大數據環境中物流信息的挖掘和利用研究

許曉華

[摘 要]近年來，我國物流行業快速崛起，物流信息化建設也已基本完成，而隨著大數據時代的到來，各物流企業掌握的物流信息越來越多，如何有效挖掘與利用這些數據的價值，幫助企業在激烈的物流市場競爭中做大做強，成為擺在企業面前的重要課題。文章就大數據環境中物流信息的挖掘和利用進行了分析與探討，以期為相關物流企業提供一定借鑒和參考。

[關鍵詞]大數據;物流信息;數據挖掘

[DOI]10.13939/j.cnki.zgsc.2020.15.164

數據挖掘技術是實現物流信息挖掘、利用的重要前提和基本工具，在當前大數據環境下，比較先進和常用的數據挖掘技術有多種，下面進行詳細介紹。

1 數據挖掘的常用技術

1.1 人工神經網絡技術

人工神經網絡是模擬生理神經網絡而設計的一種信息處理系統，它可以通過不斷的學習而獲得模式識別的能力。人工神經網絡具有自學習、并行處理、分布存儲操作等優點，輔以計算機高速的處理能力，人工神經網絡能夠快速搜索某些復雜問題的最優解，這使得該技術在物流信息挖掘中表現出了巨大的應用潛力。

1.2 遺傳算法

遺傳算法是通過模擬自然界中的生物進化過程而設計的一種計算模型，其基本原理就是以任意一個初始的種群為出發點，利用連續的交換對象成員（相當于自然選擇過程中的交配與基因突變）產生新種群（繁殖），然后評估并擇優復制，通過這種優勝劣汰的選擇過程，逐漸使新產生的種群向搜索空間中越來越好的區域進化，最終得出最有價值的知識集。遺傳算法是一種隨機和啟發式的搜索行為，能夠對問題進行并行處理，因此搜索效率大大高于普通算法，在求解復雜問題的最優解時具有很大優勢。

除此之外，決策樹、關聯分析、聚類檢測等也是數據挖掘的常用技術，這些技術分別適用于不同的數據挖掘場景，企業需要結合數據挖掘的實際需求進行合理選擇。

2 面向物流管理系統的數據挖掘流程

2.1 確定待挖掘的數據源

隨著物流行業的不斷壯大和發展，物流企業掌握的客戶信息和業務數據越來越多，這些信息數據具有量大面廣的特點，其中既有大量的冗雜信息，也有許多重要客戶的核心信息，而物流企業需要挖掘和利用的正是這部分核心信息，這些信息與物流客戶的消費行為決策息息相關，物流企業通過對這些信息的有效挖掘和分析，可以發現其中的關鍵性聯系，并有針對性地調整和優化客戶服務方案，進而在留住老客戶的同時，為企業吸納更多的新客戶。當然，在實際操作中，要想從龐大的數據庫中準確地定位目標數據，物流企業就需要利用先進的數據挖掘技術對信息數據進行關聯分析。

2.2 做好數據準備工作

數據準備是數據挖掘的重要前提，一般由數據的集成、選擇、預處理三個環節構成。數據集成即從各操作性數據庫、文件及遺留系統中提取有用數據，然后對數據進行集成處理;數據選擇即在技術人員指導下，收集需要分析的目標數據，剔除其中的冗余信息，以提高數據品質，為后續高效開展數據挖掘工作奠定基礎;預處理是數據挖掘之前的最后一道準備工序，也就是通過縮減、轉化等方式對選定數據進行進一步的處理。以物流配送的路徑選擇為例，物流企業需要為每一輛配送車輛規劃專門的客戶路徑，這就要求物流企業在綜合考慮車輛利用程度、車輛運輸能力、貨物規格、運送成本、利潤高低等多方面因素的基礎上，圍繞相關數據進行一系列的集成、選擇及預處理操作，這樣才能開展后續的數據挖掘工作，達到提高物流配送效率、降低貨物運輸成本的目的。

2.3 選擇合適的數據挖掘技術

在確定待挖掘數據源并做好數據準備工作的基礎上，便可以根據要解決的具體問題來選擇相應的數據挖掘技術，對數據進行迭代挖掘，從中發現隱藏的、新穎的模式。當然，數據挖掘需要先建立相應的數據挖掘模型，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動完成的。在構建數據挖掘模型時，最關鍵的工作就是確定學習算法和算法參數，也就是選取合適的挖掘工具及分析方法。例如，在選擇和規劃倉儲位置時，可以采用關聯分析法;在選擇配送路徑時，可以采用演化分析法;在市場調研方面，可以采用聚類分析法;在選擇物流中心時，可以使用分類與預測工具。

2.4 數據解釋及評價

受各方面因素的限制，通過數據挖掘所得到的知識集并非全部都有意義，因此還應根據實際情況，對挖掘出來的信息進行科學的評價、篩選及檢驗，以確保最終提交給決策者的信息是經得起推敲的有效信息。數據解釋及評價就是對數據挖掘得到的結果進行評價和分析，以確定其是否具有存入知識庫的價值，一般通過人機交互及專家經驗評判的方式完成該過程，具體的評價方法會因采用的數據挖掘技術而異。數據解釋及評價是一個不斷重復的過程，直到最終得出的數據令人滿意為止。

2.5 建立知識庫

為保證挖掘出來的數據信息得到有效應用，物流企業需要建立相應的知識庫，并將上述流程所得到的信息數據存入知識庫中。宜采用圖表、規則等簡單易懂的形式表示知識庫中的數據，這樣才能確保決策者迅速讀懂相關數據，進而為其決策提供參考和依據。

3 數據挖掘技術的具體應用

3.1 市場預測

精細化管理是企業重要的生存之道，特別是對數據體量大、來源廣、更新快的物流企業來說，通過精細化管理挖掘數據價值，準確預測市場趨勢，對物流企業的生存顯得尤為重要。物流企業可以通過聚類分析等數據挖掘技術，建立市場預測模型，精準確定自己的客戶群，因人而宜地推出競爭力強的產品，當產品打入市場之后，還要密切關注產品銷量、利潤等變化，同時結合企業生產、配送、銷售等方面的實際情況，有針對性地做好生產計劃、庫存配置等工作。在這一過程中，預測模型可以起到決策支持的作用。

3.2 物流選址

物流選址是決定物流體系發展的關鍵，物流企業需要綜合考慮運送成本、固定成本、變動處理成本等多方面因素，求解成本最小化的方案。與此同時，還要考慮中心點的分布模式、數量等情況，特別是在多中心選址中，需要在確保物流網絡總成本最低的情況下，從多個備選中心點中選出若干地點作為物流中心，這是一個涉及顧客需求量等市場因素的數學規劃問題，求解難度相當大，這時就需要用到數據挖掘技術中的決策樹方法。

3.3 倉儲管理

電子商務的迅猛崛起，對物流企業的倉儲管理提出了巨大挑戰。如何配置商品，控制成本，提高揀貨效率，為消費者提供更好的購物體驗和更快捷靈活的物流服務，就成為物流企業能否發展壯大的關鍵。而借助數據挖掘技術中的關聯分析方法，就能找出數據中隱含的相互關系，進而有效解決物流企業的倉儲難題。

3.4 客戶分析

客戶分析即根據企業所掌握的客戶資料與數據，分析客戶特征與需求，對客戶直接或潛在價值進行合理評估，從而確定有利于企業利益最大化的資源配置方案，制定出客戶滿意的營銷策略，鞏固客戶忠誠度，提高企業銷售額。客戶分析主要采用數據挖掘技術中的定性比較分析法，這種分析方法能夠對客戶特征進行準確的概念描述，精準挖掘客戶價值，還能夠發現流失客戶存在的一些共性特征，進而對其他擁有類似特征的客戶制訂相應的彌補方案，減少物流客戶流失率。

4 結論

綜上所述，文章以數據挖掘的常用技術為切入點，從確定待挖掘數據源、數據準備、數據挖掘技術選擇、數據解釋及評價、知識庫構建等方面介紹了面向物流管理系統的數據挖掘流程，并提出了數據挖掘技術在市場預測、物流選址、倉儲管理、客戶分析中的具體應用，多角度入手，旨在促進大數據環境中對物流信息的挖掘和利用，推動物流企業健康持續發展。

參考文獻：

[1]趙影.基于Web挖掘的物流信息平臺個性化推薦研究[J].中國市場，2015（20）.

[2]張玉峰，曾奕棠.基于動態數據挖掘的物流信息分析模型研究[J].情報科學，2016（1）.

[3]左玉潔.數據挖掘在物流客戶關系管理中的應用[J].環球市場信息導報，2016（37）.

[4]包訓艷，王丹.大數據時代物流信息平臺構建與建設對策研究[J].物流工程與管理，2019（1）.