1.目標(Objectives)：設定的目標必須是定量的和可測評的。制定目標是確定我們預期愿望的一種方法。要優化某個事情或過程，就必須確定怎樣才能知道目標對象已經被優化了。使用定量的目標，計算機就可以判斷一個物流計劃是否比另一個更好。企業管理層就可以知道優化的過程是否能夠提供一個可接受的投資回報率。 

2.模型(Models)：模型必須忠實地反映實際的物流過程。建立模型是把物流運營要求和限制條件翻譯成計算機能夠理解和處理的某種東西的方法。例如，我們需要一個模型來反映貨物是如何通過組合裝上卡車的。一個非常簡單的模型，諸如發貨的總重量或總體積就能夠忠實地反映某些貨物的裝載要求，如大宗液體貨物。然而，如果總重量或總體積模型被用于往拖車上裝載新汽車，則該模型就會失效，因為它不能充分地反映實際的物流情況。 

3.數據(Data)：數據必須準確、及時和全面。數據驅動了物流系統的優化過程。如果數據不準確，或有關數據不能夠及時地輸入系統優化模型，則由此產生的物流方案就是值得懷疑的。對必須產生可操作的物流方案的物流優化過程來說，數據也必須全面和充分。 

4.集成(Integration)：系統集成必須全面支持數據的自動傳遞。因為對物流系統優化來說，要同時考慮大量的數據，所以系統的集成是非常重要的。比如，要優化每天從倉庫向門店送貨的過程就需要考慮訂貨、客戶、卡車、司機和道路條件等數據。人工輸入數據的方法，哪怕是只輸入很少量的數據，也會由于太花時間和太容易出錯而不能對系統優化形成支持。 

5.表述(Delivery)：系統優化方案必須以一種便于執行、管理和控制的形式來表述。由物流優化技術給出的解決方案，除非現場操作人員能夠執行，管理人員能夠確認預期的投資回報已經實現，否則就是不成功的�，F場操作要求指令簡單明了，要容易理解和執行。管理員則要求有關優化方案及其實施效果在時間和資產利用等方面的關鍵標桿信息更綜合、更集中。 

6.算法(Algorithms)：算法必須靈活地利用獨特的問題結構。不同物流優化技術之間最大的差別就在于算法的不同 (借助于計算機的過程處理方法通常能夠找到最佳物流方案)。關于物流問題的一個無可辯駁的事實是每一種物流優化技術都具有某種特點。為了在合理的時間段內給出物流優化解決方案就必須借助于優化的算法來進一步開發優化技術。 

7.計算(Computing)：計算平臺必須具有足夠的容量在可接受的時間段內給出優化方案。因為任何一個現實的物流問題都存在著大量可能的解決方案，所以，任何一個具有一定規模的問題都需要相當的計算能力支持。這樣的計算能力應該使得優化技術既能夠找到最佳物流方案，也能夠在合理的時間內給出最佳方案。顯然，對在日常執行環境中運行的優化技術來說，它必須在幾分鐘或幾小時內給出物流優化方案 (而不是花幾天的計算時間)。采取動用眾多計算機同時計算的強大的集群服務和并行結構的優化算法，可以比使用單體PC機或基于工作站技術的算法更快地給出更好的物流優化解決方案。 

8.人員(People)：負責物流系統優化的人員必須具備支持建模、數據收集和優化方案所需的領導和技術專長。如果缺乏具有適當技術專長和領導經驗的人的組織管理，復雜的數據模型和軟件系統要正常運行并獲得必要的支持是不可能的。沒有他們的大量的工作，物流優化系統就難以達到預期的目標。 

9.過程(Process)：商務過程必須支持優化并具有持續的改進能力。物流優化需要應對大量的在運營過程中出現的問題。物流目標、規則和過程的改變是系統的常態。所以，不僅要求系統化的數據監測方法、模型結構和算法等能夠適應變化，而且要求他們能夠捕捉機遇并促使系統變革。 

10.回報 (ROI)：投資回報必須是可以證實的，必須考慮技術、人員和操作的總成本。物流系統優化從來就不是免費的午餐。它要求大量的技術和人力資源投入。要證實物流系統優化的投資回報率，必須把握兩件事情：一是誠實地估計全部的優化成本;二是將優化技術給出的解決方案逐條與標桿替代方案進行比較。