物流資訊系統不是一套系統，而是一個系統家族——OMS、WMS、TMS、ERP、CRM 各自承擔不同業務邊界與主責資料，卻必須協同對話。當家族的分工與溝通規則不清，整個物流企業的決策品質就會跟著下滑。本文提出一個便於溝通的心智模型：把物流資訊系統視為一張神經網路，由下而上分為感知、傳遞、記憶、解讀四層。每個人身體裡本來就有一套現成的範本——指尖的觸感、神經的傳導、大腦的記憶、意識的判斷，熟得不能再熟。把複雜的系統架構放進這四層，管理者、工程師、財務、業務都有地方可以「掛」自己的關切。

四層神經網路：感知、傳遞、記憶、解讀

晚上回家摸黑開門，手指碰到鑰匙孔、插入、轉動——門開了。這個動作之間發生了四件事：指尖感知金屬觸感、神經傳遞訊號到大腦、大腦從記憶調出「順時針轉」的經驗、意識解讀並發出動作指令。四個環節，缺一不可。物流公司的資訊系統本質上也是這樣一張網路——只是它要感知的是貨物、車輛、人員；傳遞的是事件、狀態、訊號；記憶的是訂單、庫存、客戶；解讀的是效率、成本、風險。

感知層是神經網路的最末梢——條碼、RFID、GPS、溫度感測器、重量秤、視覺相機。它們是資訊系統的「指尖」，負責把物理世界的事件轉為數位訊號：一件貨物經過月台，掃碼槍「嗶」一聲，是一次感知；一輛低溫車每 30 秒回報位置，也是感知。感知層的核心挑戰有三：覆蓋率（每個重要事件都被捕捉到了嗎？）、準確度（掃到的條碼、回報的座標有多精確？）、時效（從物理動作到進入系統的延遲多少？）。感知層缺陷會像神經末梢麻痺，讓整個網路失去對現場的感覺——後面再聰明的 AI 都是瞎子摸象。

傳遞層是神經網路的「軸突」，把訊號從一個神經元送到另一個。技術家族包括 EDI、API、訊息佇列、企業服務匯流排（ESB）、事件匯流排。傳遞層要回答介面設計的四個經典問題：誰通知誰？何時通知？通知格式是什麼？通知失敗怎麼辦？這四個問題沒有標準答案——即時性要求高的用同步 API，訊息量大但不需即時的用非同步訊息佇列，跨組織批次對帳用 EDI 或批次檔案。傳遞層若不穩定，整個神經網路會像中風的人——各神經元都還活著，但彼此失聯。

記憶層是神經網路的「海馬迴」——ERP、WMS、TMS 資料庫，以及主資料管理（MDM）系統。它負責兩件事：交易資料（每一張訂單、每一次入庫、每一次出車的事實紀錄）與主資料（商品、客戶、儲位、車輛的基礎檔案）。記憶層的品質決定資訊系統能不能「記得對」。同一件商品，在 OMS 叫「iPhone 15 Pro 256GB 黑色」，在 WMS 叫「IP15P-256-BLK」，在 ERP 叫「A001234-B」——如果沒有主資料管理把三個 ID 對齊，記憶層就會變成三個互不溝通的大腦。

解讀層是神經網路的「大腦皮質」——BI 儀表板、報表系統、AI 預測模型、最佳化引擎。如果前三層做對了，解讀層就能回答四類問題：發生了什麼？為什麼發生？接下來會發生什麼？應該怎麼做？但它有個前提：沒有感知、沒有傳遞、沒有記憶，再強的大腦皮質也無事可做。許多公司誤以為買一套 AI 工具就能變聰明，結果連乾淨的資料都拿不出來，AI 只能學到互相打架的垃圾，最終淪為展示用玩具。

系統家族：五個系統、四條主動脈

把鏡頭拉近到傳遞層與記憶層交界處的那一群系統——物流公司的營運系統家族。由五個主要成員組成，依服務對象由近到遠分成四個層級。

L1 分析層：BI／DW & DM是家族的仲裁者。不直接參與交易，而是從下面所有系統抽取資料、進行整合、提供分析，角色像法院：不生產，但仲裁——它必須同時接收五個營運系統的資料，才能回答「訂單履約率是多少」「哪些客戶貢獻毛利最高」這類跨系統問題。BI 解讀架構由 DW（Data Warehouse，資料倉儲）提供乾淨整合的歷史資料，再由 DM（Data Mining，資料探勘）從中萃取規則、關聯與預測模型——兩種技術合在一起，才支撐起完整的描述／診斷／預測／處方分析能力。

L2 顧客層：OMS 與 CRM面對外部世界。OMS 主責「訂單」，掌管從收單、驗證、分單、承諾（ATP）、狀態追蹤到結案的完整生命週期，介面輸入來自電商平台與客戶系統，輸出分派到 WMS（揀貨）、TMS（排車）、ERP（扣帳與應收）。CRM 主責「客戶」——聯絡資訊、歷史交易、服務互動、信用額度；在 B2B 物流裡，CRM 還負責報價、合約與費率表的維護。

L3 營運層：WMS、ERP、TMS是家族的三大支柱。這一層最「吃重」，掌管公司最核心的三種資源：貨（WMS）、錢（ERP）、車（TMS）。WMS 主責庫存與儲位，回答「什麼東西？放在哪裡？還剩多少？」；ERP 是全公司帳本中心，每一筆入庫、每一張發票最終都要留下財務足跡，通常還承擔主資料總庫的角色；TMS 主責運單與車輛，回答「這批貨由哪輛車、走什麼路線、什麼時候到？」。

L4 執行層貼近物理現場。比營運層更貼近現場——WES 指揮自動化倉儲設備（輸送帶、AGV）、MES 負責流通加工、FMS 監控車輛油耗與駕駛行為、ePOD 收集最後一哩的簽收照片與時戳。這一層特色是「資料粒度細、頻率高」，每秒都在產生訊號交給上層聚合。

四條雙向主動脈：為什麼必須是雙向

系統之間不是只有由上而下的指令流，更多是雙向協作。家族最關鍵的四條雙向連線：WMS↔OMS（可用量／預留）、OMS↔ERP（ATP／扣帳）、ERP↔CRM（信用／應收）、TMS↔CRM（到貨更新）。這四條為什麼必須是雙向？因為業務邏輯不是「上級交辦」而是「對話協商」——OMS 要問、WMS 要答；OMS 要扣、ERP 要回。任何一條設計成單向，都會讓家族變成獨裁而非協作，資料也會逐步失真。

家族界線：資料共用，主責唯一

OMS 有訂單、ERP 也有訂單、CRM 也記得客戶買過什麼，這三套系統會不會重複？答案是：資料可以共用，但主責只能一個。OMS 主責訂單的「履約狀態」，ERP 主責訂單的「財務結清」，CRM 主責訂單背後的「客戶關係」。三者看的是同一張訂單，但關注點不同——就像醫生、會計、家人面對同一位病人的角度也不同，但沒有人會質疑這三者的分工。理解這個分工，下一個問題就浮現：既然資料共用，誰來決定「商品的正確名稱是什麼」「客戶的信用額度是多少」？這就是主資料管理的戰場。

主資料治理與介面取捨：越即時越貴

物流資訊系統裡最不起眼、卻最容易爆雷的議題，是主資料管理（MDM）。不起眼是因為它不像 WMS、TMS 有炫目的功能畫面，只是一堆「基礎檔案」；容易爆雷是因為一旦主資料沒對齊，上面所有系統的數字都會對不上。

主資料 vs 交易資料：球員名冊與逐球紀錄

物流公司資料分兩大類：交易資料記錄「發生了什麼事」（訂單、入庫、運送），量大、生命週期短、持續累積；主資料記錄「參與交易的對象是誰」（商品、客戶、儲位、車輛），量相對小、生命週期長、會被多個系統共用。打個比方——交易資料是一場棒球比賽的逐球紀錄，主資料是球員名冊、球場規格、裁判名單。物流四大主檔是商品、客戶、儲位、車輛，品質直接決定作業日常運行，也最常成為資訊系統整合的戰場。

Master 與 Subscriber：每筆主資料只能有一個主責系統

處理主資料的第一原則是：每筆主資料只能有一個 Master System，其他系統都是 Subscriber。誰當 Master？原則是「業務邏輯的源頭」——商品主檔由 ERP 或 PIM 主責；客戶主檔由 CRM 或 ERP 主責；儲位主檔由 WMS 主責；車輛主檔由 TMS 或 FMS 主責。Subscriber 不可擅自修改主檔，只能透過 Master 更新、再同步下來——防止「多頭馬車」。實務上 MDM 有四種架構模式：

• Registry——僅登錄 ID 對照。
• Consolidation——複製一份到中央供報表。
• Coexistence——中央有黃金版本、各系統保留副本同步。
• Centralized——只有中央一份，所有系統直接讀寫。

沒有最好，只有最適合——許多企業的 MDM 旅程是 Registry → Consolidation → Coexistence 一步步演進。

介面的即時性光譜：越即時越貴

主資料對齊的前提是系統之間能正確對話。介面就是對話方式：同步 API 像打電話（A 撥出、等 B 回應），優點即時一致，缺點強耦合；非同步訊息佇列（Kafka、RabbitMQ）像寫信（A 丟進郵筒、B 有空再收），優點解耦彈性，缺點最終一致而非即時一致；批次檔案最古老（定時傳 CSV 或 EDI），優點穩定可靠、成本低，缺點時延高；事件驅動是非同步的進階應用，即時性與解耦兼得，但實作門檻最高。把這四種放在同一把尺上，就是即時性光譜——從月批次、日批次、小時批次，一路到分鐘級、秒級、毫秒級，越往右延遲越低，但架構成本越高：不只伺服器與頻寬，還包括維運人力、故障排查難度、跨部門協調成本。

AI 落地：從描述到處方的四階階梯

前面三節看似各自獨立——神經網路四層（§1）、系統家族分工（§2）、主資料與介面（§3）——其實鋪的都是同一條底：讓公司的資料能夠乾淨、完整、可信地抵達分析層。有了這條底，AI／BI 才有舞台可跳。這也是上一篇所提出的「資訊層三核心價值」（脈絡、可追蹤、可解釋）在資訊系統落地的具體形式。

四階分析階梯

BI 與 AI 的分析能力可分為四階，由下而上：

• Descriptive（描述性）回答「發生了什麼？」——典型工具是 BI 儀表板、報表、OLAP。
• Diagnostic（診斷性）回答「為什麼發生？」——典型工具是 BI 鑽取、根因分析、異常偵測。
• Predictive（預測性）回答「接下來會發生什麼？」——機器學習模型用歷史資料訓練，預測未來需求、到貨延遲機率、設備故障風險。
• Prescriptive（處方性）回答「應該怎麼做？」——最佳化引擎、模擬模型、決策建議系統，告訴你「最好的行動方案是 A 或 B，每個選項的代價各是多少」。

這四階不是獨立的選擇題，而是逐層向上疊加——沒有穩定的描述性報表，就做不好診斷性鑽取；沒有準確的診斷，就訓練不出可靠的預測模型；沒有預測作為基礎，處方性建議只是賭博。跳階而上，模型一定會反噬。

AI 落地的三道門檻

很多公司買了 AI 工具卻用不起來，最常見的三道門檻恰好對應前面三節的主題：

• 第一道，感知的廣度與準度（對應 §1 感知層）——AI 吃的是資料，沒有完整、準確的感知訊號，模型等於瞎子摸象。
• 第二道，主資料的治理（對應 §3 上半）——商品、客戶、儲位、車輛的主資料如果各系統打架，AI 學到的是「同一件商品的三種樣子」，模型再強也無用。
• 第三道，介面的穩定性（對應 §3 下半）——資料進入分析層的延遲高、丟包多、格式不一，BI 儀表板會抖、AI 訓練集會髒，分析結果沒人敢信。

很多公司以為 AI 是終點，其實 AI 是起點——起點的前提是資料基礎建設。資料先於模型，治理先於分析。這條順序弄反，後面投資再多都是打水漂。這正是為什麼本系列從「本體結構」（Ch1）談到「資訊神經網路」（本篇），還未進入「決策觀點」（Ch3）——因為決策建立在資料上，資料建立在資訊架構上，資訊架構建立在本體結構上。跳過任何一層，後面的 AI 都是空中閣樓。