以下内容根据演讲PPT以及现场分享整理而成。

前言
在分享之前首先简单地介绍物流这个行业，其实包括像大家所熟知的阿里菜鸟在内的这些公司都属于物流行业。但是电商物流在整个物流行业的占比却没有超过5%，这是因为B2B企业及物流、生产物流、分销物流以及大宗商品等的物流占据了大部分的比重。目前我国物流行业费用占每年GDP的15%左右，欧美以及日本的物流费用则占据7%左右。所以对我国而言，物流行业还有很大的提升空间。我国的物流行业基本上在10万亿这样的量级，从量级上看非常庞大，然而对于目前而言，物流行业还是贴着小散乱差的标签。目前物流行业的数据统计是货运车辆大约2000万台，从业司机大约3000万，包括物流公司以及信息中介在内的法人单位大约700万家，对于这样庞大的群体，必然存在的一个问题就是效率问题。

而随着电子商务的快速发展以及国家*“互联网+”战略的提出，物流行业也面临着前所未有的机遇与挑战。

近几年来，随着消费和制造业的不断发展，以及移动互联技术的快速普及，消费互联网已经变得非常成熟，相比之下产业互联网才刚刚起步。提到产业互联网，大家更多是在讲供给侧改革，而对于未来的产业互联网而言，C2B、C2M是发展的必然的趋势，在这样的大背景下，整个物流行业必将发生非常大的变化。在未来消费驱动制造的背景下，在云计算等新技术快速应用下，整个供应链都将发生非常巨大的变化，同时也将产生更多的机会。

在物流行业里想要依靠数据产生变革，不得不思考的一问题就是数据从何而来。

一、物流业务数据化
其实在物流行业出现的很多问题都是因为信息不对称，物流过程不透明，资源不共享以及各个环节之间的不协同导致的，这样也使得效率比较低，所以在整个物流过程中信息的透明化或者说物流信息可视化将是提升物流行业效率的有效手段。

物流业务数据化的核心是向整个物流行业提供透明的信息服务。物流透明也就是可视物流，在消费物流里面，比如我们寄送一个快递，这个快递什么时间在什么地方的这些详细信息我们都可以很清楚地看到，然而在其他的物流里面，用户体验还是比较糟糕的，所以在这些物流方面更需要透明或者可视化。

物流透明，是指物流要素及物流过程的信息能够得到真实的、实时的反映，它需要应用互联网的技术及组织方式来实现。在对产业互联网进行改造时一定要对于这个产业具有敬畏之心，不要妄谈颠覆或者革命。对于物流行业进行互联网化，首先思考的是如何提升整个系统的运营效率。而为了提升效能，一个非常务实的通道就是建立物流全要素的透明和廉洁，所以说物流透明是物流业务数据化的基础。

根据实践的经验，我们总结出了很多理论，比如“物流透明3.0”，物流透明3.0的核心概念是：透明、连接与协同。物流透明3.0分为三个阶段，1.0阶段是从人、车、货、仓这些角度来看的，这个阶段也叫作物理透明阶段。而2.0阶段则站在货物的视角，完全可以为行业提供订单从提供到运输全流程可视化这样的视角来实现货物的透明。随着行业对于互联网的理解不断加深，企业对于SaaS服务更加的理解也不断加深，订单的透明化更容易实现。在未来的物流透明3.0时代将会是一个产业透明的时代，从供应链、需求链到产业链全线的透明。

物流透明这条路，易流走了10年，从物流透明1.0升级到2.0。

物流业务数据化实践（物流透明1.0）

举两个例子，比方说在牛奶从奶农运输到工厂的过程中，通过像位置以及图像以及固定线路的管理等透明的手段有效地杜绝了造假问题，又比如在冷链运输的过程中做到全程温度监控。

而通过轻松管车以及精益管车在物流公司管理车队，提供运输过程的透明管理上非常有价值。

物流业务数据化实践（物流透明2.0）

从发货方到收货方中间会经过很多的环节，如何打通这些环节呢？其实就是打造物流业务协同的SaaS平台，通过平台来使货主、物流公司、车队、司机以及收货方更加高效地协作来提升整个物流的效率。

二、物流数据业务化

基于平台所收集到的数据，如何将其业务化呢？我们在以下5个方面进行了探索：

1. 用户画像，企业及司机画像
2. 运输线路路由及配送路径优化
3. 物流资源需求预测
4. 数据征信及物流互联网金融
5. 宏观经济分析

具体而言，我们在物流数据业务化方面进行了以下的实践。

基于用户业务行为数据，描绘用户画像

为了判断企业和司机的效能情况，可以通过一些标签判断看出企业的业务水平能力以及业务规模，而对于司机来说也会采集其驾驶行为等及进行数据分析，并且按照金字塔模型对运力进行分层，使得优质资源可以更加充分地加以利用。

基于数据优化业务网络（线路路由）

通过数据分析对于线路优化和配送优化进行了实践，通过数据挖掘对于物流阶段的规划进行优化，通过这样的调整可以直接降低成本。

“易流 + 阿里云”智能配送调度解决方案
与阿里云合作构建的智能配送调度解决方案，通过系统打通用户数据，再输出给用户一个应用，这样做所带来的效果也非常明显。如下图所示这个智能配送的调度方案是基于在阿里云MaxCompute平台的上搭建的阿里云路径优化引擎，同时也选用了阿里云的关系型数据RDS来存储外部的数据以及易流多年来积累的用户数据。通过这些数据和路径优化引擎产生出配送计划，通过人工调整最终成为最终的配送计划。

运力需求规律与预测

根据运力需求的波峰波谷进行规律预测，这样具有极高的分析价值。

供应链的需求预测

通过供应链为用户提供资源需求预测。

数据征信及物流

通过积累物流业务数据，来形成物流数据征信，进而开展小额短贷金融服务。通过数据对用户画像，通过数据结合应用场景进行金融征信，降低了征信成本，也解决了部分物流行业人员的征信难问题。

宏观经济分析

从运行时长和里程这些数据上衡量车辆的运营效率，从而也可以从侧面从一定程度上反映宏观经济情况。