当企业达到UPS这样的规模时——该公司拥有99000辆汽车和424000名员工，那么，其日常操作运维中的哪怕一点一滴的效率提升，也可能转化为一个相当大的成本节省。UPS已使用分析来实现企业运作效率的提升有相当长的一段时间了，而且，他们在这方面正做得越来越好。最近，网络世界总编辑约翰·迪克斯就UPS的最新成果采访了该公司流程管理部门高级主管杰克·李维斯。

　　UPS如何使用分析优化操作?

　　让我先带您回顾一下15年前的状况，然后对比我们今天的操作运行状况，最后我还将简单概述一下对未来的展望。另外，为了更好的讨论，我们可以将分析划为三种形式：1、描述性分析，例如“我今天在哪里?”;2、预测分析，如“以我目前的轨迹，明天我将走向哪里?”;3、然后就是最高水平的规范分析，即“我应该在哪里?”

　　研究表明：当您企业沿着这一层次不断提升您企业的数据需求，那么，您企业员工的技能也将随之提高，相关业务也将显著获得积极的影响，这就是我们的经验。

　　Gartner公司表示，在描述性分析领域，只有70%的企业真正了解他们目前的真实状态。但对于我们来说，这已经是老新闻了。我们通过司机们的手提电脑已经这样执行描述性分析超过20年以上了，其被称为传递信息采集设备(DIAD)。在预测分析领域，Gartner表示只有16%的企业这样正在执行，但我们早在10年前就已经在部署使用一些预测模型了。而在最高水平的规范分析领域优化时，Gartner认为只有约3%的企业执行了，而这就是我们的ORION系统充分发挥其作用的地方了——我们目前正在部署道路整合优化和导航系统。

　　我将这几种分析都逐一进行介绍，因为企业的视野不能仅仅只停留在描述性分析阶段，毕竟，其之后的几种分析蕴含着巨大的价值。

　　您企业是否会尽量避免使用大数据这一术语?

　　大数据关注的是“如何分析”的问题;而不是“分析什么”的问题。“分析什么”的问题涉及到的是大的洞察力和大的影响，如果您企业通过大数据进行分析，这固然很好。但关键问题在于影响和洞察力。当我们刚刚开始描述每天需要投递的超过1600万个包裹，并建立起百万兆字节的数据库时，我们并不将其称为大数据，毕竟，我们早在90年代初开始就一直在做这样的事情。所以这对我们而言只是数据而已。我关心的则是我们用这些数据信息来做什么，因为这才是我们如何从中获得价值的方法。分析数据是为了做出更好的决策。这就是为什么我通常并不使用大数据这一术语的原因了。

　　早在90年代末，大量描述性的数据就能够非常详细的告诉我们，快递司机目前所处的具体地理位置了。我们能够在千分之几秒的时间内进行准确的测量定位。因为如果能够通过优化流程，为每位司机每天行驶的里程数哪怕仅仅减少一英里，那么，其在年底综合计算下来，总的里程就能够减少至少高达5000万英里。因此，我们会进行精确的里程测量，哪怕非常细小的优化，也关乎到整个企业总投递里程数的大改变。

　　所以，在90年代末，我们掌握了大量关于我们昨天是如何运行的数据信息，但这在明天很难改变。我们是一家由相关知识，方法和程序所驱动的企业，一些数据在员工的头脑里，有些则是在企业的数据库中，还有一些则存储在Excel电子表格中。但在90年代末，我们还没有采用预测数据模型以用来描述UPS是如何运行的。所以我们在彼时采用了一个称为包裹流技术(Package Flow Technologies)的项目。

　　我们彼时的想法是，如果能够我们知道每一个包裹在一天中的任何一刻具体在何处，以及其需要被投递的地方时，我们就可以预测出其第二天将会发往何处，进而帮助我们更有效的进行快递优化。

　　我们在2003年部署了这些预测模型，而这些预测模型和规划工具的部署则意味着，我们的驾驶员不再是从一个空的DIAD开始其新一天的工作，并逐步搜集信息了，而是从一个乘满了我们所希望他们搜集的DIAD相关信息开始其新一天的工作。因此，DIAD不再是一个单纯的信息采集设备，其已然成为了一个助理。随着相关的预测性描述分析，我们每年共计减少了大约8500万英里的行驶里程。这不仅意味着我们减少了850万加仑燃料的购买，同时还减少了大量的CO2排放量。

　　我们有所谓的“所有服务即以就绪”的概念——即一名司机，一辆快递运输车，服务一个固定的服务区，以及一台设施。但我们同时还会提供不同的服务——包括延迟投递服务和加速优质投递服务，这样，每名快递司机手上都会有一些有着不同服务需求的包裹：有些必须在上午10:30前送达，有些需要在中午，而还一些则必须在下午2:00前交付。这意味着司机必须优化他们的投递路线，以便满足不同的服务需求。

　　即使我们通过采用预测模型节省了850万加仑的汽油燃料，但我们仍然想进一步的实现规范优化分析，我们针对我们的快递司机实施了一些非常先进的数学模型，让司机能够“根据当天客户的具体包裹投递需求来重新规划投递路线，并以一个特定的投递顺序来完成当天的投递”。在过去，往往是司机自行处理突发异常情况，而现在，则是通过数据和分析优化，以一个非常特定的投递顺序来执行当天的投递任务。

　　从规范优化分析的角度来看，通过先进的数学模型来确定快递投递订单的方法是不可思议的。如果快递司机有120个需要投递的包裹，那么，其如何规划投递这120个不同包裹的投递路线总数可以高达199位数。这一数量当然是难以想象的，其在本质上可以说是无限的。因此，我们的数学专家将不得不想出如何优化投递交货订单的方法，并且还要充分考虑到UPS的业务规范，地图模型，快递司机何时需要在某处完成投递，以及兼顾好客户所喜好的投递方法。其必须对于快递司机而言是切实可操作执行的，不仅能够满足所有的业务需求，而且还要保持较少的开车里程数。这显然已经达到了我们所能够减少的总的里程减少数8500万英里的极限。但正是借助于ORION系统，带领我们实现了下一个水平的规范分析，使我们成为了能够充分使用三类数据分析规范的企业。

　　您企业的ORION是基于什么部署的?

　　我们从2012年开始初步部署ORION，彼时，只是涉及到几百人的部署，所以是一个比较小规模的部署。但其结果是如此的出色，于是我们加快了部署。到2013年，我们已经有500人完成了该部署，到现在，我们已经有700名员工进行了的全职部署。其真的还能帮助我们同时更好的服务于我们的客户，减少了包裹投递的行驶里程数。

　　您企业是如何界定项目部署成功的?

　　很快，我们就将宣布我们完全实现了预期的部署效果了。而且，仅在2013年，我们就节省了150万加仑的燃料，截至那时，我们的50000名司机中还仅仅只有10000名完成了相关的部署。的驱动程序。

　　您企业什么时候完成整个项目的部署?

　　我们将在2016年底彻底完成当前版本ORION的部署。在原先的版本上，有些任务无法很好的实现。例如，当一个司机在早上出库，他们手中的设备不改变路线，如果在投递过程中出了什么差错，设备不会更新，这是司机们的头号需求。他们会问：“系统不能及时更新相关的差异状况吗?例如，其难道不分析考察投递当天的交通状况或者天气状况吗。事实上，我们的某些司机并没有导航系统。他们只是按顺序投递。

　　这固然是个坏消息。但好消息是，所有这些状况都已经不存在了，因为我们即将实现整个新版本ORION的部署，并为下一个10年，司机们投递路线图进行了优化。我们将添加新的功能。我们正在开发实时更新功能，并将在整个业务流程中使用ORION算法。

　　通常，当人们在谈论数据时，他们实际上说的是他们想通过数据过度到分析信息进而获得相关的知识。而我们在进行预测模型分析时也是这样做的。我们基于预测分析做出未来的决策。而这些决策就是相关的知识。而这些知识无疑是通过部署ORION获得的。因为通过借助ORION系统，哪怕是刚刚入职的新司机也能够像一名老投递司机一样遵循相关的导航系统顺利实现包裹的投递工作。

　　但是，我们并不能满足与此。想象一个数据结构和一种分析系统，能够预测未来可能出现的某个问题，我们甚至需要在其出现之前就有针对性的解决该问题。我们会像福尔摩斯一样进行侦查。以便能够进一步的优化业务流程。针对某一特定的包裹投递需求，ORION需要如何进行优化?这便是我们的目标。

　　让我最后以一个愚蠢的问题结束吧。科普电视节目《流言终结者(MythBusters)》的某一集曾经做过一次关于通过不断让投递卡车右转弯来规划路线的方法能够更有效的节目，您认为这是否真的有效呢?

　　让我告诉您事实的真相吧。从多方面而言，左转弯的成本都的确更昂贵。您汽车的怠速时间较长，而且左转弯需要更长的时间，也不安全。所以我们尽量避免左转弯。《流言终结者》的节目显示，在旧金山市，只选择右转弯的卡车要比不规定左右转的卡车的速率更高。所以，我们的路线设计是基于更少选择左转弯的一种方式。

　　顺便说一下。美国《PARADE》杂志曾采访过我们，平均每天每名司机所节省的燃料量。当我们告诉该杂志的记者说，使用恰当的工具很重要(如果您企业能使用紧凑型轿车，就别使用面包车)，巩固的送货出车次数(例如，如果只需要出车一次，就尽量避免出车两次，或尽量只停车一次，而在两处较近的投递点之间以步行代替开车)，尽量不要左转弯。

　　以上这些就是我每次都会反复强调的问题。