《基于数据挖掘的物流成本管理模型研究》由会员分享，可在线阅读，更多相关《基于数据挖掘的物流成本管理模型研究（3页珍藏版）》请在金锄头文库上搜索。
1、基于数据挖掘的物流成本管理模型研究 王妍妍 燕山大学经济管理学院 摘 要： 降低成本是增强第三方物流企业竞争力的重要途径。本文采用数据挖掘技术建立物流成本管理模型, 分析物流成本数据中隐含的有用信息。该模型首先引入聚类分析方法将物流成本依据自身特征分成若干簇。再引入关联规则分析方法挖掘物流成本数据之间的关联规则, 形成物流成本管理决策知识库。通过挖掘物流成本数据中隐含的关键信息, 可以有效管理物流成本。关键词： 数据挖掘; 物流成本; 聚类; 关联规则分析; 作者简介：王妍妍, 博士、讲师, 燕山大学经济管理学院, 研究方向:数据挖掘与电子商务。基金：燕山大学基础研究专项课题青年课题, 基于数
2、据挖掘的物流成本精细化管理方法研究 (14LGB029) 引言我国电子商务迅猛发展, 制约其未来发展的关键因素之一就是物流, 能否以较低的物流成本提供更全面的服务已经成为物流企业竞争的焦点。物流成本既是在整个物流活动过程中所耗费的物化劳动和活劳动的总和, 第三方物流企业是提供物流服务的外部供应商, 它的全部成本都来自于物流成本。数据挖掘技术可以从大量的数据中提取出有用的知识, 让数据成为推动企业创新发展的利器。所以, 综合分析、深入挖掘物流成本数据是物流企业谋求发展的重要途径。数据挖掘技术在物流管理上的研究十分广泛, 周磊等将物联网和数据挖掘相结合对物流信息进行整合处理和分析, 为物流大数据的
3、采集、组织和提炼提出了综合的解决方案。陈银凤综述了数据挖掘技术在物流中心选择、物流管理仓储选择、配送路线选择和客户分析等多方面的应用。肖娟则在物流决策、需求预测和客户关系管理中引入数据挖掘技术。田雪等对物流大数据的应用提出了解决方案, 为物流企业决策和发展提供帮助。张玉峰等采用动态数据挖掘技术对物流信息进行智能分析, 通过挖掘动态数据库和实时数据库中的数据促进物流信息化的建设和发展。吴自强在第三方物流供应商选择时, 先采用 k-means 算法优化供应商, 再建立模型选取供应商。1、基于数据挖掘的物流成本管理模型为了有效管理物流成本, 建立基于数据挖掘的物流成本管理模型。该模型分三大模块, 包
4、括数据预处理模块、聚类分析模块和关联规则分析模块。主要处理过程如下:首先, 收集原始物流成本数据, 提炼成本的主要影响因素进行数据预处理。然后, 采用聚类和离群点挖掘按照成本自身特征归类数据。最后, 在每个簇中进行关联规则分析, 发现成本之间的隐含关联。模型运用聚类方法缩小物流成本管理的范围, 从而提高规则发现的效率。运用关联规则分析发现隐藏在成本数据背后的有用信息。通过将数据挖掘技术与物流成本管理相结合, 以此优化物流成本数据管理策略。基于数据挖掘的物流成本数据管理模型如图 1所示。图 1 基于数据挖掘的物流成本数据管理模型 下载原图2、数据预处理模块分析数据预处理对于数据挖掘结果的影响很大
5、, 是非常重要的过程。数据预处理是对原始物流成本数据进行数据清理、数据集成、数据规约和数据变换等。其中, 数据清理是对原始物流成本数据中的遗失数据进行填充、纠正不一致的数据等。数据集成是将与物流成本数据相关的多个数据库统一起来, 形成物流成本数据源, 这个过程需要提炼物流成本的主要影响因素, 解决多个数据库数据匹配的问题。数据规约是对原有的大量物流成本数据进行压缩, 形成一个相关性最强但数据量较小的数据集。数据变换是将物流成本数据转换成适合聚类和关联规则挖掘的表示形式。3、聚类模块分析物流成本数据数量庞大、类型多样, 如果在整个数据集上进行数据挖掘, 存在资源消耗大、挖掘效果差的问题。聚类可以
6、将数据集划分成多个相似度较高的类簇, 在物流成本数据中引入聚类分析能够自动将相似度较高的成本归为一类, 大大缩小物流成本管理的范围。K-means 是经典的、应用广泛的聚类算法之一, 研究的重点是数据之间的相似度度量方法、初始聚类中心的选择和聚类个数优选方法等。在物流成本聚类模块使用 K-means, 首先要根据物流成本关键特性定义相似度, 再找出迭代次数较少的初始聚类中心, 完成物流成本划分类簇的过程。同时, 聚类时发现的离群点对物流成本管理有重要的意义。异常的物流成本数据多表现为离群点, 往往表示一些特殊的、不寻常的情况, 是物流成本管理重点关注的内容。4、关联规则挖掘模块分析物流成本数据
7、之间相互影响, 隐含大量的有用规则。关联规则挖掘就是通过某一事物去预测另一个事物。在物流成本数据的每个簇内, 采用关联规则分析可以挖掘出成本数据之间的关联关系, 根据发掘到的关联规则有效指导物流成本的分配和管理, 最终形成物流成本管理优化策略知识库。关联规则挖掘模块要选择关联规则分析算法, 并将挖掘到的规则表示成为用户能够接受和理解的物流成本管理决策。Apriori 算法是应用广泛的关联规则分析方法, 在物流成本关联规则挖掘模块使用 Apriori, 需要根据用户的不同需求确定支持度和置信度。关联规则分析可以从横向和次序两个方向进行, 其中, 横向关联规则是分析各个物流成本项之间的关系, 次序
8、关联规则是分析某种货物物流成本发生后另外一种货物物流成本发生的关系。5、结语随着物流行业的快速发展, 降低物流成本、提高物流服务质量是企业赖以生存的根本。基于数据挖掘技术建立物流成本管理模型, 采用聚类技术缩小物流成本管理范围, 并在每个簇中实施关联规则分析, 发现有用的物流成本优化策略, 可以有效降低物流成本, 为物流成本管理决策提供支持。参考文献1周磊, 张玉峰.融合物联网与数据挖掘的物流信息处理与分析J.图书馆学研究, 2017 (06) :61-65. 2陈银凤.数据挖掘技术在物流业中的应用J.物流科技, 2014, 37 (9) :83-85. 3肖娟.数据挖掘在物流业的应用综述J.统计与决策, 2013 (11) :95-97. 4田雪, 司维鹏, 刘莹莹.大数据在物流企业中的应用J.电子商务, 2015 (1) :36-37. 5张玉峰, 曾奕棠, 郝彦.基于动态数据挖掘的物流信息智能分析策略研究J.图书馆学研究, 2016 (05) :46-49. 6吴自强.基于 K-均值聚簇法的第三方物流供应商的选择J.统计与决策, 2013 (24) :53-55.
