數據挖掘在進口報關流程優化中的應用研究

摘 要 隨著大數據時代的到來，企業信息處理流程的優化，變得至關重要。很多企業在分析信息處理流程的方法上還是相當簡單，采用類似于分析實物制造流程的方法。但是在實際的推行過程中，由于缺乏對信息流程處理的多樣性和變動性的特點了解，只是憑簡單分析和個人經驗抓問題發生點，所以出現抓不住重點和看不全面的兩大問題。本文利用數據挖掘的方法，對N公司的進口報關流程進行了分析和改善，通過建立價值流程圖，找出最有改善價值的流程段，然后運用決策樹模型，針對若干流程薄弱點提出具體建議。

【關鍵詞】進口報關 時間優化 數據挖掘

1 引言

信息雖給出了數據中一些有一定意義的東西，但它往往和人們所從事的任務沒有什么關聯，還不能作為判斷、決策和行動的依據。對信息進行再加工，進行深入洞察，才能獲得更有用的信息，即知識。從數據到知識，要經過分析加工、處理精煉的過程。我們可以把知識從低到高區分為四個等級：數據、信息、知識與智慧。數據是原始素材；信息是可以對比且具有相關背景資料的數據；知識是可用于指導行動的信息；智慧是為達到特定目標而運用知識的能力。

數據挖掘，又稱數據庫知識發現，是數據庫技術的進一步擴展，所謂的數據挖掘是非瑣碎的過程，揭示了隱含的、未知的從數據庫中大量數據和信息的潛在價值，使得人們收集數據的能力大大提高。數據挖掘是一種決策支持過程，它是基于人工智能、機器學習、模式識別、統計學、數據庫、可視化技術、高度自動化企業數據分析，歸納推理，發掘出潛在的模式，幫助決策者調整市場策略，減少風險，做出正確的決策。

2 N公司進口報關流程的狀況

2.1 進口報關的方式

進口報關應該分為一般貿易進口和進料加工企業這兩個方法。

2.2 進行報關的程序

在正常情況下，進口報關分為4個步驟，：聲明、查檢、納稅和釋放。

2.3 流程結構圖

如圖1。

3 利用數據挖掘處理問題的整體策略

3.1 制作價值流程圖

3.1.1 描述個人職能

進口報關流程不同于傳統的制造業，是個信息處理的過程，每個人的職能比制造業更加復雜，明確每個人的職能，才能知道價值流程圖的每個子流程。每個企業的進口報關有著自己的特性，所以在分析前，必須重新梳理他們的職能。每個人的職能描述可以分以下5個方面：

（1）來源：他的前道是誰，他們分別會提交過來什么任務，是信息還是實物。

（2）處理規則：對于每個任務，處理的規則是什么。

（3）任務目標：每個任務最終會達到什么效果。

（4）等待機制：不同于實物制造流水線工人的職能單一，進口報關流程中的每個人往往有其他無關的任務，所以清楚任務所面臨的可能等待，是清楚某些任務出現不正常的延遲的必要事件。

（5）錯誤處理：因為類似的信息處理任務的非標準特質，所以出錯率較高，錯誤處理機制的好壞往往決定著任務處理時間分布。

（6）去處：成功處理的任務的下個處理程序。

3.1.2 分析進口報關的信息處理流程

以N公司的進口報關流程的基本情況為例：

（1）從國外制造商和物流服務商那獲取報關需要的原始憑證：合同，發票，運輸單據，箱單。

（2）子流程：海運過程，報關文檔的預處理，電子申報，海關審核報關單據，現場檢查。

（3）涉及的合作方：國外制造商，物流服務提供商，N公司進口部門，報關商，海關。

（4）涉及人員：總共約20人，其中專職本任務的約10人。

（5）考核指標：總的流程時間，N公司目前的設定標準天數為7天。

3.1.3 畫出價值流程圖

價值流程圖（Value Stream Mapping，VSM）是豐田精益制造（Lean Manufacturing）生產系統框架下的一種用來描述物流和信息流的形象化工具。VSM可以作為管理人員、工程師、生產制造人員、流程規劃人員、供應商以及顧客發現浪費、尋找浪費根源的起點。

它在這的主要作用：

（1）幫助數據分析人員去理解流程，理解企業的業務數據背后的邏輯，從而建立數據挖掘的具體模型，運用恰當的分析模型。

（2）當數據分析結果出來時，便于把它翻譯為具體的問題，這樣提出的改善項目，業務人員才能理解這些項目的意義，才能爭取到更多的資源支持。

3.2 數據分析

3.2.1 數據的前期工作

（1）挑選數據。把N公司進口報關的數據記錄整合，結合對進口報關流程的理解，剔除與流程時間無關的記錄要素。

（2）數據的預處理。刪除異常和無效的數據，把所有的數據轉換為標準格式。

（3）數據的轉換。將把數據轉換成一個模型，這個分析模型是針對挖掘算法建立的，一個恰當的挖掘算法分析模型是數據挖掘成功的關鍵。

3.2.2 列出可能的影響因素

對整個流程進行分析，根據第一步的個人職能描述，從和他們的交流中提煉可能的影響因素，并且區分哪些是難以改變的，哪些是精益改善的重點，對于N公司的進口報關流程，如表1所示。

在后面的數據分析中，首先要把整體的的延遲效果分攤到每種因素上，區分不同的因素對整體的流程時間造成的影響。因為這些可改善因素是難以記錄，這也是區別于傳統制造業的數據分析難點，所以本文的思路是，把屬于不可改變因素造成的延遲影響剝離出來，找出可改善因素在當中的影響效果，然后從可能的改善方面去指定改善措施。

3.2.3 篩選最有改善價值的流程段

這部分主要是比較不同情形下，流程時間的波動情況，引入了改善價值評估的3個屬性：改善空間，改善難度，情形權重。endprint

在一定的情形下，流程時間在準時和延遲狀況下的分別有兩個分布。

A：延遲分布的均值-準時分布的均值差越大，表示改善空間越大。

B：延遲分布的標準差-準時分布的標準差越大，表示當中的干擾因素越多，難以去分析波動的具體，改善的難度越大。

C：延遲分布的權重，表示如果得到改善，它對整體的影響大小。

改善價值=A/B*C，通過計算不同情形下的改善價值，企業可以迅速的定位它應該重點分析和改善的地方。

3.2.4 運用數據挖掘工具具體分析

數據挖掘的原理是數學統計和計算機編程的相結合，所以對于數據挖掘的初級應用只需運用一些成熟的工具即可，目前較為成熟的數據挖掘工具為SAS，SPSS和Minitab，Mat lab，根據對N公司的實際問題和數據的觀察，采用SPSS較為適合。

3.2.5 數據挖掘方法選擇

決策樹（Decision Tree）是在已知各種情況發生概率的基礎上，通過構成決策樹來求取凈現值的期望值大于等于零的概率，評價項目風險，判斷其可行性的決策分析方法，是直觀運用概率分析的一種圖解法。由于這種決策分支畫成圖形很像一棵樹的枝干，故稱決策樹。在機器學習中，決策樹是一個預測模型，他代表的是對象屬性與對象值之間的一種映射關系。樹中每個節點表示某個對象，而每個分叉路徑則代表的某個可能的屬性值，而每個葉結點則對應從根節點到該葉節點所經歷的路徑所表示的對象的值。決策樹僅有單一輸出，若欲有復數輸出，可以建立獨立的決策樹以處理不同輸出。數據挖掘中決策樹是一種經常要用到的技術，可以用于分析數據，同樣也可以用來做預測。

決策樹學習也是資料探勘中一個普通的方法。在這里，每個決策樹都表述了一種樹型結構，它由它的分支來對該類型的對象依靠屬性進行分類。決策樹同時也可以依靠計算條件概率來構造。決策樹如果依靠數學的計算方法可以取得更加理想的效果。 數據庫已如下所示：

相關的變量 Y 表示我們嘗試去理解，分類或者更一般化的結果。 其他的變量x1， x2， x3 等則是幫助我們達到目的的變量。

3.3 提出精益改善項目

（1）決策樹的結果以樹的視圖出現，它的含義基于前面對決策樹算法的描述，每一層都是一個最優分類：見附圖一

（2）通過觀察，發現了9個節點異常，清晰的數據請見圖2。

（3）進一步比較它們的數據，做出柱狀圖，見圖3。橫軸為3組國家，縱軸為流程時間，

認為異常的依據，因為它們的延遲記錄都屬于其他原因（另外兩個分類為COO延遲和沒有延遲原因記錄），但是卻發現對于不同的國家，N公司的進口報關流程的時間有著明顯的詫異，SPSS自動把所有的記錄國家分為3組：1，VN，MY，IN；2，HK，TH，LK，ID；3，其他一些小批量的國家。相差的時間最高達到了4.55天，即36.4個工作小時，這個值得進一步研究挖掘。

而通過進一步與相關業務人員交流，由于決策樹排除了已知有記錄的客觀因素的干擾，從理論上來講，同一環境中，來自不同國家的進口報關單證的處理時間應該接近。

顯然這里是一個問題點，需要進一步找出改善措施，遍歷整個決策樹，結和相關人員的經驗知識，提出所有的問題點。

3.4 相應的改善措施

上述決策樹被遍歷后，一共得出9個問題點，它們的位置見附圖2。

上述的這個問題點，最后的改進方案為：

第一，改善員工對其他國家分類下的業務處理能力，加強對員工的技能培訓。

第二，重新審視員工對1條訂單的業務處理能力，總結在此情況下異常的原因。

第三，使用處理軟件，使得處理復雜單證的時候，時間大幅度下降。

3.5 預計的效果

以上述的例子問題節點為例，如圖4所示。

假如，能讓所有國家的報關單證按照表現較好的節點4（VN，MY，IN）的來，那么（HK，TH，KH，ID）可以短短1.15天，而且決策樹的結果提供了這個節點的樣本量。所以這個節點改善后對整體的改善效果也可以得知。

某個節點的改善空間（天）*權重=這個節點的改善對整體流程時間的改善。

再從另外一個角度看改善效果，其中業務人員給出的理論標準時間為1天，原產地證COO造成的延遲為1.15天，剩下的0.76天是其他的因素造成的延遲，引用圖5。

減少的浪費時間比例=0.46/0.76=61%

如果，N公司的進口報關流程沒用進行大的流程改革或者技術提升，即理論標準天數補天，那么所以通過改善這9個問題節點，將可以較少61%的無效時間。

4 結論

本文通過將前期建立價值流程圖，中期的數據挖掘和最后的多點準確的精益改善措施，幫助企業的有效縮短了進口報關流程的時間。在沒有大幅度改變進口流程和沒有投入技術升級的情況下，有效找到了進口報關流程中最薄弱的環節，有的放矢的提出相應的改善措施，這需要改良者能貫穿進口報關業務，精益和數據挖掘，綜合要求較高。

參考文獻

[1]薛躍，盛黨紅.6σ管理法與精益生產整合研究[J].科學學與科學技術管理，2003（01）.

[2]王立柱.精益生產在亞特公司的應用研究[D].北京交通大學.碩士學位論文，2009.

[3]王萍.基于數據挖掘技術的消費者行為研究[C].博士學位論文，2004.

[4]林慧丹.第三方物流[M].上海：上海財經大學出版社，2005.

[5]儀玉莉，劉洪彬.高級物流師[M].北京：人民交通出版社，2004.

[6]劉立，張清檢.物流師實務手冊.北京：機械工業出版社，2007.

[7]丁朝陽.企業信息化規劃與解決方案研究[D].武漢：華中師范大學，2004.

[8]楊永鋼.數據挖掘在物流領域中的應用[D].武漢：武漢理工大學，2006.

[9]張云濤，龔玲.商業智能設計、部署與實現[M].北京：電子工業出版社，2004.

[10]王珊.數據倉庫技術與聯機分析處理LM.北京：科學出版社，1998.

[11]Adrienne Curry，The intranet-an intrinsic component of strategic Information management， International Journal of Information Management，2000.

[12]Agrawal R.，C.Faloutosos，Efficient similarity search in sequence data bases，Foundations of Data Organization and Algorithms，Chicago，Oct，1993.

作者簡介

張園園（1982-），女，安徽省濉溪縣人。現為合肥工業大學計算機與信息學院在讀碩士。系安徽工業經濟職業技術學院實驗師。主要研究方向為計算機應用技術。

作者單位

1.合肥工業大學計算機與信息學院 安徽省合肥市 230000

2.安徽工業經濟職業技術學院 安徽省合肥市 230000endprint

在一定的情形下，流程時間在準時和延遲狀況下的分別有兩個分布。

A：延遲分布的均值-準時分布的均值差越大，表示改善空間越大。

B：延遲分布的標準差-準時分布的標準差越大，表示當中的干擾因素越多，難以去分析波動的具體，改善的難度越大。

C：延遲分布的權重，表示如果得到改善，它對整體的影響大小。

改善價值=A/B*C，通過計算不同情形下的改善價值，企業可以迅速的定位它應該重點分析和改善的地方。

3.2.4 運用數據挖掘工具具體分析

數據挖掘的原理是數學統計和計算機編程的相結合，所以對于數據挖掘的初級應用只需運用一些成熟的工具即可，目前較為成熟的數據挖掘工具為SAS，SPSS和Minitab，Mat lab，根據對N公司的實際問題和數據的觀察，采用SPSS較為適合。

3.2.5 數據挖掘方法選擇

決策樹（Decision Tree）是在已知各種情況發生概率的基礎上，通過構成決策樹來求取凈現值的期望值大于等于零的概率，評價項目風險，判斷其可行性的決策分析方法，是直觀運用概率分析的一種圖解法。由于這種決策分支畫成圖形很像一棵樹的枝干，故稱決策樹。在機器學習中，決策樹是一個預測模型，他代表的是對象屬性與對象值之間的一種映射關系。樹中每個節點表示某個對象，而每個分叉路徑則代表的某個可能的屬性值，而每個葉結點則對應從根節點到該葉節點所經歷的路徑所表示的對象的值。決策樹僅有單一輸出，若欲有復數輸出，可以建立獨立的決策樹以處理不同輸出。數據挖掘中決策樹是一種經常要用到的技術，可以用于分析數據，同樣也可以用來做預測。

決策樹學習也是資料探勘中一個普通的方法。在這里，每個決策樹都表述了一種樹型結構，它由它的分支來對該類型的對象依靠屬性進行分類。決策樹同時也可以依靠計算條件概率來構造。決策樹如果依靠數學的計算方法可以取得更加理想的效果。 數據庫已如下所示：

相關的變量 Y 表示我們嘗試去理解，分類或者更一般化的結果。 其他的變量x1， x2， x3 等則是幫助我們達到目的的變量。

3.3 提出精益改善項目

（1）決策樹的結果以樹的視圖出現，它的含義基于前面對決策樹算法的描述，每一層都是一個最優分類：見附圖一

（2）通過觀察，發現了9個節點異常，清晰的數據請見圖2。

（3）進一步比較它們的數據，做出柱狀圖，見圖3。橫軸為3組國家，縱軸為流程時間，

認為異常的依據，因為它們的延遲記錄都屬于其他原因（另外兩個分類為COO延遲和沒有延遲原因記錄），但是卻發現對于不同的國家，N公司的進口報關流程的時間有著明顯的詫異，SPSS自動把所有的記錄國家分為3組：1，VN，MY，IN；2，HK，TH，LK，ID；3，其他一些小批量的國家。相差的時間最高達到了4.55天，即36.4個工作小時，這個值得進一步研究挖掘。

而通過進一步與相關業務人員交流，由于決策樹排除了已知有記錄的客觀因素的干擾，從理論上來講，同一環境中，來自不同國家的進口報關單證的處理時間應該接近。

顯然這里是一個問題點，需要進一步找出改善措施，遍歷整個決策樹，結和相關人員的經驗知識，提出所有的問題點。

3.4 相應的改善措施

上述決策樹被遍歷后，一共得出9個問題點，它們的位置見附圖2。

上述的這個問題點，最后的改進方案為：

第一，改善員工對其他國家分類下的業務處理能力，加強對員工的技能培訓。

第二，重新審視員工對1條訂單的業務處理能力，總結在此情況下異常的原因。

第三，使用處理軟件，使得處理復雜單證的時候，時間大幅度下降。

3.5 預計的效果

以上述的例子問題節點為例，如圖4所示。

假如，能讓所有國家的報關單證按照表現較好的節點4（VN，MY，IN）的來，那么（HK，TH，KH，ID）可以短短1.15天，而且決策樹的結果提供了這個節點的樣本量。所以這個節點改善后對整體的改善效果也可以得知。

某個節點的改善空間（天）*權重=這個節點的改善對整體流程時間的改善。

再從另外一個角度看改善效果，其中業務人員給出的理論標準時間為1天，原產地證COO造成的延遲為1.15天，剩下的0.76天是其他的因素造成的延遲，引用圖5。

減少的浪費時間比例=0.46/0.76=61%

如果，N公司的進口報關流程沒用進行大的流程改革或者技術提升，即理論標準天數補天，那么所以通過改善這9個問題節點，將可以較少61%的無效時間。

4 結論

本文通過將前期建立價值流程圖，中期的數據挖掘和最后的多點準確的精益改善措施，幫助企業的有效縮短了進口報關流程的時間。在沒有大幅度改變進口流程和沒有投入技術升級的情況下，有效找到了進口報關流程中最薄弱的環節，有的放矢的提出相應的改善措施，這需要改良者能貫穿進口報關業務，精益和數據挖掘，綜合要求較高。

參考文獻

[1]薛躍，盛黨紅.6σ管理法與精益生產整合研究[J].科學學與科學技術管理，2003（01）.

[2]王立柱.精益生產在亞特公司的應用研究[D].北京交通大學.碩士學位論文，2009.

[3]王萍.基于數據挖掘技術的消費者行為研究[C].博士學位論文，2004.

[4]林慧丹.第三方物流[M].上海：上海財經大學出版社，2005.

[5]儀玉莉，劉洪彬.高級物流師[M].北京：人民交通出版社，2004.

[6]劉立，張清檢.物流師實務手冊.北京：機械工業出版社，2007.

[7]丁朝陽.企業信息化規劃與解決方案研究[D].武漢：華中師范大學，2004.

[8]楊永鋼.數據挖掘在物流領域中的應用[D].武漢：武漢理工大學，2006.

[9]張云濤，龔玲.商業智能設計、部署與實現[M].北京：電子工業出版社，2004.

[10]王珊.數據倉庫技術與聯機分析處理LM.北京：科學出版社，1998.

[11]Adrienne Curry，The intranet-an intrinsic component of strategic Information management， International Journal of Information Management，2000.

[12]Agrawal R.，C.Faloutosos，Efficient similarity search in sequence data bases，Foundations of Data Organization and Algorithms，Chicago，Oct，1993.

作者簡介

張園園（1982-），女，安徽省濉溪縣人。現為合肥工業大學計算機與信息學院在讀碩士。系安徽工業經濟職業技術學院實驗師。主要研究方向為計算機應用技術。

作者單位

1.合肥工業大學計算機與信息學院 安徽省合肥市 230000

2.安徽工業經濟職業技術學院 安徽省合肥市 230000endprint

在一定的情形下，流程時間在準時和延遲狀況下的分別有兩個分布。

A：延遲分布的均值-準時分布的均值差越大，表示改善空間越大。

B：延遲分布的標準差-準時分布的標準差越大，表示當中的干擾因素越多，難以去分析波動的具體，改善的難度越大。

C：延遲分布的權重，表示如果得到改善，它對整體的影響大小。

改善價值=A/B*C，通過計算不同情形下的改善價值，企業可以迅速的定位它應該重點分析和改善的地方。

3.2.4 運用數據挖掘工具具體分析

數據挖掘的原理是數學統計和計算機編程的相結合，所以對于數據挖掘的初級應用只需運用一些成熟的工具即可，目前較為成熟的數據挖掘工具為SAS，SPSS和Minitab，Mat lab，根據對N公司的實際問題和數據的觀察，采用SPSS較為適合。

3.2.5 數據挖掘方法選擇

決策樹（Decision Tree）是在已知各種情況發生概率的基礎上，通過構成決策樹來求取凈現值的期望值大于等于零的概率，評價項目風險，判斷其可行性的決策分析方法，是直觀運用概率分析的一種圖解法。由于這種決策分支畫成圖形很像一棵樹的枝干，故稱決策樹。在機器學習中，決策樹是一個預測模型，他代表的是對象屬性與對象值之間的一種映射關系。樹中每個節點表示某個對象，而每個分叉路徑則代表的某個可能的屬性值，而每個葉結點則對應從根節點到該葉節點所經歷的路徑所表示的對象的值。決策樹僅有單一輸出，若欲有復數輸出，可以建立獨立的決策樹以處理不同輸出。數據挖掘中決策樹是一種經常要用到的技術，可以用于分析數據，同樣也可以用來做預測。

決策樹學習也是資料探勘中一個普通的方法。在這里，每個決策樹都表述了一種樹型結構，它由它的分支來對該類型的對象依靠屬性進行分類。決策樹同時也可以依靠計算條件概率來構造。決策樹如果依靠數學的計算方法可以取得更加理想的效果。 數據庫已如下所示：

相關的變量 Y 表示我們嘗試去理解，分類或者更一般化的結果。 其他的變量x1， x2， x3 等則是幫助我們達到目的的變量。

3.3 提出精益改善項目

（1）決策樹的結果以樹的視圖出現，它的含義基于前面對決策樹算法的描述，每一層都是一個最優分類：見附圖一

（2）通過觀察，發現了9個節點異常，清晰的數據請見圖2。

（3）進一步比較它們的數據，做出柱狀圖，見圖3。橫軸為3組國家，縱軸為流程時間，

認為異常的依據，因為它們的延遲記錄都屬于其他原因（另外兩個分類為COO延遲和沒有延遲原因記錄），但是卻發現對于不同的國家，N公司的進口報關流程的時間有著明顯的詫異，SPSS自動把所有的記錄國家分為3組：1，VN，MY，IN；2，HK，TH，LK，ID；3，其他一些小批量的國家。相差的時間最高達到了4.55天，即36.4個工作小時，這個值得進一步研究挖掘。

而通過進一步與相關業務人員交流，由于決策樹排除了已知有記錄的客觀因素的干擾，從理論上來講，同一環境中，來自不同國家的進口報關單證的處理時間應該接近。

顯然這里是一個問題點，需要進一步找出改善措施，遍歷整個決策樹，結和相關人員的經驗知識，提出所有的問題點。

3.4 相應的改善措施

上述決策樹被遍歷后，一共得出9個問題點，它們的位置見附圖2。

上述的這個問題點，最后的改進方案為：

第一，改善員工對其他國家分類下的業務處理能力，加強對員工的技能培訓。

第二，重新審視員工對1條訂單的業務處理能力，總結在此情況下異常的原因。

第三，使用處理軟件，使得處理復雜單證的時候，時間大幅度下降。

3.5 預計的效果

以上述的例子問題節點為例，如圖4所示。

假如，能讓所有國家的報關單證按照表現較好的節點4（VN，MY，IN）的來，那么（HK，TH，KH，ID）可以短短1.15天，而且決策樹的結果提供了這個節點的樣本量。所以這個節點改善后對整體的改善效果也可以得知。

某個節點的改善空間（天）*權重=這個節點的改善對整體流程時間的改善。

再從另外一個角度看改善效果，其中業務人員給出的理論標準時間為1天，原產地證COO造成的延遲為1.15天，剩下的0.76天是其他的因素造成的延遲，引用圖5。

減少的浪費時間比例=0.46/0.76=61%

如果，N公司的進口報關流程沒用進行大的流程改革或者技術提升，即理論標準天數補天，那么所以通過改善這9個問題節點，將可以較少61%的無效時間。

4 結論

本文通過將前期建立價值流程圖，中期的數據挖掘和最后的多點準確的精益改善措施，幫助企業的有效縮短了進口報關流程的時間。在沒有大幅度改變進口流程和沒有投入技術升級的情況下，有效找到了進口報關流程中最薄弱的環節，有的放矢的提出相應的改善措施，這需要改良者能貫穿進口報關業務，精益和數據挖掘，綜合要求較高。

參考文獻

[1]薛躍，盛黨紅.6σ管理法與精益生產整合研究[J].科學學與科學技術管理，2003（01）.

[2]王立柱.精益生產在亞特公司的應用研究[D].北京交通大學.碩士學位論文，2009.

[3]王萍.基于數據挖掘技術的消費者行為研究[C].博士學位論文，2004.

[4]林慧丹.第三方物流[M].上海：上海財經大學出版社，2005.

[5]儀玉莉，劉洪彬.高級物流師[M].北京：人民交通出版社，2004.

[6]劉立，張清檢.物流師實務手冊.北京：機械工業出版社，2007.

[7]丁朝陽.企業信息化規劃與解決方案研究[D].武漢：華中師范大學，2004.

[8]楊永鋼.數據挖掘在物流領域中的應用[D].武漢：武漢理工大學，2006.

[9]張云濤，龔玲.商業智能設計、部署與實現[M].北京：電子工業出版社，2004.

[10]王珊.數據倉庫技術與聯機分析處理LM.北京：科學出版社，1998.

[11]Adrienne Curry，The intranet-an intrinsic component of strategic Information management， International Journal of Information Management，2000.

[12]Agrawal R.，C.Faloutosos，Efficient similarity search in sequence data bases，Foundations of Data Organization and Algorithms，Chicago，Oct，1993.

作者簡介

張園園（1982-），女，安徽省濉溪縣人。現為合肥工業大學計算機與信息學院在讀碩士。系安徽工業經濟職業技術學院實驗師。主要研究方向為計算機應用技術。

作者單位

1.合肥工業大學計算機與信息學院 安徽省合肥市 230000

2.安徽工業經濟職業技術學院 安徽省合肥市 230000endprint