台灣在物流領域發展近三十年，近年來面臨諸多挑戰，包括工資成本上升，人員排班限制增加、留才不易、電商物流利潤率下降、集中式促銷方式導致的暴增貨量。近幾年來，物流業轉型升級緩慢，從刊登的徵人廣告來看，仍多以業務、理貨人員、宅配司機為大宗，較缺乏前瞻未來的數據分析、人工智慧運用、無人機/自動運輸，或是創新商業模式的研發人力。

大數據的分析應用，歐美發展比我們早了七、八年，現在慢慢開花結果，從歐美的經驗可以知道，大數據不僅能協助降低物流作業成本，還可以創造新的營收來源，數據的整理、分析，一直到最後建置神經網路模型開始運作，至少得花二年，在這個領域，越早投入，就越能看到顯著成果。

物流中心經營不易，也相當耗費人力，因此必須要讓作業人員的效益充份發揮，所謂的充份發揮，並非讓每位作業人員每天都有做不完的工作；而是讓作業人員的時間，盡量做「有價值、有意義」的工作。

在物流中心內，「找東西」、「走路」這二種動作是對商品附加價值最低的，因為在物流中心內走再多路，如果無法讓商品及時裝車出貨，物流中心就不會賺錢，如何減少走路，牽涉到整體動線，以及料架、商品的最佳擺放位置。這些基本道理大家都理解，問題在於如何透過微型裝置，可以日積月累地捕捉這些資訊？

大數據的分析要花錢，所以最好選擇可改善的領域是自己可以控制的。舉例來說，就算我們知道平均每輛貨運車在碼頭等候卸貨時平均排放三公斤二氧化碳當量，我們也難以去逐一改善這些車輛的排氣裝置；反之，如果我們知道平均每件退貨處理會耗掉物流中心八個工作小時，或是平均每位揀貨人員每天在物流中心工作時要走15000步，就可深入去分析其真正原因，因為這背後代表的都是相當大的改善效益。

處理大數據，使用傳統統計學是一個方法，但不見得是最好方法，因為統計學中許多推論方法，必須先假設「母體符合常態分配」，甚至抽樣的樣本間要完全獨立。然而在現今的電子商務環境，以及社群媒體的輔助下，消費者彼此間的下單採購行為不再是完全獨立，而是容易受到各種外在環境的影響（例如看到臉書直播，就會吸引社群同好快速下單），傳統統計理論的適用性會受到很大挑戰。而目前對於大數據處理最佳的方法則是神經網路(neural net-work)，也就是將大量數據餵入神經網路模型，進而做出更好的邏輯推論，例如年輕人、年收入100萬以下，是否會購買掃地機器人。

【如欲閱讀全文，敬請訂閱雜誌。】