透视当今的物流行业，各大物流企业纷纷摒弃了以硬件资源优势的取胜手段时，一场以物流智能优化和业务流程创新为特点的变革浪潮正在暗自涌动，大雨吃小鱼的时代已经过去，快鱼吃慢鱼已经被鉴证为成功模式。缺乏物流优化的业务运作，已经将物流企业带向了成本不断攀升的深渊。
优质硬件配置未能创造奇迹
诚然，拥有完善的仓储、运输设备等硬件资源在过去的日子里为物流企业带来了很大的优势，但是，目前廉价的劳动力已经无法拉开物流企业彼此之间的竞争力，仓库的高空置率，车辆运输的空载，运输路线的设置问题等在不断蚕食着物流企业的利润……那么在“成本上升，利润微薄”为主旋律的背景下，中国物流企业要快速发展和壮大就必须要在激烈的市场竞争中领先一步，就必须知道业务运作过程中哪些方式可以帮助企业提高物流运作的效率，降低物流运作成本，提高企业核心竞争力。所以大家纷纷将目光聚焦到了物流决策优化上来。博科资讯董事长兼总裁沈国康说，作为物流供应链软件行业的领头人，早在八年前，公司便已经将软件的物流优化功能的开发作为其提高物流供应链运作效率的重要战略中的一环。
目前，物流企业在信息化优化决策过程中依然存在困境：辅助决策信息的繁多；决策环境的瞬息万变；决策目标的名目繁多；决策流程的复杂性等，与强大的物流信息系统相结合，实时获得决策数据，让博科资讯物流优化变得更加不可或缺，博科物流优化专
物流企业需要完善的业务决策优化
目前的物流公司大多是两种：一种是自己拥有运输工具的。比如JBHunt， UPS， Federal Express,Schneider等。他们的运输工具多种多样，除了大型的卡车之外，还有船运，航空，以及铁路。 第二种公司就是 4PL的公司。这样的公司以咨询，开发软件为主。此外还有一种物流公司是综合型的，如 WalMart。WalMart本身拥有两千多辆卡车。他们同样有着自己的物流管理部门。同时，他们仍然主要依靠其他的运输公司，如SWIFT来完成州际的货物运输。第一种公司：logistics的概念已经不仅仅局限于对路线，中转站选址的优化。而更多的是成本分析和运输策略的综合体。所以，他们所使用的运输管理优化大多包含以下三种主要功能： 第一个功能，毫无疑问自然是卡车和人员的管理。其中涉及的包括卡车的老化，更新，维修，分配，保险，燃料等等。这方面的数据信息主要是由底层向上反馈。一般来讲，根据客户的服务区域或是短期合同的要求。每一个区域的fleet manager (车队的管理者)都在一定时间内管理相当数量的卡车以及驾驶员。他们在这一部分所需要做的就是不停的反馈信息给中央分析部门。信息的内容主要是卡车的使用情况等等。 第二个功能是一个很大的处理过程。它涉及的方面包括每一个合同中规定的运输距离，数量，重量，涉及到的各地区柴油的价格，保险，因汽车故障而导致的拖车费用，以及代价很高的 dead haul （空车回到出发点），人员的工资等。这其中的很多因素几乎是每天都在变化的。所以，所使用的系统必须能保证在随时得到数据更新的时候，随时优化。这一步所得出的结论大多是找到最佳的卡车数量的配置。而事实上， 这也是很多运输和物流公司赚钱的主要来源之一。举个很简单的例子。如果JBHunt在和WalMart签合同的时候所列出的方案是使用15辆卡车来完成运输。那么整个合同的价格基本上是以15辆卡车的运费为基础的。如果JBHunt可以通过装配优化和区域间的调度使12辆卡车就能完成运输任务的话， 那么它的利润空间将增加很多。这一步从技术角度上讲并不复杂，只是一个运筹学中非常常见的有限资源情况下的分配问题。但是，在实际运用中所面临的主要问题却是如何在很短的时间内找出很好的答案。关于这一点在后面会说明。 第三个功能是非常重要的一步，他关系着整个合同的成本。这一步需要做到的就是通过优化，找出最佳的运送路线/返回路线/以及空车返回的组合。举个例子，假设有三个城市A,B,C, 这三个城市构成了一个三角形。其中，B和C的距离比较近，但是A距B和C都很远。如果根据合同，A出需要运送三个卡车的货物到B处，而C处需要运送5个卡车的货物到A处。那么毫无疑问。最短的路线自然是各运输各的，互不干涉。但是这样一来，必定会造成A和C的卡车都要 dead haul。所以，很可能的运输方式就是A把货物送到B，然后在B处等待C送来的货物。因为B和C的距离较近。所以因C dead haul带来的成本要低于B dead haul的成本。与此相类似， back haul同样需要优化。上面的三个功能中，后两种其实是融合在一起分析的。因为整个model的最终目的就是低成本。因此routing的所有决定都是以成本为基础。
优化难题
物流优化从整体上来讲，仅仅涉及到一些分配模型，运输模型，以及比较有名的TSP等等。然而，实际过程中的运用远非如此。很多小的公司，的确是通过运筹学的理论来寻优。采用的方法都很雷同。一般都是以VB为界面，调用CPLEX的API函数来进行优化计算。但是由于这样的成本/路线模型大多是NP-Hard，所以，对于大公司，很难通过传统的寻优理论来分析大的问题。最优解固然吸引人，但是如果为了寻优化上两天的时间，就显然得不偿失。以JBHunt为例，几乎所有的决策都是在每天早上两点到四点这两个小时之间完成的。这两个小时之内，需要得到从车主那里传来的信息，需要运行软件进行优化，然后再把决策反馈给车主，很显然，对于大多数问题而言，两个小时找到最优解，难上加难，因此，这些公司提供的大多数是启发式算法。
上面提到的运输管理系统大多面向于单一的交通工具。而实际上，大多数拥有多种交通工具的运输公司的利润主要来自于多式联运。 也就是多种交通工具完成同一个合同的运输。多式联运需要很强的逻辑的技术支持。 以JBHunt为例，JBHunt本身并没有铁路的运输工具。但是他们和各地的铁路运输公司有相应的合同。那么对于一个平常的运输距离（比如说从阿肯色到芝加哥），究竟有多远需要铁路运输，多远需要公路运输？而且，大部分情况下，JBHunt必须通过空车跑到火车站提货。所以，如何可以通过适当的路径优化来减少空车的机率，并且在空车不可避免的情况下，如何优化陆地的运输距离来减少运输成本。这些都是逻辑工程师需要解决的问题。正如物流系统的每一个环节一样，其实都是一个规划模型。但是，由于结合实际中的成本分析，风险分析，稳定性分析等等，使得运输公司对工业工程的技术有一个很综合的需求，总体来讲，即便是对于像UPS这样已经非常赢利，技术上非常成熟的企业来说，同样是有着可改善的余地的。
物流优化需要从操作层向作业层渗透
物流作业作为供应链上非常重要的一环，是需要其他环节的强大的支持。可以说，企业生产计划的制定，库存管理，运输管理，以及销售策略的制定都是相互制约相互支持的。西方国家大部分供应链中的企业所面临的主要问题是如何利用数据。和早期发展不同，大多数企业基本上都已经有了比较完善的数据采集和储存系统。然而，由于各环节之间数据无法完全共享，所以，数据没有得到充分的使用。这导致的结果是供应链上每一个环节的厂商在做决策是过分依赖下一个环节反馈回来的信息，而不是客观的参考由最终消费者反馈的订单的信息。这导致了每个环节之间决策的冲突。所以，要想从根本上解决物流运输过程中的优化难题，需要从一个更高的层次来看待这个过程，也就是供应链层次，如果物流作业能够从操作层面向作业层面渗透，整条供应链上物品流转信息实时透明，将会在很大程度上提供供应链运作效率，而不单单是物流企业的运作效率了。