海事大學的王惠等對敏捷物流的配送問題進行了動態分析[6]。目前，在國內大數據一直是研究的熱點，大數據和敏捷物流結合的研究還很少見，而在IT行業的熱度卻一直未減。

1 大數據對敏捷物流的影響

大數據字面理解就是大量的數據，這個大量也就是巨量，其規模超出了在可承受的時間范圍內用常規軟件工具進行捕捉、管理和處理，還有利用。維克托?邁爾―舍恩伯格和肯尼斯?庫克耶在其有關大數據的著作中明確預測是大數據的核心，量化一切是數據化的核心，把一切事物數據化[7]。 在今天，大數據是研究的熱點也是商業應用的主流元素之一，大數據在先進的物流服務公司也有著一定的運用，如順豐速運公司利用大數據管理客戶的訂單，從客戶撥打客服電話要求派單時，順豐速運的數據庫就開始記錄和運作這個訂單。

近年來，人們越來越重視到大數據的價值，大數據可以被廣泛使用，人們迫切地想把相關的數據轉換成有用的資源優勢。大數據對各行業都有一定影響，大數據對物流行業有著深刻的影響，它體現在以下幾個方面：

（1）尋找優質的服務提供商更有效

當一個客戶需要尋找物流服務提供商時，他可以利用大數據平臺來找到最適合自己需求的物流服務提供商，他還可以利用大數據對該公司過去的服務情況進行分析，以此來獲得更好口碑，更高可靠性的業務信息。

（2）訂單效率大幅度提升

大數據可以更高效地完成訂單，不需要復雜的手續，通過電話或網絡傳輸必要的基本信息之后，就可以足不出戶實現配送需求。

（3）配送運輸效率大幅度提升

當一個訂單生成時，大數據可以幫助選擇最優的配送路線，如果是多個倉庫內提貨再配送，大數據還可以分析在哪個倉庫提取哪些物品以及提取的數量。這些會更加快速地完成訂單的準備工作以及訂單的配送運輸。

（4）倉儲管理更高效

通過大數據可以分析出倉庫中哪些物品達到了最低庫存水平，可以根據相應的數據信息來預測某些物品的未來幾個月的趨勢，甚至可以直接向上游供應商下訂單。

敏捷物流的靈魂是更高效率，更高質量滿足客戶的需求，更低成本來提高企業的收入。通過對比普通物流服務模式，大數據對敏捷物流的影響更為重要，因為大數據直通敏捷物流的核心。通過先進的技術手段來實現敏捷物流是當下更為迫切的事情，而大數據時代的來臨是敏捷物流發展的春天。如圖1所示，物流供需兩方通過大數據平臺實現敏捷物流的運行。

2 大數據驅動下的敏捷物流運行分析

2.1 大數據的挖掘、處理與儲存

大數據的挖掘就是針對在普通的數據挖掘技術基礎之上發展起來的特定的挖掘技術，它可以滿足對海量數據的抓取以及臨時存儲。大數據挖掘通過設定的計算算法搜索相應的信息，它與計算機科學、統計科學、人工智能和模式識別的搜索算法、信息論、信號處理等學科緊密相聯。在進行大數據挖掘的時候首先要有一個挖掘的原始數據范圍，然后根據設定的算法進行選擇數據，選擇好數據之后就要進行預處理，把數據的結構轉換成可存儲的統一的結構，然后再根據設定的特定的算法進一步對預處理后的數據進行挖掘，進行存儲或者分析和同化。大數據挖掘常用的算法有Apriori、K-means、pagerank、Adaboost等，在運用這些算法的時候也會用到關聯規則。所謂的關聯規則就是兩個或兩個以上變量的取值之間存在著或近似存在著某種規律，可以分為因果關聯、時序關聯以及簡單關聯三類。數據的關聯規則是數據庫中存在的一類重要的潛在可被發現的信息，這些信息往往有著很高的利用價值。如圖2所示，一個大數據挖掘的模型圖。

挖掘了數據之后還要進行處理，也就是通常所說的數據清理或數據清洗。數據清理可通過分類、相關性分組、聚類、復雜數據類型挖掘等糾正數據庫中可識別的錯誤，包括檢查數據一致性，處理無效值、缺失值以及重復值。通過對數據的處理，可以構建基礎的可靠性比較高的數據庫，為后面的數據利用做了有效的鋪墊。

得到了大數據之后，接下來就要進行存儲。據預測，到2020年全球以電子形式存儲的數據量將達到近35ZB，是2009年的40倍之多。根據IDC的統計，2010年底全球已經有了超過120萬PB的數據量了。這么巨量的數據很難用物理的存儲設備來進行集中存儲。所以，在實際運用中對數據的存儲可分不同地點進行分類存儲，或者尋求專業的數據管理公司進行存儲，也可就某公司的具體業務相關數據進行存儲以備使用。

2.2 根據儲存的大數據實現更高效的敏捷物流

敏捷物流系統是一個相對復雜的系統，它在運行的過程中有著很強的動態性，而且它還涉及了不同組織之間的信息、資源等元素的交互與協調。敏捷物流運行的評價指標就是快速、及時、可靠性、成本等關鍵要素，根據這樣幾個要素進行評判所構建的敏捷物流系統的優劣是有一定科學依據的。有了穩定的敏捷物流系統之后，再結合大數據及相關技術手段，可實現敏捷物流的高效運轉。對物流服務提供商來說，更高效的服務也就意味著更豐厚的回報。例如，全球著名的郵遞和物流集團 Deutsche Post DHL旗下公司DHL公司，它是國際快遞和物流行業的全球市場領先者，它提供快遞、水陸空三路運輸、合同物流解決方案，以及國際郵件服務，目前在中國大陸地區有快遞服務、電子商務、貨物運輸和供應鏈方案四種服務模式。DHL公司的國際網絡將超過220個國家及地區聯系起來，全球員工總數超過31.5萬人。在2015Teradata大數據峰會上，DHL公司做了“DHL的數據科學―迅速了解成本并拉動利潤率增長”為主題的分享活動。DHL公司積極面對大數據浪潮，把大數據及相關的技術應用于對物流風險的管理，從而可以為客戶提供更優質的服務，并推出了相應的解決方案Resilience360。Resilience360已經得到了DHL公司客戶的一致認可，并為用戶創造了價值。全球最大的底盤與傳動技術提供商德國采埃孚（ZF）集團在生產拖延的情況下，為保證客戶交貨日期，公司會采用空運的方式交貨，每年ZF需要進行1萬余次這類特殊情況空運，涉及55個國家。在傳統的物流運輸模型中，此時的成本很高而且意外的風險也很大。當Resilience360出現后，它可以很好地幫助ZF集團對供應鏈環節各種潛在風險進行可視化管理，使管理層有直觀的方式了解和控制可能的潛在風險點。Resilience360系統對涉及ZF集團的500余個站點和167個機場進行風險評估，生成風險評價報告，甄別出若干個高風險機場，并根據風險程度規劃應變方案。此外，Resilience360系統還根據ZF集團對新興市場（中國、印度、巴西等）的戰略規劃和運營狀況進行優化，減少空運成本支出。通過對非結構化的數據進行大數據技術處理，并識別潛在的供應鏈風險，DHL公司在大數據應用原理并不算特別復雜，但有效地提高了客戶的滿意度，同時也塑造了其物流服務的個性化和差異化。

為了使客戶更有效地進行供應鏈管理，降低或者避免風險，物流服務提供商必須做到：首先要建立一個模型包括描述供應鏈所有因素及其關系的拓撲圖，然后持續監控對供應鏈的績效產生影響的各種因素。為達到這個目的，物流服務提供商要從社交媒體、歷史信息、綜合新聞、天氣預報、股市等公開的海量信息中抓取有關地區政治、區域經濟、衛生、自然環境等數據，然后對這些數據進行整合與分析。

2.3 敏捷物流運行模型

敏捷物流運作的基本原理就是在控制成本的前提下進行供應鏈整體物流響應時間的壓縮，也就是物流服務提供商在獲得客戶訂單或預測到客戶訂單后，通過一系列的相關運作，可能包括原材料的采購、原材料的加工、倉儲管理和運輸等環節，最后保質守時的交到客戶手中。敏捷物流在時間方面的控制，需要供應鏈各節點在物流、信息流、資金流等方面進行集成整合，其中集成整合的運作是最為關鍵，也是最難以實現的重要因素[8]。如圖3所示，結合大數據的敏捷物流運作模型。

在實際運用中，敏捷物流在不同的行業還是有所區別的，例如，針對冷鏈物流和普通物流就有著很大的不同。此外有的企業是自營物流，而企業本身的核心業務在于生產，此時的敏捷物流運行模式也是有所不同的。針對第三方物流服務提供商來說，敏捷物流的發展有更大的空間，敏捷物流的運行也有更高的可行性以及可靠性。

3 研究總結

研究了大數據驅動下的敏捷物流的運行機制，結合大數據的特點和敏捷物流的特點實現敏捷物流的服務。在國內，敏捷物流的發展還很不完善，而且從地域上來看也很不均衡，東部沿海地區與西部欠發達地區存在著比較大的差距。如何在國內實現敏捷物流，對物流服務企業來說不應該是盲目的擴大服務點或其他硬件設施，而是應該利用現代科學技術實現自身的飛躍發展。大數據對敏捷物流的幫助是有目共睹的，很多企業也實踐了這一點，例如亞馬遜（Amazon）公司預判顧客可能會下的訂單，并做好倉儲準備，甚至可以在顧客下訂單之前就將貨物送到顧客手中。如何利用好大數據是未來的重要研究方向，目前云計算科學技術的發展也很迅速，結合云計算和大數據的研究，如果可以應用到敏捷物流的發展中將會極大地促進服務效率的提升。

參考文獻：

[1] Kidd P T. Agile Manufacturing： a strategy for the 21st century[C] // In Agile Manufacturing （Digest No. 1995/179）， IEE Colloquium on， Coventry： IET， 1995：1-6.

[2] Patty Swafford， Soumen Ghosh， Nagesh Murthy. A Model of Global Supply Chain Agility and its impact on Competitive Performance[C] // Stanford Global Supply Management Forum Working Paper， 2000.

[3] 王玲，呂坤. 敏捷供應鏈研究綜述[J]. 物流技術，2010（2）：169-171.

[4] 王洪波. 敏捷物流系統構建及運行方式研究[J]. 武漢理工大學學報（交通科學與工程版），2011，35（4）：817-820.

[5] 劉小群，馬士華. 支持快速客戶響應的敏捷物流運作技術與方法[J]. 科研管理，2007，28（2）：152-159.

[6] 王惠，符策，陳燕，等. 復雜信息條件下敏捷物流配送問題的動態分析[J]. 系統工程，2005，23（8）：31-35.

篇4

①大數據分析

②大數據可視化

③BI商業智能分析

④大數據檢索

⑤產品大數據分析

⑥大數據預測、咨詢

⑦大數據服務支撐平臺

⑧機器學習技術

“大數據分析、可視化及BI領域——

雖然這三個領域在功能及應用范圍上各有千秋，但實質上可以說是相輔相成：通過大數據的基礎分析工具，研究人員可以獲得數據內部的邏輯及結果表現，但通常這些結果過于復雜并缺乏合理的表達形式，使數據科學家及企業的管理者無法快速領會并對經營活動進行調整。

因此大數據的可視化方案應運而生，多數可視化方案都作為數據分析工具的延伸而存在，但也有少部分公司另辟蹊徑，采用非傳統方式將數據的可視化更加貼近需求。BI則是大數據分析和可視化與業務場景的結合，作為企業內部管理工具，使企業的價值有了極大的增長，成為了大數據應用領域重要的一環。

{ 1 }大數據分析領域，在朝向易用、簡單化發展

大部分大數據分析企業的現狀，可以說是將數據的分析、可視化及數據的采集、治理、集成進行了一體化，以大數據的分析平臺形式存在。例如Fractal Analytics除了具備數據分析功能外，還提供自動化數據清理及驗證服務，能夠返回標準化的結構化數據；Voyager Labs則能夠實時采集、分析遍布世界各地的數十億個數據點，幫助用戶進行預測。

上述典型公司主要面向大型企業進行定制化全流程服務，客單價有時高達千萬美元級別，例如Fractal Analytics的客戶就包括飛利浦、金佰利等大型公司，其高昂的價格及服務令小型企業望塵莫及。

但隨著大數據技術的逐漸普及，SaaS化的大數據分析服務將是一個明確的發展方向，而其使用門檻也將大幅降低，從而將大數據分析的能力逐步賦予給中小企業，以真正的實現其基礎資源的價值。同時確保企業數據安全的數據脫敏、數據保護市場也會隨著SaaS化的到來而逐步拓展出新的市場空間。

目前大數據技術簡化、低成本、易用的趨勢已經在部分公司的產品策略上有所體現，例如大數據分析公司Domino的產品讓數據科學家只需專注于自己的分析工作，而不用關注軟硬件基礎設施的建立及維護，Datameer更進一步開發出的產品屏蔽了復雜的大數據分析底層技術，通過類似電子表格的可視化數據分析用戶界面，讓企業的員工能夠快速上手使用，RapidMiner Studio可零代碼操作客戶端，實現機器學習、數據挖掘、文本挖掘、預測性分析等功能。

在大數據分析能力普及的同時，提升數據分析性能、優化數據分析結果的技術研發也在快速進展中。例如SigOpt通過自主開發的貝葉斯優化(Bayesian Optimization)算法來調整模型的參數，獲得了比常見的網格搜索(grid searching technique)解決方案更快、更穩定、更易于使用的結果，目前SigOpt的產品不僅可以讓用戶測試不同變量，還能夠提供下一步的測試建議，以幫助用戶持續優化改善數據分析結果。

令人感到欣喜的是，在大數據分析領域還存在著一些顛覆了傳統數據分析理論，采用獨特方式方法進行數據分析的公司。這類公司的技術對傳統數據分析方法進行了很好的補充，在特定領域有著成功的應用。

這類公司中的典型之一是由三位全球頂尖的數學家創立的Ayasdi，它利用拓撲數據分析技術和上百種機器學習的算法來處理復雜的數據集，不僅可以有效地捕捉高維數據空間的拓撲信息，而且擅長發現一些用傳統方法無法發現的小分類，這種方法目前在基因與癌癥研究領域大顯身手，例如一位醫生利用Ayasdi的數據分析技術發現了乳腺癌的14個變種，如今Ayasdi已經在金融服務和醫療保健行業中獲得了相當數量的客戶。

{ 2 }可視化技術，逐步實現了自動化、智能化

大數據可視化是連接數據分析結果與人腦的最好途徑，因此可視化技術的高低也成為了左右大數據企業獲客能力的重要因素。目前可視化的發展方向同大數據分析一致，都是朝著簡單、自動化、智能的方向在努力。

典型企業如Alteryx是一個提供一站式數據分析平臺的初創公司，旨在讓用戶在同一個平臺上完成數據輸入、建模以及數據圖形化等操作，將數據運算與精美的圖像完美地嫁接在一起，并能夠和SAS和R語言一樣進行數據的統計和分析。

通過可視化幫助用戶實現真正的管理能力提升也是重要的功能之一，德國大數據公司Celonis通過流程挖掘技術，從日常記錄中提取數據、發現關鍵因素，并最終揭示公司在業務中的執行情況，能夠幫助客戶公司提高30%的工作效率。

發展到如今，可視化技術已經不局限于傳統的分析結果展示，而是能夠直接轉換文本、圖片等非結構化的數據并直觀展現，例如Quid利用機器智能讀取大量文本，然后將該數據轉換為交互式視覺地圖，以節約過去通常會耗費在閱讀檢索中的大量時間。Origami幫助營銷人員將CRM、社交媒體、郵件營銷和調查報告等跨平臺的數據整合并進行有效分析，使其簡單化、直觀化、視覺化，人人都能夠高效實用。

同時數據分析及可視化對硬件應用的革新也在進行中，開發GPU關系數據庫服務的Kinetica獲得了5000萬美元A輪融資，采用同一技術路線的MapD也已經能夠做到比傳統計算內核快100倍的速度對大數據進行查詢與可視化。

{ 3 }BI技術擺脫"雞肋"，實時便捷普惠政企效率提升

BI技術的發展已經有了較長的歷史，但由于技術因素此前一直被限制于企業內部采集與應用，實際發揮的效果有限并且使用率不高。如今在數據采集與應用范圍普及與大數據分析、可視化技術的推動下，通過數據儀表板、智能決策等方式提升企業運營效率利器的BI再次獲得了資本市場的青睞，Tableau作為BI的代表性企業已經順利IPO目前市值超過48億美元，另一家代表性企業DOMO估值也達到20億美元，成長速度遠超傳統商業軟件公司。

相比于可視化技術，BI更偏重于實際的應用，通過模板化、SaaS化及去代碼等方式，BI應用范圍不再局限于數據科學家及企業高管，可預見未來企業內部每個員工都可以通過BI工具獲知自己及所處部門的各項數據，并能夠有針對性的改進工作方式與方向。

已經累計融資1.77億美元的Looker令用戶能夠使用自然語言進行查詢，降低了查詢大型數據集的門檻；GoodData為企業提供大數據分析SaaS服務，其所有的數據分析服務實現了100%云化，企業可以將公司已有數據導入GoodData的云平臺，再對數據做跟蹤、切分、可視化、分析等處理。

BI領域一個有意思的應用案例是Qlik公司的產品受到了中國海關總署的高度贊揚。海關總署每天都需要進行龐大的數據分析，Qlik則通過圖形化數據展示，使海關管理人員不再受平臺和時間的限制，能夠多視角長跨度的分析，實現了對于現有海量數據的業務的快速展示，極大地促進了稽查效果。

“企業大數據檢索、產品大數據分析、大數據咨詢預測、大數據平臺及機器學習領域——

企業大數據檢索能夠充分挖掘并釋放企業數據的潛力；產品的大數據分析使用戶行為成為了產品設計與運營環節的重要參考因素；大數據技術與咨詢業務的結合則對咨詢行業形成了很大的影響，數據技術導向的咨詢業務將極有可能成為未來行業的主流選擇；大數據服務支撐平臺類企業則為大數據技術的普及和實用化做了很大的貢獻，是大數據技術生態中不可或缺的一環；最后是機器學習，作為大數據分析的底層技術方法也逐漸開始得到廣泛應用。

首先將企業大數據檢索、產品大數據分析、大數據咨詢預測、大數據平臺和機器學習這五個領域的典型企業列舉如下，接下來將分版塊進行詳細介紹。

{ 4 }企業大數據檢索

移動互聯網的普及與SaaS服務的興起令企業沉淀的數據量呈指數級上升，但目前對企業數據價值的挖掘僅僅停留在較淺層面，真正的大數據分析能力還尚未應用。因此如何做好企業內部數據信息價值的發掘成為了關鍵的第一步。

提升企業數據挖掘檢索能力，并將檢索的技術門檻降低的典型企業有Algolia，目前其產品具備關鍵字輸入智能容錯功能，并提供搜索排名配置，能夠讓普通員工也能按需要找到自己所需的數據信息。同時Algolia還為移動設備提供了離線搜索引擎，其C++ SDK可以嵌入到應用服務器端，這樣即便沒有網絡連接應用也能提供搜索功能，適用范圍很廣。

而在SaaS化服務興起的同時，企業采用多種軟件導致內部數據不聯通而形成了數據孤島。根據互聯網女皇Mary Meeker的分析，不同行業的公司平均使用SaaS服務的數量從最低25個至高達91個，需要跨平臺數據檢索分析服務。Maana開發的數據搜索和發現平臺Maana Knowledge Graph，其長處便是收集來自多個系統或者"孤島"的數據，并將其轉換為運營建議，可廣泛應用于多個行業。

{ 5 }產品大數據分析

產品大數據分析相對其他應用來說關注度稍低，但其能夠發揮的功能并不少。通過收集用戶的瀏覽、點擊、購買等行為，不單從宏觀上能夠察覺用戶群體的喜好變化提前應對，微觀上還能夠構建用戶畫像，從而做到定制的產品推薦與營銷，能夠有效的提升用戶的消費水平與滿意程度。

Mixpanel便是一家提供類似產品的公司，其讓企業用戶跟蹤用戶的使用習慣提供實時分析，其產品有用戶動態分析(Trends)、行為漏斗模型(Funnels)、用戶活躍度(Cohorts)及單用戶行為分析(People)等幾個模塊，全面的覆蓋了可能發生的用戶行為與場景。

{ 6 }大數據咨詢預測

如今大數據技術的發展為事件分析和預測提供了可能，并且準確度和處理速度已經具備了很大競爭力，傳統咨詢公司的處境類似于現在面對AI威脅的華爾街分析師，或許不久之后就將會被替代。因此隨著逐漸出現大數據咨詢公司的同時，傳統咨詢企業也紛紛與大數據技術公司合作，甚至成立了自己的數據業務部門。

Opera Solutions便是一家依托大數據分析的咨詢公司，其創始人是咨詢行業資深人士，曾創辦了商業咨詢公司Mitchell Madison和Zeborg。

目前Opera致力于金融領域的數據分析類咨詢，通過建模、定量分析給客戶提供建議，解決客戶的商業問題。例如其計算機系統可以一次性采集數十億條數據，包含從房產和汽車價格到經紀賬戶和供應鏈的實時數據等，通過分析從中獲得有關消費者、市場和整個經濟體系將如何行動的信號或見解。其客戶包含了咨詢機構及花旗銀行等公司，最近還為摩根士丹利提供了幫助經紀人團隊給其客戶提供投資建議的業務。

新技術、機器學習與咨詢預測行業的結合，相比于僅使用大數據分析技術能夠獲得更好的效果，也成為了行業內的一個小熱點。例如基于社會物理學原理的Endor能夠依托少量數據生成統一的人類行為數據集，并比傳統海量數據分析方式更早的做出模式識別與判斷。在甄別facebook上受ISIS控制的賬號的實驗中，根據已知少量ISIS賬號特性，Endor高效分辨出了新的ISIS疑似賬號并且準確度令人滿意。

{ 7 }大數據服務支撐平臺

目前圍繞著大數據技術與大數據產業生態鏈發展的，還有許多是平臺服務型的公司，這類公司具備一定的技術水平，但主要通過服務大數據技術公司及科研人員而存在，是技術生態中不可或缺的一環。

Dataiku創建了一個云平臺，旨在使數據科學家和普通員工更容易獲得公司收集的大數據，并通過機器學習庫縮短了專家以及數據分析師所需要的時間。

Algorithmia的平臺上提供包括機器學習、語義分析、文本分析等通用性算法，一旦用戶找到想用的算法，只需添加幾行簡單的算法查詢代碼到應用中，Algorithmia的服務器就會與應用連接，避免了開發者的重復勞動。

目前部分向開發者社區業務發展過渡的平臺型企業，因其資源已經得到行業巨頭的青睞，被Google收購的Kaggle便是一例，通過舉辦數據科學周邊的線上競賽，Kaggle吸引了大量數據科學家、機器學習開發者的參與，為各類現實中的商業難題尋找基于數據的算法解決方案。同時Kaggle為其社區提供了一整套服務，包括知名的招聘服務以及代碼分享工具Kernels。

{ 8 }機器學習

機器學習，是模式識別、統計學習、數據挖掘的技術手段，也是計算機視覺、語音識別、自然語言處理等領域的底層技術，在附件的介紹中大家可以看到，微軟Azure、Google云平臺及AWS都推出了自己的機器學習產品，而眾多的機器學習創業公司則通過提供有特色的技術或服務進行差異化競爭。

已累計獲得了7900萬美元融資的Attivio專注于利用機器學習技術通過文本進行情緒分析，提供有監督的機器學習與無監督機器學習兩種技術，幫助企業通過識別企業語料庫中的文檔進行情緒建模與分析。思科通過Attivio的智能系統令銷售人員能夠在與客戶合作時依據對方的情緒、消費能力等數據推薦合適產品，從而節省了數百萬的銷售運營費用，同時節約了銷售團隊15-25%的時間。