现代企业物流管理中的数据挖掘技术

本文基于现代企业物流管理现状中存在的问题，分析了将数据挖掘技术引入现代企业物流管理中的意义与应用前景，并对相关的数据挖掘技术的应用的难点进行了归纳总结。

物流 物流管理 数据挖掘

现代物流管理是一项科学的系统管理方法。随着科学技术和新思想、新方法运用于企业经营的战略规划和管理作业中，物流管理在企业管理中获得了巨大的成就，增强了企业应变市场的能力，成为支撑企业发展壮大的核心竞争力。

随着自动化技术和计算机科学的发展，物流也从人工管理向自动化管理演变，如自动存储、提取系统等的应用，以及计算机管理与物流控制系统的出现，标志着“现代企业物流”时代的来临。从此，企业物流变成了新的利润源。它不仅可以降低生产和销售成本、提高服务水平，还有助于整个社会资源的合理配置与优化。

一、目前物流管理的现状和问题分析

“全球化时代”与“信息化时代”带给企业机会的同时，也带来日益激烈的市场竞争。为赢得竞争，企业纷纷实施回归战略――“集中优势资源，培育核心竞争力”。

在该战略指导下，企业致力于走集约化道路，降低运营成本。物流也越来越成为企业总体战略中不可分割的组成部分。但是，我国企业长期以来受“重商流”、“轻物流”的理论和思想影响，发展一体化物流存在着各种瓶颈，对物流在经济发展和在企业中的作用和地位缺乏足够认识和重视：

1.缺乏“现代企业物流是获取竞争优势的重要源泉”的理念。随着生产机械化、自动化程度不断提高和生产工艺日趋程序化、规范化，以及技术趋同性的增强，人们开始把竞争的焦点从生产领域转向非生产领域，包括采购、运输、储存、包装、装卸、流通加工、分销、售后服务等物资流通活动以及相关的信息活动，这些即构成了企业物流的基本内容。

在我国，至今仍有许多企业没有将物流看成是优化生产过程、强化市场经营的关键，而是将物流置于附属地位。企业的物流不但没有形成利润源泉，反而成为企业的负担。

2.传统的会计核算掩盖了物流成本的真面目。一般情况下，企业会计科目中，只把支付给外部运输、仓储企业的费用列入成本，实际上，物流基础建设费和自有车辆运输、库房保管、包装装卸等费用都没有列入物流费用科目内，掩盖了物流费用的真面目，无法唤起企业对物流的重视。

3.企业物流职能分散，运作效率低。大多数企业将仓储、运输、采购、包装、配送等物流活动分散在不同部门，没有系统规划和统一运作与管理，致使整个系统的运作效率非常低下。

4.物流管理方式落后。在物流管理上，很多企业在物流运作中缺乏人工智能/专家系统、通信、条码和扫描等先进信息技术的应用，使企业无法全面、准确的把握各方物流信息，无法实现内、外部物流一体化以寻求物流系统的最优化和合理化。

二、数据挖掘

数据挖掘是一个利用各种分析方法和分析工具在大规模海量数据中建立模型和发现数据间关系的过程。

目前，数据挖掘技术在企业中应用的难点集中在企业数据搜集和提取上:多数企业内部的数据是分散的,业务数据往往被存放在缺乏统一设计和管理的异构环境中,不易综合查询访问，而且还有大量的历史数据处于脱机状态,不能在线集中存储查询。数据挖掘在对这些数据进行分析前,必须对这些数据进行不同程度的整合和清理，这是数据挖掘的首要环节,但一般的OLTP(On-line Transaction Processing，联机事务处理)系统的数据环境不具备这种能力。

数据仓库正是为了构建新的分析处理环境而出现的一种数据存储和组织技术。实际上，数据仓库技术所要研究和解决的问题就是从OLTP系统、异构分散的外部数据源、脱机的历史业务数据中获取数据，处理后为数据分析和管理决策提供应用服务。对海量数据的探索式分析的起点是OLAP(On Line Analytical Processing，联机分析处理)。

数据挖掘能够自动发现以前未知的模式，自动预测未来趋势和行汕头到衡水物流为。因此，数据挖掘技术广泛用于以下一些领域：零售/市场营销；金融；信用保险；过程控制/质量监督；化工/医药；工程与科学数据分析。

三、数据挖掘技术在物流管理中的应用

数据挖掘的主要方法包括：基本统计分析，相关分析，回归分析，时间序列分析，人工神经网络方法等。不同的分析方法和挖掘工具有其独特的特征和使用范围。

1.基本统计分析方法：统计学研究的对象是客观事物的数量关系和数量特征。统计方法广泛地运用于各个领域，供各个部门做出决策、执行计划、检查监督和宏观调控。尤其在物流管理领域，基本统计方法起着信息咨询、监督、辅助决策的作用。

统计分析方法从总体中抽取一定数量的样本并测出有关的数据以及利用数据所提供的关于总体的信息来推断关于总体的结论。目前企业内部的相关海量数据或分散存储，或是异构数据，无法利用基本的统计方法进行归纳推理。

2.相关分析：相关分析法是测定经济现象之间相关关系的规律性，并据以进行预测和控制的分析方法。物流管理中的各个要素间存在着大量的相互联系、相互依赖、相互制约的关系：一类是函数关系，它反映着要素之间严格的依存关系；另一类为相关关系，就是说变量之间存在着不确定、不严格的依存关系。

物流管理中的相关分析要解决以下问题：

(1)确定物流各个要素之间有无相关关系以及相关关系的类型：正相关关系或负相关关系；直线关系还是曲线相关；一元相关还是多元相关。

(2)确定各个要素之间相关关系的密切程度,通常是计算相关系数。

(3)拟合回归方程，如果要素间相关关系密切，就根据其关系的类型，建立数学模型用相应回归方程来反映这种数量关系。

(4)判断回归分析的可靠性，只有通过检验的回归方程才能用于预测和控制。

(5)根据回归方程进行预测和控制。如果变量数量比较多，并且变量之间无法用线性关系来表示，那么相关分析就不能很好的反映出各变量之间的关系。

3.回归分析：考察变量之间的数量变化规律，确定自变量和因变量之间的数学关系式，建立回归方程，对回归方程进行各种统计检验，并能进行预测。回归分析按照涉及的自变量的多少，可分为一元回归分析和多元回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。

在物流管理中回归分析应用的主要内容为：

(1)从一组数据出发确定某些变量之间的定量关系式，并估计其中的未知参数。估计参数的常用方法是最小二乘法。

(2)对这些关系式的可信度进行检验。

(3)在多自变量共同影响一个因变量的关系中，判断并将影响显著的自变量选入模型中，而剔除影响不显著的变量，通常用逐步回归、向前回归和向后回归等方法。

(4)利用所求的关系式对物流需求或是其他物流管理相关内容进行预测或控制。

回归分析仅考虑到变量之间的数量变化规律，没有考虑到变量之间由于时间等因素产生的不确定关系，这使得回归分析，特别是线性分析，对于时间不敏感变量的检验结果是可信的，对广州到铜陵物流于时间敏感的变量的变化规律不能很好的表示。

4.时间序列分析：对按时间顺序的一组数字序列应用数理统计方法加以处理，以预测未来事物的发展。

时间序列分析是定量预测方法之一，它的基本原理：一是承认事物发展的延续性，根据过去的变化趋势预测未来的发展，前提是假定过去会同样延续到未来；二是突出了时间因素在预测中的作用，因而存在预测误差。当外界发生较大变化，预测往往会有较大偏差，为此要利用加权平均法对历史数据进行处理。

时间序列预测法简单易行，便于掌握，中短期预测比长期预测的效果好。

5.人工神经网络：人工神经网络(Artificial Neural Network，ANN)是一个由很多节点通过方向广州到吴忠物流性连接组成的一个网络结构，是基于模仿人的大脑的神经网络的结构和功能而建立的一种具有学习能力的信息处理系统。ANN通过从过去的知识中学习、概括和抽取解决问题的经验知识，可以将这些知识进行运用。

ANN的优点是：并行处理；非线性映射；自学习功能；高速寻找优化解的能力。由于具有这些优点，ANN具有高度的非线性和极强的模糊推理能力，这是传统数学分析方法无法比拟的。物流过程涉及的因素比较多，若仅用推理和建立数学模型的方法来解决物流管理中出现的问题是不够的，还需依靠经验和某些难以用公式表达的知识，因此，ANN比较适合于解决复杂的物流管理问题。

四、结语

随着科学技术的发展，越来越多的新思想、新方法运用于企业经营的战略规划和管理作业，增强了企业应变市场的能力。在所有改进企业经营管理的措施当中，现代企业物流技术合理高效地参与，正成为企业赢得市场优势的重要手段。很明显，数据挖掘技术为企业从战略高度把物流系统与营销战略以及企业的总体战略有机地结合起来，科学地做出物流决策提供了有效的工具和手段。