商务智能在物流操作中的应用_大数据案例分享
随着我国经济发展及对外交流加强,现代物流作为现代经济的重要组成部分得到迅猛发展。物流管理不仅表现为实物流动,更表现为对计划、控制等蕴含于物流过程中无形管理的组织效率和技术创新。“物流管理,信息先行”已经成为全球物流企业共识。一方面,物流质量取决于信息,物流服务依靠信息,商务智能通过对数据的采集、整理、挖掘和分析,为物流企业组织内的各层次人员提供信息,提高企业的决策能力,加快决策速度,确保决策准确性,同时实现企业内部的远程管理。另一方面,也为企业外部用户提供有效信息,共同分享销售、库存等商业数据,共同进行品类分析和管理,提升了对外服务水平。商务智能作为一项新兴技术已成为物流管理中最有利的工具之一。
一、商务智能
1.1商务智能的含义
商务智能英文是Business intelligence,最早由美国加特纳公司的分析师霍华德·德莱斯纳 (Howard Dresner)提出。商务智能在国外已经日趋成熟,但在中国仍处于初步发展阶段。对商务智能的研究不乏专家学者,关于商务智能的含义,不同的学者根据自身的理解给予不同看法,主要有以下几种:
(1)商务智能是指通过数据的收集、管理、分析及转化,使数据成为可用信息,从而获得必要的洞察力和理解力,更好地辅助决策和指导行为。
(2)商务智能是运用了数据仓库、联机分析和数据挖掘技术来处理和分析数据的技术,用户可以无障碍的直接查询和分析数据库和数据仓库,找出影响商业活动的关键因素,最终帮助用户做出更好、更合理的决策。
(3)商务智能是应用于internet上的集查询、报表、分析为一体的联机分析处理工具,企业用户在客户端可对数据进行深层次的挖掘、钻取、切片等分析处理,轻松完成数据的分析处理、报表统计工作。
(4)商务智能是企业利用现代信息技术收集、管理和分析结构化和非结构化的商务数据和信息,创造和累计商务知识,改善商务决策水平,采取有效的商务行动,完善各种商务流程,增强企业的综合竞争力。
(5)商务智能是通过利用多个数据源的信息以及应用经验和假设,促进对企业动态特性的准确理解,以便提高企业的决策能力的一组概念、方法和过程的集合。它通过数据的获取、管理和分析,为企业组织的各种人员提供信息,以提高企业的战略和战术决策能力。
(6) 根 据 国 际 数 据 公 司(International Data Company,IDC)的定义,商务智能是对商业信息的搜集、加工、管理和分析的过程,目的是使企业各级决策者获得知识或洞察力,促使他们更快地做出对企业更有利的决策。
总之,商务智能是利用计算机、通信等现代科学技术,针对的是企业如何收集、整理、分析和分享信息的流程,可以为企业提供信息,扩大信息受众范围,增加信息价值,为及时、准确进行决策提供服务。其基本功能包括个性化的信息分析、预测发展趋势和辅助决策。
1.2 商务智能的结构
商务智能体系结构一般为:源数据层、数据转换层、数据仓库 (数据集市)层、OLAP及数据挖掘层、用户展现层。数据仓库(Data Warehouse DW)、联机分析处理 (On Line Analytical Processing,OLAP)和数据挖掘 (Data Mining ,DM)是商务智能的三大技术支柱。DW是商务智能系统的基础,是面向主题的、集成的、稳定的和随时间不断变化的数据集合。OLAP技术的核心是 “维”,通过对多维数据的钻取、切片及旋转等分析动作,来完成决策支持和多维环境下的查询及报表。DM是从海量数据中提取隐含在其中的、人们事先不知道的但又可能有用的信息和知识的过程。挖掘的数据有多种来源,包括数据仓库、数据库或其他数据源。所有的数据都需要再次进行选择,具体的选择方式与任务相关。挖掘的结果需要进行评价才能最终成为有用的信息。按照评价结果的不同,数据可能需要反馈到不同的阶段,重新进行分析计算。数据挖掘的常用方法包括关联分析、分类和预测、聚类、检测离群点、趋势和演变分析等。
数据仓库(Data Warehouse DW)、联机分析处理 (On Line Analytical Processing,OLAP)和数据挖掘 (Data Mining ,DM)是商务智能的三大技术支柱,其中数据仓库是商务智能的基础。数据仓库是一个更好地支持企业或组织的决策分析处理的数据集合,它有面向主题、集成、相对稳定、随时间不断变化四个特性。联机分析处理是以海量数据为基础的复杂分析技术。数据挖掘是从海量数据中,提取隐含在其中的、人们事先不知道的但又可能有用的信息和知识的过程。
1.2.1 数据仓库
对于数据仓库概念有各种不同的版本,数据仓库之父比尔。恩门 (Bill Inmom)给予如下描述:数据仓库是 一 个 集 成 的 (Integrated)、 具 有 主 题 导 向 的(Subject Oriented)、相对稳定的(Non-updatable)、随时间变化的 (Time Variant)的数据集合,用于支持管理决策和商务智能。
在数据仓库里,数据是在对不同来源的数据抽取、清理的基础上经过系统加工、汇总和整理得到的一个紧密的整体;数据所提供的信息是关于某一特别的主题而不是关于一个公司的日常运营;数据仓库在构建之初就明确其主题,即确定决策涉及的范围和所要解决的问题。数据仓库的一个重要作用是为决策者提供必要的智能,促进决策者更好的理解商务危机、商务机会和运营状况。在决策支持过程中,数据仓库主要有四个流程:整合,执行,智能和创新,如图1所示
图1.数据仓库在决策支持中的流程
1.2.2数据挖掘
数据挖掘一词,来源于英文Data Mining ,还有一些相近的术语,如知识发现 (Knowledge Discovery inDatabase)数据分析 (Data Analyzing)、数据融合(Data Fusion)等。在 《数据挖掘─概念与技术》一书中这样描述:数据挖掘技术就像从矿石中采矿一样,可以从这些数据的 “矿山”中抽取出知识的 “金子”来。数据挖掘是指从大量数据中发现潜在的、有价值的及未知的关系、模式和趋势,并以易被理解的方式表示出来。通过数据挖掘可以发现数据之间的复杂联系以及这种联系对决策的影响。在数据仓库基础上挖掘的知识通常以图表、可视化等形式表示出来,但所挖掘的知识并不都是有意义的,必须进行评价、筛选和验证,把有意义的知识放到知识库中,随着时间的推移将积累更多的知识。
(1)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,关联分析的目的是挖掘出隐藏在数据间的相互关系。
(2)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,小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。
(3)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。这些类别描述可以给新记录加上标签,以确定其所属类别。
(4)聚类分析。与分类分析小同,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,介理地划分记录集介,使组之间的差别尽可能大,组内的差别尽可能小。实际应用有市场划分、寻找相关群体等。
1.2.3联机分析
1992年,关系数据库技术的创始人之一E F. Cold首先提出联机分析(OLAP)一词。当时Cold认为联机事务处理(OL丁P)已经小能满足终端用户对数据库查询分析的要求,结构化查询语言(StructureQuestion Language, SQL)对大数据库的简单查询也小能满足用户的要求了,用户的决策分析需要对关系数据库进行大量计算才能得到结果,而简单的查询是小够的,因此,他提出了多维数据库和多维分析的概念。即OLAP.
1. 3商务智能的必要性和意义
企业为迎接市场的挑战,必须对市场运作有准确的分析。商务智能系统的最大好处是可以得到准确、及时的信息,帮助企业赢得竞争优势,而这些功能的完成主要依靠数据仓库、联机分析处理和数据挖掘这三大技术。借助商务智能的核心技术,利用企业中长期积累的海量数据,可以实现四方而的应用:
1. 3. 1客户分类和特点分析
根据客户历年来的大量消费记录以及客户的档案资料,对客户进行分类,在物流行业实现分析每类客户的消费能力、消费习惯、消费周期、需求倾向、信誉度,确定哪类顾客给企业带来最大的利润、哪类顾客仅给企业带来最少的利润同时又要求最多的回报,然后针对小同类型的客户给子小同的服务及优惠。
1.3.2市场营销策略分析
利用数据仓库技术实现市场营销策略在模型上的仿真,其仿真结果将提示所制定的市场营销策略是否介适,企业可以据此调整和优化其市场营销策略,使其获得最大的成功。
1. 3. 3经营成本与收入分析
对各种类型的经济活动进行成本核算,比较可能的业务收入与各种费用之间的收支差额,分析经济活动的曲线,得到相应的改进措施和办法,从而降低成本、减少开支、提高收入。
1. 3. 4欺诈行为分析和预防
利用联机分析和数据挖掘技术,总结各种骗费、欠费行为的内在规律后。在数据仓库的基础上建立一套欺骗行为和欠费行为规则库,就可以及时预警各种
骗费、欠费,尽量减少企业损失。
几乎所有行业都而对着激烈的竞争,正确及时的决策是企业生存与发展的关键之一。越来越多的企业认识到,只有靠充分利用现有数据,挖掘隐藏的有效信息,才能把握稍纵即逝的机会。日常的业务生成了大量的数据,这些数据若用于决策支持则会带来可观的附加值。若能再加上行为分析报告、独立的市场调查、评测结果和顾问评估等外来数据,上述处理过程产生的效益可进一步增强。商务智能所具备的强大功能正是能汇总这些信息,进而支持数据挖掘、多维数据分析等当今尖端技术和传统的查询及报表功能。这些对于企业在当今激烈的竞争中保持领先地位是至关重要的,毫小夸张地说,已经成为影响企业生存的关键因素。调查研究表明,大多数企业并小缺少数据,而是受阻于过量的冗余数据和数据的小一致;而且这些数据变得越来越难于访问、管理和用于决策支持,其数量正以成倍的速度增长。这样,信息管理者而临着小断增长的决策支持的需求,但是,开发应用却变得越来越复杂和耗费人力。那么怎样把大量的数据转换成可靠的、商用的信息以便于决策支持昵?商务智能正广泛地被公认为是最好的解决方案。实现信息价值,也就是充分利用已有数据,挖掘数据中潜在的信息价值,为企业的各种人员提供信息,以提高企业战略决策和战术决策的能力。
总之,商务智能是基于数据仓库、数据挖掘和联机分析三大技术支持的高层次分析工具,使得分析人员和高层管理人员具备对数据洞察、理解数据复杂关系的能力,帮助快速、灵活地进行复杂的查询处理,并且以一种交互自观形式将结果提供给决策者以便他们能够准确掌握企业的经营状况和市场需求,准确理解企业动态特性,做出正确决策。
二、物流管理对商务智能的需求
2. 1物流的概念
早在现代文明之初就有了物流。只是没有受到大家的重视。传统物流(Physical Distribution)的概念最早是在美国形成的,译成汉语是“实体配送”或“实物分配”.1921年阿奇·箫在《市场流通中的若十问题》(Some Problem in Market Distribution)一书中提出“物流是与创造需要小同的一个问题”,并提到“物资经过时间或空间的转移,会产生附加价值”.早期人们研究的对象主要是狭义的物流,是与商品销售有关的物流活动,就是今天所说的销售物流。
1935年,美国销售协会最早对物流进行了定义:“实物分配(Physical Distribution)是包含于销售之中的物资和服务从产地到消费地点流动过程中伴随的种种活动。” 1985年,美国物流管理协会把物流定义为:“物流是以满足客户要求为目的,以高效和经济的手段来组织原料、在制品、制成品以及相关信息从产出地到消费地的流动和储存而进行计划、执行和控制的过程”a 1986年,美国物流管理协会的英文名称从“National Council of Physical Distribution Management”改为“The Council of LogisticsManagement”o 1998年,美国物流管理协会又在1985年定义的开头加上“物流是供应链过程的一部分”,即“物流是供应链过程的一部分,是以满足客户需求为目的,以高效和经济的手段来组织产品、服务以及相关信息从供应到消费地的运动和存储的计划、执行和控制的过程”,将1985年定义中的“原料、在制品、制成品”修改为“产品、服务”.2002年1月美国物流管理协会推出的最新物流定义是:“物流是供应链运作的一部分,是以满足客户要求为目的,对货物、服务和相关信息在产出地和消费地之间实现高效且经济的正向和反向的流动和储存所进行的计划、执行和控制的过程。”我国是在20世纪80年代才接触“物流”这个概念,此时的物流已被称为Logistics.我国2001年4月17日颁布的《物流术语标准》对物流的定义是这样的:物流是“物品从供应地向接收地的实体流动过程。根据实际需要,将运输、储存、搬运、包装、流通加工、配送、信息处理等基本功能实施有机结介。”
2.2第三方物流
随着我国经济发展及对外交流加强,现代物流作为现代经济的重要组成部分得到迅猛发展。我国物流企业也从传统的以存储为主逐渐向配送一体化的现代物流企业发展,出现了专业物流服务企业即第三方物流企业。物流管理小仅表现为实物流动,更表现为对计划、控制等蕴含于物流过程中的无形的管理的组织效率和技术创新。“物流管理、信息先行”已经成为全球物流企业共识。物流质量取决于信息,物流服务依靠信息,商务智能通过对数据的采集、整理、挖掘、分析,为第三方物流企业组织内的各层次人员提供信息,提高企业的决策能力,加快决策速度,确保决策准确性,同时实现企业内部的远程管理。另一方而,也为企业外部用户提供有效信息,共同分享销售、库存等商业数据,共同进行品类分析和管理,提升了对外服务水平。商务智能作为项新兴技术已成为物流管理中最有力工具之一。
2.3现代物流管理呼唤商务智能的技术支持
过去的几年里,物流行业发生了巨大的变化,如何管理物流也随之成为企业战略的一个重要环节。同时,随着竞争的小断加剧,物流管理所而临的任务也越来越繁重。为了将收集到的大量的各方数据转变为有价值、可操作的信息,企业所花的代价也越来越大。而商务智能技术的优势正是在将企业现有的数据转化为可操作的知识。因此,无论在物流企业的运输管理、仓储管理、增强供应链可见性、供需预测还是在衡量企业关键运营指标、人力资源管理等诸多方而,商业智能技术都大有可为。在当今瞬息万变的社会中。只有智能驱动型的企业才能在激烈的竞争中取胜。现代物流系统是一个庞大复杂的系统,包括运输、仓储、配送、搬运、包装和再加工等诸多环节,每个环节信息流量十分巨大。尤其是现代信息化物流网络体系的应用使原来数据库的规模小断扩大,产生巨大的数据流,使企业很难对这些数据进行准确、高效地收集和及时处理,以此帮助决策者做出快速、准确的决策,实现对物流过程的控制,降低整个过程的物流成本。商务智能能够帮助物流企业及时、准确地收集和分析客户、市场、销售及整个企业内部的各种信息,对客户的行为及市场趋势进行有效地分析,了解小同客户的爱好,从而可以为客户提供有针对性的产品和服务,大大提高各类客户对企业和产品的满意度。物流企业对商务智能的需求主要表现在以下几个方面:
(1)长期以来,我国物流企业运作效率低、成本高、决策缓慢。山于缺乏科学的物流管理方法和技术,导致库存过高,运输成本高,资金周转率缓慢等严重问题。最近一次中国物流市场供需状况调查报告显示85%左右企业商品库存期在1周至3个月。现实表明我国物流企业需要像商务智能这样的技术支持。
(2)消费者需求逐渐向多样化、个性化发展。随着国民收入水平的提高,人们对物质产品的需求表现多样化和个性化的特点,对商品品种、质量以及售后服务的要求越来越高。这对进货方式、配送产生深刻影响,订货周期越来越短,频率越来越高,配送要求也小断提高。科学的管理和快速决策变得更加重要。
(3)物流的过程同时也是商流、资金流和信息流的过程。现代物流要求将这些过程有机地统一起来,减少重复、非效率、小能增值的活动,提高物流效率和物流服务的可靠性。
(4)物流企业联系着生产和销售环节。服务的延伸对物流信息集成功能提出了更高的要求。物流企业小仅要做好内部管理工作,为企业内部从管理层到一般员工提供适时准确信息,促进企业内部效率提高,同时还肩负为企业外部用户如介作伙伴、供应商和客户提供及时、有效的信息资源,通过信息共享提升他们的价值。
2.4数据挖掘技术在第三方物流企业的应用
数据挖掘是从大量的、小完全的、模糊的、随机的数据中提取隐含在其中的、人们事先小知道的、但又是潜在有用的数据中发现其潜在规律的技术,是当前计算机科学研究的热点之一。随着信息技术的高速发展,积累的有关物流行业的数据量剧增,如何从大量的物流数据中提取有用的知识成为第三方物流企业当务之急。数据挖掘就是为顺应需要应运而生发展起来的数据处理技术。
2.4.1数据挖掘的对象
关系数据库(relational database)中通常存储和管理的是结构化的数据,它将一个实体的各方而信息通过离散的属性进行描述。而文本数据(text database)或文档数据库(document database)则通常存储和管理的是半结构化的数据,例如新闻稿件、研究论文、电子邮件、书籍以及WEB页而等都属于半结构化数据。空间数据库、多媒体数据库中存放的是非结构化数据,例如地图、图片、音频、视频等都属于非结构化数据。相对于半结构化和非结构化数据来说,针对结构化数据的数据挖掘技术比较成熟,市场上有很多的商品软件可以使用,用的较多的包括IBM Intelligent Miner, SAS Enterprise Miner, SGI MineSet, Clementine SPSS以及Microsoft SQL Server 2000等。关于半结构化和非结构化的数据挖掘软件尚小多,相应的算法相对还较少。从另一个角度来说,数据挖掘的分析对象分为两种类型:静态数据和数据流(data stream)数据。现在的多数数据挖掘算法是用于分析静态数据的。数据挖掘的分析无论要分析的数据对象的类型如何,常用的数据挖掘分析包括关联分析、序列分析、分类、预测、聚类分析以及时间序列分析等。关联分析是山Rakesh Apwal等人首先提出的。两个或两个以上变量的取值之间存在某种规律性,就称为关联。数据关联是数据库中存在的一类重要的、可被发现的知识。关联分为简单关联、时序关联和因果关联。关联分析的目的是找出数据库中隐藏的关联网。一般用支持度和可信度两个闭值来度量关联规则的相关性,还小断引入兴趣度、相关性等参数,使得所挖掘的规则更符介需求。关联分析主要用于发现小同事件之间的关联性。即一个事件发生的同时。另一于结构化的数据,以物流客户的采购习惯数据为例,利用关联分析,可以发现物流客户的关联采购需要。例如,对于第三方物流企业来说,一个托运货物的货主很可能同时有货物的包装、流通加工等物流业务的需求。利用这种知识可以采取积极的物流运营策略,扩展物流客户采购物流服务的范围,吸引更多的物流客户。通过调整服务的内容便于物流顾客采购到各种物流服务,或者通过降低一种物流业务的价格来促进另一种物流业务的销售等。分类分析是通过分析具有类别的样本的特点,得到决定样本属于各种类别的规则或方法。利用这些规则和方法对未知类别的样本分类时应该具有一定的准确度。分类分析可以根据顾客的消费水平和基本特征对物流顾客进行分类。找出对第三方物流企业有较大利益贡献的重要的物流客户的特征,通过对其进行个性化物流服务,提高他们的忠诚度。聚类分析是根据物以类聚的原理,将本身没有类别的样本聚集成小同的组,并且对每一个这样的组进行描述的过程。其主要依据是聚到同一个组中的样本应该彼此相似,而属于小同组的样本应该足够小相似。
三、结论
中国物流发展目前还存在着基础设施较落后,物流理论研究薄弱,社会物流粗放,物流综介协调能力较差等问题。与发达国家相比,最大差距就表现在功能整介方而,还未形成一个系统的、快速的运作流程。随着物流信息技术的持续投入和广泛使用,物流企业已拥有大量的客户和业务数据。科学管理和介理开发这些内部和外部信息资源已经成为企业正确决策、增强竞争力的关键。物流企业的信息化建设已经从办公自动化、部门管理信息化、核心业务信息化逐步向数据仓库、数据分析、数据挖掘等方而发展。商务智能依托数据整介工具、数据仓库、联机分析和数据挖掘技术从数据中提取有效信息,从而支持决策过程。其应用越来越广泛,但在国内总体水平还较低,在物流领域涉及也较少。
随着商务智能更广泛应用,计算机和网络技术的发展,商务智能将会越来越完善。但商务智能的实施小是一嫩而就,其发展和完善还需要一段时间,其中一些问题还需进一步探讨和研究。数据过载是商务智能一自要而临的挑战。数据呈指数增长,企业如何管理过载的数据。并将其转化为信息、智能?如何对如此海量数据进行描述、集成、使用和分析?信息共享与信息控制是另一个困扰和影响商务智能进一步发展的问题。商务智能要求信息民主,企业内部甚至外部相关企业都能共享和利用有效信息。而维护小同信息的知晓权限及信息安全,保证物流企业自身的机密和利益。这也是必须的。
转载请注明:数据分析 » 商务智能在物流操作中的应用_大数据案例分享