数据挖掘技术在物流仓储管理决策中的应用研究

周扬帆　周婕

摘要：数据挖掘技术是一种数据分析处理技术，其来源于实际运用，又服务于实际运用，目的是对海量的数据进行快速、有效、深入的分析，从而挖掘出有价值的信息。数据挖掘技术应用到物流仓储管理决策系统中，可以有效提高物流仓储管理的效率。

关键词：数据挖掘技术；物流仓储管理；决策

对于物流企业来说，有效的信息即是财富，如果能从这些大量无法被直接使用的数据信息中挖掘出有价值的信息，“变废为宝”，这无疑会给企业带来大量的财富。数据挖掘的目标是从看似“废弃”的大量数据中发现隐藏在其中的规律或数据问的关系。

1数据挖掘技术

数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据集中，发现隐含在其中的、人们事先不知道的、但又是潜在的有用的知识信息模型和数据问关系的过程。

数据挖掘技术的发展得益于两门学科的进步，即人工智能和统计分析。数据挖掘技术是传统分析方法学的延伸和扩展，但和传统的数据分析有本质的区别。传统的数据分析是在有明确假设的条件下，通过对大量数据的分析从而得出结论；而数据挖掘技术所得到的却是事前预先未曾料到的有价值的“意外收获”。

2物流仓储管理决策中应用数据挖掘技术的意义

现如今，物流仓储管理系统在物流企业中得到了广泛应用。物流仓储管理的主要有入库、出库、在库、分拣、盘点等多种业务，在实际操作过程中，随机产生了大量的业务数据，并且这些数据信息日益大数据化、复杂化、动态化。

根据物流仓储管理系统操作流程，将数据主要分类以下几类。

（1）基本资料管理数据：部门、员工、客户、仓库、储位、货品信息、客户信息（如客户分布、订货总量、每次订货记录、订货时间和地点、合同信息、送货批量和成本）等数据。

（2）入库管理数据：入库时间、货位号、产品的品种、规格、数量（件数或者重量）等数据。

（3）出库管理数据：客户信息、发货时间、出库品种、数量、方式、提货人等数据。

（4）库内管理数据。对转库、转储、盘点、货品数量、货品保质期、最高库存、最低库存等数据。

（5）结算管理数据：结算方式、货物单价、数量、应收（付）款金额等数据。

传统的物流仓储管理系统只是对数据做一些简单、局部的查询与统计操作，严重缺乏对这些数据的全面分析与应用，很难直接为物流仓储决策直接使用。

针对上述问题，应用相关技术来对物流仓储管理系统中的数据进行分析，寻找对企业有价值的规律进而对仓储管理作出正确决策，实现不断优化仓储管理操作流程，已经成了当务之急。当前，一个可行的办法是通过数据挖掘技术对物流仓储管理中的数据信息的搜集、加工、管理和分析，并以直观的形式描述获取的知识，进而为物流企业仓储管理提供决策支持以提高企业在物流仓储管理中的决策能力、决策效率、决策准确性。

数据挖掘技术在物流仓储管理决策中的应用，表现在“发现”和“发明”两个方面。用数据挖掘技术“发现”物流仓储管理中的问题就是以物流仓储管理系统运作过程中产生的大量业务数中的数据为基础通过采用数据挖掘算法来寻找规律以获得有价值的仓储信息。用数据挖掘技术“发明”解决问题的方法就是以数据规律为基础，结合人工智能和数学方法将实际问题抽象为数学模型，以指导解决实际问题。如在中秋节期间，需要生产大量的礼品月饼来满足市场的需求，但中秋节已过几乎所有的月饼都要滞销，因此物流企业可根据往年月饼的入库、出库数据分析来和食品厂签订月饼代理合同。

3物流仓储管理决策中应用数据挖掘技术的影响因素

在物流仓储管理决策中应用数据挖掘技术需要考虑以下几方面的因素：

（1）现有物流仓储管理系统是否适合数据挖掘技术。

在进行数据挖掘工作前，需要考虑当前系统的数据库是否适合数据挖掘，是否支持目前的数据挖掘工具和算法。如果当前系统的数据库不适合进行数据挖掘时，要权衡系统的更新所付出的代价与数据挖掘技术所带来的收益孰轻孰重。

（2）数据挖掘技术人员是否掌握物流仓储实务知识。

如果要在物流仓储管理决策系统中成功应用数据挖掘技术，就需要一批技术人员，他们专门从事对物流仓储管理相关数据分析和数据挖掘工作。这些技术人员既要具有计算机专业知识与技能，也具备物流方面的知识；既要掌握数据挖掘技术，又要懂得物流仓储实务的相关概念和流程，这样他们才能根据物流企业自身的特点和需求，选择适合的数据挖掘技术和挖掘方法，从而提高挖掘模型的准确度，提高数据生成速度。

（3）数据挖掘算法是否合适不同仓储管理实务。

数据挖掘的算法有很多种，比如FP-Growth算法、Apriori算法、决策树算法。目前，还没有明确哪一种算法适合解决何种物流仓储管理中的何种问题。如果选择了不恰当的数据挖掘算法，不但不能解决物流仓储管理决策中的实际问题，而且还会令问题陷入僵局甚至做出错误的结果。

（4）处理数据的投入是否大于数据挖掘的投入。

在仓储实务中，物流仓储管理系统会产生大量的数据，但相当部分数据质量不高，存在不完整、不一致等问题，这给数据挖掘带来的困难。这些质量不高的数据，需要通过数据的抽取、净化等处理才能利用。如果处理数据的时间和精力投入过大，就会影响数据挖掘的效率。所以，在平时的仓储实务中保证录入数据的质量就显得尤为重要。

4物流仓储管理决策中应用数据挖掘技术的策略

物流仓储管理实務的环节比较多，所产生的数据是海量的，且这些数据是随着每天的业务操作动态变化的。仓储管理每天要面对各种不同的客户，相同的客户在不同的时间段对仓储管理的要求也有着非常大的变化，例如：中秋节期间和月饼有关的商品入库出库的频率比平时要高的多，冬季和汽车配件有关的仓储实务比其他时段要多很多。物流企业能对仓储管理系统中的数据进行查询从而形成查询报表，但是这些报表一般都是一些局部和短期的数据统计具有很大的局限性，物流企业很难寻找到有价值的数据，对提高物流仓储管理决策效率有限。endprint

物流仓储管理决策主要存在3个方面的问题，即仓储的合理化安排、制定合理的库存策略、客户价值分析。具体表现如货物入库时，很难对仓储储位做到合理安排，导致出库时可能要在好几个仓库之间完成，效率不高。库存策略制定针对性不强，不能根据企业的不同、时期的不同制定合理化的库存策略。仓储管理中的规律很难得到，导致调整企业策略非常困难。实际操作中很难维护现有的客户和开发新客户。

因此对物流仓储管理系统中的数据资源进行有效地使用、针对仓储管理中不同实务环节中形成的不同数据库作数据挖掘并发现新知识具有相当大的挑战性。为此，可以从以下3个方面进行数据挖掘：

（1）库存策略挖掘：通过对库内管理中货物的存储序号、存储数量、单价、存储期限及库存数量比率、占货物总价值比率等数据采用分类分析法等挖掘技术来确定对不同货物的库存管理措施、制定合理的库存策略。

（2）仓储作业挖掘：对物流仓储管理系统中的入库模块、出库模塊各项具体仓储实务中所涉及到的数据进行收集，搭建数据处理平台，采用相应的数据挖掘算法进行挖掘，以形成一些潜在的、不易被发现的有用信息，从而形成对仓储作业操作的决策支持。

（3）客户管理挖掘：从物流仓储管理系统中的客户信息数据库中抽取出有效的、未知的、便于理解的信息，采用决策树算法来进行挖掘以达到维持老客户，开发新客户的目的。

通过对物流仓储管理系统中出库信息表中数据进行一系列的数据处理与转换，形成目标数据库，并通过java代码将其转换为DAT文件，通过自行开发的基于FP-growth算法的java程序对DAT文件中的数据进行处理、构建并输出了相应的频繁1项集、FP树、条件模式库、条件FP树和频繁模式列表等对象并成功挖掘出了出库商品类别之间的关系并形成频繁模式，进而得出企业入库时的商品储位安排策略。

通过统计出库信息表中的不同类别的商品出库次数，来发现不同类别商品之间的关系进而调整入库储位安排策略，其实这种方法是片面的，而且有时是错误的。通过分析，我们发现可以通过收集出库信息表中的商品类别和提货仓库数据，查询出每个仓库中哪几种类别的商品出库频率较高，进而可以把每个仓库中包含哪几种商品类别作为一个事务；通过关联规则挖掘来找出频繁模式，进一步合理安排商品储位，以提高以后出库操作的效率。

将数据挖掘技术应用到物流仓储管理系统中的出库实务操作环节中，运用关联规则来寻找不同的出库商品类别之间的频繁模式，以在以后的入库操作中合理安排储位，提高出库效率。因为每次需要出库的不同商品可能会存放在不同的仓库中，完成一次提货可能要牵扯到多个仓库，出库信息表中包含了出库商品的商品编号、类别和提货仓库等信息，因此只要能够对出库信息表中的商品类别进行数据挖掘并得到关联规则就可以得到哪几种类别的商品是出库操作中的频繁模式，并作为下次入库操作时调整仓库储位的根据，从而来优化商品储位安排策略，以提高下次出库操作的效率。

5总结与展望

数据挖掘和物流仓储管理系统之间实际上存在着互补的关系，仓储管理系统为数据挖掘提供了所需的宝贵数据，数据挖掘体系能够为物流企业提供接入、报告、分析信息的工具，能够帮助物流企业作出正确的决策。

数据挖掘为企业从战略高度把物流仓储管理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。数据挖掘技术可以有效地提升企业的市场反应速度，满足客户的需求，能够帮助企业获得充分的竞争优势，并且这种优势是无法轻易复制的。所以，基于数据挖掘技术的仓储管理系统可以有效提升供应链的效能，降低企业运营成本和决策效率，必将在未来有着巨大的市场前景。endprint