物流的东西等一会儿，我会拿一个案例给大家看一下。 大家打开淘宝的首页就可以看到这一系列的问题，整个天猫每一个角落都可以看到算法的力量在里面，每一个广告位，我们都可以很清晰的界定他所提供的服务到底是什么？不是大家看到的那么简单，说这个模块，就是一个广告吗？其实它不是广告，首先它是要有关系。关系的强和弱，要解决的问题非常多。比如说我要解决视觉疲劳的问题。你不能每天看到的是同样的东西。第二你要解决跟你有一定确定性的问题。第三要解决的丰富的问题，因为我们是基于消费者行为，消费者的行为，可能有一些消费者在我们的平台行为有限，他买过几件衣服，别的都没买过，我们不会只给他衣服，这时候要解决丰富性的问题。这些品牌是不是放在一起的，这些品牌是不是一个人所要的同一层次的品牌，要解决这些问题。
大家翻开天猫，从首页一直看下去，每个角落，大家都可以看到数据和算法在里面起到的作用。可能不知道这个作用到底怎么实现，但是可以去推敲琢磨一下。在我们购物的时候，不是要看评价吗，这样的一个场景，我们消费者在平均的时候，要决定买一个东西，看有没有说它很不好，看说好，是说什么好，要看很多。当我们觉得这样的一个场景，对消费者的体验已经不是特别优化的时候，去年我们做了这样的一个东西。把消费者所提交的这些评价解析出来，知道这一段话他在说好还是不好，说好说的哪一方面的好，说不好说的哪一方面的不好。去解决这样的东西。消费者在下面看到的时候，就不需要翻来覆去找。他通过很简单的一些交互，点一下其中的一个标签，就可以把要说不好的标签全部拿出来看一下，要解决这样的一个业务需求的时候，其实算法要做的事情，数据要做的事情非常多。
首先我们要把所有的，不同品类他描述的不一样，描述一个手机和描述一个衣服好与不好，肯定用的词不一样。除了纯骂的，别的都不一样。这时候要解决的事情，首先我们要提出来。每个品类要描述好与不好关键词和维度是什么？再把包含这些评价的内容抽出来，再看它到底对哪一个说的。他说的面料，到底这句话说的是面料还是别的，他说起毛，这个要转化。要把含这些信息的东西提炼出来，他可能只说这个衣服起毛了，你要知道他起毛是在说面料。这些东西用非常复杂的文本挖掘的算法把它提炼出来，又知道它起毛是好还是不好。同样一个化妆品，他说用了之后干干的，如果是控油的化妆品，可能是在说好。如果是保湿的，可能在说不好，这就需要解决他情感的方向的问题。把这些做完了，再提炼出来是我们前端看到的功能，这是数据要解决的问题。
这一页其实是在我们产生的企业也会面临到的问题，补货的问题，对于我们的一些传统企业，在电商平台上发展的时候，面临比较大的问题是，因为电商平台的物理的区隔没有了。但是在他去对接这些，交付这些服务的时候，他还存在物理的问题。我一个电视机，或者是一个冰箱。从北京发到广州，大概需要的成本一百块钱左右，我们有多少这种商品他的利润空间能够到100多块钱的成本，其实很难。这个时候对我们企业的挑战，知道广州的消费者我应该在广州，或者是哪个附近建一个仓库，把广州消费者所需要的区域放在那，把北京所需要的东西放在北京。又因为电商平台的不确定性，他的东西放在那里，就成为他永久的库存，这是他的矛盾。作为我们普通的商家，或者是品牌商很难解决这个问题。站在平台上，我们想各种办法，通过我们的数据，把我们不确定的东西，通过数据把它做一个确定性，很好的知道它，把他的东西分解掉，以什么样的频次，放在哪几个仓库里，这是我们需要做的。
350亿大家看上去是一个天文的数字，双11当天大家都在担心阿里的系统是否会崩溃，是不是会出现什么问题？双11当天过去了，350亿成交敲定的时候，大家开始担心。中国的物流，中国的物流行业是否能经得起行业，是否能够对付所提供的能力。不光是业绩的人在担忧，消费者在担忧，我们的商家在担忧，其实我们的物流公司也在担忧。但是他担忧的更早一些，今年四五月份，他们就开始担忧。
今年还好，今年的物流，跟去年比单量增加了一倍，一天1.5亿的包裹，其实我们双11之后连续几天的销量很不错。双11过后那几天，一共产生3.5亿个包裹，那一个礼拜都是一个物流中心里面，有3.5个包裹需要送到消费者手上，对我们的物流企业有多大的挑战？在这个时候，我们在双11之前做了几件事情。一件事情是我们比较传统的手法，跟政府的部门公关。比如说铁路部门，航空部门，给我们储备一些运力做保障。我们的物流公司自己也会购买一些车辆，跟线下的运输体系对接，甚至是购买很多的地放东西。作为数据上做了什么？其实在这个时候，我们其实做了三个版本的预测，预测主要解决两个问题。我告诉我们的物流企业，就是我们对接的主要有十几个物流企业。我告诉他每一个企业，在双11期间你的包裹主要是发生在哪些地方，每个地方有多少辆。你的包裹会送到哪个地方，你要把车停在哪，哪些地方的仓库需要配多一些人。再告诉他你哪条路线上，会最忙。从广州到上海，还是到北京到上海，每个路线大概的包裹量是多少，我们是分解到每一个公司，每一个路线，每一个中转站，每一个网点的业务量。在8月份给他们一个比较促的版本，稍微有一点偏差，事后来看偏差并不大，他们以这个来准备他们的资源。
双11前几天，我们的预测已经接近双11当天的各种指标，这时候我们要做的事情，物流公司按照我们的提前的部署有章法的去执行。我们提供给物流公司的数据，会告诉他们哪个线路是最繁忙，你要加派人手。接下来的包裹，比如11月12号，我会告诉他接下来这几天，所有的包裹压力会流到哪，他已经到派送节点，到中间的一些中转站的节点，会告诉他每一个节点的洪峰来的事情，以及量的大小，他可以提前一天调配的人员，甚至是车辆的部署，这是我们要做的事情。
我今天的的分享主要就到这里，可能仅仅是简单的介绍了一下我们正在做的事，希望大家有一些启发。更多的技术上的一些交流，大家可以加我的联系方式，去沟通和联系。数据的工作是开放和共享的，数据的未来是共享的。也希望大家一起为数据的工作献策献力，更好的把我们数据的价值做出来，作为数据人我们要做的，就是把数据的价值最大化。谢谢大家。
