- 相关推荐
数据挖掘在物流业中的应用
本文是由论文工作室上传的：数据挖掘在物流业中的应用-物流管理论文(1)。您可以通过本文底部的“下载”来下载本文的文档。
数据挖掘在物流业中的应用刘晓华（山东工商学院 统计学院 山东 烟台 264005）
论文摘要：本文在对数据挖掘的概念概述的基础上，着重介绍了数据挖掘在物流业中的应用。
论文关键词：数据挖掘；物流业；信息系统Abstract: Based on the concept outlined on the basis of data mining, this article emphatically introduced its application in logistics industry.
一、数据挖掘概述
数据挖掘，是指从大量的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们不知道的、但又是潜在有用的信息和知识的过程。它是数据库研究中的一个新领域，融合了数据库、人工智能、机器学习、统计学等多个领域的理论和技术，把人们对数据的应用从低层次的查询，提升到从数据中挖掘知识，提供决策支持的层级。从商业角度看，数据挖掘是一种商业信息处理技术，特点是对商业数据库中的数据进行抽取、转换、分析等，从中提取可用于辅助商业决策的关键数据。数据挖掘的目标是从大量数据中，发现隐藏于其后的规律或数据间的关系，从而服务于决策。数据挖掘一般有以下几类任务：
1、分类。分类分析就是通过分析样本数据库中的数据，为每个类别做出准确的描述，或挖掘出分类规则，然后用这个分类规则对其他记录进行分类。
2、聚类。聚类是把一组个体按照相似性归成若干类别，即“物以类聚”。聚类将没有分类的记录，在不知道应分成几类的情况下，按照数据内在的差异性，合理地划分成几类，并确定每个记录所属类别。3、关联分析。数据关联是数据库中存在的一类重要的可被发现的知识。若两个或多个变量的取值之间存在某种规律性，就称为关联，关联分析的目的是找出数据库中隐藏的关联网。
4、预测。预测是根据对象属性之过去观察值来预测该属性未来之值。数据挖掘自动在大型数据库中寻找预测性信息。
5、偏差检测。数据库中的数据常有一些异常记录，称之为偏差。偏差包括很多潜在的知识，如分类中的反常实例、不满足规则的特例等。
二、数据挖掘在物流业中的应用
现代物流系统是一个庞大复杂的系统，特别是全程物流，包括运输、仓储、配送、搬运、包装和再加工等环节，每个环节信息流量十分巨大，使企业很难对这些数据进行及时、准确的处理。为了帮助决策者快速、准确地做出决策，提高企业的运作效率，降低物流成本、增加收益，就需要一种新的数据分析技术来处理数据。数据挖掘技术能帮助企业在物流信息系统管理中，及时、准确地收集和分析各种信息，对客户的行为及市场趋势进行有效的分析，了解不同客户的爱好，从而为客户提供有针对性的产品和服务，提高各类客户对企业和产品的满意度。物流决策系统是一种结合了数据挖掘和人工智能的新型经营决策系统，主要通过人工智能对原料采购、加工生产、分销配送到商品销售的各个环节的信息进行采集，并利用数据仓库和数据挖掘对其进行分析处理，确定相应的经营策略。数据仓库作为数据挖掘的基础，它具有面向主题的、集成的、随时间变化的特性。各个联机事务处理系统作为数据仓库的原始数据源，以文件方式提供企业在日常活动中收集的数据资料和报表，同时还有大量的外部信息等数据。基于数据挖掘的物流信息的体系结构主要由以下几部分组成：
1、采购进货管理系统。主要功能是面对供货商的作业，包括向厂商发出订购信息或接收厂商的出货信息、采购决策、存货控制、采购价格管理等信息管理子系统。
2、销货出货管理系统。其功能是收集客户需求信息、记录客户购买信息、管理销售价格、处理应收货款及退款等。
3、库存储位管理系统。该系统包括储存管理、进出货管理、机械设备管理、流通加工等功能子系统，负责相关信息的处理。
4、财务管理和结算系统。财务管理系统主要功能是对销售管理系统和采购系统所形成的应付、应收帐进行会计操作，同时对物流中心的整个业务与资金进行平衡、测算和分析，编制财务报表，并与银行进行转帐。结算系统主要功能是利用现有的业务信息管理系统和计算机处理能力，自动为客户提供各类业务费用信息，为广大物流企业的自动结算提供一套完整的解决方案。
5．运输配送管理系统。该系统包括出货配送管理、运输调度计划、分配计划等功能子系统。
6．物流分析系统。其主要功能是应用ＧＩＳ技术与运筹决策模型，完善物流分析技术。
7．物流决策支持系统。此系统的功能获取内部各系统业务信息，取得外部信息，并结合内部和外部信息编制各种报告，提供分析图表。通过建立决策支持系统，及时地掌握商流、物流、资金流和信息流所产生的信息并加以利用，在数据仓库技术、运筹学模型的基础上，运用数据挖掘工具对历史数据进行多角度、立体的分析，实现对物流中心的资源的综合管理，为决策提供科学决策的依据。
三、进行数据分析与决策
决策管理人员在日常管理业务中收集并存储了大量的数据，但却很难掌握到所希望得到的信息，这是因为一方面缺乏足够的信息来支持科学的决策，另一方面，积累的丰富数据没有发挥应有的作用。这是由于涉及的数据量大，且来源广泛，传统的操作型数据库已无法支持生产物流管理系统的分析功能。
搭建的系统模型可有效的为决策者提供强有力的数据，以便于进行最终的决策，而使企业立于不败之地。
沃尔玛公司就是一个成功应用数据挖掘技术的大公司。一个典型例子，是客户的菜篮子分析，从客户购买的记录中得出客户会同时购买哪些产品。其中最著名的结论是，一个生病的消费者的购买篮包括橙汁和咳嗽糖浆――如果一个消费者购买了咳嗽糖浆，他就有30%的可能会同时购买橙汁。这些结论可以战略性的布置货品在仓库中的位置，以促进交叉销售和某类交易模式。
很显然这正是库存储位管理系统所表现出来的强劲的说服力。由此可以看出，关联规则挖掘通常比较适用与记录中的指标取离散值的情况。如果原始数据库中的指标值是取连续的数据，则在关联规则挖掘之前应该进行适当的数据离散化（实际上就是将某个区间的值对应于某个值），数据的离散化是数据挖掘前的重要环节，离散化的过程是否合理将直接影响关联规则的挖掘结果。这样通过对数据分析，可以制定出有利于企业发展的战略决策，使其立于不改之地。
此外，还可得出以下决策过程中的结论：
★客户发展分析：对于生产物流来说，客户是影响利润的一个重要因素，所以从不同层次分析客户，提供更加快捷、周全的服务来增加新客户，以提供生产效率和利润。
★市场竞争分析：通过对市场占有率、竞争对手情况等分析来为决策人员提供科学的信息，以提高自身在市场竞争中的地位。
★部门绩效分析：将生产物流管理策略转化为企业内部各个部门的执行力，通过制定各个部门，包括财务、仓储、配送、生产等方面的考核指标，在统计分析的基础之上形成各个部门的绩效考核体系，通过分析掌握和了解各个部门的执行力度以及效率等情况。
★生产利润分析：分析各种产品的产出与投入之比以及发展趋势等。
★客户价值分析：根据客户与企业之间的关系，衡量客户对整个企业生产效率的贡献度进行分析，包括客户当前价值分析和潜在价值分析等。
★业务发展分析：在现有业务的基础之上，如何通过改善管理来发展业务，譬如说如何根据生产节拍，使仓库的供货和库存达到一个平衡，同时也使生产线的排队达到平衡，从而提高物流效率，为进一步业务发展提供科学的依据。
★供应商信用度分析：对供应商供应的商品进行质量、时效、质量价格比等进行分析，是衡量供应商供货好坏的一个标准，也是企业选择合作伙伴的一个重要参考指标。引入数据仓库技术，在分析其系统体系结构的基础上，提出基于数据仓库的生产物流决策管理系统，解决基于传统操作型数据库的决策管理系统存在的问题，将分散的、标准不同的、逻辑关系不一致的数据经过分析、抽取、转换、整合到统一的数据仓库中，通过多维分析和数据挖掘，形成生产物流决策管理人员所需要的信息和数据，从而有利于生产物流决策管理人员做出科学的决策，提高自身在市场竞争中的地位。
在现代物流管理系统中充分利用基于数据挖掘技术的物流体系，为物流企业决策者提供决策支持，有利于提升物流企业的核心竞争力，使企业能够及时、准确地调整经营策略，适应市场的变化，有效的拓展市场，扩大生存空间，实现可持续发展，在激烈的市场竞争中立于不败之地。
【数据挖掘在物流业中的应用】相关文章：
软件工程行业中数据挖掘的应用论文06-30
大数据在物流业的应用06-27
数据挖掘在工商管理中的运用论文07-03
数据挖掘技术的医疗信息管理应用论文07-03
聘：数据分析 数据挖掘07-10
数据分析在薪酬管理诊断中的应用07-10
关于数据分析与数据挖掘的数据10个问题07-10
网络游戏的数据挖掘与数据分析07-10
数据挖掘读书笔记06-27