基于数据挖掘的物流决策支持系统

1、64BRAND 2009基于数据挖掘的物流决策支持系统文/丁原祖近年来,随着物流行业的发展壮大,物流的信息化管理日益为物流企业所重视。大部分物流企业已应用了库存管理信息系统、配送中心管理信息系统、生产管理系统等,这些系统的成功实施为各物流企业的日常管理工作带来了很大的便利,提高了管理效率和水平。但是,这些系统大都是孤立的分属于不同部门,为完成某一个具体的工作而设计,如何有效地整合这些数据,帮助决策者快速、准确地做出决策,提高企业的运作效率,达到企业利益最大化,是物流企业目前急需解决的问题。基于数据挖掘的物流决策支持系统能够从整体、宏观的角度去分析、解决问题,优化物流资源的配置,提高物流资源的利

2、用率,同时能够帮助物流企业的决策者根据物流发展形势的变化及历史数据作出正确的决策。一、理论依据1、数据挖掘数据挖掘是将人工智能技术(神经网络,模糊逻辑,遗传算法等应用到大规模数据中,从大量的、不完全的、有噪声的、模糊的、随机的数据中,提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘作为知识发现的一个特定步骤,是知识发现的核心。数据挖掘是一系列技术及应用,或者说是对大容量数据及数据间关系进行考察和建模的方法集,它的目标是,利用算法,从数据中抽取模式,将大容量数据转换为有用的知识和信息。(1数据挖掘的过程数据挖掘的过程一般由三个主要的阶段组成:数据准备、数据采集、结果

3、表达和解释。(2数据挖掘方法数据挖掘方法有很多种,其中比较典型的有关联分析、序列模式分析、分类分析、聚类分析等。关联分析。即利用关联规则进行数据挖掘,而关联规则是描述事物之间同时出现的规律的知识模式,关联分析的目的是为挖掘出隐藏在数据间的相互关系。序列模式分析。序列模式分析和关联分析相似,他把数据之间的关联性与时间性联系起来,为了发现序列模式,不仅需要知道事件是否发生,而且需要确定事件发生的时间。其目的也是为了挖掘数据之间的联系,但序列模式分析的侧重点在于分析数据间的前后或因果关系。分类分析。分类分析就是分析示例数据库中的数据,为每个类别做出准确的描述建立分析模型或挖掘出分类规则,能够把数据集

4、中的数据映射到某个给定的类上,其输入集是一组记录集合和几种标记。聚类分析。与分类分析不同,聚类分析法的输入集是一组未标定的记录,也就是说此时输入的记录还没有进行任何分类。其目的是根据一定的规则,合理地划分记录集合,使组之间的差别尽可能大,组内的差别尽可能小。2、决策支持系统决策支持系统(DSS是一种以计算机为工具,应用决策科学及有关学科的理论与方法,以人机交互方式辅助决策者解决结构化与非结构化问题的人机信息系统。(1决策支持系统的基本任务主要包括:分析和识别问题;描述决策问题、存储和表达决策问题的有关知识;构造决策问题的求解模型,如运筹学模型、程序模型等;形成候选的决策方案;建立评价问题的准则

5、,如价值准则、效益准则等;进行多方面、多目标、多准则情况下的方案比较和优化;进行各种方案或结果的综合分析,包括分析对实际问题的作 分析环境对决策方案和结果 的影响等。(2决策支持系统的基本特征Dss的基本特征主要包括:数据和模型是决策支持系统的主要资源;功能是支持用户决策而不是代替用户决策;主要用于解决半结构化和非结构化决策问题;目的是提高决策的有效性而不是提高决策的效率。(3决策支持系统的基本功能DSS的功能可归纳为以下几点:收集、管理并提供与决策问题有关的组织外部、内部信息,如政策法规。收集、管理并提供各项决策方案执行情况的反馈信息,如订单与合同。能以一定的方式存储和管理与决策问题有关的各

6、种数字模型,如定价。能够存储并提供常用的数学方法及算法,如回归分析方法。能够对上述数据、模型与方法进行修改和添加,如数据模式的变更。能灵活地运用模型与方法对数据进行加工、汇总、分析、预测,得出所需的综合信息与预测信息。具有方便的人机对话和图像输出功能,能满足随机的数据查询要求。提供良好的数据通信功能,以保证及时收集所需数据并将加工结果传递给使用者。二、系统基本结构根据目前物流企业信息管理系统的特点,首先要在较高层次上将不同信息系统中的数据进行整合、抽象,以形成数据仓库,然后在数据仓库的基础上再进行数据挖掘。系统基本结构如图1所示。三、系统应用在物流系统中,需要管理的要素便是:储存、发送物、运送

7、时间、接受地的状态、收发中的单据管理、运输工具、外包资源,以及成本分析等。摘要本文针对传统的物流管理信息系统不能快速地提供决策支持的问题,提出了物流决策支持系统的研究方案,运用数据挖掘的方法,建立了物流决策支持系统模型,能够帮助物流企业的管理者快速有效地作出决策。关键词数据挖掘;物流;决策支持系统工作研究B R A N D工作研究储存:实现物资的时间效益。是物流体系中的唯一的静态环节,相当于物流系统中的一个结点。起着缓冲和调节的作用。其主要的载体是仓库。发送物:安排进入物流体系中的生产材料、半成品或成品。运送时间:发送这些物品的时间估计。接受地状态:不能假设仓库是无限的,特别是生产车间,需要预

8、先知道是否可接受货物。单据管理:运输交接单为物流的原始凭证,也作为库存变动的资料。运输工具:如何选择或安排自己的运输工具,运力、成本都需要调度管理。外包资源:可能会与第三方的物流服务公司合作,他们的信用、成本、物权交接等。成本分析:对物流过程中的装卸、运输、存储的成本进行分析管理。下面,以物流仓储管理为例来说明基于数据挖掘的物流决策支持系统的应用。无论从宏观的角度还是微观的角度,加速周转是创造财富最有效的方法和途径,物流的重要目标是消灭库存,把从起运地到目的地之间的所有运行工具都充分利用起来,实现最短送达方案,包括路途最短、时间最短和费用最低的综合目标。仓储成本无疑在企业总的成本核算中占很大一

9、部分,如何合理安排货品的存储、压缩货品的存储成本正成为现代物流管理者不断思考的问题。哪些货品放在一起可以提高拣货效率?哪些货品放在一起却达不到这样的效果呢?我们可以采取数据挖掘技术来帮助解决这方面的问题。1、数据挖掘流程首先要清晰地定义出业务问题,确定数据挖掘的主要任务。之后需要开展数据准备工作,数据准备包括选择数据,即在大型数据库和数据仓库目标中提取数据挖掘的目标数据集以及数据预处理,即进行数据再加工,包括检查数据的完整性及数据的一致性、填补丢失的数据、删除无效数据等。数据挖掘是根据数据功能的类型和数据的特点选择相应的算法,在净化和转换过的数据集上进行数据挖掘。结果分析是对数据挖掘的结果进行

10、解释和评价,转换成为能够最终被用户理解的知识。最后将分析所得到的知识集成到业务信息系统的组织结构中去。具体流程如图2所示:2、数据挖掘的方法要解决物流仓储问题,可以用数据挖掘中的关联分析方法。关联分析的目的就是为了挖掘出隐藏在数据间的相互关系。即通过量化的数字,描述产品A的出现对产品B的出现有多大影响。关联分析就是给定一组Item和一个记录集合,通过分析记录集合,推导出Item间的相关性。可以用四个属性来描述关联规则:1可信度:在产品集A出现的前提下,B出现的概率2支持度:产品集A、B同时出现的概率3期望可信度:产品集B出现的概率4作用度可信度:对期望可信度的比值目前大多数的关联分析都基于“支

11、持度置信度”的框架,其目的是抽取形如“ifA then B”的规则。上述规则的支持度用S表示,置信度用C表示。通过上述关联分析可以得出一个关于同时购买商品的简单规则,以及每条规则的置信度和支持度。支持度高表示规则经常被使用,置信度高表示规则比较可靠。通过关联分析后可以得到关于产品A、B的关联程度,从而来决定这两种货品在货架上的配置了。3、关联分析挖掘的过程关联分析挖掘过程主要包含两个阶段:第一阶段必须先从资料集合中找出所有的高频项目组(Frequent Itemsets,第二阶段再由这些高频项目组中产生关联规则(Association Rules。关联分析挖掘的第一阶段必须从原始资料集合中,找

12、出所有高频项目组(LargeItemsets。高频的意思是指某一项目组出现的频率相对于所有记录而言,必须达到某一水平。一项目组出现的频率称为支持度(Support,以一个包含A与B两个项目的2-itemset为例,我们可以求得包含A,B项目组的支持度,若支持度大于等于所设定的最小支持度(Minimum Support门槛值时,则A,B称为高频项目组。一个满足最小支持度的k-itemset,则称为高频k-项目组(Frequent k-itemset,一般表示为Large k或Frequent k。算法并从Large k的项目组中再产生Large k+1,直到无法再找到更长的高频项目组为止。关联分

13、析挖掘的第二阶段是要产生关联规则(Association Rules。从高频项目组产生关联规则,是利用前一步骤的高频k-项目组来产生规则,在最小信赖度(MinimumConfidence的条件门槛下,若一规则所求得的信赖度满足最小信赖度,称此规则为关联规则。例如:经由高频k-项目组A,B所产生的规则AB,其信赖度可经由公式求得,若信赖度大于等于最小信赖度,则称AB为关联规则。例如:在某电脑公司,销售人员发现购买计算机整机的顾客中,有70%的人同时也购买了摄像头,说明计算机、摄像头之间存在着潜在的关联。经过实际调查和分析,原来是现今社会网络发展得非常迅速,网络实时视频通信已被越来越多的人们所接受

14、,因此大部分顾客在购买计算机的同时也购买了摄像头。就上述案例而言,使用关联分析挖掘技术,对交易资料库中的纪录进行资料挖掘,首先必须要设定最小支持度与最小信赖度两个门槛值,在此假设最小支持度min_support=5%且最小信赖度min_confidence=70%。因此符合此该公司需求的关联则将必须同时满足以上两个条件。若经过挖掘过程所找到的关联规则计算机,摄像头,满足下列条件,将可接受计算机,摄像头的关联规则。用公式可以描述Support(计算机,摄像头=5%且Confidence(计算机,摄像头=70%。其中,Support(计算机,摄像头=5%于此应用范例中的意义为:在所有的交易纪录资料中,至少有5%的交易呈现计算机与摄像头这两项商品被同时购买的交易行为。Confidence(计算机,摄像头=70%于此应用范例中的意义为:在所有包含计算机的交易纪录资料中,至少有70%的交易会同时购买摄像头。因此,今后该公司在给下属分公司配货时,就会有针对性地分配计算机和摄像头的数量。这个商品配货的行为则是根据计算机,摄像头关联规则,因为就该公司过去的交易纪录而言,支持了“大部份购买计算机的交易,会同时购买摄像头”的消费行为。四、结束语数据挖掘技术已经在金融业、电信业中得到了