数据挖掘技术在物流与供应链管理中的应用

[摘要]：随着信息技术的发展，企业为了在激烈的市场竞争中占得一席之地，纷纷建立相应的数据库，通过数据挖掘技术获取有用的信息，以便更好的制定决策。本文首先介绍了数据挖掘技术的内涵，接着主要具体阐述该技术在物流与供应链管理领域的多方面应用，最后进行总结与展望。

[关键词]：数据挖掘、物流与供应链管理、应用

1引言

现代物流系统是一个庞大复杂的系统,特别是全程物流,它包括运输、仓储、配送、搬运、包装和物流再加工等诸多环节,每个环节的信息流量都十分巨大。同时,信息化物流网络体系的应用也使得数据库规模不断扩大,巨大的数据流使企业难以对其进行准确、高效的收集和及时处理。为了帮助决策者快速、准确地作出决策,实现对物流过程的控制,提高企业的运作效率,降低整个过程的物流成本,增加收益,就需要一种新的数据分析技术来处理数据。

2数据挖掘技术的内涵

数据挖掘(Data Mining)，就是从海量数据中挖掘出隐含在其中的知识。数据挖掘的概念应该分为狭义的和广义的两种。

一般认为，广义的数据挖掘又称数据库中的知识发现(Knowledge Discovery in Database)，简称知识发现(KDD)。它是从大量的、不完整的、有噪声的、模糊的和随机的数据中，提取隐含在其中的、人们事先不知道的、但又是可信的、潜在的和有价值的信息和知识的过程。

这个概念包含以下几层含义：

(1)作为数据挖掘的数据源，其数据必须是海量的、含有噪声的。

(2)挖掘出来的模式是可理解的、易描述的、有用的。

(3)通过数据挖掘发现的知识是用户感兴趣的。所谓感兴趣，是指知识的可信度、新颖性、潜在作用性和可理解性的综合。

(4)通过数据挖掘发现的知识不是放之四海而皆准的真理，也不是要去发现崭新的自然科学定理和纯数学公式，更不是什么机器定理证明，数据挖掘发现的知识是相对的，是有特定的条件约束的，面向特定领域的。

狭义的数据挖掘是一个利用各种分析工具在海量数据中发现模型和数据之间关系的过程，是知识发现过程中的一个步骤。

数据挖掘是一门诞生时间不长却飞速发展的计算机分析技术，其方法有很多种,其中比较典型的有关联分析、序列模式分析、分类分析、聚类分析等。它的常用算法有：统计分析方法、决策树方法、遗传算法、运筹学等。除此之外还有关联规则、神经网络、小波分析方法等。

3数据挖掘在物流与供应链管理领域的主要应用

3.1 选址决策

3.1.1 概述

物流供应链选址决策主要是物流中心的选址问题，它是指在一个具有若干供应网点及若干需求网点的经济区域内，选取一个或多个地址来设置物流中心的规划过程。最佳的物流配送中心选址方案使商品通过物流中心汇集、中转、分发，直至输送到需求网点的全过程的效益最好。如果选址不当，将产生极大的负面影响甚至付出沉重的代价。

3.1.2 数据挖掘技术的应用

在物流中心选址时，基于以上的考虑因素，使用数据挖掘技术来找出自然环境、经营环境、基础设施状况、物流费用等指标，然后建立模型，对其分析，得出最终的选址方案。

目前运用决策树方法对其进行研究，它的主要步骤为：

(1)选择目标数据，预处理和数据转换

对影响供应链选址的因素如交通便利等进行数据收集，再按公式进行统一数据转换，如转换为百分制，以便于选址评价。

(2)建立决策树

根据选址评价样本数据集，利用公式得出各属性的信息增益，信息增益最大的属性作为决策树的根，再对其属性值分别引出一个分支，重复上述步骤，最后生成决策树。

(3)结果评价，选址

3.2 库存仓储决策

3.2.1概述

物流中的仓储是包括储备、库存在内的广义的仓储概念，它是以改变“物”的时间状态为目的的活动，是与运输并列的两大主要功能要素。仓储是社会物质生产的必要条件，可创造“时间效用”，即调节生产的不均衡、消费的不均衡、价格的不均衡。仓储成本与服务水平紧密相关，例如：为了降低成本而减少库存，很可能会造成客户等待时间过长，服务质量下降。在进行仓储决策时，应考虑存储成本、生产准备(生产变化)成本、订购成本、短缺成本和所需物料的市场成本。

3.2.2库存仓储的数据挖掘过程

1．确定数据挖掘的目的

进行数据挖掘必须有清晰业务对象和明确的挖掘对象，由此确定数据挖掘的目的。应以企业内部、 外部相关的数据记录作为数据挖掘的对象，目的是更好地控制库存的数量与质量，为企业节约资金和时间成本。

2．数据整理

1) 数据清理：清除噪声数据或不一致数据，对缺失数据及异常数据进行处理，筛选掉不希望包括进来的观测值。

2) 数据集成：数据的来源越广泛，则包含有效数据的可能性就越大。对企业内部而言，涉及到企业ERP的各个方面和PDM(产品数据管理)的相关数据。而对企业外部的数据，则包括供应链上各个企业的信息、 企业营销反馈信息、 企业网站、BBS论坛等服务相关信息。

3) 数据选择：搜索所有与业务对象有关的内部和外部数据信息，辨别出需要进行分析并适用于数据挖掘应用的数据集合，缩小挖掘范围，避免盲目搜索。若数据量太大，则可采用取样技术，这样最终得到的数据来源，才能充分反映出数据挖掘对象的特性，实现数据挖掘的目的。

3. 数据转换：根据具体问题建立相应的数学模型后，针对某一个挖掘算法需要将数据转换成适用于挖掘算法使用的范围或格式，然后将转换后的值作为新的变量存放在样本数据中。转换目的是使数据更好地和将来要建立的模型拟合。

4. 建立数据挖掘库：对于大型企业，可以通过上述步骤建立数据仓库，在数据挖掘的同时进行联机分析(OLAP)，这需要有专用的数据仓库服务器支持，对中小企业而言，没有大规模投入的情况下，也可以通过上面的步骤建立数据挖掘库，直接用于数据挖掘。

3.3 配送决策

3.3.1 概述

在现代物流企业中，物流配送过程是关系到企业经营业绩的重要环节，通过对配送需求的预测可以保证合理的资源配置和降低配送费用。企业在经营活动中，积累了大量的数据，如销售数据、历史配送数据、库存数据、商品结构数据、地区数据、客户数据、市场数据等，这些数据蕴涵着宝贵的信息，如能充分利用，对企业的发展极为有利。

在这些海量数据的基础上，构建全新结构的数据仓库，以数据挖掘为手段，面向不同的主题，重新组织这些数据，从多方面进行深入的分析，可以分析和挖掘得出有价值的经验和规则，为企业的物流配送提供辅助决策。

3.3.2配送过程中数据挖掘的内容

在物流配送业务中，主要关注的问题是货物的调配与运输费用。通过对运输时间、配送车辆的选择、配送货物种类和数量进行分析，我们可以得到很多重要的信息。主要从车辆维度、时间维度和货物维度三个方面来考虑：

(1)车辆维度的类别：全部车辆、车辆类型、单车

物流配送企业常常要考察车辆的载货量、行驶速度等指标，通过对不同类型的车辆进行对比，可以全面掌握各种车辆的运载能力。这样，可以针对不同的客户需求制定合理的配送决策方案，达到企业资源的最优化配置。

(2)时间维度的类别：全部时间、年、月、日、时、分

物流配送企业在时间的观测角度与一般的销售企业有很大的不同。一般的销售企业主要是对每天、每月、每季度、每年的销售情况就行统计分析，而物流配送企业重点关注的是如何满足每次配送任务中客户对时间的要求。从这个角度观察时间，主要是对每次配送任务中，车辆的运输时间段的观察。通过多次不同的配送任务记录的积累，寻找影响车辆运输时间的因素。同时，对运输时间与运输线路的分析，可以对每次配送任务寻找到最优化的配送顺序，达到提高运送效率，降低运送成本的目的。

根据上面配送系统的要求，将时间维的类别设计为全部时间、年、月、日、时、分六个类别。在物流配送日汇总表中，有配送日期字段，可以通过这个字段知道配送任务发生的日期，在此基础上，进而确定本次配送任务的执行时间段。

(3)货物维度的类别：全部货物、货物分类、单个品种

物流配送企业的货物实际上可以看作是销售企业的商品，对货物而言，企业关心的是货物的库存数量与在途数量，这就要对全部货物进行分析。在物流配送企业中，仓库中的货物流动量越大，说明该物流配送企业的经营状况越好。同时，可以为其供货商提供相关的市场信息。

将货物维设计分为全部货物、货物分类、单个品种三个层次，编码字段货物基本信息表的货物编码字段、货物分类目录表的货物分类编码字段和货物分类级别字段等相关字段组合起来可以提供所需要的信息。

3.4 数据挖掘在物流客户关系管理中的应用

3.4.1概述

随着物流企业管理信息系统不断完善，企业积累了大量的客户信息和产品数据。如何充分利用这些数据，提高第三方物流企业的服务水平是摆在众多企业家面前的难题。数据挖掘技术可以从海量的数据中挖掘出需要的信息，为解决这个难题带来了希望。物流领域客户关系管理主要包括客户需求分析、客户忠诚度分析、客户等级评估分析、产品销售分析等。

3.4.2 数据挖掘过程

有约束的关联规则数据挖掘的实施过程如下：

理解业务问题

如“客户食用分析”，“客户流失分析”等

2．建立数据仓库

建立数据仓库时对数据进行预处理，根据待决策的问题对运营数据进行选择，清洗，转换，装载的操作，以得到更好的模型。数据挖掘的数据可能驻留在多个业务数据库中，如客户数据库，产品数据库，交易数据库，ERP数据库等。需要将其整合。

3．分析数据

在建模之前必须很好的理解数据。取各种数据的特征，包括统计量的描述如平均值，标准方差等。

4．准备建模数据

5．建立预测模型

6．模型评价

7．模型应用

3.5数据挖掘在物流平台中的应用

现代物流管理平台是国家十一五支撑计划课题“现代物流综合管理关键术及平台”中的成果之一。该平台主要以增强物流系统的信息辐射和集聚效为目标，研究物流信息资源共享机制，以减少物流系统中的不确定性、降低营成本、缩短运转周期、增强物流系统柔性为目标，以第三方物流企业和区域物流为示范对象，综合应用物流系统优化设计、业务过程监控、资源整合与业务协同和信息共享与集成等现代物流系统关键技术，推动物流服务功能和范围的持续扩展，提高我国物流服务业的核心竞争力。

3.6数据挖掘在供应链金融领域应用

“供应链金融”是近年来金融机构针对供应链上下游企业提供的一种全新的金融业务。该业务主要围绕供应链上某“1”家核心企业，将供应商、制造商、分销商、零售商、直到最终用户连成一个整体，全方位地为链条上的“N”个企业提供融资服务，通过相关企业的职能分工与合作，实现整个供应链的不断增值，因此，它也被称为“1+N”模式。这种融资模式站在产品供应链的全局高度，为整个供应链提供综合的金融服务，既解决了企业特别是中小企业长期以来存在的融资困扰，又延伸了金融机构的纵深服务具有广阔的发展前景。而随着信息化的普及和第三方物流的发展，许多大型物流公司积累了大量经销商的相关数据信息，分析、利用如此海量的数据，正是数据挖掘技术的用武之地。本文利用描述性数据挖掘给出低还款能力(以下称为高还款风险)经销商的特征属性，为金融机构进行风险控制提供参考依据。

4总结与展望

数据挖掘技术已经在商业、金融业、保险业、电信业等多个领域开始得到应用，取得了令人满意的效果。我国物流企业在数据挖掘应用方面还处于起步阶段，经验不足，并且应用实践在国内物流企业中还并不多见。同时，数据挖掘技术仍然面临着许多问题和挑战：如数据挖掘方法的效率亟待提高，尤其是超大规模数据集中数据挖掘的效率；开发适应多数据类型的挖掘方法，以解决异质数据集的数据挖掘问题；动态数据和知识的数据挖掘；网络与分布式环境下的数据挖掘等。但随着数据挖掘应用研究的深入开展，以及物流企业追求运营绩效愿望的增强，将会有越来越多的物流企业引入数据挖掘，为各物流企业在激烈的竞争中掌握主动，在未来的发展中提供更广阔的空间，发挥重要的作用，数据挖掘在物流企业管理中将会有更加广阔的应用前景。

[参考文献]

1.张敏.数据挖掘技术及应用[J].信息技术，2010（3）：11-13.

2.Han Jiawei, Micheline Kamber.数据挖掘―概念与技术[M].北京:机械工业出版社，2001.

3.夏火松．数据仓库与数据挖掘技术[M].北京：科学出版社，2004：6．

4.陈畴镛,陆锦洪.基于数据挖掘方法的供应链合作伙伴选择[J].数量经济技术经济研究, 2002(12): 79-84.