當企業達到UPS這樣的規模時——該公司擁有99000輛汽車和424000名員工，那么，其日常操作運維中的哪怕一點一滴的效率提升，也可能轉化為一個相當大的成本節省。UPS已使用分析來實現企業運作效率的提升有相當長的一段時間了，而且，他們在這方面正做得越來越好。最近，網絡世界總編輯約翰·迪克斯就UPS的最新成果采訪了該公司流程管理部門高級主管杰克·李維斯。
UPS如何使用分析優化操作?
讓我先帶您回顧一下15年前的狀況，然后對比我們今天的操作運行狀況，最后我還將簡單概述一下對未來的展望。另外，為了更好的討論，我們可以將分析劃為三種形式：1、描述性分析，例如“我今天在哪里?”;2、預測分析，如“以我目前的軌跡，明天我將走向哪里?”;3、然后就是最高水平的規范分析，即“我應該在哪里?”
研究表明：當您企業沿著這一層次不斷提升您企業的數據需求，那么，您企業員工的技能也將隨之提高，相關業務也將顯著獲得積極的影響，這就是我們的經驗。
Gartner公司表示，在描述性分析領域，只有70%的企業真正了解他們目前的真實狀態。但對于我們來說，這已經是老新聞了。我們通過司機們的手提電腦已經這樣執行描述性分析超過20年以上了，其被稱為傳遞信息采集設備(DIAD)。在預測分析領域，Gartner表示只有16%的企業這樣正在執行，但我們早在10年前就已經在部署使用一些預測模型了。而在最高水平的規范分析領域優化時，Gartner認為只有約3%的企業執行了，而這就是我們的ORION系統充分發揮其作用的地方了——我們目前正在部署道路整合優化和導航系統。
我將這幾種分析都逐一進行介紹，因為企業的視野不能僅僅只停留在描述性分析階段，畢竟，其之后的幾種分析蘊含著巨大的價值。
您企業是否會盡量避免使用大數據這一術語?
大數據關注的是“如何分析”的問題;而不是“分析什么”的問題。“分析什么”的問題涉及到的是大的洞察力和大的影響，如果您企業通過大數據進行分析，這固然很好。但關鍵問題在于影響和洞察力。當我們剛剛開始描述每天需要投遞的超過1600萬個包裹，并建立起百萬兆字節的數據庫時，我們并不將其稱為大數據，畢竟，我們早在90年代初開始就一直在做這樣的事情。所以這對我們而言只是數據而已。我關心的則是我們用這些數據信息來做什么，因為這才是我們如何從中獲得價值的方法。分析數據是為了做出更好的決策。這就是為什么我通常并不使用大數據這一術語的原因了。
早在90年代末，大量描述性的數據就能夠非常詳細的告訴我們，快遞司機目前所處的具體地理位置了。我們能夠在千分之幾秒的時間內進行準確的測量定位。因為如果能夠通過優化流程，為每位司機每天行駛的里程數哪怕僅僅減少一英里，那么，其在年底綜合計算下來，總的里程就能夠減少至少高達5000萬英里。因此，我們會進行精確的里程測量，哪怕非常細小的優化，也關乎到整個企業總投遞里程數的大改變。
所以，在90年代末，我們掌握了大量關于我們昨天是如何運行的數據信息，但這在明天很難改變。我們是一家由相關知識，方法和程序所驅動的企業，一些數據在員工的頭腦里，有些則是在企業的數據庫中，還有一些則存儲在Excel電子表格中。但在90年代末，我們還沒有采用預測數據模型以用來描述UPS是如何運行的。所以我們在彼時采用了一個稱為包裹流技術(PackageFlowTechnologies)的項目。
我們彼時的想法是，如果能夠我們知道每一個包裹在一天中的任何一刻具體在何處，以及其需要被投遞的地方時，我們就可以預測出其第二天將會發往何處，進而幫助我們更有效的進行快遞優化。
我們在2003年部署了這些預測模型，而這些預測模型和規劃工具的部署則意味著，我們的駕駛員不再是從一個空的DIAD開始其新一天的工作，并逐步搜集信息了，而是從一個乘滿了我們所希望他們搜集的DIAD相關信息開始其新一天的工作。因此，DIAD不再是一個單純的信息采集設備，其已然成為了一個助理。隨著相關的預測性描述分析，我們每年共計減少了大約8500萬英里的行駛里程。這不僅意味著我們減少了850萬加侖燃料的購買，同時還減少了大量的CO2排放量。
我們有所謂的“所有服務即以就緒”的概念——即一名司機，一輛快遞運輸車，服務一個固定的服務區，以及一臺設施。但我們同時還會提供不同的服務——包括延遲投遞服務和加速優質投遞服務，這樣，每名快遞司機手上都會有一些有著不同服務需求的包裹：有些必須在上午10:30前送達，有些需要在中午，而還一些則必須在下午2:00前交付。這意味著司機必須優化他們的投遞路線，以便滿足不同的服務需求。
即使我們通過采用預測模型節省了850萬加侖的汽油燃料，但我們仍然想進一步的實現規范優化分析，我們針對我們的快遞司機實施了一些非常先進的數學模型，讓司機能夠“根據當天客戶的具體包裹投遞需求來重新規劃投遞路線，并以一個特定的投遞順序來完成當天的投遞”。在過去，往往是司機自行處理突發異常情況，而現在，則是通過數據和分析優化，以一個非常特定的投遞順序來執行當天的投遞任務。
從規范優化分析的角度來看，通過先進的數學模型來確定快遞投遞訂單的方法是不可思議的。如果快遞司機有120個需要投遞的包裹，那么，其如何規劃投遞這120個不同包裹的投遞路線總數可以高達199位數。這一數量當然是難以想象的，其在本質上可以說是無限的。因此，我們的數學專家將不得不想出如何優化投遞交貨訂單的方法，并且還要充分考慮到UPS的業務規范，地圖模型，快遞司機何時需要在某處完成投遞，以及兼顧好客戶所喜好的投遞方法。其必須對于快遞司機而言是切實可操作執行的，不僅能夠滿足所有的業務需求，而且還要保持較少的開車里程數。這顯然已經達到了我們所能夠減少的總的里程減少數8500萬英里的極限。但正是借助于ORION系統，帶領我們實現了下一個水平的規范分析，使我們成為了能夠充分使用三類數據分析規范的企業。
您企業的ORION是基于什么部署的?
我們從2012年開始初步部署ORION，彼時，只是涉及到幾百人的部署，所以是一個比較小規模的部署。但其結果是如此的出色，于是我們加快了部署。到2013年，我們已經有500人完成了該部署，到現在，我們已經有700名員工進行了的全職部署。其真的還能幫助我們同時更好的服務于我們的客戶，減少了包裹投遞的行駛里程數。
您企業是如何界定項目部署成功的?
很快，我們就將宣布我們完全實現了預期的部署效果了。而且，僅在2013年，我們就節省了150萬加侖的燃料，截至那時，我們的50000名司機中還僅僅只有10000名完成了相關的部署。的驅動程序。
您企業什么時候完成整個項目的部署?
我們將在2016年底徹底完成當前版本ORION的部署。在原先的版本上，有些任務無法很好的實現。例如，當一個司機在早上出庫，他們手中的設備不改變路線，如果在投遞過程中出了什么差錯，設備不會更新，這是司機們的頭號需求。他們會問：“系統不能及時更新相關的差異狀況嗎?例如，其難道不分析考察投遞當天的交通狀況或者天氣狀況嗎。事實上，我們的某些司機并沒有導航系統。他們只是按順序投遞。
這固然是個壞消息。但好消息是，所有這些狀況都已經不存在了，因為我們即將實現整個新版本ORION的部署，并為下一個10年，司機們投遞路線圖進行了優化。我們將添加新的功能。我們正在開發實時更新功能，并將在整個業務流程中使用ORION算法。
通常，當人們在談論數據時，他們實際上說的是他們想通過數據過度到分析信息進而獲得相關的知識。而我們在進行預測模型分析時也是這樣做的。我們基于預測分析做出未來的決策。而這些決策就是相關的知識。而這些知識無疑是通過部署ORION獲得的。因為通過借助ORION系統，哪怕是剛剛入職的新司機也能夠像一名老投遞司機一樣遵循相關的導航系統順利實現包裹的投遞工作。
但是，我們并不能滿足與此。想象一個數據結構和一種分析系統，能夠預測未來可能出現的某個問題，我們甚至需要在其出現之前就有針對性的解決該問題。我們會像福爾摩斯一樣進行偵查。以便能夠進一步的優化業務流程。針對某一特定的包裹投遞需求，ORION需要如何進行優化?這便是我們的目標。
讓我最后以一個愚蠢的問題結束吧�？破针娨暪澞俊读餮越K結者(MythBusters)》的某一集曾經做過一次關于通過不斷讓投遞卡車右轉彎來規劃路線的方法能夠更有效的節目，您認為這是否真的有效呢?
讓我告訴您事實的真相吧。從多方面而言，左轉彎的成本都的確更昂貴。您汽車的怠速時間較長，而且左轉彎需要更長的時間，也不安全。所以我們盡量避免左轉彎�！读餮越K結者》的節目顯示，在舊金山市，只選擇右轉彎的卡車要比不規定左右轉的卡車的速率更高。所以，我們的路線設計是基于更少選擇左轉彎的一種方式。
順便說一下。美國《PARADE》雜志曾采訪過我們，平均每天每名司機所節省的燃料量。當我們告訴該雜志的記者說，使用恰當的工具很重要(如果您企業能使用緊湊型轎車，就別使用面包車)，鞏固的送貨出車次數(例如，如果只需要出車一次，就盡量避免出車兩次，或盡量只停車一次，而在兩處較近的投遞點之間以步行代替開車)，盡量不要左轉彎。 |
