大数据环境中物流信息的挖掘和利用研究
来源:用户上传
作者:
[摘 要]近年来，我国物流行业快速崛起，物流信息化建设也已基本完成，而随着大数据时代的到来，各物流企业掌握的物流信息越来越多，如何有效挖掘与利用这些数据的价值，帮助企业在激烈的物流市场竞争中做大做强，成为摆在企业面前的重要课题。文章就大数据环境中物流信息的挖掘和利用进行了分析与探讨，以期为相关物流企业提供一定借鉴和参考。
[关键词]大数据;物流信息;数据挖掘
[DOI]10.13939/j.cnki.zgsc.2020.15.164
数据挖掘技术是实现物流信息挖掘、利用的重要前提和基本工具，在当前大数据环境下，比较先进和常用的数据挖掘技术有多种，下面进行详细介绍。
1 数据挖掘的常用技术
1.1 人工神经网络技术
人工神经网络是模拟生理神经网络而设计的一种信息处理系统，它可以通过不断的学习而获得模式识别的能力。人工神经网络具有自学习、并行处理、分布存储操作等优点，辅以计算机高速的处理能力，人工神经网络能够快速搜索某些复杂问题的最优解，这使得该技术在物流信息挖掘中表现出了巨大的应用潜力。
1.2 遗传算法
遗传算法是通过模拟自然界中的生物进化过程而设计的一种计算模型，其基本原理就是以任意一个初始的种群为出发点，利用连续的交换对象成员（相当于自然选择过程中的交配与基因突变）产生新种群（繁殖），然后评估并择优复制，通过这种优胜劣汰的选择过程，逐渐使新产生的种群向搜索空间中越来越好的区域进化，最终得出最有价值的知识集。遗传算法是一种随机和启发式的搜索行为，能够对问题进行并行处理，因此搜索效率大大高于普通算法，在求解复杂问题的最优解时具有很大优势。
除此之外，决策树、关联分析、聚类检测等也是数据挖掘的常用技术，这些技术分别适用于不同的数据挖掘场景，企业需要结合数据挖掘的实际需求进行合理选择。
2 面向物流管理系统的数据挖掘流程
2.1 确定待挖掘的数据源
随着物流行业的不断壮大和发展，物流企业掌握的客户信息和业务数据越来越多，这些信息数据具有量大面广的特点，其中既有大量的冗杂信息，也有许多重要客户的核心信息，而物流企业需要挖掘和利用的正是这部分核心信息，这些信息与物流客户的消费行为决策息息相关，物流企业通过对这些信息的有效挖掘和分析，可以發现其中的关键性联系，并有针对性地调整和优化客户服务方案，进而在留住老客户的同时，为企业吸纳更多的新客户。当然，在实际操作中，要想从庞大的数据库中准确地定位目标数据，物流企业就需要利用先进的数据挖掘技术对信息数据进行关联分析。
2.2 做好数据准备工作
数据准备是数据挖掘的重要前提，一般由数据的集成、选择、预处理三个环节构成。数据集成即从各操作性数据库、文件及遗留系统中提取有用数据，然后对数据进行集成处理;数据选择即在技术人员指导下，收集需要分析的目标数据，剔除其中的冗余信息，以提高数据品质，为后续高效开展数据挖掘工作奠定基础;预处理是数据挖掘之前的最后一道准备工序，也就是通过缩减、转化等方式对选定数据进行进一步的处理。以物流配送的路径选择为例，物流企业需要为每一辆配送车辆规划专门的客户路径，这就要求物流企业在综合考虑车辆利用程度、车辆运输能力、货物规格、运送成本、利润高低等多方面因素的基础上，围绕相关数据进行一系列的集成、选择及预处理操作，这样才能开展后续的数据挖掘工作，达到提高物流配送效率、降低货物运输成本的目的。
2.3 选择合适的数据挖掘技术
在确定待挖掘数据源并做好数据准备工作的基础上，便可以根据要解决的具体问题来选择相应的数据挖掘技术，对数据进行迭代挖掘，从中发现隐藏的、新颖的模式。当然，数据挖掘需要先建立相应的数据挖掘模型，建模之后除需要深度挖掘的部分之外，其他部分一般是可以自动完成的。在构建数据挖掘模型时，最关键的工作就是确定学习算法和算法参数，也就是选取合适的挖掘工具及分析方法。例如，在选择和规划仓储位置时，可以采用关联分析法;在选择配送路径时，可以采用演化分析法;在市场调研方面，可以采用聚类分析法;在选择物流中心时，可以使用分类与预测工具。
2.4 数据解释及评价
受各方面因素的限制，通过数据挖掘所得到的知识集并非全部都有意义，因此还应根据实际情况，对挖掘出来的信息进行科学的评价、筛选及检验，以确保最终提交给决策者的信息是经得起推敲的有效信息。数据解释及评价就是对数据挖掘得到的结果进行评价和分析，以确定其是否具有存入知识库的价值，一般通过人机交互及专家经验评判的方式完成该过程，具体的评价方法会因采用的数据挖掘技术而异。数据解释及评价是一个不断重复的过程，直到最终得出的数据令人满意为止。
2.5 建立知识库
为保证挖掘出来的数据信息得到有效应用，物流企业需要建立相应的知识库，并将上述流程所得到的信息数据存入知识库中。宜采用图表、规则等简单易懂的形式表示知识库中的数据，这样才能确保决策者迅速读懂相关数据，进而为其决策提供参考和依据。
3 数据挖掘技术的具体应用
3.1 市场预测
精细化管理是企业重要的生存之道，特别是对数据体量大、来源广、更新快的物流企业来说，通过精细化管理挖掘数据价值，准确预测市场趋势，对物流企业的生存显得尤为重要。物流企业可以通过聚类分析等数据挖掘技术，建立市场预测模型，精准确定自己的客户群，因人而宜地推出竞争力强的产品，当产品打入市场之后，还要密切关注产品销量、利润等变化，同时结合企业生产、配送、销售等方面的实际情况，有针对性地做好生产计划、库存配置等工作。在这一过程中，预测模型可以起到决策支持的作用。
3.2 物流选址
物流选址是决定物流体系发展的关键，物流企业需要综合考虑运送成本、固定成本、变动处理成本等多方面因素，求解成本最小化的方案。与此同时，还要考虑中心点的分布模式、数量等情况，特别是在多中心选址中，需要在确保物流网络总成本最低的情况下，从多个备选中心点中选出若干地点作为物流中心，这是一个涉及顾客需求量等市场因素的数学规划问题，求解难度相当大，这时就需要用到数据挖掘技术中的决策树方法。
3.3 仓储管理
电子商务的迅猛崛起，对物流企业的仓储管理提出了巨大挑战。如何配置商品，控制成本，提高拣货效率，为消费者提供更好的购物体验和更快捷灵活的物流服务，就成为物流企业能否发展壮大的关键。而借助数据挖掘技术中的关联分析方法，就能找出数据中隐含的相互关系，进而有效解决物流企业的仓储难题。
3.4 客户分析
客户分析即根据企业所掌握的客户资料与数据，分析客户特征与需求，对客户直接或潜在价值进行合理评估，从而确定有利于企业利益最大化的资源配置方案，制定出客户满意的营销策略，巩固客户忠诚度，提高企业销售额。客户分析主要采用数据挖掘技术中的定性比较分析法，这种分析方法能够对客户特征进行准确的概念描述，精准挖掘客户价值，还能够发现流失客户存在的一些共性特征，进而对其他拥有类似特征的客户制订相应的弥补方案，减少物流客户流失率。
4 结论
综上所述，文章以数据挖掘的常用技术为切入点，从确定待挖掘数据源、数据准备、数据挖掘技术选择、数据解释及评价、知识库构建等方面介绍了面向物流管理系统的数据挖掘流程，并提出了数据挖掘技术在市场预测、物流选址、仓储管理、客户分析中的具体应用，多角度入手，旨在促进大数据环境中对物流信息的挖掘和利用，推动物流企业健康持续发展。
参考文献：
[1]赵影.基于Web挖掘的物流信息平台个性化推荐研究[J].中国市场，2015（20）.
[2]张玉峰，曾奕棠.基于动态数据挖掘的物流信息分析模型研究[J].情报科学，2016（1）.
[3]左玉洁.数据挖掘在物流客户关系管理中的应用[J].环球市场信息导报，2016（37）.
[4]包训艳，王丹.大数据时代物流信息平台构建与建设对策研究[J].物流工程与管理，2019（1）.
转载注明来源:https://www.xzbu.com/2/view-15222072.htm
