数据挖掘技术在物流仓储管理中的应用.docx

数据挖掘技术在物流仓储管理中的应用摘要：数据挖掘（data mining，DM）就是从大量的、不完全的、模糊的、有噪声的、随机的数据中，提取隐含在其中的、人们事先不知道的、但是又潜在有用的信息和知识的过程，并通过挖掘出的有用信息为企业管理提供有力的决策支持。数据挖掘技术是物流系统管理最有效方法，尤其是在物仓储管理中更是发挥着举足轻重的作用。关键字：数据挖掘、物流仓储管理引言：随着经济的发展和信息技术的进步，对物流信息化的要求不断提高，尤其是仓储在仓储管理中对信息化的要求更高。因为仓储管理涉及到入库管理、出库管理、库存管理、商品盘点等许多环节，这些环节中产生了大量的业务数据，而这些数据中蕴藏着大量的、未知的对企业管理有用的价值信息，这就需要通过数据挖掘提取出企业管理所需的知识和信息。正文：数据挖掘概述数据挖掘技术是一门从数据中发现隐含的、先前不知道的、潜在有用信息的多学科交叉的技术，它涉及数据库、统计学、人工智能、机器学习、神经网络、模式识别，知识库系统、信息检索、高性能计算和可视化等多个领域。同时他又是一门被许多领域与部门应用的学科。目前已经在自然科学、医药科学、工程技术科学、经济学、社会学甚至文学、艺术研究中得到了广泛的应用。当前数据挖掘的主要方法包括分类、估计、预测、组合或关联法则、聚类、描述与可视化，主要技术包括聚类、决策树、神经网络等。数据挖掘的技术方法类型主要有：定性与对比、关联分析、分类与预测、聚类分析、异类分析、演化分析等六类。在仓储管理中应用数据挖掘的必要性与可行性随着经济的发展及国家政策的调控，物流正在不断地发展和壮大。但想要发展就必须要有竞争，而在竞争过程中，适者生存、不适者将被淘汰是必然的结果。面对如此残酷的竞争，物流企业必须提高自己的竞争力。这就需要完善企业物流系统的各项功能。而仓储是物流系统的支柱之一，能创造时间价值和空间价值。如果能将仓储管理做好，势必能提高物流企业的竞争力。仓储管理包括储存货物、中转运输、客户服务等多方面的内容，因此仓储管理中涉及到的信息具有数量大、更新快、来源广的特点，然而企业又不能很好地从这些信息中获取有用的信息，从而导致仓储管理中存在着大大小小诸多问题如：仓库选址不合理；仓库数量大，但布局不够合理；自动化仓储的资源利用率低；库存设置不合理，库存成本占用企业大量资金，对客户分析不到位等。这就用必要运用数据挖掘技术从海量的数据中准确、高效的收集有价值信息并及时处理帮助决策者快速准确的做出决策，解决仓储管理中存在的问题，提高企业竞争力。三、数据挖掘技术在仓储管理中的具体应用（1）仓库选址仓库的选址问题就是求解配送成本、变动处理成本和固定成本之和为最小的最小化问题。仓库选址，需要考虑仓库数量和仓库如何分布等问题。这类问题可以用数据挖掘技术中的分类树的方法来解决。分类树的目标是连续的划分数据，将数据划分到不同组或分支中，在依赖变量的值上建立最强划分。用分类树的方法解决这个问题时，通常需要以下四个方面的数据：①仓库的位置②每个仓库的吞吐量③备选仓库的位置④仓库和备选仓库之间的距离。通过分类树的方法，不仅确定了仓库的位置，同时确定了每年每个仓库的配送量，是企业能够确定合适的库存量，减少库存资金的占用。（2）合理安排货品的储存位置如何合理安排货品的储存、压缩货品的存储成本是仓储管理要深入思考的问题。对于货物的存放，哪些货品放在一起可以提高拣货效率？哪些货品放一起却达不到这样的效果？这些问题可以运用数据挖掘中的关联模式分析技术解决。关联模式的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。可以用四个属性描述关联规则。可信度——在产品集A出现的前提下，B出现的概率；支持度——产品集A、B同时出现的概率；期望可信度——产品集B出现的概率；作用度可信度——对期望可信度的比值。通过上述关联分析可以得出关于货品的简单规则，从而决定这两种货品的在货架上的摆放配置，合理安排货位，提高拣货效率。其实，在货位摆放方面应用数据挖掘技术取得成果的例子不胜枚举，例如:沃尔玛利用数据挖掘技术，对商品进行市场分组分析，即分析哪些商品顾客最有希望一起购买。一个典型的例子就是客户的菜篮子分析，从客户购买的记录中得到客户会同时购买哪些产品。其中著名的结论是：周末时25-35周岁的青年男子的购买篮中包括啤酒和尿不湿——是因为这个岁数的男子，其孩子尚在哺乳期，其妻子让他们带尿不湿回家，而周末是美国体育比赛的高峰期，正好买上啤酒看比赛时喝。销售经理收到启发，将超市中原来相隔很远的妇婴用品区和酒类饮料区的距离拉近，减少顾客的行走时间，这样全年下来，营业额增加了几百万美元。由此可见，应用数据