DM科技在物流方面运用.docx

该【DM科技在物流方面运用 】是由【泰山小桥流水】上传分享，文档一共【8】页，该文档可以免费在线阅读，需要了解更多关于【DM科技在物流方面运用 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。优选文档
优选文档
1
优选文档
DM科技在物流方面的运用
前言
最近几年来,跟着现代信息和通讯技术的发展,以互联网为代表的信息技术为物流发展供给
了强有力的信息技术支持。跟着集成化物流管理信息系统的建立,以及网络技术、EDI、人
工智能、条形码与POS等各种先进技术的应用,物流信息的商品化、物流信息采集的数据
库化和代码、物流信息办理的电子化和计算机化,物流企业提高物流服务过程中都累积了大
量的“粗糙”数据,这些数据和其所包含的信息是企业的财产。但是,面对这样海量的数据,
企业很难对这些数据进行正确、高效的采集和及时办理,所以也就很难帮助决策者做出快速、
正确地决策。目前,物流管理信息系统多数不过发挥着信息的采集、
优选、重组和转发的“中
转站”作用。想要充分利用物流企业在运营中采集到的数据,
发掘储藏在这些海量数据中的
潜伏的和有价值的信息,就需要适应这些数据特色的数据发掘技术。
数据发掘(DataMining,
DM)是在20
世纪末方才流行的数据智能解析技术,
它可以从数据库或数据库房,
以及其余
各种大批数据种类中,抽取或发现实用的信息和知识,
又称为数据库中知识发现,
是一种基
于计算智能的知识获取过程的一个主要步骤[
1]。1996年,戴姆勒克莱斯勒企业、
SPSS、
NCR三个企业假想、构思了
CRISP-DM,并于以后成了相应的委员会。
CRISP-DM的全
称是crossing
-industrystandardprocessfordatamining
,即跨行业数据发掘标准
过程。依据CRISP-DM标准,平时数据发掘的基本步骤包含
:业务理解、数据理解、数据
准备、建立模型、议论、实行等六个步骤[
2]。经过实践,以上数据发掘的六个步骤过程并
非完好依照CRISP-DM标准,要获得好的结果常常需要不停重复这些步骤,也许依据需要重新组合适合的步骤。
数据发掘技术归纳
优选文档
优选文档
2
优选文档
数据发掘所用的技术方法好多,包含了统计解析方法、遗传算法、粗集方法、决策树、
人工神经网络、模糊逻辑、规则归纳、聚类解析和模式鉴别等。其所实现的功能主若是:关系规则、序列模式、分类和展望、聚类、趋向解析和误差检测。依据我国学者朱明的说法,
数据发掘的技术方法种类主要有:定性与比较、关系解析、分类与展望、聚类解析、异类解析、演化解析等六类[3]。本文对数据发掘技术的商讨,基于以上分类。
定性与比较就是对研究对象进行“质”的方面的解析,对获取的各种资料进行思想加工
和比较,从而能揭穿内在规律。看法描述是定性与比较的基本方法,即对含有大批数据的数
据会集进行归纳性的总结并获取简短、正确的描述。
关系解析就是从给定的数据集发现屡次出现的项集模式知识(又称为关系规则),广泛
用于市场营销、事务解析等应用领域。平时关系规则拥有:X□Y形式,即“A1A2...Am
→B1B2...Bn”;此中Ai(i∈{1,...,m})和Bi(i∈{1,...,
n})均为属性等值形式。关系规则X□Y表示“数据库中满足X中条件的记录也必定满足
Y中的条件”。
分类平时用于展望未知数据实例的归属种类(有限失散值),但在一些状况下,需要展望某数值属性的值(连续数值),这样的分类就被称为展望,一般是使用展望来表示对连续
数值的展望,而使用分类来表示对有限失散值的展望。分类与展望所获的模型可以采纳多种
形式加以描述输出,主要技术方法有:分类规则、决策树、数学公式和神经网络等等。
聚类解析与分类展望方法明显不一样,后者所学****获取分类展望模型所使用的数据是已知
种类归属,而聚类解析所解析办理的数据没有早先确立的种类归属。聚类解析中,第一需要
将聚类解析的数据,对象划分为若干组。更进一步从这些同种类数据集,又可以经过分类学演化解析就是对随时间变化的数据,对象的变化规律和趋向进行建模描述。这一建模手段包含:看法描述、比较看法描述、关系解析、分类解析、时间相关数据解析。拥有演化规则的遗传算法、人工神经网络等方法也可纳入演化解析。
异类解析则较为特别,好多数据发掘方法都在正式进行数据发掘以前就将这些异类作为
噪声或不测而将其消除在数据发掘的解析办理范围以内。但在一些应用处合,如各种商业欺骗行为的自动检测,小概率发生的事件或数据常常比常常发生的事件或数据更有发掘价值。
对异类数据的解析办理平时就称为异类解析方法,因为异类解析应用较少,本文没有进行商讨。
数据发掘技术在物流领域中的应用

目前数据发掘技术正以亘古未有的速度发展,已广泛应用于政府、电力、企业、电信、
金融等行业部门,但在物流行业的应用还不是很广泛。跟着数据发掘技术的发展,数据发掘
开始遇到物流业的更多关注,数据发掘在物流业中的应用已经具备了技术可行性和行业的需
优选文档
优选文档
3
优选文档
求性。技术可行性表此刻三方面
:第一,业务办理的计算机化生成大批的现有数据
;第二,
数据储存技术和计算办理速度的更新
;第三,如神经网络这样的先进新算法的产生。
大批数
据的存在为数据库市场销售和数据发掘供给了必需的原料,
计算机技术的发展为企业储存和
利用数据供给了硬件保障,新算法的生成扩大了数据办理的能力和应用范围。
跟着物流信息
化水平的提高,信息化物流网络系统的应用使数据规模不停扩大,
产生巨大数据流。面对激
烈的外面竞争,假如企业不使用有效的数据发掘技术,
将很难对这些数据进行高效的采集和
及时决策。从数据中发掘出的信息可以帮助企业认识市场的动向,
及时针对快速变化的环境
做出确认和回应,并抓住新出现的商机
;数据发掘技术也可经过更透辟认识客户来改进并强
化对客户的服务;数据发掘技术还可以有效地促进企业的业务办理过程重组,
实现规模优化
经营。经过合理使用数据资源,
企业可以经过数据发掘技术提高自己的竞争力,
同时促进我
国物流行业向更高的层次发展。

因为物流企业中的信息拥有数目大、更新快和本源多样化的特色,物流企业过去主要利
用信息的有效沟通、快速传达、物流运作调控和辅助决策的功能,而极少顾及信息数据的挖
掘利用。但跟着市场竞争的加剧、企业精巧化管理梦想的加强以及先进技术方法的开发应用,
对信息中的数据进行发掘利用已成为物流企业赢取客户、增添利润、提高自己竞争力的打破
口。不一样的物流问题,可能需要用不一样的数据发掘方法去解决。但是,关于同一个物流问题,
可能有多种方法,也需要早先评估和测算。各种方法均有必定的长处,也有不足。几种技术
其实不是单一的使用,而是依据实质状况综合加以应用,本文不过是关于最主要的应用加以探
讨。结合数据发掘的技术种类,数据发掘技术在物流企业中可以应用在以下几方面:
优选文档
优选文档
4
优选文档
(1)

客户解析———定性与比较的应用
优选文档
优选文档
8
优选文档
客户解析就是依据各种关于客户的信息和数据来认识客户需要,解析客户特色,评估客
户价值,从而为客户制定相应的营销策略与资源配置计划。经过定性与比较的应用,经过对
优选文档
优选文档
8
优选文档
客户特色进行正确的看法描述,物流企业可以充分发掘客户价值。假如企业已经建立了较为
齐备的CRM系统,结合数据发掘的定性与比较,将对客户价值解析起到立竿见影的成效;如
果企业没有CRM系统,也可以经过数据发掘技术初步建立自己的客户管理系统。
优选文档
优选文档
7
优选文档
(2)合理安排货物的仓储地址———关系解析的应用
如何合理安排货物的储存、压缩货物的储存成本正成为现代物流管理者不停思虑的问
题。关于货物的存放问题,哪些货物放在一起可以提高拣货效率?哪些货物放在一起却达不
优选文档
优选文档
8
优选文档
到这样的成效呢?物流企业可以利用过去的商品流动数据,采纳数据发掘技术中的关系模式
来解决这个问题。关系模式解析的目的就是为了发掘出隐蔽在数据间的互相关系。比方,有
A、B两类产品,描述A类产品的出现对B类产品的出现有多大影响,可以用四个属性来
描述关系规则:可信度———在产品集A出现的前提下,B出现的概率;支持度———产品集A、B同时出现的概率;希望可信度———产品集B出现的概率;作用度可信度———对希望可信度的比值。经过上述关系解析可以得出一个关于货物的简单规则,从而来决定这两种货物在货架上的配置,可以战略性地部署货物在库房中的地址。
优选文档
优选文档
9
优选文档
(3)

物流中心的选择———分类与展望的应用

(

分类树方法

)
优选文档
优选文档
8
优选文档
物流中心(流通中心、配送中心、库房等)选址问题即求解运输成本、变动办理成本和固定成本等之和为最小的最小化问题。物流中心选址,需要考虑到中心点数目和中心点如何
分布等状况。针对这一问题,可以用数据发掘技术中的分类树方法来加以解决。分类树
(classification)的目标是连续的划分数据,使依赖变量的差异最大。分类树的真切的目
的是将数据分类到不一样组或分支中,在依赖变量的值上建立最强划分。用分类树的方法解决
这个问题时,平时需要以下四个方面的数据:1)中心点的地址;2)每此中心点的业务需求
量;3)备选点的地址;4)在中心点和备选点之间的距离。经过分类树的方法,不但确立了
中心点的地址,同时也确立每年各个地址问物件的运输量,使整个企业必需的销售量获取保证,企业的长远折现的总成本也会达到最小值。
(4)市场展望———聚类解析的应用
产品是有生命周期的,即导入期、增添远、成熟期和衰落期。一种产品进入市场后,它的销售量和利润都会随时间推移而改变,表现一个由少到多由多到少的过程。在不一样阶段,
产品的生产、配送、销售策略是不一样的。这就需要提前的生产计划、生产作业安排以及适合
的库存和运输策略。物流企业要侧重商品的生命周期,合理地控制库存和安排运输。企业可将需要解析的商品对象数据划分为若干组,从这些同种类数据集建立相应的展望模型或规则。物流企业可以经过聚类解析作为市场展望的手段,为决策供给依照。
优选文档
优选文档
8
优选文档
(5)

优化配送路径———演化解析的应用

(

遗传算法

)
优选文档
优选文档
8
优选文档
配送路径是个典型的非线性问题,它影响着物流企业配送效率的提高。在好多配送系统中,管理人员需要采纳有效的配送策略以提高服务水平、降低货运花费。此中要考虑车辆的路径问题,车辆路径问题是为一些车辆确立一些客户的路径,每一客户只好被一次,且每条路径上的客户需求量之和不可以超出车辆的承载能力。其次还应试虑到车辆的利用能力,假如
优选文档
优选文档
8
优选文档
车辆在运输过程中的空载率过高或整车的承载力未完好利用,这些无疑会增添企业的运输成
本;其余涉及到车辆的运输能力,就一定考虑到货物的规格大小和利润价值的大小。遗传算
法为配送路径的优化供给了新的工具,它可以把在局部优化时的最优路线继承下来,应用于
整体,而其余节余的部分则结合地域四周的节余部分(即非遗传的部分)进行优化,输出送
货线路车辆调换的动向优化方案[4]。

在物流决策过程中,数据发掘技术不可以解决全部物流领域的问题,也不是全部的数据挖
掘技术都能解决物流领域上的问题的。假如不可以将特别领域的物流业逻辑与数据发掘技术结
合起来,数据发掘的解析成效和效益就不行能达到最正确值。整体来看,物流行业在应用数据
发掘技术时,应该考虑三个方面的要素:一是“人”,要有适合的数据发掘人材,可以正确
快速地选择适合的技术方法进行工作;二是“机”,要建立适合企业实质的、和已有系统集
成的数据发掘系统,要选择适合的数据发掘工具;三是“料”,要从大批的业务数据中获取
有价值的信息,需要保证数据质量。详尽来说,应该注意以下几个方面的问题:
(1)系统集成问题
数据发掘是从大批数据中提取有价值的信息,而数据一般储存在数据库中。物流企业进
行信息化建设的先期一般己经采纳了数据库产品,如好多企业建立了CRM系统作为物流企业管理系统软件[5]。所以,应用数据发掘技术第一考虑数据发掘系统与其余系统的集成问题,便于利用企业已有的数据库。这样,才能有益于企业降低成本,达到最大效益。
(2)数据发掘工具的选择
目前一些流行的数据发掘工具,如IBM企业开发的QUEST系统、SGI企业开发的Mineset系统等,大多是外国的舶来品,不行能完好适合国内企业。引进这些外国产品的时
候企业要考虑定制问题,只有适合并能正确反响企业详尽经营状况的工具才可以发挥作用。
(3)技术人员的影响
数据发掘技术人员所采纳的技术和优化方法会对模型的正确度和生成速度产生很大影
响,其专业涵养和能力关于数据发掘的实行至关重要。所以,这种技术人员第一要有优异的
计算机、统计等相关知识,其次要懂得物流行业的基本流程和运作理念。物流业中一般不具
备这种技术人员,企业决策者应该重视引进人材、培育人材、留住人材。
优选文档
优选文档
14
优选文档
(4)数据质量的影响
优选文档
优选文档
8
优选文档
国内好多物流企业都有不一样的业务系统,同时陪同着一个比较宏大的数据中心。但这种面向事务而产生的数据在质量、完好性和一致性上都存在着好多问题,这就使得数据发掘技术人员很难集中精神去建立模型,而是投入太多的精力和时间去解决数据的抽取、净化和办理。如何保证数据质量,是企业成功实行数据发掘的一个技术要点点[6]。
4结语
数据发掘技术已经在商业、金融业、保险业、电信业等多个领域开始获取应用,获得了
令人满意的成效。跟着数据发掘应用研究的深入睁开,
以及物流企业追求运营绩效梦想的增
强,将会有愈来愈多的物流企业引入数据发掘技术。
我国学者王道同样以为,
数据发掘作为
一种新兴的信息技术,
可以发掘储藏在海量数据中大批未知的和有价值的信息,
为企业物流
管理供给各种决策信息,
减少物流管理者从事低层次信息办理和解析的负担,
使他们专注于
最需要决策智慧和经验的工作,所以提高了管理和决策的水平[
7]。但是,因为在“人”、
“机”、“料”等各个环节或多或少存在必定的困扰,
使得物流行业在实行数据发掘时遇到
许多问题。所以,我国物流企业在数据发掘应用方面还处于起步阶段,
经验不足,成功应用
的实践还其实不常见。建议物流企业可以从最基本的数据发掘技术应用做起,
结合企业的实质
状况和跟着物流行业的不停发展,数据发掘技术将为管理决策供给愈来愈强盛的支持功能,数据发掘技术在物流管理中的应用将会有更加广阔的远景。
优选文档
优选文档
16
优选文档