數據挖掘技術在物流倉儲管理決策中的應用研究

周揚帆　周婕

摘要：數據挖掘技術是一種數據分析處理技術，其來源于實際運用，又服務于實際運用，目的是對海量的數據進行快速、有效、深入的分析，從而挖掘出有價值的信息。數據挖掘技術應用到物流倉儲管理決策系統中，可以有效提高物流倉儲管理的效率。

關鍵詞：數據挖掘技術；物流倉儲管理；決策

對于物流企業來說，有效的信息即是財富，如果能從這些大量無法被直接使用的數據信息中挖掘出有價值的信息，“變廢為寶”，這無疑會給企業帶來大量的財富。數據挖掘的目標是從看似“廢棄”的大量數據中發現隱藏在其中的規律或數據問的關系。

1數據挖掘技術

數據挖掘是從大量的、不完全的、有噪聲的、模糊的、隨機的數據集中，發現隱含在其中的、人們事先不知道的、但又是潛在的有用的知識信息模型和數據問關系的過程。

數據挖掘技術的發展得益于兩門學科的進步，即人工智能和統計分析。數據挖掘技術是傳統分析方法學的延伸和擴展，但和傳統的數據分析有本質的區別。傳統的數據分析是在有明確假設的條件下，通過對大量數據的分析從而得出結論；而數據挖掘技術所得到的卻是事前預先未曾料到的有價值的“意外收獲”。

2物流倉儲管理決策中應用數據挖掘技術的意義

現如今，物流倉儲管理系統在物流企業中得到了廣泛應用。物流倉儲管理的主要有入庫、出庫、在庫、分揀、盤點等多種業務，在實際操作過程中，隨機產生了大量的業務數據，并且這些數據信息日益大數據化、復雜化、動態化。

根據物流倉儲管理系統操作流程，將數據主要分類以下幾類。

（1）基本資料管理數據：部門、員工、客戶、倉庫、儲位、貨品信息、客戶信息（如客戶分布、訂貨總量、每次訂貨記錄、訂貨時間和地點、合同信息、送貨批量和成本）等數據。

（2）入庫管理數據：入庫時間、貨位號、產品的品種、規格、數量（件數或者重量）等數據。

（3）出庫管理數據：客戶信息、發貨時間、出庫品種、數量、方式、提貨人等數據。

（4）庫內管理數據。對轉庫、轉儲、盤點、貨品數量、貨品保質期、最高庫存、最低庫存等數據。

（5）結算管理數據：結算方式、貨物單價、數量、應收（付）款金額等數據。

傳統的物流倉儲管理系統只是對數據做一些簡單、局部的查詢與統計操作，嚴重缺乏對這些數據的全面分析與應用，很難直接為物流倉儲決策直接使用。

針對上述問題，應用相關技術來對物流倉儲管理系統中的數據進行分析，尋找對企業有價值的規律進而對倉儲管理作出正確決策，實現不斷優化倉儲管理操作流程，已經成了當務之急。當前，一個可行的辦法是通過數據挖掘技術對物流倉儲管理中的數據信息的搜集、加工、管理和分析，并以直觀的形式描述獲取的知識，進而為物流企業倉儲管理提供決策支持以提高企業在物流倉儲管理中的決策能力、決策效率、決策準確性。

數據挖掘技術在物流倉儲管理決策中的應用，表現在“發現”和“發明”兩個方面。用數據挖掘技術“發現”物流倉儲管理中的問題就是以物流倉儲管理系統運作過程中產生的大量業務數中的數據為基礎通過采用數據挖掘算法來尋找規律以獲得有價值的倉儲信息。用數據挖掘技術“發明”解決問題的方法就是以數據規律為基礎，結合人工智能和數學方法將實際問題抽象為數學模型，以指導解決實際問題。如在中秋節期間，需要生產大量的禮品月餅來滿足市場的需求，但中秋節已過幾乎所有的月餅都要滯銷，因此物流企業可根據往年月餅的入庫、出庫數據分析來和食品廠簽訂月餅代理合同。

3物流倉儲管理決策中應用數據挖掘技術的影響因素

在物流倉儲管理決策中應用數據挖掘技術需要考慮以下幾方面的因素：

（1）現有物流倉儲管理系統是否適合數據挖掘技術。

在進行數據挖掘工作前，需要考慮當前系統的數據庫是否適合數據挖掘，是否支持目前的數據挖掘工具和算法。如果當前系統的數據庫不適合進行數據挖掘時，要權衡系統的更新所付出的代價與數據挖掘技術所帶來的收益孰輕孰重。

（2）數據挖掘技術人員是否掌握物流倉儲實務知識。

如果要在物流倉儲管理決策系統中成功應用數據挖掘技術，就需要一批技術人員，他們專門從事對物流倉儲管理相關數據分析和數據挖掘工作。這些技術人員既要具有計算機專業知識與技能，也具備物流方面的知識；既要掌握數據挖掘技術，又要懂得物流倉儲實務的相關概念和流程，這樣他們才能根據物流企業自身的特點和需求，選擇適合的數據挖掘技術和挖掘方法，從而提高挖掘模型的準確度，提高數據生成速度。

（3）數據挖掘算法是否合適不同倉儲管理實務。

數據挖掘的算法有很多種，比如FP-Growth算法、Apriori算法、決策樹算法。目前，還沒有明確哪一種算法適合解決何種物流倉儲管理中的何種問題。如果選擇了不恰當的數據挖掘算法，不但不能解決物流倉儲管理決策中的實際問題，而且還會令問題陷入僵局甚至做出錯誤的結果。

（4）處理數據的投入是否大于數據挖掘的投入。

在倉儲實務中，物流倉儲管理系統會產生大量的數據，但相當部分數據質量不高，存在不完整、不一致等問題，這給數據挖掘帶來的困難。這些質量不高的數據，需要通過數據的抽取、凈化等處理才能利用。如果處理數據的時間和精力投入過大，就會影響數據挖掘的效率。所以，在平時的倉儲實務中保證錄入數據的質量就顯得尤為重要。

4物流倉儲管理決策中應用數據挖掘技術的策略

物流倉儲管理實務的環節比較多，所產生的數據是海量的，且這些數據是隨著每天的業務操作動態變化的。倉儲管理每天要面對各種不同的客戶，相同的客戶在不同的時間段對倉儲管理的要求也有著非常大的變化，例如：中秋節期間和月餅有關的商品入庫出庫的頻率比平時要高的多，冬季和汽車配件有關的倉儲實務比其他時段要多很多。物流企業能對倉儲管理系統中的數據進行查詢從而形成查詢報表，但是這些報表一般都是一些局部和短期的數據統計具有很大的局限性，物流企業很難尋找到有價值的數據，對提高物流倉儲管理決策效率有限。endprint

物流倉儲管理決策主要存在3個方面的問題，即倉儲的合理化安排、制定合理的庫存策略、客戶價值分析。具體表現如貨物入庫時，很難對倉儲儲位做到合理安排，導致出庫時可能要在好幾個倉庫之間完成，效率不高。庫存策略制定針對性不強，不能根據企業的不同、時期的不同制定合理化的庫存策略。倉儲管理中的規律很難得到，導致調整企業策略非常困難。實際操作中很難維護現有的客戶和開發新客戶。

因此對物流倉儲管理系統中的數據資源進行有效地使用、針對倉儲管理中不同實務環節中形成的不同數據庫作數據挖掘并發現新知識具有相當大的挑戰性。為此，可以從以下3個方面進行數據挖掘：

（1）庫存策略挖掘：通過對庫內管理中貨物的存儲序號、存儲數量、單價、存儲期限及庫存數量比率、占貨物總價值比率等數據采用分類分析法等挖掘技術來確定對不同貨物的庫存管理措施、制定合理的庫存策略。

（2）倉儲作業挖掘：對物流倉儲管理系統中的入庫模塊、出庫模塊各項具體倉儲實務中所涉及到的數據進行收集，搭建數據處理平臺，采用相應的數據挖掘算法進行挖掘，以形成一些潛在的、不易被發現的有用信息，從而形成對倉儲作業操作的決策支持。

（3）客戶管理挖掘：從物流倉儲管理系統中的客戶信息數據庫中抽取出有效的、未知的、便于理解的信息，采用決策樹算法來進行挖掘以達到維持老客戶，開發新客戶的目的。

通過對物流倉儲管理系統中出庫信息表中數據進行一系列的數據處理與轉換，形成目標數據庫，并通過java代碼將其轉換為DAT文件，通過自行開發的基于FP-growth算法的java程序對DAT文件中的數據進行處理、構建并輸出了相應的頻繁1項集、FP樹、條件模式庫、條件FP樹和頻繁模式列表等對象并成功挖掘出了出庫商品類別之間的關系并形成頻繁模式，進而得出企業入庫時的商品儲位安排策略。

通過統計出庫信息表中的不同類別的商品出庫次數，來發現不同類別商品之間的關系進而調整入庫儲位安排策略，其實這種方法是片面的，而且有時是錯誤的。通過分析，我們發現可以通過收集出庫信息表中的商品類別和提貨倉庫數據，查詢出每個倉庫中哪幾種類別的商品出庫頻率較高，進而可以把每個倉庫中包含哪幾種商品類別作為一個事務；通過關聯規則挖掘來找出頻繁模式，進一步合理安排商品儲位，以提高以后出庫操作的效率。

將數據挖掘技術應用到物流倉儲管理系統中的出庫實務操作環節中，運用關聯規則來尋找不同的出庫商品類別之間的頻繁模式，以在以后的入庫操作中合理安排儲位，提高出庫效率。因為每次需要出庫的不同商品可能會存放在不同的倉庫中，完成一次提貨可能要牽扯到多個倉庫，出庫信息表中包含了出庫商品的商品編號、類別和提貨倉庫等信息，因此只要能夠對出庫信息表中的商品類別進行數據挖掘并得到關聯規則就可以得到哪幾種類別的商品是出庫操作中的頻繁模式，并作為下次入庫操作時調整倉庫儲位的根據，從而來優化商品儲位安排策略，以提高下次出庫操作的效率。

5總結與展望

數據挖掘和物流倉儲管理系統之間實際上存在著互補的關系，倉儲管理系統為數據挖掘提供了所需的寶貴數據，數據挖掘體系能夠為物流企業提供接入、報告、分析信息的工具，能夠幫助物流企業作出正確的決策。

數據挖掘為企業從戰略高度把物流倉儲管理系統與營銷戰略以及企業的總體戰略有機地結合起來，科學地做出物流決策提供了有效的工具和手段。數據挖掘技術可以有效地提升企業的市場反應速度，滿足客戶的需求，能夠幫助企業獲得充分的競爭優勢，并且這種優勢是無法輕易復制的。所以，基于數據挖掘技術的倉儲管理系統可以有效提升供應鏈的效能，降低企業運營成本和決策效率，必將在未來有著巨大的市場前景。endprint