第一方面，优化物流企业本身的运营和决策。

物流企业的数据包括运输、仓储、配送、包装、流通加工等数据。对于物流企业，通过大数据分析，可以帮助提高企业运营管理效率，降低物流库存率，提高商品处理效率、运输效率、送达准确率等方面。以物流的路径优化为例，路径优化是节约物流企业成本的一个重要大数据分析应用。在物流配送运输中，由于货运点多、客户多、货物种类繁多、城市交通路线复杂、运输服务地区内运输网点分布不均匀等诸多因素的影响，同时还要满足客户提出的如时间窗等约束条件的要求，使得如何安排最佳路线，如何使配装和配送路线有效搭配等，成为物流配送中的难点。

车辆的路径问题是一个有约束的组合优化问题。合理解决车辆路径问题，不仅可以简化配送程序、减少配送次数、降低配送车辆的空载率，从而降低物流成本，提高经济效益，而且可加快对客户需求的响应速度，提高服务质量，增强客户对物流环节的满意度等。阿里在路况预测的基础上，使用基于集合划分的树型搜索算法进行车辆分配和路径优化。该算法用于车辆路径计算，比业界通用的经典算法包括局部搜索、遗传算法、蚁群算法等，运输成本至少降低了6%(详见任继东的论文Jidong Ren，Yajie Tian and Sawaragi，2011)。

第二方面，物流大数据可用于非物流领域，尤其是征信和金融应用。

以物流配送单为例，我们做一个简单的数据分析，便可以实现客户画像，以作为征信模型的基础数据。物流配送单至少有两类信息。一类是寄件人的姓名、手机号和地址;另外是收件人的姓名、手机号和地址。通过这些信息，可以分析：寄件人或收件人的常住地或办公地点，如果是常住地，则还可以通过小区地址分析出来这个小区的房价(通过关联房产网站的价格数据实现)，反过来推断该客户的消费能力;通过手机号，可以分析出这个客户的年龄、性别等人口统计学特征，以及兴趣爱好(与拥有客户的人口统计学特征的企业做数据关联得出)。如果在电商购物，有些物流配送单还会标注是哪个商家发货，从而可以分析这个客户喜欢的商品类别。以上这些数据可以作为征信模型的基础数据。企业使用数据的使用，一定要尊重用户隐私，对隐私类信息做好脱敏和保护。当然，这只是对个人客户的征信应用。物流企业还可以对供应商(如发货单位)进行信用评估(根据发货量等大数据)，从而进行金融服务。

总之，物流企业的数据不仅仅可以优化企业内部的运营效率，还可以做更多的增值分析，如以上提到的征信数据以及金融的应用。我们从顺丰的官网上可以看到一个顺丰有三大业务，一是众所周知的物流，第二是金融，第三是电商(顺丰优选)。金融是物流企业大数据应用很好的一个方向，顺丰在其官网提到：我们致力于为顺丰的供应商和客户提供存货质押、保理、订单融资、小额信贷、融资租赁等一系列“物流+金融”服务。