基于数据挖掘技术的现代物流治理(1)

内容摘要：随着信息时代数据量的剧增，深化物流治理的最有效方法是在其中引进数据挖掘技术。本文在系统分析数据挖掘过程及关键技术的基础上，以沃尔玛公司物流治理系统为例，论述了数据挖掘技术在物流治理应用中的上风，指出其必将为企业物流治理决策提供越来越强大的支持功能。关键词：数据挖掘物流治理信息系统

现代物流系统是一个庞大复杂的系统，特别是全程物流，包括运输、仓储、配送、搬运、包装和物流再加工等诸多环节，每个环节信息流量十分巨大。现代信息化物流网络体系的应用使原来数据库的规模不断扩大，产生了巨大的数据流，使企业很难对这些数据进行正确、高效的收集和及时处理，因此也就很难帮助决策者做出快速、正确地决策，实现对物流过程的控制，降低整个过程的物流本钱。随着知识经济和现代信息技术的迅猛发展，信息技术特别是网络技术的发展，为物流发展提供了强有力的支撑。物流治理信息系统是企业信息系统和企业信息化的基础，能够利用信息技术对物流中的各种信息进行实时、集中、同一治理。
数据挖掘(DataMining)能够挖掘蕴躲在海量数据中大量未知的和有价值的信息，为企业物流治理提供各种决策信息，减轻物流治理者从事低层次信息处理和分析的负担，使他们专注于最需要决策聪明和经验的工作，因此进步了治理和决策的水平。随着信息技术的不断发展，数据挖掘技术将为企业物流治理决策提供越来越强大的支持功能。

数据挖掘过程及关键技术分析

数据挖掘过程
数据挖掘技术就是采用机器学习、统计、数学和可视化技术，从大量的数据库中识别出有效的、新奇的、潜伏的、有用的以及终极挖掘出可理解模式的高级处理过程。有时人们也称它为数据库中的知识发现(KDD)。它利用数据库技术对数据进行前端处理，而利用人工智能的方法从处理后的数据中提取有用的知识。其挖掘过程可分为四个步骤：数据预备、数据挖掘、结果的解释和评价、用户界面。
数据预备：包括3个子步骤，数据集成、数据选择、数据预处理。在这个阶段中，需要搜索所有与业务对象有关的内部和外部数据信息，并从中选择出适用于数据挖掘应用的数据；研究数据的质量，为进一步分析做预备，并确定将要进行的挖掘操纵的类型；将数据转换成一个分析模型，这个分析模型是针对挖掘算法建立的，建立一个真正适合挖掘算法的分析模型是数据挖掘成功的关键。数据预备需要占用整个数据挖掘过程的60%工作量，这也说明了数据挖掘对数据的严格要求。
数据挖掘：对所得到的经过转换的数据进行挖掘，除了进一步完善挖掘算法外，其余一切工作都能自动完成。数据挖掘一般有两种方式，发现型的数据挖掘和验证型的数据挖掘。前者是让数据挖掘系统为用户产生假设，后者是用户自己对于数据库中可能包含的知识提出假设。
解释和评价：解释并评估结果，其使用的分析方法一般应视不同的数据挖掘操纵而定。根据终极用户的决策目的对提取的信息进行分析，把最有价值的信息区分出来，并且通过决策支持工具提交给决策者，因此这一步骤任务不仅是把结果表达出来，还要对信息进行过滤处理，假如不能令决策者满足，需要重复以上数据挖掘过程。
用户界面：通常会用到可视化技术。选择合适的可视化工具，通过使用者证实发现的知识的可靠性。假如不能令使用者满足，需要重复以上数据挖掘过程。否则可以将分析所得到的知识集成到业务信息系统的组织结构中往。
关键技术分析
基于数据挖掘的物流治理信息系统的关键技术主要包括数据仓库、数据挖掘、数据分析工具等。
数据仓库技术。数据仓库是来自多个源的数据的存储库，它可通过Internet将不同的数据库连接起来，并将数据全部或部分复制到一个数据存储中心。数据仓库倾向于一个逻辑的概念，它建立在一定数目的数据库之上，这些数据库在物理上是可以分开的。数据仓库通过Internet打破地域界限，将它们合成一个逻辑整体，把一个海量的数据库展现在用户眼前。数据仓库治理系统的一项重要工作是实现对传统数据库进行提取、清理和转载到数据仓库中。