1.目标(Objectives)：设定的目标必须是定量的和可测评的。制定目标是确定我们预期愿望的一种方法。要优化某个事情或过程，就必须确定怎样才能知道目标对定量的目标，计算机就可以判断一个物流计划可以知道优化的过程是否能够提供一个可接受的*回报率。

　　.模型(Models)：模型流过程。建立模型是把物流运营要求和限制够理解和处理的某种东西的方法。例如，我们需求一个模型上卡车的。一个非常简单的积就能够忠实地反映如大宗液体货物。然而，如果总重量或总体积模型被该模型就会失效，因为它不能充分地反映实际的物流情况。

　　必须准确、及时和全面。数据驱动了物流系统的优化过程。如果数据不准确，或有关数据不能够及时地输入系统优化模型，则由此产生的物流方案就是值得怀疑的。对必须产生可操作的物流方案的据也必须全面和充分。

　　.集成(Integration)：系统集成必须全面支持数据的自动传递。因为对物流系统优化来，所以系统的集成是非常重要的。比如，要优化每天从仓库向门店送货的过程就需求考虑订货、客道路条件等数据。人工输入数据的方法，哪怕是只输入很少量的数据，也会由于太花时间和太容易出错而不能对系统优化形成支持。

　　.表述(Del须以一种便于执行、管理和控制的形式来表述。由物流优化技术给出的解决方案理人员能够确认预期的*回报已经达成，否则就是不成功的。现场操作要求指令简单明了，要容易理解和执行。管理员则要求有关优化方案及其实施效果在时间杆信息更综合、更集中

　　.算法(Algorithms)：算法必须灵活地利用独特的问题结构。不同物流优化技术之间*大的差别就在于算法的不同 (*助于计算机的过程处理方法通常能够找到*佳物流题的一个无可辩驳的事实是每种特点。为了在合理的时间段内给出物流优化解决方案就必须*助于优化的算法来进一步开发优化技术。

　　.计算(Computing)：计算平台必须具有足够的容量在可接受的时间段内给出优化方案。因为任何一个着大量可能的解决方案，所以，任何一个具有一定规模的问题都需求相当的计算能力支持。这样的计算能力应该使得优化技术既能够找到*佳物流方案，也能够在合理的时间内给出*佳方案。显然，对在日常执行环境中运行的分钟或几小时内给出物流优化方案 (而不是花几天的计算时间)。采取动用众多计算机同时计算的强大的集群服务和并行结构的优化算法，可以比使用单体PC机或基于工作站技术的算法更快地给出更好的物流优化解决方案。

　　.人员(People)：负责物流系统优化的人员必须具备支持建模、数据收集和优化方案所需的领导和技术专长。如果缺乏具有适当技术专长和领导经验的人的组织管理，复杂的数据模型和软件系统要正常运行并获得必要的支持是不可能的。没有他们的大量的工作，物流优化系统就难以达到预期的目标。

　　.过程(Process)：商务过程必须支持优化并具有持续的改进能力。物流优化需求应对大量的在运营过程中出现的问题。物流目标、规则和过程的改变是系统的常态。所以，不仅要求系统化的数据监测方法、模型结构和算法等能够适应变化，而且要求他们能够捕捉机遇并促使系统变革。

　　10.回报 (ROI)：*回报必须是可以证实的，必须考虑技术、人员和操作的总成本。物流系统优化从来就不是免费的午餐。它要求大量的技术和人力资源投入。要证实物流系统优化的*回报率，必须把握两件事情：一是诚实地估计全部的优化成本;二是将优化技术给出的解决方案逐条与标杆替代方案进行比较。