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象已经被优化了。使用定量的目标，计算机就可以判断一个物流计划是否比另一个更好。企业管理层就可以知道优化的过程是否能够提供一个可接受的投资回报率（Return On Investment）。

　　2．模型（Models）：模型必须忠实地反映实际的物流过程。

　　建立模型是把物流运营要求和限制条件翻译成计算机能够理解和处理的某种东西的方法。例如，我们需要一个模型来反映货物是如何通过组合装上卡车的。一个非常简单的模型，不能充分地反映实际的物流情况。如果使用简单的重量或体积模型，许多计算机认为合适的载荷将无法实际装车，而实际上更好的装载方案会由于计算机认为不合适而被放弃。所以，如果模型不能忠实地反映装载的过程，则由优化系统给出的装车解决方案要么无法实际执行，要么在经济上不合算。

　　3．数据（Data）：数据必须准确、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物流优化过程来说，数据也必须全面和充分。例如，如果卡车的体积限制了载荷的话，使用每次发货的重量数据就是不充分的。

　　4．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说，要同时考虑大量的数据，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要考虑订货、客户、卡车、驾驶员和道路条件等数据。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。

　　5．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最大的差别就在于算法的不同（借助于计算机的过程处理方法通常能够找到最佳物流方案）。关于物流问题的一个无可辩驳的事实是每一种物流优化技术都具有某种特点。为了在合理的时间段内给出物流优化解决方案就必须借助于优化的算法来进一步开发优化技术。因此，关键的问题是：（1）这些不同物流优化技术的特定的问题结构必须被每一个设计物流优化系统的分析人员认可和理解;（2）所使用的优化算法应该具有某种弹性，使得它们能够被"调整"到可以利用这些特定问题结构的状态。物流优化问题存在着大量的可能解决方案（如，对于40票零担货运的发货来说，存在着1万亿种可能的装载组合）。如果不能充分利用特定的问题结构来计算，则意味着要么算法将根据某些不可靠的近似计算给出一个方案，要么就是计算的时间极长（也许是无限长）。

　　6．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。

　　因为任何一个现实的物流问题都存在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要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最佳物流方案，也能够在合理的时间内给出最佳方案。显然，对在日常执行环境中运行的优化技术来说，它必须在几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。

　　7．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。

　　优化技术是"火箭科学"，希望火箭发射后能够良好地运行而没有"火箭科学家"来保持它的状态是不可能的。这些专家必须确保数据和模型的正确，必须确保技术系统在按照设计的状态工作。现实的情况是，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。没有他们大量的工作，物流优化系统就难以达到预期的目标。

　　8．过程（Process）：商务过程必须支持优化并具有持续的改进能力。

　　物流优化需要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。如果不能在实际的商务运行过程中对物流优化技术实施监测、支持和持续的改进，就必然导致优化技术的潜力不能获得充分的发挥，或者只能使其成为"摆设"。