基于过程挖掘的物流流程信息智能分析研究

曾奕棠++张玉峰+谭学清+王林+刘汉斌

〔摘 要〕物流信息化建设的加速与普及，为物流流程信息的分析与利用带来了挑战。过程挖掘作为业务流程建模的工具之一，能够化解人工经验的不足，有效实现物流流程信息的智能分析与利用。在明确过程挖掘基本原理的基础上，构建了基于过程挖掘的物流流程信息智能分析框架，探讨了基于过程挖掘的物流流程信息智能分析的过程与特点。最后，分析了需要特别注意的事项。

〔关键词〕物流流程；流程信息；过程挖掘；智能分析

DOI：10.3969/j.issn.1008-0821.2017.11.025

〔中图分类号〕G202 〔文献标识码〕A 〔文章编号〕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

作为支撑经济社会发展的基础性、战略性产业，物流业在经济发展、社会进步中发挥着重要作用。在相关政策的推动和市场强大需求的拉动下，我国物流业近几年得到了长足发展。但不可否认的是，无论是大型物流企业还是小型物流企业，无论是自营物流还是第三方物流，在物流流程管理方面还存在着以下问题：1）配送路径设置不经济，路线选择不科学；2）配送工具调度不合理，设备利用率有待提高；3）难以准确制定配送计划，物流配送工作具有随意性；4）个别工序安排欠妥当，货物出库效率较低；5）发、退货混乱，货物的交货时间没有保障；6）服务响应慢，物流配送成本支出居高不下；7）需求预测难，资源协调能力不足[1]。

近年来，国内外已有学者认知到物流流程中存在的问题，并对物流流程的优化或改进进行了相应的研究。Pietro Romano强调从供应网络的协调和整合机制来实现节点企业与核心企业之间物流流程的优化[2]。Harry K.H.Chow等提出了一種基于射频识别多智能体技术的实时知识支持框架，用于解决动态物流流程管理中存在的问题，提供实时的知识支持物流业务的处理决策[3]。C.K.M.Lee等基于需求管理与供应链管理理论，探讨了利用人工智能技术和无线射频识别技术来提高物流工作流程的响应速度与运营效率[4]。William Wilcox等针对供应链各企业间逆向物流存在的相关问题，提出了一种具有预测功能的物流分析马尔可夫模型，可实现对逆向物流流程的优化[5]。Edgar H.Alfonso-Lizarazo等以棕榈油供应链为例，构建了一个在闭环供应链框架下考虑能源、成本和经济利润的数学模型，用于对农产品生产部门逆向物流流程进行评估，以实现物流流程的优化[6]。EwaKulińska等针对公共道路运输公司ERP系统缺乏数据连续性这一问题，通过对物流数据的分析来改进物流流程的功能[7]。Riska Asriana Sutrisnowati等构建了一个贝叶斯网络过程模型，对港口信息系统中的事件日志进行挖掘分析，从而实现对港口物流流程各活动的优化与改进[8]。Dino Knoll等利用机器学习技术，提取物流流程的通用知识，建立入厂物流规划方法，来实现对入厂物流的预测[9]。Christian Küber等为实现汽车装配线与物流流程之间的相互作用，提出了一种物流流程设计规划方法，可以在优化物流流程的同时，保证装配线的灵活性和可变性[10]。张夕依据业务流程再造理论，提出了基于BPR的可视化电力物流核心业务流程再造的对策和措施[11]。张涵跃等利用Petri网对某物流集散中心的邮件处理流程进行建模，通过仿真软件对模型进行仿真运行，以实现物流流程的优化[12]。杨玮等构建了统一建模语言（UML）和多色集合相结合的冷链物流仓储作业流程模型，可以实现冷链物流仓储流程优化，并据此建立了新的冷链物流仓储系统出入库流程模型[13]。杨玮等将Flexsim仿真软件应用于医药物流行业，进行建模仿真，以找出拣货流程的瓶颈问题，并进行合理优化，可以提高医药物流中心零货库的拣货效率[14]。endprint

从上述学者的研究可以看出，为了实现物流流程的优化，相应的方式不外乎两类：一是从管理维度着手，通过管理措施来优化物流流程；二是从技术维度着手，通过技术手段来优化物流流程。但上述研究，都或多或少地忽略了对物流流程信息本身的分析，没有考虑通过对物流流程信息的挖掘与分析，从中找出不足或缺陷，进而来优化物流流程。

事实上，随着物流信息化建设的加速与普及，物流流程信息的获取变得越来越方便，但也为管理者和用户对数据“矿藏”的分析与利用带来了挑战。而过程挖掘作为业务流程建模的工具之一，能够化解人工经验的不足，充分利用物流流程信息，实现物流流程的优化，着力推动物流业创新发展。

因此，本文将建立一种利用过程挖掘技术来实现物流流程信息智能分析的方法。

1 过程挖掘概述

1.1 过程挖掘的基本原理

过程挖掘（Process Mining）是一个舶来词，国内也有学者将其翻译为流程挖掘，在学术界与工作流挖掘（Workflow Mining）并行使用，且概念内涵上相似。1998年，R.Agrawal等人提出了工作流挖掘（Workflow Mining）的概念，随后，相关学者在此基础上又提出了过程挖掘（Process Mining）的概念。按照R.Agrawal等人的观点，过程挖掘是指对信息系统中的事件日志进行挖掘，为管理者提供流程运行的知识[15]。学者们对于过程挖掘的含义进行了深入探讨，目前比较得到学术界认可的一种定义是：过程挖掘是指从事件日志中提取出结构化流程描述的方法，重现业务流程的真实过程[16]。经过十多年的发展，过程挖掘主要有三种应用场景：流程发现、一致性检验和模型改进。

从过程挖掘的定义可以看出，过程挖掘的起点与对象是事件日志。对于当前的信息系统而言，存储着大量的结构化事件日志。一般来说，事件日志是整个流程日志信息的集合，是业务流程的表示形式，包括以下要素：实例编号（Case ID）、事件名称（Event ID）、活动名（Activity）、时间戳（Timestamp）、成本（Cost）、资源（Resource）、处理状态（Situation）[17]。过程挖掘对于事件日志的最低要求是每个事件至少包括一个实例及该实例对应的活动。目前，事件日志文件的标准存储文件类型为由IEEE过程挖掘工作组提出的XES （eXtensible Event Stream）文件。表1给出了某企业入库物流事件日志的一个简单实例。

表1中，每一行代表一个事件，事件的属性则由列数据来表示。例如，事件20161116属于实例102并且是活动“Order Processing”（订单处理）的一个事件，由Tan Bing在2016-11-23 09：34这个时间点执行完成。在该表中，事件日志由三个实例构成，其中，实例101的流程序列为：Receiving Order（收到订单）、Order Processing（订单处理）、Goods Purchase（商品采购）、Goods Inspection（商品验收）、Goods Warehousing（商品入库）、Goods Store（商品储存）。根据XES文件标准，事件20161116转化为XES文件标准结构相应算法如图1所示。

1.2 过程挖掘的常见视角

过程挖掘应用到很多的分析技术，根据其分析目的，大致可以将其划分为4类挖掘视角[18]。

1）控制流视角。此类挖掘主要对构成流程的各活动之间的顺序，即控制流进行挖掘，是最常见的挖掘视角。控制流视角挖掘是对控制流数据进行挖掘，主要是找到一个能对所有活动轨迹进行最恰当描述的过程模型。

2）组织视角。此类挖掘主要是对包含在事件日志中的执行者信息进行挖掘，从中发现各执行者间的关系。组织视角挖掘能够对业务流程参与的人员、角色、组织等进行分类分析，构造组织模型，从中发现参与者之间的合作关系或社会网络。

3）实例视角。此类挖掘主要是关注实例属性特征。实例视角挖掘能够对实例进行挖掘，按照实例的执行路径或执行者的属性来对实例进行描述，从中找出对决策产生影响的活动相关信息，为组织优化流程提供决策支持。

4）时间视角。此类挖掘主要是对事件日志中的时间数据进行挖掘。時间视角挖掘的对象主要是事件日志中的时间戳数据，从而能够找到业务流程在时间处理上的规律性，提升业务流程的时间效率。

2 基于过程挖掘的物流流程信息智能分析的框架

现在，过程挖掘已在医疗、电信、金融、政府等领域的流程优化中得到了初步应用[19]。一系列具有不同作用与功能业务组成的活动构成流程。因此，物流流程就是为了满足客户的需求而实现的商品流动中，一系列具有不同作用与功能业务组成的活动。这些物流流程，均以相应的活动信息保存在物流信息系统中，构成特定的物流流程信息。结合过程挖掘的基本原理，构建的基于过程挖掘的物流流程信息智能分析框架如图2所示。

从图2可以看出，基于过程挖掘的物流流程信息智能分析，主要任务功能包含以下3个方面：

2.1 发现物流流程中的循环模式

虽然物流流程在不同场景中会有差异，但在长期发展过程中，一个企业总会面对“相似”的情景，并形成相对稳定、优化的物流流程。发现物流流程中的循环模式就是要通过对物流流程信息的挖掘，找出高效优质的物流流程。

流程发现与可视化技术是发现物流流程中的循环模式比较有效的方法。例如α算法、α++算法、模糊算法、启发式算法等流程发现技术[20]，都可以用来从现有物流流程信息中挖掘得到相应的模式。在得到相应模式的基础上，融入频率测算技术与依赖性测量技术，就能从现有流程模式中发现最通用和最值得信任的实现物流流程的活动序列。与流程发现技术聚集于流程利益相比，流程可视化技术则更多地聚集于流程运行本身，从而发现物流流程在真实的场景中如何运作。比较常见的流程可视化技术包括性能时序图分析（Performance Sequence Diagram Analysis）、任务发起人矩阵（Originator-by-task Matrix）、社会网络挖掘（Social Network Miner）和瓶颈分析（Bottleneck Analysis）[21]。endprint

2.2 分析与表征物流流程变量

一个企业的物流流程受到多种因素的影响（如商品品类、数量、金额、人员、运输能力、管理水平等）并呈现出不同的特征。通过对物流流程变量的界定并明确每一变量的因素组合，可以有效降低物流流程的不确定性。通过对比每一特定的物流业务的相关条件与表征物流流程变量的因素，分析人员能够识别出最佳的物流业务活动。

为有效识别新的物流流程变量，可以采用以下步骤：第一，对隐藏在物流数据中的因素做相关性分析，在发现重要因素的相关性之后，物流轨迹将被有效过滤，并将流程变量常见特征文档化；第二，利用轨迹聚类技术来对文档化流程轨迹进行聚类，然后分析每一聚类结果的相关要素[22]；最后，分析人员根据聚类结果提出感兴趣的物流流程变量要素组合，作为物流流程优化的首选考虑因素。

2.3 识别与分析反常实例或不良物流事件

在物流实际运行中，由于存在干扰行为或其他日常问题，所产生的流程实例可能存在不连贯的情况，导致日志的残缺，从而形成反常实例。同时，由于实际物流流程的重复执行或流程实例存在着相似属性，会出现重叠的流程执行路径，从而产生冗余的重叠的信息，形成不良物流事件。发现反常实例与不良物流事件主要可以采用以下技术：一致性检验、Delta分析技术、基于规则的属性验证技术。

一致性检验技术和Delta分析技术主要是用来检测一个分析得到的物流流程模型与实际物流流程之间的不一致情况。在与实际物流流程比较中，这两种技术也存在一些差异：一致性检验技术以事件日志为分析源；Delta分析技术以衍生过程模型为分析源。这两种技术都能对物流流程模型的偏差进行深度分析，并判断模型与事件日志的契合度，来检查流程环节是否存在反常实例或不良物流事件。

基于规则的属性验证技术能够在专家知识、操作指南和最佳实践的支撑下，在开源过程挖掘工具ProM（Programmable Read-Only Memory，可編程只读存储器）中实现相应的算法，如线性时序逻辑（Linear Temporary Logic，LTL）检测算法、语义LTL检测算法、SCIFF检测算法、结构化CLIMB规则算法，为特定问题的确认提供帮助。例如，分析人员可用此方法对物流业务咨询、任务分配、特定活动预处理等方面的结果进行检查。

3 基于过程挖掘的物流流程信息智能分析的过程

基于过程挖掘的物流信息智能分析过程由7个独立的阶段构成，如表2所示。

从表2可以看出，上文提出的3个应用，将在解释性流程分析阶段和高级流程分析阶段来体现。发现物流流程中的循环模式与变量适合在解释性分析阶段，识别与分析反常实例或不良物流事件在高级分析阶段更适合。对于反常实例和事件的识别与分析可以直接为未来物流流程的提升与完善提供建议。

1）项目定义与事件日志抽取。一般来说，物流信息智能分析均始于对项目定义。分析人员和参与的专家都要认定物流范围、时间节点和实践问题。物流范围越大，需要分析的内容就越多，因而分析模型也就越复杂。时间节点的选择对于事件日志会产生影响，例如，如果时间节点范围过广而最近的物流实践变化就会变得无关紧要。在完成项目定义之后，就要确定事件来源。目前，随着信息技术的普及与应用，物流公司建立了相应的物流管理系统，并以事件日志的形式保存。在实现物流信息智能分析中，需要整合来自不同系统的事件日志。需要注意的是，源自不同来源的事件间的联系会对同一路径实例的分析带来挑战，而构建事件日志的核心挑战是选择事件的属性。属性选择过少，会降低分析的质量；而属性选择过多，则会严重降低过程挖掘工具的绩效。

2）事件日志预处理。该阶段的首要工作就是选择合适的事件日志格式（如MXML格式或XES格式），采用Nitro、Disco、XESame等数据预处理工具，将抽取到的事件日志转化为标准化的事件日志格式。另外，由于业务实例的相似属性和实际流程的重复执行，将在一个特定流程实例中出现重复注册多次的事件日志，因此，需要过滤重复的数据和噪音。第二阶段以事件日志一些特殊操作结束。这些操作包括个人信息加密、活动分组等。

3）视角选择。物流流程视角选择，是提升分析模型与结果可理解性和聚焦性的基础。针对物流流程用户的视角，可以将物流流程识别出4个独立的视角，包括入库、存储、出库、运输，这些视角也看成物流流程的核心要素。一旦选定了视角，就可以实施相应的过滤操作，分析人员同时需要识别与描述潜在的信息丢失、提供处理信息的方案。如果在项目定义阶段就描述了多视角分析的目标，将非常有必要执行此阶段的工作，而下一阶段的分析就更具针对性。

4）解释性流程分析。构建事件日志和选择分析视角之后，接下来的阶段是解释性流程分析。大量的流程挖掘技术可用于功能分析、过程分析、组织分析和数据分析。

5）物流实践确认。物流专家可以对解释性流程分析的结果进行讨论，并根据物流操作指南、当前环境等进行评价。如果专家认为分析结果是适用的与有价值的，则结束第5个阶段并形成外化结果。

6）高级分析。第六阶段主要是进行高级分析与目标驱动分析。效率分析一般包括瓶颈识别、物流周期、绩效分析与比较。质量与一致性分析可能包括物流规则的评估、一致性分析和不良事件及原因分析。如果项目定义仅仅是对物流流程进行一致性分析来判断与预先设置的流程是否一致，则阶段三、四和五可以略过。

7）物流流程优化。理想状态的话，物流信息智能分析能够为物流流程优化提供建议，如设置合理的配送路径、提高配送工具的利用率、制定科学的配送计划、提高货物出库效率、保障货物交货时间、降低物流配送成本等。

上述7个阶段，也可以用图3来表示。7个阶段可以重组为3大类：定义及事件日志搜集活动、流程分析活动、流程提升活动。

4 基于过程挖掘的物流流程信息智能分析的特点endprint

虽然有很多方法能够对物流操作过程进行分析，比如观察法、仿真法和专家访谈法，但这些方法都受到相关因素的严格限制，例如专家访谈法就难以发现专家的隐性知识，进而影响物流流程分析效果。通过对物流流程信息构成的事件日志进行轨迹跟踪，基于过程挖掘的分析方法能够实现对物流流程的深入分析。

基于过程挖掘的物流流程信息智能分析的目标是对事件日志子集进行集中分析以实现上文所说的3个方面的应用。该方法能够实现挖掘项目定义、数据抽取与预处理、挖掘分析、对于未来流程优化的启示等。基于过程挖掘的物流流程信息智能分析方法具有以下特点：1）过程挖掘技术非常适用于综合化流程数据/信息，无论是挖掘项目定义、数据抽取与预处理、挖掘分析还是为流程优化提供启示等；2）需要充分发挥分析者与物流领域专家的相互作用，实现分析结果的高可信度；3）为了得到有意义的分析结果，该方法需要结合物流流程的相关要素（如运输、包装、配送等）；4）该方法既可用于需求趋动的环境，也可用于创造新知识。

5 结束语

物流被认为是一个以人为本的 、灵活的、复杂的和多维的行业，要对物流流程进行动态掌握与优化，是一个非常难的工作。本文基于过程挖掘的基本原理，融合物流流程信息，构建了基于过程挖掘的物流流程信息智能分析框架，并探讨了该框架的实现过程，为同类研究提供了一个可行的思路。不过，以过程挖掘技术来进行高质量、智能化的物流流程信息分析，还需要特别注意以下事项：1）事件日志质量。物流信息系统的事件日志必须如实反映事件，防止任何的数据篡改，确保事件记录的时效性与精准性。2）物流实践确认。哪怕物流指南存在瑕疵，也要根据知识库或当前的场景调整过来。3）假设的完整性。所有的行为都完整地保存在事件日志中这一假设的完整性，在相应的物流实践场景中很容易受到挑战。因此，分析人员需要认真选择时间范围和事件来源。

参考文献

[1]曹永芬，曾憲凤.基于供应链的企业物流管理流程创新研究[J].物流技术，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的可视化电力物流核心业务流程再造研究[J].物流技术，2013，（3）：109-111.

[12]张涵跃，张海峰，殷青.基于Petri网的物流集散中心处理流程优化研究[J].物流技术，2014，（10）：171-173.

[13]杨玮，高贺云，李丹.基于多色集合的冷链物流仓储流程优化[J].计算机工程与科学，2015，（10）：1890-1898.

[14]杨玮，杨超群，杜雨潇，等.基于Flexsim的某医药物流中心拣货流程优化研究[J].包装工程，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