刚刚过去的双11，再一次创造了人类的零售狂欢记录。1682亿的总销售额，比2016年同期数据增长近40%。其中几个节点特别值得关注：
5分57秒——191亿（超2012年双11全天成交额）；
16分10秒——362亿（超2013年双11全天成交额）；
1小时0分49秒——571亿（超2014年双11全天成交额）；
7小时22分54秒——912亿（超2015年双11全天成交额）；
13小时09分49秒——1207亿元（超2016年双11全天成交额）；
除了地球人都知道的销售额再创新高，很多人也注意到了一个小细节：双11送货速度比往年快了很多。以前熬夜抢购的宝贝，可能要一两周才能到货，而今年两天就到了，几乎跟平时购物没什么差别。根据菜鸟网络对双11物流效率的统计，1亿件快递从揽收到派送，
2013年用了9天，
2014年用了6天，
2015年用了4天，
2016年用了3.5天，
而今年的双11，只用了2.8天。甚至，第一件快递签收，居然只用了12分18秒。
快递数量每年翻番，物流却越来越快，怎么做到的？
除了物流投入更多的人力物力，比如阿里将“饿了么”的物流配送纳入配送大军以外，更关键的一个秘密就是：大数据分析。在双11之前，天猫总是建议你，把要买的东西提前加入购物车，等到半夜12点再下单。你有没有想过，这是为什么？你说这简单啊，是让我先把想买的东西收集好，不然12点的时候我就抢不到了。你说得没错，但除了这个，阿里还有另外的考虑。
当你把东西加入购物车后，它就能判断大概会有哪些东西要从哪里运到哪里，虽然不一定每件东西最后都会被下单，判断结果不会100%准确，但也八九不离十了。所以在双11开始前的一个星期甚至两个星期，几乎整个中国的物流系统就开始动起来了，东西已经提前开始运了。
一周前开始运，三天前到分拣站，也许两天前就到你家门口了，然后这时候你一下单，快递员拿起东西就往你家跑，就能24小时内送到。
一句话总结就是：在你下单之前，阿里就已经把东西送往了去你家附近物流集散中心的路上。
看起来是不是很厉害？其实现在做到这样还不够好，将来肯定会更快。而且，不只是阿里，同样在做电商的京东，亚马逊等等，也早都已经拉开了架势，展开了配送速度和效率的大比拼。
阿里在2013年成立了家公司叫“菜鸟网络”，马云当时说，要在未来的5到8年内实现在中国的任何地区，网购快递24小时必达，全球72小时必达。这件事在2013年，甚至在今天，听起来也像是天方夜谭。北上广深杭等大城市之间物流量大频率高，而且各种交通方式磨叽便捷，或许容易实现。但如果是海南岛西藏，或者新疆到黑龙江这样的偏远地区呢？或许，这将更加严苛地考验阿里的大数据分析以及预测判断实力。
京东配送快，也是众所周知的。刘强东曾经在央视某节目上介绍，用户在京东上买手机，最快的配送记录是7分钟。除了京东在全国各地到处建仓库和物流中心，拉近与消费者距离，以及加大快递员和物流车等硬件投入以外，其秘密武器跟阿里几乎是一模一样的：大数据分析，需求预测并提前相应。在用户下单之前，大数据分析已经预判了这个小区会有人要买那台手机，并安排物流系统提前把手机送到那个小区了。
还有更狠更早的。2014年亚马逊申请了一个叫“预测式购物”的专利，也是关于运用大数据预测消费者需求并提前将货物配送到最近的物流中心，一接到订单，立刻送达。虽然美国人住得比中国人分散，物理配送距离远一些，但堵车的情况比较少，因此未来亚马逊在配送速度上跟阿里和京东的PK估计也不会逊色。甚至，以后的画面可能是这样了：快递员拿着货物等在用户门口，左等右等，你怎么还不下单啊，再不下单我可敲门催了O(∩_∩)O~
看到这里，大家都知道大数据分析的厉害了。那么，除了物流快递，大数据还能运用在什么场景呢？太多了，比如滴滴。每天出行2000万+单，而且数据一直在攀升，但除了2017年春节的帝都以外（因为京籍京车的突击限令把大量外地司机+车赶跑了，严重供不应求），绝大多数情况下消费者们都体验到更快的叫车速度。除了车变多以外，更大的原因要归功于滴滴庞大的数据积累及供需预测、智能分单、运力调度等。程维在各种场合也介绍过，主动式地提前预测，是滴滴实现快速接单的秘密武器。而与之对比的是神州专车、首汽约车等，由于数据量大网络效应小，下单后等待的时间就比较长，因而体验满意度难以与滴滴相提并论，只能在服务态度和乘坐体验等方面加强差异化。
类似的，摩拜单车和ofo也是通过大数据分析，实现单车调配，满足不同时段的用车需求，尤其是北上广深等人口高度密集的城市，上班族潮汐式上下班用车之后，摩拜和ofo的运维团队每天都要进行大量的车辆调度，预测每个热点地段的需求变化，尽可能地确保用户要骑车的，就能很快找到。否则，用户要骑摩拜而找不到车，就会流失到ofo去，反之亦然。在目前两者血拼补贴，加快清洗市场的大背景下，每一个用户都是寸步不让的争抢。
除了电商和网约车等新生事物，即便是传统商场超市等行业，也可以基于大数据分析做很多工作，深度挖掘累积数据的价值。比如，根据翻桌率、利润率、品类搭配等等销售数据，以及季节性需求变化预测，对商场的货品摆放区域划分等进行不断调整，既给消费者“每次进来都感觉有小变化”的新鲜感，又实现了销售价值最大化。
甚至，具体每一个人都可以运用大数据分析提高自己的工作学习效率。以足球运动员为例，守门员最大的挑战就是扑点球。大部分职业球员的击球速度都很快，加上球门框远超守门员臂展几倍的宽度，要在出球之后再做反应已经太晚，基本无可能扑到球。因此，优秀的守门员都会在比赛仔细分析对方点球手的罚球习惯，根据概率来预判其射门角度，并在扑点球的时候提前预判方向并提前准备。如果幸运“赌对方向”，扑出点球、改变比赛胜负的可能性就会大增。反之，高超的点球手，也深知守门员会研究自己的历史数据，因而在关键罚球上另出奇招，或者紧盯守门员的肢体动作，预判其扑球方向，并在出球瞬间变换方向，从而将球罚进。总之，这是两个人基于大数据的心理博弈，斗智斗勇，其乐无穷。
