Lion Parcel 在 AWS 上更快地获得数据洞察，进而增强客户体验

预计从 2022 年到 2030 年，全球物流行业将稳步增长，年增长率高达 6.8％，特别是由于电子商务物流激增、集装箱短缺、主要港口关闭导致港口拥堵以及空运市场运力受限等原因。尽管在过去的两年间经历了重大转变，但这一行业已经高效地进行了调整，并顺应多种新兴趋势继续发展。

Lion Parcel 正在改进自己的技术，进而做出数据驱动型决策，使自身能够在与国内外竞争对手的角逐中脱颖而出。作为 Lion Group 的一家子公司，Lion Parcel 致力于为遍布于印度尼西亚 17000 座岛屿的客户提供首程、中程和尾程配送服务。Lion Parcel 还从印度尼西亚的 7000 多个服务点为 25 个国家/地区的客户提供送货服务。“我们发现，技术可以帮助我们高效地改进现有的物流生态系统，”Lion Parcel 信息技术主管 Probosetyo Krishna 说道。

在 2019 年以前，Lion Parcel 一直在利用本地基础设施开展自己的业务。次年，该公司将核心系统迁移到 Amazon Web Services（AWS），进而便开始采用 AWS 的按实际使用量付费模式和无限扩展功能。Krishna 详细阐述道：“我们发现 AWS 及其合作伙伴能够提供顶级的支持。我们非常重视这一点，因为通过与值得信赖并认同我们价值观的合作伙伴携手合作，我们将在这一行业力争上游。这对我们非常重要，因为我们希望在云端进行构建和完成更多任务。”

2021 年年初，Lion Parcel 开始组建一支数据团队，以便在 AWS 上构建数据管道，同时还与 AWS 合作伙伴 Deloitte 合作，进而获得设计和实施方面的支持。过去，Lion Parcel 曾经尝试在本地构建数据湖。然而，性能和数据处理速度并未达到企业的预期水平。例如，要运行六个月的配送报告，Lion Parcel 必须等待 15 分钟才能加载好数据。而在 AWS 上，加载同一份报告只需不到一分钟的时间。

Lion Parcel 正在将 Amazon Simple Storage Service（Amazon S3）用作数据湖，进而存储结构化数据和非结构化数据；利用 AWS Glue 执行数据转换和清理；以及将 Amazon Redshift 用作数据仓库。

在开始与 Deloitte 和 AWS 进行讨论后的仅仅六周内，Lion Parcel 就成功启动并运行了自己的数据湖和数据仓库。“数据管道的实施速度实际上超过了我们的预期，而且我们能够完成的任务比我们最初想象的还要多，”Krishna 表示。该公司为数据管道确定的第一批应用场景包括：改进内部报告的可视化，以及通过 Amazon SageMaker 使用机器学习（ML）对客户进行细分。

以前，报告查询是通过 Lion Parcel 的事务数据库执行的。但随着数据量的增加，企业遇到了瓶颈，信息提取速度变得缓慢。在 Krishna 看来，借助现代化的数据管道，事务数据库能够保持独立和“洁净”，员工可以直接从数据仓库中提取所需的数据。

更快地运行报告，并提高对精细数据的可见性，这样，Lion Parcel 就能够转向更积极的客户服务模式。管理和客户服务人员可以在配送的各个阶段快速运行包裹状态报告。作为一家以客户为中心的公司，Lion Parcel 目前正在基于 AWS 上的监控系统创建警报，进而迅速检测配送中断情况，同时在收到投诉之前采取预防措施。

除了速度之外，Lion Parcel 还受益于 Amazon QuickSight 上的商业智能控制面板，可以获得近乎实时的运营洞察。该公司的 IT 团队以前总是运行前一天的每日绩效报告并交给管理层。现在，管理层可以直接访问当日报告，并捕获仅仅 1 小时以前的数据。

“使用 Amazon QuickSight，可视化得到了显著改善。这项服务易于连接，性价比极高，功能也比我们以前使用的开源可视化工具更多，”Krishna 说道。

在增强可视化之后，Lion Parcel 将注意力转向构建机器学习模型，从而扩展自己的分析管道。细分是 Lion Parcel 在机器学习之旅中迈出的第一步。现在，管理和营销团队可以借助由机器学习提供支持的客户行为分析来查看不同的客户资料，同时他们正在利用这些分析来制定客户关系管理（CRM）计划。

Lion Parcel 能够分析客户处于哪个购买阶段、客户流失的可能性以及有助于开展针对性营销的其他特征。该公司已经开始使用 Salesforce CRM 软件，并能够在 AWS Cloud 上无缝集成客户数据。

AWS Cloud 的可扩展性是实施最新机器学习计划（例如为新服务点确定最佳位置）和未来计划（例如路线优化和需求驱动型定价）的关键。“有了 AWS，我们能够扩展高性能服务器，进而训练和创建数据模型，然后再缩小规模，这样就能提高机器学习的成本效益，”Krishna 表示。

他总结道：“在我的团队看来，发掘 AWS Cloud 技术的潜力是一次非常有趣的经历。我们从 AWS 和 Deloitte 的指导中学到了很多东西，我们的管理团队对于结果也感到非常满意。”

要了解详情，请访问 aws.amazon.com/big-data/datalakes-and-analytics。