基于過程挖掘的物流流程信息智能分析研究

曾奕棠++張玉峰+譚學清+王林+劉漢斌

〔摘 要〕物流信息化建設的加速與普及，為物流流程信息的分析與利用帶來了挑戰。過程挖掘作為業務流程建模的工具之一，能夠化解人工經驗的不足，有效實現物流流程信息的智能分析與利用。在明確過程挖掘基本原理的基礎上，構建了基于過程挖掘的物流流程信息智能分析框架，探討了基于過程挖掘的物流流程信息智能分析的過程與特點。最后，分析了需要特別注意的事項。

〔關鍵詞〕物流流程；流程信息；過程挖掘；智能分析

DOI：10.3969/j.issn.1008-0821.2017.11.025

〔中圖分類號〕G202 〔文獻標識碼〕A 〔文章編號〕1008-0821（2017）11-0156-07

Research on the Intelligent Analyzing of Logistics Process Information Based on Process Mining

Zeng Yitang1 Zhang Yufeng2 Tan Xueqing2 Wang Lin2 Liu Hanbin3

（1.School of Management，Wuhan Donghu University， Wuhan 430212；

2.Center for the Studies of Information Resource，Wuhan University， Wuhan 430072；

3.Shanghai Bank of Communications，Shanghai 201201，China）

〔Abstract〕The acceleration and popularization of logistics informazation construction has brought challenges to the analysis and utilization of logistics process information.As one of the tools of business process modeling，process mining can solve the shortage of artificial experience，and effectively realize the intelligent analysis and utilization of logistics process information.On the basis of defining the basic principle of process mining，a logistics process information intelligent analysis framework based on process mining was constructed.Then the procedure and characteristics of the framework were discussed.Finally，the matters needing special attention were analyzed.

〔Key words〕logistics process；process information；process mining；intelligent analysis

作為支撐經濟社會發展的基礎性、戰略性產業，物流業在經濟發展、社會進步中發揮著重要作用。在相關政策的推動和市場強大需求的拉動下，我國物流業近幾年得到了長足發展。但不可否認的是，無論是大型物流企業還是小型物流企業，無論是自營物流還是第三方物流，在物流流程管理方面還存在著以下問題：1）配送路徑設置不經濟，路線選擇不科學；2）配送工具調度不合理，設備利用率有待提高；3）難以準確制定配送計劃，物流配送工作具有隨意性；4）個別工序安排欠妥當，貨物出庫效率較低；5）發、退貨混亂，貨物的交貨時間沒有保障；6）服務響應慢，物流配送成本支出居高不下；7）需求預測難，資源協調能力不足[1]。

近年來，國內外已有學者認知到物流流程中存在的問題，并對物流流程的優化或改進進行了相應的研究。Pietro Romano強調從供應網絡的協調和整合機制來實現節點企業與核心企業之間物流流程的優化[2]。Harry K.H.Chow等提出了一種基于射頻識別多智能體技術的實時知識支持框架，用于解決動態物流流程管理中存在的問題，提供實時的知識支持物流業務的處理決策[3]。C.K.M.Lee等基于需求管理與供應鏈管理理論，探討了利用人工智能技術和無線射頻識別技術來提高物流工作流程的響應速度與運營效率[4]。William Wilcox等針對供應鏈各企業間逆向物流存在的相關問題，提出了一種具有預測功能的物流分析馬爾可夫模型，可實現對逆向物流流程的優化[5]。Edgar H.Alfonso-Lizarazo等以棕櫚油供應鏈為例，構建了一個在閉環供應鏈框架下考慮能源、成本和經濟利潤的數學模型，用于對農產品生產部門逆向物流流程進行評估，以實現物流流程的優化[6]。EwaKulińska等針對公共道路運輸公司ERP系統缺乏數據連續性這一問題，通過對物流數據的分析來改進物流流程的功能[7]。Riska Asriana Sutrisnowati等構建了一個貝葉斯網絡過程模型，對港口信息系統中的事件日志進行挖掘分析，從而實現對港口物流流程各活動的優化與改進[8]。Dino Knoll等利用機器學習技術，提取物流流程的通用知識，建立入廠物流規劃方法，來實現對入廠物流的預測[9]。Christian Küber等為實現汽車裝配線與物流流程之間的相互作用，提出了一種物流流程設計規劃方法，可以在優化物流流程的同時，保證裝配線的靈活性和可變性[10]。張夕依據業務流程再造理論，提出了基于BPR的可視化電力物流核心業務流程再造的對策和措施[11]。張涵躍等利用Petri網對某物流集散中心的郵件處理流程進行建模，通過仿真軟件對模型進行仿真運行，以實現物流流程的優化[12]。楊瑋等構建了統一建模語言（UML）和多色集合相結合的冷鏈物流倉儲作業流程模型，可以實現冷鏈物流倉儲流程優化，并據此建立了新的冷鏈物流倉儲系統出入庫流程模型[13]。楊瑋等將Flexsim仿真軟件應用于醫藥物流行業，進行建模仿真，以找出揀貨流程的瓶頸問題，并進行合理優化，可以提高醫藥物流中心零貨庫的揀貨效率[14]。endprint

從上述學者的研究可以看出，為了實現物流流程的優化，相應的方式不外乎兩類：一是從管理維度著手，通過管理措施來優化物流流程；二是從技術維度著手，通過技術手段來優化物流流程。但上述研究，都或多或少地忽略了對物流流程信息本身的分析，沒有考慮通過對物流流程信息的挖掘與分析，從中找出不足或缺陷，進而來優化物流流程。

事實上，隨著物流信息化建設的加速與普及，物流流程信息的獲取變得越來越方便，但也為管理者和用戶對數據“礦藏”的分析與利用帶來了挑戰。而過程挖掘作為業務流程建模的工具之一，能夠化解人工經驗的不足，充分利用物流流程信息，實現物流流程的優化，著力推動物流業創新發展。

因此，本文將建立一種利用過程挖掘技術來實現物流流程信息智能分析的方法。

1 過程挖掘概述

1.1 過程挖掘的基本原理

過程挖掘（Process Mining）是一個舶來詞，國內也有學者將其翻譯為流程挖掘，在學術界與工作流挖掘（Workflow Mining）并行使用，且概念內涵上相似。1998年，R.Agrawal等人提出了工作流挖掘（Workflow Mining）的概念，隨后，相關學者在此基礎上又提出了過程挖掘（Process Mining）的概念。按照R.Agrawal等人的觀點，過程挖掘是指對信息系統中的事件日志進行挖掘，為管理者提供流程運行的知識[15]。學者們對于過程挖掘的含義進行了深入探討，目前比較得到學術界認可的一種定義是：過程挖掘是指從事件日志中提取出結構化流程描述的方法，重現業務流程的真實過程[16]。經過十多年的發展，過程挖掘主要有三種應用場景：流程發現、一致性檢驗和模型改進。

從過程挖掘的定義可以看出，過程挖掘的起點與對象是事件日志。對于當前的信息系統而言，存儲著大量的結構化事件日志。一般來說，事件日志是整個流程日志信息的集合，是業務流程的表示形式，包括以下要素：實例編號（Case ID）、事件名稱（Event ID）、活動名（Activity）、時間戳（Timestamp）、成本（Cost）、資源（Resource）、處理狀態（Situation）[17]。過程挖掘對于事件日志的最低要求是每個事件至少包括一個實例及該實例對應的活動。目前，事件日志文件的標準存儲文件類型為由IEEE過程挖掘工作組提出的XES （eXtensible Event Stream）文件。表1給出了某企業入庫物流事件日志的一個簡單實例。

表1中，每一行代表一個事件，事件的屬性則由列數據來表示。例如，事件20161116屬于實例102并且是活動“Order Processing”（訂單處理）的一個事件，由Tan Bing在2016-11-23 09：34這個時間點執行完成。在該表中，事件日志由三個實例構成，其中，實例101的流程序列為：Receiving Order（收到訂單）、Order Processing（訂單處理）、Goods Purchase（商品采購）、Goods Inspection（商品驗收）、Goods Warehousing（商品入庫）、Goods Store（商品儲存）。根據XES文件標準，事件20161116轉化為XES文件標準結構相應算法如圖1所示。

1.2 過程挖掘的常見視角

過程挖掘應用到很多的分析技術，根據其分析目的，大致可以將其劃分為4類挖掘視角[18]。

1）控制流視角。此類挖掘主要對構成流程的各活動之間的順序，即控制流進行挖掘，是最常見的挖掘視角。控制流視角挖掘是對控制流數據進行挖掘，主要是找到一個能對所有活動軌跡進行最恰當描述的過程模型。

2）組織視角。此類挖掘主要是對包含在事件日志中的執行者信息進行挖掘，從中發現各執行者間的關系。組織視角挖掘能夠對業務流程參與的人員、角色、組織等進行分類分析，構造組織模型，從中發現參與者之間的合作關系或社會網絡。

3）實例視角。此類挖掘主要是關注實例屬性特征。實例視角挖掘能夠對實例進行挖掘，按照實例的執行路徑或執行者的屬性來對實例進行描述，從中找出對決策產生影響的活動相關信息，為組織優化流程提供決策支持。

4）時間視角。此類挖掘主要是對事件日志中的時間數據進行挖掘。時間視角挖掘的對象主要是事件日志中的時間戳數據，從而能夠找到業務流程在時間處理上的規律性，提升業務流程的時間效率。

2 基于過程挖掘的物流流程信息智能分析的框架

現在，過程挖掘已在醫療、電信、金融、政府等領域的流程優化中得到了初步應用[19]。一系列具有不同作用與功能業務組成的活動構成流程。因此，物流流程就是為了滿足客戶的需求而實現的商品流動中，一系列具有不同作用與功能業務組成的活動。這些物流流程，均以相應的活動信息保存在物流信息系統中，構成特定的物流流程信息。結合過程挖掘的基本原理，構建的基于過程挖掘的物流流程信息智能分析框架如圖2所示。

從圖2可以看出，基于過程挖掘的物流流程信息智能分析，主要任務功能包含以下3個方面：

2.1 發現物流流程中的循環模式

雖然物流流程在不同場景中會有差異，但在長期發展過程中，一個企業總會面對“相似”的情景，并形成相對穩定、優化的物流流程。發現物流流程中的循環模式就是要通過對物流流程信息的挖掘，找出高效優質的物流流程。

流程發現與可視化技術是發現物流流程中的循環模式比較有效的方法。例如α算法、α++算法、模糊算法、啟發式算法等流程發現技術[20]，都可以用來從現有物流流程信息中挖掘得到相應的模式。在得到相應模式的基礎上，融入頻率測算技術與依賴性測量技術，就能從現有流程模式中發現最通用和最值得信任的實現物流流程的活動序列。與流程發現技術聚集于流程利益相比，流程可視化技術則更多地聚集于流程運行本身，從而發現物流流程在真實的場景中如何運作。比較常見的流程可視化技術包括性能時序圖分析（Performance Sequence Diagram Analysis）、任務發起人矩陣（Originator-by-task Matrix）、社會網絡挖掘（Social Network Miner）和瓶頸分析（Bottleneck Analysis）[21]。endprint

2.2 分析與表征物流流程變量

一個企業的物流流程受到多種因素的影響（如商品品類、數量、金額、人員、運輸能力、管理水平等）并呈現出不同的特征。通過對物流流程變量的界定并明確每一變量的因素組合，可以有效降低物流流程的不確定性。通過對比每一特定的物流業務的相關條件與表征物流流程變量的因素，分析人員能夠識別出最佳的物流業務活動。

為有效識別新的物流流程變量，可以采用以下步驟：第一，對隱藏在物流數據中的因素做相關性分析，在發現重要因素的相關性之后，物流軌跡將被有效過濾，并將流程變量常見特征文檔化；第二，利用軌跡聚類技術來對文檔化流程軌跡進行聚類，然后分析每一聚類結果的相關要素[22]；最后，分析人員根據聚類結果提出感興趣的物流流程變量要素組合，作為物流流程優化的首選考慮因素。

2.3 識別與分析反常實例或不良物流事件

在物流實際運行中，由于存在干擾行為或其他日常問題，所產生的流程實例可能存在不連貫的情況，導致日志的殘缺，從而形成反常實例。同時，由于實際物流流程的重復執行或流程實例存在著相似屬性，會出現重疊的流程執行路徑，從而產生冗余的重疊的信息，形成不良物流事件。發現反常實例與不良物流事件主要可以采用以下技術：一致性檢驗、Delta分析技術、基于規則的屬性驗證技術。

一致性檢驗技術和Delta分析技術主要是用來檢測一個分析得到的物流流程模型與實際物流流程之間的不一致情況。在與實際物流流程比較中，這兩種技術也存在一些差異：一致性檢驗技術以事件日志為分析源；Delta分析技術以衍生過程模型為分析源。這兩種技術都能對物流流程模型的偏差進行深度分析，并判斷模型與事件日志的契合度，來檢查流程環節是否存在反常實例或不良物流事件。

基于規則的屬性驗證技術能夠在專家知識、操作指南和最佳實踐的支撐下，在開源過程挖掘工具ProM（Programmable Read-Only Memory，可編程只讀存儲器）中實現相應的算法，如線性時序邏輯（Linear Temporary Logic，LTL）檢測算法、語義LTL檢測算法、SCIFF檢測算法、結構化CLIMB規則算法，為特定問題的確認提供幫助。例如，分析人員可用此方法對物流業務咨詢、任務分配、特定活動預處理等方面的結果進行檢查。

3 基于過程挖掘的物流流程信息智能分析的過程

基于過程挖掘的物流信息智能分析過程由7個獨立的階段構成，如表2所示。

從表2可以看出，上文提出的3個應用，將在解釋性流程分析階段和高級流程分析階段來體現。發現物流流程中的循環模式與變量適合在解釋性分析階段，識別與分析反常實例或不良物流事件在高級分析階段更適合。對于反常實例和事件的識別與分析可以直接為未來物流流程的提升與完善提供建議。

1）項目定義與事件日志抽取。一般來說，物流信息智能分析均始于對項目定義。分析人員和參與的專家都要認定物流范圍、時間節點和實踐問題。物流范圍越大，需要分析的內容就越多，因而分析模型也就越復雜。時間節點的選擇對于事件日志會產生影響，例如，如果時間節點范圍過廣而最近的物流實踐變化就會變得無關緊要。在完成項目定義之后，就要確定事件來源。目前，隨著信息技術的普及與應用，物流公司建立了相應的物流管理系統，并以事件日志的形式保存。在實現物流信息智能分析中，需要整合來自不同系統的事件日志。需要注意的是，源自不同來源的事件間的聯系會對同一路徑實例的分析帶來挑戰，而構建事件日志的核心挑戰是選擇事件的屬性。屬性選擇過少，會降低分析的質量；而屬性選擇過多，則會嚴重降低過程挖掘工具的績效。

2）事件日志預處理。該階段的首要工作就是選擇合適的事件日志格式（如MXML格式或XES格式），采用Nitro、Disco、XESame等數據預處理工具，將抽取到的事件日志轉化為標準化的事件日志格式。另外，由于業務實例的相似屬性和實際流程的重復執行，將在一個特定流程實例中出現重復注冊多次的事件日志，因此，需要過濾重復的數據和噪音。第二階段以事件日志一些特殊操作結束。這些操作包括個人信息加密、活動分組等。

3）視角選擇。物流流程視角選擇，是提升分析模型與結果可理解性和聚焦性的基礎。針對物流流程用戶的視角，可以將物流流程識別出4個獨立的視角，包括入庫、存儲、出庫、運輸，這些視角也看成物流流程的核心要素。一旦選定了視角，就可以實施相應的過濾操作，分析人員同時需要識別與描述潛在的信息丟失、提供處理信息的方案。如果在項目定義階段就描述了多視角分析的目標，將非常有必要執行此階段的工作，而下一階段的分析就更具針對性。

4）解釋性流程分析。構建事件日志和選擇分析視角之后，接下來的階段是解釋性流程分析。大量的流程挖掘技術可用于功能分析、過程分析、組織分析和數據分析。

5）物流實踐確認。物流專家可以對解釋性流程分析的結果進行討論，并根據物流操作指南、當前環境等進行評價。如果專家認為分析結果是適用的與有價值的，則結束第5個階段并形成外化結果。

6）高級分析。第六階段主要是進行高級分析與目標驅動分析。效率分析一般包括瓶頸識別、物流周期、績效分析與比較。質量與一致性分析可能包括物流規則的評估、一致性分析和不良事件及原因分析。如果項目定義僅僅是對物流流程進行一致性分析來判斷與預先設置的流程是否一致，則階段三、四和五可以略過。

7）物流流程優化。理想狀態的話，物流信息智能分析能夠為物流流程優化提供建議，如設置合理的配送路徑、提高配送工具的利用率、制定科學的配送計劃、提高貨物出庫效率、保障貨物交貨時間、降低物流配送成本等。

上述7個階段，也可以用圖3來表示。7個階段可以重組為3大類：定義及事件日志搜集活動、流程分析活動、流程提升活動。

4 基于過程挖掘的物流流程信息智能分析的特點endprint

雖然有很多方法能夠對物流操作過程進行分析，比如觀察法、仿真法和專家訪談法，但這些方法都受到相關因素的嚴格限制，例如專家訪談法就難以發現專家的隱性知識，進而影響物流流程分析效果。通過對物流流程信息構成的事件日志進行軌跡跟蹤，基于過程挖掘的分析方法能夠實現對物流流程的深入分析。

基于過程挖掘的物流流程信息智能分析的目標是對事件日志子集進行集中分析以實現上文所說的3個方面的應用。該方法能夠實現挖掘項目定義、數據抽取與預處理、挖掘分析、對于未來流程優化的啟示等。基于過程挖掘的物流流程信息智能分析方法具有以下特點：1）過程挖掘技術非常適用于綜合化流程數據/信息，無論是挖掘項目定義、數據抽取與預處理、挖掘分析還是為流程優化提供啟示等；2）需要充分發揮分析者與物流領域專家的相互作用，實現分析結果的高可信度；3）為了得到有意義的分析結果，該方法需要結合物流流程的相關要素（如運輸、包裝、配送等）；4）該方法既可用于需求趨動的環境，也可用于創造新知識。

5 結束語

物流被認為是一個以人為本的 、靈活的、復雜的和多維的行業，要對物流流程進行動態掌握與優化，是一個非常難的工作。本文基于過程挖掘的基本原理，融合物流流程信息，構建了基于過程挖掘的物流流程信息智能分析框架，并探討了該框架的實現過程，為同類研究提供了一個可行的思路。不過，以過程挖掘技術來進行高質量、智能化的物流流程信息分析，還需要特別注意以下事項：1）事件日志質量。物流信息系統的事件日志必須如實反映事件，防止任何的數據篡改，確保事件記錄的時效性與精準性。2）物流實踐確認。哪怕物流指南存在瑕疵，也要根據知識庫或當前的場景調整過來。3）假設的完整性。所有的行為都完整地保存在事件日志中這一假設的完整性，在相應的物流實踐場景中很容易受到挑戰。因此，分析人員需要認真選擇時間范圍和事件來源。

參考文獻

[1]曹永芬，曾憲鳳.基于供應鏈的企業物流管理流程創新研究[J].物流技術，2014，（1）：41-43.

[2]Pietro Romano .Co-ordination and integration mechanisms to manage logistics processes across supply networks[J].Journal of Purchasing & Supply Management，2003，9（3）：119–134.

[3]Harry K.H.Chow，et al.A dynamic logistics process knowledge-based system – An RFID multi-agent approach[J].Knowledge-Based Systems，2007，20（4）：357-372.

[4]C.K.M.Lee，et al.Design and development of logistics workflow systems for demand management with RFID[J].Expert Systems with Applications，2011，38（38）：5428-5437.

[5]William Wilcox，et al.A Markov model of liquidity effects in reverse logistics processes：The effects of random volume and passage[J].International Journal of Production Economics，2011，129（1）：86-101.

[6]Edgar H.Alfonso-Lizarazo，et al.Modeling reverse logistics process in the agro-industrial sector：The case of the palm oil supply chain[J].Applied Mathematical Modelling，2013，37（23）：9652-9664.

[7]EwaKulińska，et al.Improvement of functionality of logistics processes in a selected public road transport company[J].Procedia-Social and Behavioral Sciences，2014，151（1）：172-182.

[8]Riska Asriana Sutrisnowati，et al.Bayesian network construction from event log for lateness analysis in port logistics[J].Computers & Industrial Engineering，2015，89（c）：53-66.

[9]Dino Knoll，et al.Predicting Future Inbound Logistics Processes using Machine Learning[J].Procedia CIRP，2016，52（1）：145-150.

[10]Christian Küber，et al.Planning method for the design of flexible as well as economic assembly and logistics processes in the automotive industry[J].Procedia CIRP，2016，41（1）：556-561.endprint

[11]張夕.基于BPR的可視化電力物流核心業務流程再造研究[J].物流技術，2013，（3）：109-111.

[12]張涵躍，張海峰，殷青.基于Petri網的物流集散中心處理流程優化研究[J].物流技術，2014，（10）：171-173.

[13]楊瑋，高賀云，李丹.基于多色集合的冷鏈物流倉儲流程優化[J].計算機工程與科學，2015，（10）：1890-1898.

[14]楊瑋，楊超群，杜雨瀟，等.基于Flexsim的某醫藥物流中心揀貨流程優化研究[J].包裝工程，2016，（3）：130-137.

[15]Agrawal R，Gunopulos D，Leymamn F. Mining process models from workflow logs.Proc.of the 6th Int.Conf.on Extending Database Technology （EDBT），Valencia Spain，Expanded version available as IBM Research Report，1998：469-483.

[16]Van Der Aalst WMP，Weijters T.，MarusterL.Workflow mining：discovering process models from event logs[J]. IEEE Transactions on Knowledge and Data Engineering，2004，16 （9）：1128-1142.

[17]Van der Aalst WMP，Reijers HA，Weijters AJMM，et al. Business process mining：An industrial application[J].Information Systems，2007，32（5）：713-732.

[18]VAN DER AALST WMP. Process mining；discovery，Conformance and enhancement o1 business processes[M].Berlin Germany：Springer-Verlag，2011.

[19]Goeder Tier S，De W J，Martens D，et al.Process discovery in event logs：an application in the telecom industry[J].Applied soft computing，2011，11（2）：1697-1710.

[20]Li J，Liu D，Yang B.Process mining：Extendingα-algorithm tomine duplicate tasks in process logs[J].Lecture Notes in Computer Science，2007，4537：396-407.

[21]Van der Aalst，W.M.P..Challenges in business processanalysis[J].Springer Berlin Heidelberg，2007，（12）：27-42.

[22]Bose，R.and van der Aalst，W.M.P..Processdiagnostics using trace alignment：opportunities，issuesand challenges[J].Information Systems，2012，37（2）：117-141.endprint