淺談現代企業物流管理中的數據挖掘技術

淺談現代企業物流管理中的數據挖掘技術

　　[摘要]本文基于現代企業物流管理現狀中存在的問題，分析了將數據挖掘技術引入現代企業物流管理中的意義與應用前景，并對相關的數據挖掘技術的應用的難點進行了歸納總結。
　　[關鍵詞]物流 物流管理 數據挖掘
　　
　　現代物流管理是一項科學的系統管理方法。隨著科學技術和新思想、新方法運用于企業經營的戰略規劃和管理作業中，物流管理在企業管理中獲得了巨大的成就，增強了企業應變市場的能力，成為支撐企業發展壯大的核心競爭力。
　　隨著自動化技術和計算機科學的發展，物流也從人工管理向自動化管理演變，如自動存儲、提取系統等的應用，以及計算機管理與物流控制系統的出現，標志著“現代企業物流”時代的來臨。從此，企業物流變成了新的利潤源。它不僅可以降低生產和銷售成本、提高服務水平，還有助于整個社會資源的合理配置與優化。
　　一、目前物流管理的現狀和問題分析
　　“全球化時代”與“信息化時代”帶給企業機會的同時，也帶來日益激烈的市場競爭。為贏得競爭，企業紛紛實施回歸戰略——“集中優勢資源，培育核心競爭力”。
　　在該戰略指導下，企業致力于走集約化道路，降低運營成本。物流也越來越成為企業總體戰略中不可分割的組成部分。但是，我國企業長期以來受“重商流”、“輕物流”的理論和思想影響，發展一體化物流存在著各種瓶頸，對物流在經濟發展和在企業中的作用和地位缺乏足夠認識和重視：
　　1.缺乏“現代企業物流是獲取競爭優勢的重要源泉”的理念。隨著生產機械化、自動化程度不斷提高和生產工藝日趨程序化、規范化，以及技術趨同性的增強，人們開始把競爭的焦點從生產領域轉向非生產領域，包括采購、運輸、儲存、包裝、裝卸、流通加工、分銷、售后服務等物資流通活動以及相關的信息活動，這些即構成了企業物流的基本內容。
　　在我國，至今仍有許多企業沒有將物流看成是優化生產過程、強化市場經營的關鍵，而是將物流置于附屬地位。企業的物流不但沒有形成利潤源泉，反而成為企業的負擔。
　　2.傳統的會計核算掩蓋了物流成本的真面目。一般情況下，企業會計科目中，只把支付給外部運輸、倉儲企業的費用列入成本，實際上，物流基礎建設費和自有車輛運輸、庫房保管、包裝裝卸等費用都沒有列入物流費用科目內，掩蓋了物流費用的真面目，無法喚起企業對物流的重視。
　　3.企業物流職能分散，運作效率低。大多數企業將倉儲、運輸、采購、包裝、配送等物流活動分散在不同部門，沒有系統規劃和統一運作與管理，致使整個系統的運作效率非常低下。
　　4.物流管理方式落后。在物流管理上，很多企業在物流運作中缺乏人工智能/專家系統、通信、條碼和掃描等先進信息技術的應用，使企業無法全面、準確的把握各方物流信息，無法實現內、外部物流一體化以尋求物流系統的最優化和合理化。
　　二、數據挖掘
　　數據挖掘是一個利用各種分析方法和分析工具在大規模海量數據中建立模型和發現數據間關系的過程。
　　目前，數據挖掘技術在企業中應用的難點集中在企業數據搜集和提取上:多數企業內部的數據是分散的,業務數據往往被存放在缺乏統一設計和管理的異構環境中,不易綜合查詢訪問，而且還有大量的歷史數據處于脫機狀態,不能在線集中存儲查詢。數據挖掘在對這些數據進行分析前,必須對這些數據進行不同程度的整合和清理，這是數據挖掘的首要環節,但一般的OLTP(On-line Transaction Processing，聯機事務處理)系統的數據環境不具備這種能力。
　　數據倉庫正是為了構建新的分析處理環境而出現的一種數據存儲和組織技術。實際上，數據倉庫技術所要研究和解決的問題就是從OLTP系統、異構分散的外部數據源、脫機的歷史業務數據中獲取數據，處理后為數據分析和管理決策提供應用服務。對海量數據的探索式分析的起點是OLAP(On Line Analytical Processing，聯機分析處理)。
　　數據挖掘能夠自動發現以前未知的模式，自動預測未來趨勢和行為。因此，數據挖掘技術廣泛用于以下一些領域：零售/市場營銷；金融；信用保險；過程控制/質量監督；化工/醫藥；工程與科學數據分析。
　　三、數據挖掘技術在物流管理中的應用
　　數據挖掘的主要方法包括：基本統計分析，相關分析，回歸分析，時間序列分析，人工神經網絡方法等。不同的分析方法和挖掘工具有其獨特的特征和使用范圍。
　　1.基本統計分析方法：統計學研究的對象是客觀事物的數量關系和數量特征。統計方法廣泛地運用于各個領域，供各個部門做出決策、執行計劃、檢查監督和宏觀調控。尤其在物流管理領域，基本統計方法起著信息咨詢、監督、輔助決策的作用。
　　統計分析方法從總體中抽取一定數量的樣本并測出有關的數據以及利用數據所提供的關于總體的信息來推斷關于總體的結論。目前企業內部的相關海量數據或分散存儲，或是異構數據，無法利用基本的統計方法進行歸納推理。
　　2.相關分析：相關分析法是測定經濟現象之間相關關系的規律性，并據以進行預測和控制的分析方法。物流管理中的各個要素間存在著大量的相互聯系、相互依賴、相互制約的關系：一類是函數關系，它反映著要素之間嚴格的依存關系；另一類為相關關系，就是說變量之間存在著不確定、不嚴格的依存關系。
　　物流管理中的相關分析要解決以下問題：
　　(1)確定物流各個要素之間有無相關關系以及相關關系的類型：正相關關系或負相關關系；直線關系還是曲線相關；一元相關還是多元相關。
　　(2)確定各個要素之間相關關系的密切程度,通常是計算相關系數。
　　(3)擬合回歸方程，如果要素間相關關系密切，就根據其關系的類型，建立數學模型用相應回歸方程來反映這種數量關系。
　　(4)判斷回歸分析的可靠性，只有通過檢驗的回歸方程才能用于預測和控制。
　　(5)根據回歸方程進行預測和控制。如果變量數量比較多，并且變量之間無法用線性關系來表示，那么相關分析就不能很好的反映出各變量之間的關系。
　　3.回歸分析：考察變量之間的數量變化規律，確定自變量和因變量之間的數學關系式，建立回歸方程，對回歸方程進行各種統計檢驗，并能進行預測。回歸分析按照涉及的自變量的多少，可分為一元回歸分析和多元回歸分析；按照自變量和因變量之間的關系類型，可分為線性回歸分析和非線性回歸分析。
　　在物流管理中回歸分析應用的主要內容為：
　　(1)從一組數據出發確定某些變量之間的定量關系式，并估計其中的未知參數。估計參數的常用方法是最小二乘法。
　　(2)對這些關系式的可信度進行檢驗。
　　(3)在多自變量共同影響一個因變量的關系中，判斷并將影響顯著的自變量選入模型中，而剔除影響不顯著的變量，通常用逐步回歸、向前回歸和向后回歸等方法。
　　(4)利用所求的關系式對物流需求或是其他物流管理相關內容進行預測或控制。
　　回歸分析僅考慮到變量之間的數量變化規律，沒有考慮到變量之間由于時間等因素產生的不確定關系，這使得回歸分析，特別是線性分析，對于時間不敏感變量的檢驗結果是可信的，對于時間敏感的變量的變化規律不能很好的表示。
　　4.時間序列分析：對按時間順序的一組數字序列應用數理統計方法加以處理，以預測未來事物的發展。
　　時間序列分析是定量預測方法之一，它的基本原理：一是承認事物發展的延續性，根據過去的變化趨勢預測未來的發展，前提是假定過去會同樣延續到未來；二是突出了時間因素在預測中的作用，因而存在預測誤差。當外界發生較大變化，預測往往會有較大偏差，為此要利用加權平均法對歷史數據進行處理。
　　時間序列預測法簡單易行，便于掌握，中短期預測比長期預測的效果好。
　　5.人工神經網絡：人工神經網絡(Artificial Neural Network，ANN)是一個由很多節點通過方向性連接組成的一個網絡結構，是基于模仿人的大腦的神經網絡的結構和功能而建立的一種具有學習能力的信息處理系統。ANN通過從過去的知識中學習、概括和抽取解決問題的經驗知識，可以將這些知識進行運用。
　　ANN的優點是：并行處理；非線性映射；自學習功能；高速尋找優化解的能力。由于具有這些優點，ANN具有高度的非線性和極強的模糊推理能力，這是傳統數學分析方法無法比擬的。物流過程涉及的因素比較多，若僅用推理和建立數學模型的方法來解決物流管理中出現的問題是不夠的，還需依靠經驗和某些難以用公式表達的知識，因此，ANN比較適合于解決復雜的物流管理問題。
　　四、結語
　　隨著科學技術的發展，越來越多的新思想、新方法運用于企業經營的戰略規劃和管理作業，增強了企業應變市場的能力。在所有改進企業經營管理的措施當中，現代企業物流技術合理高效地參與，正成為企業贏得市場優勢的重要手段。很明顯，數據挖掘技術為企業從戰略高度把物流系統與營銷戰略以及企業的總體戰略有機地結合起來，科學地做出物流決策提供了有效的工具和手段。
　　參考文獻:
　　[1]郭獻山樂業:我國企業物流發展現狀及對策的思考[J].集團經濟研究,2006(12月下旬刊):122～123
　　[2]劉同明等編著:數據挖掘技術及其應用[M].北京國防工業出版社,2001:8～9

【淺談現代企業物流管理中的數據挖掘技術】相關文章：

基于數據挖掘技術的現代物流管理03-25

數據挖掘技術在企業知識管理中的應用03-19

數據挖掘技術在ＣＲＭ中的應用03-22

數據挖掘技術在客戶關系管理中的應用12-09

電子商務中數據挖掘方法淺談03-01

數據挖掘技術在飯店營銷中的運用03-28

談數據挖掘技術在第三方物流企業的應用03-20

淺談數據集市技術在高校信息管理中的應用03-18

淺談Intranet在現代企業中的應用03-21