以IT为基础提供物流服务的韩国某S企业在IoT及数据分析的基础上，提前预测/感知这些风险，提供着探索最佳对策的物流解决方案。在物流现场，以前依靠人力记录和收集的数据现在通过传感器即可自动收集和传送，而且，还能感知仓库或港口的空位，预测可容纳物流量， 分配位置等。此外，通过能考量海上物流中因台风等自然灾害而造成的迟延可能性，或者必然产生的出发地/目的地的陆上物流等各种要素的大数据分析算法，寻找出最佳的路径，并提供差异化的服务。

 由于避免物流差错不仅是提供物流服务的物流公司的责任，对像利用其服务的我们爱茉莉太平洋这样的顾客（货主）来说也是非常重要的问题，今后，对该领域的大数据基础的研究将向整个市场扩大。

 在以统计学为基础的数据分析的各种假设中，有一个假设是"过去所发生的事情和方式在今后也会重复出现"。以这一假设为依据，我们以过去的数据或已知的数据为基础，在特定的概率范围内预测未来，推断未知的事实。然而，在我们的数据中，如果出现异常值（Outlier）的话，那该怎么办呢？

 每周都会有彩票中奖者出现，但我们无法确信自己一定马上就会在本周末中奖。这是因为我们已经知道这种事情的概率是极小的，对吧？同理，在有超出正常范围的异常值的数据分析中获得合理的结果，由于存在阻碍因素，那就务必更要深刻观察和处理（虽然有排除、加工等各种技术方法，但是这里不详细介绍）。

 在物流中，这样的异常值管理也是非常重要的。比如，在物流量突增时或配送天数激增时，存在这样的问题，即要用什么标准来将其判断为问题状况并制定应对策略。

 即使平均物流量只是简单地增长2~3倍，这与通常的周末过后，周一增加的程度差不多，或者考虑到节日、圣诞节、打折等特别活动期间效果时，进入到正常范围内的情况也是有的。如果是以1周为单位的重复星期效果，那么在数月内，虽然能掌握这些内容，但如果出现季节因素，会怎样呢？要不然，不是产品量的增减，而是体积和重量大的物品大量配送的紧张之季，那会怎样呢？虽说每年都是周期性的，但是为了以数据而非人为基础，对其进行判断，是不是需要多年的数据呢？

 那就是这一部分要超越流通、物流范畴，而是所有领域的数据分析都必需不断地积累数据和管理品质的原因之所在。"Garbage In, Garbage Out"虽为计算机用语，但在分析领域也是通用的，今后，如果大家在工作中要面对大数据分析的话，那么最好要牢记它。

 将精心制造出的商品传递给顾客的过程不仅是简单的物流，还涉及到有效连接产地和消费者的大范围的流通领域。今天，向大家介绍了各种大数据的案例。与我们前面的专栏介绍的一样，用数据作为基础来决定的观点是一致的，但是在对于顾客的服务部分（预期递送、ZARA的Fast Fashion、播放编排等）和企业内部的效率化（物流成本效率化、最优路径、差错预测等）等相互不同领域内，也要使其得以活用。

 在为大家介绍物流和流通领域的大数据案例的同时，用一句我印象最深的话来结束今天的专栏。

 "战胜'快速'的方法不是'更快'，而是'提前'"。

 我认为，我们不仅要将制成的商品提前准备好，"更快一点"地转交给顾客，还要像第1篇专栏中所说那样，是不是需要从根本上先顾客之想而想，备顾客所爱之物呢？在下一篇专栏中，我还将和大家一起分享与我们的"业"有关的有趣的大数据活用案例。