大数据

物流大数据的典型来源：订舱与运单记录、船舶与车辆轨迹、仓库作业日志、报关数据、客服记录，以及外部气象、港口拥堵指数与市场运价指数。
常见分析方向：
- 描述性分析：发生了什么（货量、时效、成本的实际分布）；
- 诊断性分析：为什么发生（延误归因、成本超支拆解）；
- 预测性分析：将会发生什么（需求预测、到港时间预测）；
- 处方性分析：该怎么做（路径推荐、定价建议）。
技术栈通常包括数据接入、数据仓库、计算引擎与可视化报表四层。中小货代不必自建完整平台，用数据库加电子表格做结构化统计，已能覆盖多数经营分析需求。
相关术语：预测分析、人工智能（AI）、数据仓库。

1. 先统一数据口径再谈分析，同一指标在不同系统定义不一致时，分析结果必然对不上账；
2. 优先做描述性与诊断性分析，把货量、毛利、准班率看清楚，比直接上预测模型更实在；
3. 数据量不足时不要迷信模型，三条航线的样本撑不起可信的预测；
4. 客户与报关数据涉及商业机密与合规要求，存储与访问权限要分级管控；
5. 分析结果必须落到具体动作，只出报表不改决策的数据项目很难持续。

误区一：数据量大就叫大数据——几十万条记录用普通数据库即可处理，堆量不等于有价值。
误区二：大数据是存储问题——真正的难点在采集口径统一与数据清洗，占整体工作量七成以上。
误区三：有了大数据就能自动出正确决策——数据只能缩小判断范围，最终决策仍要结合业务常识。