UPS如何用大数据优化送货路线

本文涉及的产品
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
简介:

快递司机一天中几乎有无数条路线可供选择。对UPS这样的巨头来说,如果每位司机每天少开一英里,公司便能省下5,000万美元。因此它利用大数据分析打造了一个名为Orion的导航系统,可以在约3秒内找出最佳路线。


在任何一天中,UPS的司机都有许多条快递路线可以选择。


或者换个说法——UPS的司机在任何一天中,可以选择的快递路线的数目都是令人难以想象的。这绝不是夸张。这家快递公司的司机一般每天要送120至175次货。在任何两个目的地之间,都可以选择多条路线。显然,司机和UPS想要找到其中最有效率的那条。不过如此一来,事情就变得复杂了。UPS利用组合数学的算法得出,以上所述的情景中所有可能的线路的总数,是一个199位的数字。这一数字甚至大过了换算成纳秒单位的地球年龄。UPS的流程管理高级总监杰克•里维斯表示:“这数字太大了,令人难以想象。你只能从分析学上得出一个概念。”对UPS而言,这是一项庞大的挑战。不过他们有强烈的动力去实现路线最优化:如果每位司机每天少开一英里,公司便能省下5,000万美元。


这家位于亚特兰大的公司是如何做的?他们研发了一个名为Orion的系统,这是道路优化与导航集成系统(On-Road Integrated Optimization and Navigation)的缩写,也是希腊神话中猎户座的名字。如果说现在有什么大数据分析学上的成就的话,那就是它了。Orion的算法诞生于21世纪初,并于2009年开始试运行。该系统的代码长达1,000页,可以分析每种实时路线的20万种可能性,并能在大约3秒内找出最佳路线。里维斯表示:“起初,数学家们认为可能需要15分钟才能算出结果。所以他们很高兴。”


UPS正在公司全部的5.5万条北美快递线路上装配这一系统。到2013年底,Orion已经在大约1万条线路上得到使用,这让公司节省了150万加仑燃料,少排放了1.4万立方公吨的二氧化碳。公司计划在2017年彻底实现该计划。


根据高德纳研究公司(Gartner)的分析师斯维特拉娜•西库勒的说法,有两个“很不起眼的”行业正在受到大数据的冲击,一个是运输业,其中包括UPS这类物流公司,另一个是农业。


西库勒相信这一冲击会波及很大范围。西库勒表示,可以看看通商航运业的例子:澳大利亚海事安全局(Australian Maritime Safety Authority)提供了实时的港口活动信息,船只可以据此改变航速,节省燃料,让港口服务费降到最低。海事局还使用了地理围栏(一种动态的数字定位区域)来触发和自动计算这些费用。她说:“通过公开数据,这一切都是透明的。”西库勒表示,导致这种转变的不仅仅是大数据技术,移动设备和云计算在其中也扮演了重要角色。


她解释说:“在收集信息、给司机实时提供数据上,移动性起到了重要作用。这不仅是指移动设备,还包括卡车、飞机和轮船上的感应器。”在提高运营效率的压力下,UPS在20世纪90年代为司机引入了手持设备。里维斯表示:“我们必须在智能手机和网络通信出现前就发明它们。”2008年,公司在运货卡车上安装了GPS追踪系统,而Orion则建立在这一基础上。


尽管想要取代在大陆上川流不息的汽车快递不是件容易的事——总之,在亚马逊(Amazon)的无人机快递正式得到使用前是这样——但云计算的兴起让初创公司更容易接触到之前只有大型企业才能拥有的尖端技术。UPS理应走在前面。


里维斯表示:“对我来说,这就是分析技术和大数据的未来——不仅仅是告诉你发生了什么,还能告诉你将要发生什么,如何实时纠正它们。如果有个系统可以智能到预测你的问题,并在它发生前予以解决,那它就像福尔摩斯一样了。看起来像千里眼,但实际上不是。”


“把它变成现实还需要一段时间。不过这就是未来的景象。”


原文发布时间为:2014-08-04

本文来自云栖社区合作伙伴“大数据文摘”,了解相关信息可以关注“BigDataDigest”微信公众号

相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
相关文章
|
2月前
|
SQL 分布式计算 运维
如何对付一个耗时6h+的ODPS任务:慢节点优化实践
本文描述了大数据处理任务(特别是涉及大量JOIN操作的任务)中遇到的性能瓶颈问题及其优化过程。
|
8天前
|
存储 分布式计算 大数据
大数据 优化数据读取
【11月更文挑战第4天】
23 2
|
18天前
|
存储 NoSQL 大数据
大数据 数据存储优化
【10月更文挑战第25天】
53 2
|
1月前
|
SQL 分布式计算 NoSQL
大数据-164 Apache Kylin Cube优化 案例1 定义衍生维度与对比 超详细
大数据-164 Apache Kylin Cube优化 案例1 定义衍生维度与对比 超详细
29 1
大数据-164 Apache Kylin Cube优化 案例1 定义衍生维度与对比 超详细
|
1月前
|
存储 大数据 分布式数据库
大数据-165 Apache Kylin Cube优化 案例 2 定义衍生维度及对比 & 聚合组 & RowKeys
大数据-165 Apache Kylin Cube优化 案例 2 定义衍生维度及对比 & 聚合组 & RowKeys
35 1
|
1月前
|
分布式计算 Java 大数据
大数据-92 Spark 集群 SparkRDD 原理 Standalone详解 ShuffleV1V2详解 RDD编程优化
大数据-92 Spark 集群 SparkRDD 原理 Standalone详解 ShuffleV1V2详解 RDD编程优化
39 0
大数据-92 Spark 集群 SparkRDD 原理 Standalone详解 ShuffleV1V2详解 RDD编程优化
|
1月前
|
SQL 存储 监控
大数据-161 Apache Kylin 构建Cube 按照日期、区域、产品、渠道 与 Cube 优化
大数据-161 Apache Kylin 构建Cube 按照日期、区域、产品、渠道 与 Cube 优化
51 0
|
1月前
|
SQL 分布式计算 大数据
大数据-91 Spark 集群 RDD 编程-高阶 RDD广播变量 RDD累加器 Spark程序优化
大数据-91 Spark 集群 RDD 编程-高阶 RDD广播变量 RDD累加器 Spark程序优化
39 0
|
3月前
|
存储 SQL JSON
一些MaxCompute日常优化案例分享
MaxCompute优化是一个多样而又重要的过程,优化过程需要能够深入理解ODPS的工作原理和内部机制,本文总结了以下几个日常优化案例,最终优化手段可能非常简单,但其中的分析过程较为重要,希望对大家有所启发。
|
3月前
|
存储 分布式计算 数据处理
MaxCompute 的成本效益分析与优化策略
【8月更文第31天】随着云计算技术的发展,越来越多的企业选择将数据处理和分析任务迁移到云端。阿里云的 MaxCompute 是一款专为海量数据设计的大规模数据仓库平台,它不仅提供了强大的数据处理能力,还简化了数据管理的工作流程。然而,在享受这些便利的同时,企业也需要考虑如何有效地控制成本,确保资源得到最优利用。本文将探讨如何评估 MaxCompute 的使用成本,并提出一些优化策略以降低费用,提高资源利用率。
214 0
下一篇
无影云桌面