數據挖掘技術在物流業中的應用

陳銀鳳

（內蒙古財經大學 計算機信息管理學院，內蒙古 呼和浩特 010070）

隨著科學技術的迅猛發展，信息化程度快速增長，信息過量就成為人們不得不面對的問題。如何在海量的信息中及時發現有用的知識，提高信息利用率，顯然成為人們當前亟待解決的問題。數據挖掘技術應運而生，并越來越顯現出其強大的生命力。數據挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機的數據中，提取隱含在其中的、人們事先不知道的，但又潛在有用的信息和知識的過程[1]。即數據挖掘產生的前提是需要從多年積累的大量數據中找出隱藏在其中的、有用的信息和規律。某些具有特定應用問題和應用背景的領域是最能體現數據挖掘作用的應用領域，例如運輸業、金融業、保險業、零售業、醫療、行政司法、工業部門等社會部門以及科學和工程研究單位等。

由于數據挖掘技術的不斷成熟，其逐漸開始被物流企業所重視。目前，很多物流企業內部都實現了信息化，伴隨著物流業務的處理過程會產生大量的數據，數據存儲技術越來越成熟，對物流信息的處理速度也越來越快，還有現階段已產生大量數據挖掘算法，如聚類檢測、決策樹方法、人工神經網絡、遺傳算法、關聯分析方法、基于記憶的推理算法等，這些為數據挖掘在物流業中的應用提供了基礎保證。

物流企業競爭異常激烈，要想在眾多企業之中脫穎而出，就要實現企業的信息化建設，并有效利用數據挖掘技術，收集大量數據，幫助企業實時了解市場的動態，及時針對快速變化的環境做出響應，通過分析預測，抓住各種重要商機。如利用收集的數據可以預測客戶行為，推算當前物品種類的流通數量、客戶與物品間的內在關聯等，便于物流企業的管理人員及時制定決策，有利于在對物品的數量準備、存儲方式、合理配送等一系列物流過程中有效利用資源，最大限度地提高物流信息管理的工作效率，節約成本，縮短配送周期，更透徹了解客戶來改善并強化對客戶的服務。數據挖掘技術還能有效促進物流企業的業務處理過程重組，實現規模優化經營。通過合理使用數據挖掘技術，企業可以提高自身的競爭力，促進我國物流行業向更高水平發展。

1 數據挖掘的常用方法

1.1 聚類檢測方法

聚類檢測方法是最早的數據挖掘技術之一，也稱為無指導的知識發現或無監督學習。聚類生成的組叫簇，簇是數據對象的集合。聚類檢測的過程就是使同一個簇內的任意兩個對象之間具有較高的相似性，不同的簇的兩個對象之間具有較高的相異性。用于數據挖掘的聚類檢測方法有：劃分的方法、層次的方法、基于密度的方法、基于網絡的方法和基于模型的方法等。

1.2 決策樹方法

決策樹主要應用于分類和預測，提供了一種展示類似在什么條件下會得到什么值的規則的方法，一個決策樹表示一系列的問題，每個問題決定了繼續下去的問題會是什么。決策樹的基本組成包括決策節點、分支和葉子，頂部的節點稱為“根”，末梢的節點稱為“葉子”。數據挖掘中決策樹是一種經常采用的技術，常用的算法有CHAID、CART、Quest、ID3和C5.0等。決策樹適合于處理非數值型數據，但如果生成的決策樹過于龐大，會對結果的分析帶來困難，因此需要在生成決策樹后再對決策樹進行剪枝處理，最后將決策樹轉化為規則，用于對新事例進行分類。

1.3 人工神經網絡

神經網絡方法越來越受到人們的關注，主要因為它為解決大復雜度問題提供了一種相對來說比較有效的簡單方法。人工神經網絡方法主要用于分類、聚類、特征挖掘、預測等方面。它通過向一個訓練數據集學習和應用所學知識，生成分類和預測的模式。對于數據是不定性的和沒有任何明顯模式的情況，應用人工神經網絡算法比較有效。人工神經網絡方法仿真生物神經網絡，其基本單元模仿人腦的神經元，被稱為節點；同時利用鏈接連接節點，類似于人腦中神經元之間的連接。人工神經網絡方法主要有：前饋式網絡、反饋式網絡和自組織網絡。

1.4 遺傳算法

遺傳算法模仿人工選擇培育良種的思路，從一個初始規則集合開始，迭代地通過交換對象成員（雜交、基因突變）產生群體（繁殖），評估并擇優復制（物競天擇、適者生存），優勝劣汰逐代積累計算，最終得到最有價值的知識集。遺傳算法能夠產生一群優良后代，這些后代力求滿足適應性，經過若干代的遺傳，將得到滿足要求的后代，即問題的解。

1.5 關聯分析方法

世界上的許多事物相互間都存在著“關系”，如四通八達的鐵路、公路將城市連接在一起；處方將醫生與病人聯系在一起等。關聯分析方法特別適合于從關系中挖掘知識。關聯分析方法包含關聯發現、序列模式發現和類似的時序發現等。

1.6 基于記憶的推理算法

基于記憶的推理算法使用一個模型的已知實例來預測未知的實例，使用基于記憶的推理算法時，要求預先已有一個已知的數據集（稱作基本數據集或訓練數據集），并且已知這個數據集中記錄的特征。當需要評估一條新記錄時，該算法在已知數據集中找到和新記錄類似的記錄（稱為“鄰居”），然后使用鄰居的特征對新記錄預測和分類[1]。

2 數據挖掘技術在物流中的應用

2.1 對市場進行預測

隨著市場競爭的加劇、企業精細化管理愿望的增強，以及先進技術方法的開發應用，對數據進行挖掘利用已成為物流企業推出商品、爭取客戶、增加利潤、提升自我競爭力的突破口。物流企業產生的數據量龐大、更新快，并且來源多樣化，通過對這些數據進行有效挖掘，可以確定客戶群，并推出有競爭力的商品。商品具有一定的生命周期，一旦該商品進入市場，其銷售量和利潤都會隨時間的推移而發生變化。不同階段，商品的生產、配送、銷售策略各不相同，這需要提前進行生產計劃、生產作業安排及提前配置庫存和提前制定運輸策略，即物流企業要注重商品的生命周期，合理地控制庫存和安排運輸，對不同的商品對象建立相應的預測模型。物流企業可以通過聚類分析作為市場預測的手段，為決策提供依據[2]。

2.2 對物流中心的選址

物流中心選址是構建物流體系過程中極為重要的部分，其主要是求解運輸成本、變動處理成本和固定成本等之和的最小化問題。選址需要考慮中心點如何分布和中心點數量等，尤其是多中心選址的問題。多中心選址是指在一些已知的備選地點中選出一定數目的地點來設置物流中心，使形成的物流網絡的總代價（主要指費用）最低。在實際操作中，當問題規模變得很大或者要考慮一些市場因素（如顧客需求量）時，數學規劃就存在一些困難。針對這一問題，可以用數據挖掘中分類樹的方法來解決。

2.3 物流管理中的倉儲

電子商務的快速發展，使得現代物流管理對倉儲的要求越來越高。合理安排商品的存儲、擺放商品，提高揀貨效率、壓縮商品的存儲成本、提供更多客戶自定義產品和服務、提供更多的增值服務等是當前物流管理者必須思考的問題。利用數據挖掘技術中的關聯分析方法可以幫助優化倉庫的存儲。關聯分析方法的主要目的就是挖掘出隱藏在數據間的相互關系。

2.4 優化物流的配送路徑

配送路徑的選取直接影響著物流企業的配送效率。物流配送體系中，管理人員需要采取有效的配送策略以提高服務水平、降低整體運輸成本。首先，要解決配送路徑問題。配送路徑是車輛確定到達客戶的路徑,每一客戶只能被訪問一次且每條路徑上的客戶需求量之和不能超過車輛的承載能力。其次，提高配送車輛的有效利用率。如果在運輸過程中車輛空載或不能充分利用車輛的運送能力，就會增加物流企業的運輸費用。最后還要考慮商品的規格大小和利潤價值的高低。遺傳算法可以對物流的配送路徑進行優化，它可以把在局部優化時的最優路線繼承下來，應用于整體，而其他剩余的部分則結合區域周圍的剩余部分（即非遺傳的部分）進行優化，輸出送貨線路車輛調度的動態優化方案。

2.5 客戶分析

物流管理也是實現對客戶服務的一種管理活動，所以有必要對客戶進行分析，使企業能對目標客戶群采取有針對性的且高效的促銷措施，以更快的速度更高的準確度和更出色的客戶服務，滿足客戶個性化的需求，建立并保持客戶忠誠度，增加企業的銷售額，降低企業的營銷成本。客戶分析是依據收集到的關于客戶的數據來了解客戶的需求，分析客戶特征，評估客戶價值，從而為客戶制定相應的營銷策略與資源配置計劃。通過定性與對比的應用，對客戶特征進行準確的概念描述，物流企業能夠充分挖掘出客戶價值。通過數據挖掘還可以找到流失客戶的共同特征，可以在那些具有相似特征的客戶未流失之前進行針對性的彌補。

3 運用數據挖掘技術時應注意的問題

在物流業中，可以有效利用數據挖掘技術解決很多問題，但其不能解決物流決策中出現的所有問題。如果不能將特殊領域的物流業務邏輯與數據挖掘技術結合起來，數據挖掘的分析效果和效益就不可能達到最佳值。數據挖掘技術在物流業中的應用，一般需要考慮以下三個因素：熟練掌握數據挖掘技術的專業人才；選擇適合的數據挖掘工具和方法，建立適合企業的數據挖掘系統；保證數據挖掘中數據源具有準確性及代表性。具體運用數據挖掘技術時還應該注意以下問題：

3.1 數據挖掘工具的選擇

當前流行的數據挖掘工具，很多是由國外公司研發，如IBM開發的QUEST系統、SGI開發的Mineset系統等。由于國內外物流環境存在差異，直接引進這些挖掘工具，可能會與我國的市場和企業不太適應，所以物流企業的管理人員要從保證這些工具可以準確反應本企業的經營狀況角度出發，在引進國外的相關系統時著重考慮定制問題，只有這樣才能充分發揮數據挖掘技術的潛能。

3.2 系統集成問題

數據挖掘的本質是從大量已有的數據中找出有價值的信息，這些數據存儲在數據庫中。物流企業一般在建立管理信息系統時就已經選擇了某一數據庫產品。因此，應用數據挖掘技術首先要考慮數據挖掘系統與已有數據庫系統是否集成，這樣便于利用該企業已有的數據庫中的數據。也只有這樣才能充分利用已有數據，降低企業成本，更好地服務于物流企業的經營活動。

3.3 技術人員的影響

數據挖掘技術人員在工作中所選用的技術和方法會直接影響到數據模型的準確度，其專業素養和能力對于數據挖掘的實施起到至關重要的作用。所以相關技術人員的綜合素質能力決定了數據挖掘工作能否順利開展。因此，要求這類技術人員一般具備很高的綜合素質，首先要有良好的計算機、統計等知識的功底；其次要熟悉掌握一定的物流知識，懂得物流行業的基本流程和運作理念。但目前很多物流企業對這樣的技術人員沒有足夠的重視，所以作為物流企業的決策者要注重高素質人才的引進，加強技術人員的培訓教育。

3.4 數據質量的影響

目前，很多物流企業業務種類繁多，旗下都包含多個不同的業務子系統，這些業務子系統會產生大量數據，致使物流企業必須建立龐大的數據庫，這雖然會給日后的數據挖掘提供很好的數據源，但隨之也出現了一些問題，如數據的質量、數據完整性和數據一致性問題等，會導致數據挖掘技術人員不得不投入大量的時間和精力去凈化和處理所提取的數據，很難集中精神去構建模型。如何保證數據質量，是企業成功實施數據挖掘的一個技術關鍵點。

4 結束語

數據挖掘技術在物流業中應用不斷普及，更多的物流企業意識到數據挖掘對于決策支持的重要性，尤其在對市場預測、解決選址、倉儲、配送和客戶分析等問題方面發揮出很大的作用。我國物流企業在數據挖掘應用方面還處于起步階段，但這些企業可以結合自身的實際情況，從最基本的數據挖掘技術應用做起，隨著物流行業的不斷發展，數據挖掘技術將會為管理決策提供更加強大的支持功能，為物流企業的發展保駕護航。

[1] 安淑芝.數據倉庫與數據挖掘[M].北京：清華大學出版社，2005.

[2] 梅鋼.數據挖掘技術在物流管理中的應用[J].湖北第二師范學院學報，2012,29(2):64-67.

[3] 孫俊玲.淺析數據挖掘技術在現代物流管理中的應用[J].河南財政稅務高等專科學校學報，2009(3):45-47.