借用數據挖掘，謀求智慧物流差異化服務創新發展

陳一芳　王順林

摘 要：文章對智慧物流和數據挖掘的研究動向進行了文獻收集整理，為后續研究奠定了理論基礎。論文分析了競爭態勢和“互聯網+”機遇倒逼物流企業從數據中探索機遇的成因，在此基礎上，文章從以物流服務主題為中心，建立高質量的數據可用性集合和利用數據挖掘探尋智慧物流差異化競爭要素—細分市場入手，研究了物流企業謀求差異化服務創新的方法。

關鍵詞：智慧物流；數據挖掘；差異化服務

中圖分類號：F250 文獻標識碼：A

Abstract： This article collects the research trends of smart logistics and data mining， and provides the theoretical basis for further research. Based on big data research field of vision， it analyzes the reason of logistics' enterprises exploring opportunity form the data under the pressure of competitive situation and“internet+”opportunity. The article studies the differentiation service method of logistics' enterprises from the establishment of high quality data availability set taking the theme of logistics service as the center and the competitive elements of smart logistics differentiation service.

Key words： smart logistics； data mining； differentiation service

2009年以來，智慧物流理念的提出，給物流業向“智慧化”轉型注入了一劑強心針。各種冠以智慧名目的軟件和解決方案不勝其數，對于物流企業而言，在享受智慧物流理念的同時，又深深陷入技術應用和業務發展的困局，即采用智慧物流技術之后，業務增長有限。與此對應的是，企業數據量大幅遞增，帶來了企業IT架構的不穩定。“互聯網+”、大數據也在深深地刺激著物流企業的經營神經，如何跟上時代潮流，借助先進理念對企業業務進行升級轉型成為了一個迫切需要研究的命題。

1 相關文獻研究

1.1 智慧物流及研究動向

從現有文獻來看，國內智慧物流理念從提出到引發激烈研討，經歷了以下幾個階段。2009年以前，相關文獻使用物流智慧，或者將物流表述為一種智慧，對其展開了相應的研討。宋則（2007）認為現代物流是一種人類協同合作“本能的智慧”[1]。2009～2013年，該階段研究強調信息技術在物流行業的推廣應用，將智慧物流作為物流信息化發展的較高階段展開論述。王繼祥（2010）指出物聯網發展必將推動智慧物流的變革[2]。2014年之后，學者們結合智慧的內涵和外延，從管理角度對智慧物流進行了更加深入的研究。王之泰（2014）將智慧物流定義為是將互聯網與新一代信息技術和現代管理應用于物流業，實現物流的自動化、可視化、可控化、智能化、信息化、網絡化的創新形態[3]。

以“smart logistics”和“wisdom logistics”為關鍵詞，檢索google學術、Emerald數據庫可以發現，2006年以前，國外學者往往以物流某環節的智慧（smart）為關鍵詞展開論述，在研究時遵循著IT技術、RFID、系統軟件開發的技術路線，同時沿著供應鏈管理的視角對物流相關環節進行研究。Peter Vervest， Eric van Heck， Kenneth Preiss， Louis-Francois Pau（2005）[4]認為智慧商業網絡的實施需要對物流進行更加全面的改造，從而使業務流程更加模塊化和動態化，以獲得更為靈活的采購性能和資產效率。2006～2009年，國外學者圍繞著物流具體功能環節，結合RFID、智能電話等信息技術的應用，進行了相應的研究。Veloso M， Bentos C， Pereira F C（2009）[5]等結合智慧運輸系統，研究了感知技術和感知網絡對物流的影響，并且論證了使用相關技術應用會對環境帶來積極的變化等。2010年以來，國外學者逐漸將研究視野轉向了行業應用、網絡構建、大數據、信息管理體系、互聯網融合、大數據等層面，逐步從原來的微觀層面走向了中觀，乃至宏觀領域。Gubbi J， Buyya R， Marusic S等人（2013）[6]指出智能交通和智慧物流應該分別隔離成一個單獨的領域，原因在于數據共享和IOT支柱環節實施的性質需要。

綜合上述國內外參考文獻可以看出，國內外學者的研究路線基本遵循著語義聯想—技術應用—管理拓展的思路，從智慧源頭開始，到相關技術應用于物流環節，再圍繞RFID典型技術與物流的關系，然后再到產業融合等這樣一個研究鏈條。略微有些差異的地方在于，國內學者對于互聯網+、大數據和物流的研究興趣要高于國外學者。

1.2 數據挖掘及研究動向

數據挖掘，又稱數據庫中的知識發現，是從大量的、不完整的、有噪聲的、模糊的、隨機的大型數據中提取隱含其中的、人們事先未知的、具有潛在價值的信息和知識的過程。按照數據結構進行組織、存儲和管理數據的數據庫技術，在過去60多年來產生了巨大的科技影響，與各行各業進行了有效的融合。泛在知識環境理念提出之前，數據挖掘的研究大多停留在基于結構化數據完成相關知識的描述和預測研究上。馬志鋒，刑漢承，鄭曉妹（2001）基于Rough集的時間序列數據的挖掘策略，討論了時間序列數據中的時序與非時序信息的獲取問題[7]。Agrawal R（1993）等人提出了增量式更新算法[8]，Cheung DW（1995）等人提出了并行發現算法[9]。在數據挖掘方法層面，進行了關聯規則挖掘、多層次數據匯總歸納、決策樹、神經網絡、可視化技術等模式、算法的研究。鄭建國，劉芳，焦李成（2002）在分析人工神經網絡基礎上，將子波與已有的神經網絡模型結合，提出了基于自適應子波神經網絡的數據挖掘方法[10]。Furuta K（1990）提出了剪輯近鄰法[11]。

伴隨著大規模數據的增長，人類社會已經進入大數據時代，與傳統的數據集合相比，大數據通常包含大量的非結構化數據，且大數據需要更多的實時分析。2011年全球數據量為1.82ZB，據估計2020年全球大數據量將達到40ZB。現有數據庫架構在ZB數據規模量級下呈現出一種無能為力的狀態。圍繞大數據帶來的數據量級規模的變化，國內外專家學者對數據挖掘的研究焦點出現兩個支分支，其一是如何應對大數據挑戰帶來的數據類型多樣，要求及時響應和數據的不確定層面。余偉等（2015）針對web中不同數據源之間數據不一致的問題，基Hadoop MapReduce架構提出了相應的自動發現算法[12]。Rakthanmanon T， Campana B， Mueen A， et al（2013）[13]提出了DTW（Dynamic Time Warping）法來研究大數據集下的時間序列數據挖掘算法，通過實證驗證了可行性。其二，圍繞數據量集增大，將數據之間的因果關系轉向相關關系，進行相關業務模式、應用和策略等的洞察力研究。曾暉（2014）提出了構建大數據挖掘的管理層次和制度結構及相關解決方法，基于房地產工程項目進行了應用研究[14]。

綜合上述文獻可以看出，從技術路線上來看，數據挖掘圍繞著數據規模量級的問題，遵循著解決數據本身的數據結構異同挖掘，再到解決數據挖掘的實時性技術路線。從商業應用來看，研究領域圍繞數據規模問題，從原來的因果關系轉向到相關關系，逐步將技術與行業應用進行融合的研究路線。

2 競爭態勢和“互聯網+”機遇倒逼物流企業從數據中探索機遇

智慧物流更強調物流供應鏈的匹配效率，進而實現供應鏈整體運作最優。匹配意味著雙向配對，無論成員之間的物流服務水平高低與否，在時空效率的約束下，成員的物流服務能力信息必須充分展示在供應鏈合作伙伴之前，才能實現其與物流供應鏈的快速匹配。

對于物流企業而言，在一定的時空約束下，物流服務能力是其從事某種物流作業的內在能力表述。物流服務能力會隨著業務的熟練程度增加而提升其水平，同樣也會隨著業務萎縮而固步自封，或者說降低其水平。

提供同質化服務的物流企業面臨的競爭環境越來越惡劣，越來越多的物流企業希望擺脫這種尷尬局面。長尾理論告訴我們，這些以往忽視的長尾東西恰恰是我們后續進行差異化經營的變局法寶。企業必須充分重視數據挖掘的細分市場變量集，依靠這些充分挖掘出來的市場細分變量集，我們可以將市場進行無限細分，進而進行有效的目標市場定位，然后根據這些細分市場表現出來的特征，改善我們的物流服務能力，從而形成差異化服務。考慮到物流服務的時空限制，數據挖掘必須重視線上和線下的數據源。對于線下實體運作過程中產生的大量與業務相關聯的數據，必須充分納入NOSQL數據庫中進行存儲。對于線上數據信息，必須設定相關的情感主題，以充分挖掘物流服務過程中隱藏在不同數據結構類型中的特征信息，借助相關性的數據挖掘技術，對線上和線下兩種數據進行細分市場變量集合挖掘，找出相關的細分市場變量結合，從而完成后續的細分市場細分工作。

“互聯網+”時代激發越來越多的物流企業將經營目光轉向互聯網領域，目標是獲取更多的經營機會。具體作業時，往往采用“人—機”交互模式進行網上交易信息的檢索和分析，并未充分發揮智慧物流的優勢，通過機器的自動學習方法來獲取和挖掘交易信息。對于網絡上發布的數據信息而言，分為Deep-web和surface-web兩種模式，對應的數據結構也分為結構化數據、半結構化數據和非結構化數據形態。對于互聯網而言，surface-web模式帶來的數據呈現著爆炸性增長的狀態，而這些數據背后隱藏的信息給相關經營者提供了大量的商機，只不過這些數據往往以文本、視頻、圖片等半結構化和非結構化的數據結構存在著。物流企業可以通過提煉自身物流服務能力作為KEY-VALUE，結合能夠充分挖掘不同數據結構類型的智慧物流數據挖掘算法，在互聯網上進行智慧性的數據挖掘，才能在有限的時間約束范圍內，挖掘出匹配自身物流服務能力的物流業務集合。經營者所要做的是，根據自己的服務成本和盈利目標進行二次篩選，形成滿足客戶需求的信息，主動信息出擊，快速完成與相應供應鏈的對接服務。

3 借用數據挖掘，謀求智慧物流差異化服務創新發展

3.1 以物流服務主題為中心，建立高質量的數據可用性集合

大數據時代的智慧物流運作更強調將數據作為企業的寶貴資源來看待，通過數據挖掘探索出適合自身良性發展的方法和路徑，這就決定了數據可用性成為了智慧物流數據挖掘和物流服務有機互動的基礎。

隨著時間延續，智慧物流運作中的數據量級必然會大幅遞增。Web空間和物理空間（如物聯網）上的數據流，線下具體作業過程中的數據流等，呈現出不能完全滿足數據可用性的特性。一旦數據可用性不足，則數據挖掘結果必然會弱化決策效果。

對于物流企業而言，考慮到目前大數據挖掘技術不成熟的現實約束，必須先將數據可用性這一基礎工作落實，只有這樣才能隨著大數據挖掘技術的突破應用獲得實時效益。數據確認工作十分困難，考慮到具體經營條件約束，物流企業可以采取如下路徑來完善數據可用性工作。首先，分解數據可用性的五個性質，圍繞服務能力，賦予不同的權重，設定相關的弱可用數據指標體系，收集整理弱可用數據集合。其次，以服務相關性為主題，將Web空間上的半結構化和非結構化數據作為收集、整理和存儲的重心，為后續進行深入數據挖掘奠定基礎。第三，將物理世界中的數據和服務作業現場的數據作為輔助支撐，按照數據可用性的完整指標，收集整理出高質量的數據可用性集合。此路徑是一個循環往復的過程，會隨著一項物流服務主題的結束，重新開始下一個循環。

3.2 利用數據挖掘，探尋智慧物流差異化競爭要素—細分市場

物流企業的經營思路著重點在于：首先要解決業務有無的問題，其次是開拓對自身有利的業務。對于技術應用而言，同樣遵循這樣一個規則，那就是無論技術先進與否，如果不能解決上述兩個問題，企業也會棄之不用，遵循業務發展路徑探索智慧物流數據挖掘和物流服務能力的協同路徑會更具研究意義。

“互聯網+”時代給物流企業帶來了大量的業務機會，物流企業需要借助數據挖掘技術，突破時空限制，充分挖掘不同異構網絡平臺提供的各種各樣的商機，尋求適合自己鏈入的供應鏈，完成業務增長任務，這是一種被動性的發展模式。

在被動性發展模式下，如何借助智慧物流數據挖掘，在時間變量約束下，快速找到適合自身物流服務能力的業務顯得尤為重要。在進行智慧物流數據挖掘時，需要借助大數據已有的Hadoop MapReduce架構，完成智慧物流數據挖掘的快捷性布局；其次，以業務相關性為原則，基于Item-Based數據挖掘技術完善算法。即將現有物流服務能力進行提煉，轉化成User特征值，將原有服務成功的物流業務和網上發現的離散物流業務轉換成ITEM數據集，提煉關鍵詞。第三，推測和演化ITEM和ITEM的相似度，構建USER-ITEM矩陣完成后續的智慧物流數據挖掘。在進行數據挖掘和物流服務能力匹配的過程中，不斷訓練和演化算法，以發掘商機為達成目標，可以有效地協助物流企業解決從互聯網上發掘業務有無的問題，盡管這種路徑有一定的意義，但是并不能改善物流企業需要謀求的差異化競爭態勢。

其次，物流企業必須堅持主動性的發展模式，即挖掘出滿意的細分市場之后，必須根據細分市場的需求特征來重構自身的物流服務能力，使供給與需求達到契合，不斷地實踐和磨練自己的物流服務能力，在細分市場形成競爭優勢，從而形成差異性競爭優勢。

構建足夠大細分市場的前提條件在于能夠獲取獨立于競爭對手所知曉的市場細分變量，這些市場細分變量的特征值往往隱藏在不同異構網絡平臺上的非結構化數據中，充分挖掘細分變量數據成為主動發展模式需要破解的難題。在此路徑下，需要采用CONTENT-BASED和ITEM-BASED數據挖掘相結合的方法進行。首先，根據CONTENT-BASED數據挖掘算法，加入業務情感特征向量集，重構CONTENT-BASED的智慧物流數據挖掘算法，對互聯網上的業務進行挖掘，找出業務集（無論是否被競爭對手完成）。其次，結合ITEM-BASED算法，對物流服務能力進行重構，依據時間快捷性和相關性原則，探尋適合的業務集。第三，設定時間段，對服務過的業務結合線下數據進行細分市場變量的可用性數據集進行推敲，將其從弱可用性轉化為高質量的可用性數據集。第四，采用智慧物流提供的可視化技術對市場進行細分，探尋出滿意的細分市場，根據細分市場呈現的需求特征重構自身物流服務能力，進而進入主動發展模式。

對于市場而言，并不是一成不變的，互聯網時代隨著信息日益公開透明，市場的變化速率將會比以往更迅速。對于積極進取的物流企業而言，需要不斷地跟蹤和監控已有市場，積極開拓細分市場，從而形成差異化競爭優勢。

4 總 結

大數據時代已經悄然來臨，數據將成為企業發展中重要的資源，充分借助互聯網和大數據的技術優勢，不斷探尋新的商業模式，可以幫助企業盡快擺脫惡性競爭，形成差異化競爭優勢。本文在收集整理智慧物流和數據挖掘相關文獻的基礎上，研究了競爭態勢和“互聯網+”機遇倒逼物流企業從數據中探索機遇的成因。接下來，論文從基于物流服務主題為中心，建立數據可用性集合，再到利用數據挖掘探尋智慧物流差異化競爭要素—細分市場方面進行了研究，并提出了部分方法。

參考文獻：

[1] 宋則. “物流”其實是一種智慧[N]. 現代物流報，2007

-05-01（002）.

[2] 王繼祥. 物聯網發展推動中國智慧物流變革[J]. 物流技術與應用，2010（6）：80-83.

[3] 王之泰. 城鎮化需要“智慧物流”[J]. 中國流通經濟，2014，28（3）：4-8.

[4] Peter Vervest， Eric van Heck， Kenneth Preiss. Louis-Francois Pau： Smart Business Networks[M]. Springer， 2005.

[5] Veloso M， Bentos C， Pereira F C. Multi-Sensor Data Fusion on Intelligent Transport Systems[D]. University of Coimbra， 2009.

[6] Gubbi J， Buyya R， Marusic S， et al. Internet of Things（IoT）： A vision， architectural elements， and future directions[J]. Future Generation Computer Systems， 2013，29（7）：1645-1660.

[7] 馬志鋒，刑漢承，鄭曉妹. 一種基于Rough集的時間序列數據挖掘策略[J]. 系統工程理論與實踐，2001（12）：22.

[8] Agrawal R， et al. Mining association rules between sets Items in large Database[J]. Acm Sigmod Record， 1993（2）：207-216.

[9] Cheung D W， et al. Maintenance of Discovered Association Rules in Large Database： An Incremental Updating Technique[D]. Hong Kong： University of Hong Kong， 1995.

[10] 鄭建國，劉芳，焦李成. 自適應子波神經網絡數據挖掘方法[J]. 西安電子科技大學學報（自然科學版），2002，29（4）：474-476.

[11] Furuta K. Sliding mode control of a discrete systems[J]. Syst Contr Lett， 1990，14（2）：145-151.

[12] 余偉，李石君，楊莎，等. Web大數據環境下的不一致跨源數據發現[J]. 計算機研究與發展，2015，52（2）：295-306.

[13] Rakthanmanon T， Campana B， Mueen A， et al. Addressing big data time series： Mining trillions of time series subsequences under dynamic time warping[J]. ACM Transactions on Knowledge Discovery from Data（TKDD）， 2013，7（3）：10.

[14] 曾暉. 大數據挖掘在工程管理項目中的應用[J]. 科技進步與對策，2014（11）：46-48.