目标：必须是定量而且可测评的

　　制定目标是确定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、可测评的目标、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。

　　模型：必须忠实地反映实际的物流过程

　　建立模型就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程序。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。一个简单的程序，诸如发货的总重量或总体积就能够忠实地反映某些货物的装载要求，如大宗液体货物。

　　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。

　　集成：数据的自动传递要畅通

　　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。

　　表述：必须简单，便于执行、管理和控制

　　由物流优化给出的解决方案，除非现场操作人员能够执行，管理人员能够确认预期的投资回报已经实现，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。

　　算法：必须灵活

　　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)。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。

　　计算：平台容量必须足够，以便缩短计算时间

　　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，任何一个规模的问题都需要相当的计算能力支持。这样的计算能力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。

　　人员：人员必须具备建模、数据收集和优化方案所需的技术专长

　　优化技术是“火箭科学”，希望火箭发射后能够良好的运行而不用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。

　　过程：必须支持优化并能够持续改进

　　物流优化需要应对大量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。

　　投资回报：必须考虑技术、人员和操作的总成本

　　物流系统优化要求大量的技术和人力资源投入。要证实物流系统优化的投资回报率，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。