各節重點內容
§2.1 物流資訊的四層神經網路:感知、傳遞、記憶、解讀
神經網路類比:物流資訊系統可比擬為一張神經網路,由下而上分四層——感知、傳遞、記憶、解讀,缺一不可(見圖2-1)。
感知層(Sensing):條碼、RFID、QR Code、GPS、溫度感測器、地磅、視覺相機;系統的「指尖」,把實體世界事件轉為數位訊號。
傳遞層(Transmission):EDI、API、訊息佇列、企業服務匯流排(ESB)、事件匯流排;讓訊號在系統之間流動。
記憶層(Memory):ERP/WMS/TMS 資料庫與主資料管理(MDM);儲存交易資料(每筆事件紀錄)與主資料(貨品/客戶/儲位/車輛基礎檔)。
解讀層(Interpretation):BI 儀表板、報表、AI 預測模型、最佳化引擎;把資料轉為洞察與決策。
四層協奏:訂單狀態在 OMS/WMS/ERP 對不上,表面是系統打架,本質是某一層(多為記憶層主資料未對齊)出了問題。
§2.2 系統家族圖:OMS/WMS/TMS/ERP/CRM 的分工與界線
四層架構:營運系統家族由上而下分四層——分析層、顧客層、營運層、執行層(見圖2-2)。
L1 分析層:BI/DW(商業智慧/資料倉儲)不直接參與交易,而是抽取各系統資料整合分析;角色像「法院」——不生產,但仲裁。
L2 顧客層:OMS(訂單管理)與 CRM(客戶關係管理)面對外部世界。
L3 營運層:WMS(貨)、ERP(錢)、TMS(車)——掌管公司三種核心資源,這一層最吃重。
L4 執行層:WES、MES、FMS、ePOD——最貼近實體現場,指揮自動化設備與電子簽收。
四條雙向主動脈:WMS↔OMS(可用量/預留)、OMS↔ERP、ERP↔CRM、TMS↔CRM;跨層協作靠這些血管。
家族界線:資料可共用,但「主責」只能一個——OMS 主責履約狀態、ERP 主責財務結清、CRM 主責客戶關係。
§2.3 主資料管理(MDM):貨品、客戶、儲位、車輛誰說了算?
MDM 定義:Master Data Management,決定「哪個系統對哪筆主資料說了算」;是物流資訊系統裡最不起眼、卻最容易爆雷的議題。
兩類資料:交易資料(量大、生命週期短、持續累積)vs 主資料(相對穩定、跨系統共用的基礎檔)。
四大主資料:貨品主檔、客戶主檔、儲位主檔、車輛主檔;同一貨品在三系統有三種編號/名稱/規格,是典型災難。
主寫/訂閱原則:每筆主資料只能有一個主責系統(Master System),其餘皆為訂閱者(Subscriber)。
四種架構模式:Registry(登錄式)/Consolidation(彙整式)/Coexistence(共存式)/Centralized(集中式),權衡整合深度與實施成本(見圖2-3)。
治理重於工具:主資料不是 IT 問題,是治理問題;沒有「誰主寫/誰訂閱」的共識,再貴的 MDM 工具也只會變成第二個混亂資料庫。
§2.4 介面模式:同步、非同步、批次與事件驅動
介面=系統對話方式:對齊主資料的前提是系統能正確對話;四種主流對話方式各有適用場景。
同步 API(打電話):REST API 為典型;A 撥出請求、等 B 回應,期間 A 必須等待。即時,但耦合高。
非同步訊息佇列(寫信+郵差):Kafka、RabbitMQ、SQS;A 投遞後不必等,B 依序處理,達成解耦。
批次檔案(貨運):CSV/EDI 定時傳送、批次處理;最古老普遍,時效低但穩定。
事件驅動(消防警報):事件一發生就向外廣播,所有訂閱者各自照預案反應。
即時性光譜:月批次→日批次→小時批次→分鐘級→秒級→毫秒級;越即時、越貴(見圖2-4)。
§2.5 AI/BI 落地架構:承先啟後
一條共同底:前四節(四層神經網路、系統家族、主資料治理、介面權衡)鋪的都是同一條底——讓資料「乾淨、完整、可信」地抵達分析層,AI/BI 才有舞台可跳。
四階段分析階梯:Descriptive(發生了什麼)→ Diagnostic(為什麼發生)→ Predictive(接下來會發生什麼)→ Prescriptive/Normative(該怎麼做)(見圖2-5)。
前二階=BI「回顧與理解」;後二階=AI「預測與建議」。
AI 落地三道門檻:感知的廣度與準度(§2.1)、資料的完整與可信(§2.3)、即時性與成本的權衡(§2.4);前三層(感知/傳遞/記憶)若不健康,AI 再強也回不來。
§2.6 工具與技術:物流資訊架構選型指南
選型主軸:把前五節觀念落地到真實公司,就會面臨「用什麼工具」;本節聚焦四大工具家族與務實選型思考。
主資料管理工具(對應§2.3):商用企業級(功能完整、深度整合、導入 6–18 個月、授權貴)vs 開源/輕量型(基本功能、須自行開發、導入 3–9 個月);代表有 Informatica MDM、SAP MDG、Talend(開源)等。
訊息佇列/事件匯流排(對應§2.4):開源自建(Kafka、RabbitMQ、Pulsar;授權免費、成本在人力硬體)vs 雲端託管(按流量計費、運維外包、自動擴充)。
選型鐵則:治理機制與使用場景先於工具功能——先想清楚「誰主寫、資料多即時」,再挑工具;否則再貴的工具也只是第二個沒人用的系統。