數(shù)據(jù)挖掘是商務智能技術的重要組成部分，是一個新的重要的研究領域。本文介紹了商務智能技術應用現(xiàn)狀和組成，闡述了數(shù)據(jù)挖掘技術在第三方物流企業(yè)的應用。

　　在當今競爭日益激烈的市場環(huán)境中，第三方物流企業(yè)都希望能夠從浩如煙海的商務數(shù)據(jù)以及其他相關的物流業(yè)務數(shù)據(jù)中發(fā)現(xiàn)帶來巨額利潤的商機。只有那些利用先進的信息技術成功地收集、分析、理解信息并依據(jù)信息進行決策的物流企業(yè)才能獲得競爭優(yōu)勢，才是物流市場的贏家。因此，越來越多的物流管理者開始借助商務智能技術來發(fā)現(xiàn)物流運營過程中存在的問題，找到有利的物流解決方案。

　　商務智能技術應用現(xiàn)狀

　　我國加入了WTO，在許多領域，如金融、保險、物流等領域將逐步對外開放，這就意味著許多第三方物流企業(yè)將面臨來自國際大型跨國物流公司的巨大競爭壓力。國外發(fā)達國家各種企業(yè)采用商務智能的水平已經(jīng)遠遠超過了我國。美國Palo Alto 管理集團公司1999年對歐洲、北美和日本375家大中型企業(yè)的商務智能技術的采用情況進行了調(diào)查。結果顯示，在金融領域，商務智能技術的應用水平已經(jīng)達到或接近70%，在營銷領域也達到50%，并且在其他應用領域對該技術的采納水平都提高約50%?，F(xiàn)在，許多第三方物流企業(yè)都把數(shù)據(jù)看成寶貴的財富，紛紛利用商務智能發(fā)現(xiàn)其中隱藏的信息，借此獲得巨額的回報。

　　據(jù)IDC對歐洲和北美62家采用了商務智能技術的企業(yè)的調(diào)查分析發(fā)現(xiàn)，這些企業(yè)的3年平均投資回報率為401%，其中25%的企業(yè)的投資回報率超過600%。調(diào)查結果還顯示，一個企業(yè)要想在復雜的環(huán)境中獲得成功，高層管理者必須能夠控制極其復雜的商業(yè)結構，若沒有詳實的事實和數(shù)據(jù)支持，是很難辦到的。因此，隨著數(shù)據(jù)挖掘技術的不斷改進和日益成熟，它必將被更多的第三方物流企業(yè)采用，使更多的物流管理者得到更多的商務智能。

　　商務智能技術的組成

　　具體地說，商務智能技術有數(shù)據(jù)倉庫（data warehousing）、聯(lián)機分析處理（on-line analytical processing，簡稱OLAP）、數(shù)據(jù)挖掘（data mining），包括這三者在內(nèi)的用于綜合、探察和分析商務數(shù)據(jù)的先進的信息技術的統(tǒng)稱就是商務智能技術。

　　數(shù)據(jù)倉庫是一個面向主題的、集成的、隨時間變化的主要用于決策支持的數(shù)據(jù)的集合。一般來說，大的物流公司或企業(yè)內(nèi)存在著各種各樣的信息系統(tǒng)，這些應用驅動的操作型信息系統(tǒng)為企業(yè)不同的物流業(yè)務系統(tǒng)服務，具有不同接口和不同的數(shù)據(jù)表示方法，互相孤立。利用數(shù)據(jù)倉庫技術可以動態(tài)地將各個物流企業(yè)子系統(tǒng)中的數(shù)據(jù)抽取集成到一起，進行清洗、轉換等處理之后加載到數(shù)據(jù)倉庫中，通過周期性的刷新，為物流用戶提供一個統(tǒng)一的干凈的數(shù)據(jù)視圖，為數(shù)據(jù)分析提供一個高質量的數(shù)據(jù)源。

　　對于數(shù)據(jù)倉庫中的數(shù)據(jù)，可以使用一些增強的查詢和報表工具進行復雜的查詢和即時的報表制作，可以利用OLAP技術從多種角度對物流業(yè)務數(shù)據(jù)進行多方面的匯總、統(tǒng)計、計算，還可以利用數(shù)據(jù)挖掘技術自動發(fā)現(xiàn)其中隱含的有用的物流信息。

　　數(shù)據(jù)挖掘又稱知識發(fā)現(xiàn)（Knowledge Discovery in Database，簡稱KDD），是從大量數(shù)據(jù)中抽取有意義的、隱含的、以前未知的并有潛在使用價值的知識的過程。數(shù)據(jù)挖掘是一個多學科交叉性學科，它涉及統(tǒng)計學、數(shù)據(jù)庫、模式識別、可視化以及高性能計算等多個學科。利用數(shù)據(jù)挖掘技術可以分析各種類型的數(shù)據(jù)，例如結構化數(shù)據(jù)、半結構化數(shù)據(jù)以及非結構化數(shù)據(jù)、靜態(tài)的歷史數(shù)據(jù)和動態(tài)數(shù)據(jù)流數(shù)據(jù)等。

　　數(shù)據(jù)挖掘技術在第三方物流企業(yè)的應用分析

　　數(shù)據(jù)挖掘是從大量的、不完全的、模糊的、隨機的數(shù)據(jù)中提取隱含在其中的、人們事先不知道的、但又是潛在有用的數(shù)據(jù)中發(fā)現(xiàn)其潛在規(guī)律的技術，是當前計算機科學研究的熱點之一。隨著信息技術的高速發(fā)展，積累的有關物流行業(yè)的數(shù)據(jù)量劇增，如何從大量的物流數(shù)據(jù)中提取有用的知識成為第三方物流企業(yè)當務之急。數(shù)據(jù)挖掘就是為順應需要應運而生發(fā)展起來的數(shù)據(jù)處理技術。

　　數(shù)據(jù)挖掘的對象
　　
　　關系數(shù)據(jù)庫（relational database）中通常存儲和管理的是結構化的數(shù)據(jù)，它將一個實體的各方面信息通過離散的屬性進行描述。而文本數(shù)據(jù)庫（text database）或文檔數(shù)據(jù)庫（document database）則通常存儲和管理的是半結構化的數(shù)據(jù)，例如新聞稿件、研究論文、電子郵件、書籍以及WEB頁面等都屬于半結構化數(shù)據(jù)?？臻g數(shù)據(jù)庫、多媒體數(shù)據(jù)庫中存放的是非結構化數(shù)據(jù)，例如地圖、圖片、音頻、視頻等都屬于非結構化數(shù)據(jù)。相對于半結構化和非結構化數(shù)據(jù)來說，針對結構化數(shù)據(jù)的數(shù)據(jù)挖掘技術比較成熟，市場上有很多的商品軟件可以使用，用的較多的包括IBM Intelligent Miner、SAS Enterprise Miner、SGI MineSet、Clementine SPSS以及Microsoft SQL Server 2000等。關于半結構化和非結構化的數(shù)據(jù)挖掘軟件尚不多，相應的算法相對還較少。從另一個角度來說，數(shù)據(jù)挖掘的分析對象分為兩種類型：靜態(tài)數(shù)據(jù)和數(shù)據(jù)流（data stream）數(shù)據(jù)?，F(xiàn)在的多數(shù)數(shù)據(jù)挖掘算法是用于分析靜態(tài)數(shù)據(jù)的。

　　數(shù)據(jù)挖掘的分析

　　無論要分析的數(shù)據(jù)對象的類型如何，常用的數(shù)據(jù)挖掘分析包括關聯(lián)分析、序列分析、分類、預測、聚類分析以及時間序列分析等。

　　關聯(lián)分析 關聯(lián)分析是由Rakesh Apwal等人首先提出的。兩個或兩個以上變量的取值之間存在某種規(guī)律性，就稱為關聯(lián)。數(shù)據(jù)關聯(lián)是數(shù)據(jù)庫中存在的一類重要的、可被發(fā)現(xiàn)的知識。關聯(lián)分為簡單關聯(lián)、時序關聯(lián)和因果關聯(lián)。關聯(lián)分析的目的是找出數(shù)據(jù)庫中隱藏的關聯(lián)網(wǎng)。一般用支持度和可信度兩個閥值來度量關聯(lián)規(guī)則的相關性，還不斷引入興趣度、相關性等參數(shù)，使得所挖掘的規(guī)則更符合需求。關聯(lián)分析主要用于發(fā)現(xiàn)不同事件之間的關聯(lián)性，即一個事件發(fā)生的同時，另一個事件也經(jīng)常發(fā)生。關聯(lián)分析的重點在于快速發(fā)現(xiàn)那些有實用價值的關聯(lián)發(fā)生的事件。其主要依據(jù)是事件發(fā)生的概率和條件概率應該符合一定的統(tǒng)計意義。

　　對于結構化的數(shù)據(jù)，以物流客戶的采購習慣數(shù)據(jù)為例，利用關聯(lián)分析，可以發(fā)現(xiàn)物流客戶的關聯(lián)采購需要。例如，對于第三方物流企業(yè)來說，一個托運貨物的貨主很可能同時有貨物的包裝、流通加工等物流業(yè)務的需求。利用這種知識可以采取積極的物流運營策略，擴展物流客戶采購物流服務的范圍，吸引更多的物流客戶。通過調(diào)整服務的內(nèi)容便于物流顧客采購到各種物流服務，或者通過降低一種物流業(yè)務的價格來促進另一種物流業(yè)務的銷售等。
　
　　分類分析

　　分類分析是通過分析具有類別的樣本的特點，得到?jīng)Q定樣本屬于各種類別的規(guī)則或方法。利用這些規(guī)則和方法對未知類別的樣本分類時應該具有一定的準確度。分類分析可以根據(jù)顧客的消費水平和基本特征對物流顧客進行分類，找出對第三方物流企業(yè)有較大利益貢獻的重要的物流客戶的特征，通過對其進行個性化物流服務，提高他們的忠誠度。

　　聚類分析 聚類分析是根據(jù)物以類聚的原理，將本身沒有類別的樣本聚集成不同的組，并且對每一個這樣的組進行描述的過程。其主要依據(jù)是聚到同一個組中的樣本應該彼此相似，而屬于不同組的樣本應該足夠不相似。

　　以第三方物流企業(yè)的客戶關系管理為例，利用聚類分析，根據(jù)物流客戶的個人特征以及物流業(yè)務消費數(shù)據(jù)，可以將客戶群體進行細分。例如，可以得到這樣的一個物流業(yè)務消費群體：生產(chǎn)企業(yè)對物流業(yè)務中運輸需求占41%，對物流業(yè)務中倉儲業(yè)務的需求占23%；商業(yè)企業(yè)對物流業(yè)務中運輸需求占59%，對物流業(yè)務中倉儲業(yè)務需求占77%。針對不同的客戶群，可以實施不同的物流服務方式，從而提高客戶的滿意度。

　　數(shù)據(jù)挖掘流程

　　定義問題：第三方物流企業(yè)首先清晰地定義出各種物流業(yè)務問題，確定數(shù)據(jù)挖掘的目的。

　　數(shù)據(jù)準備：首先第三方物流企業(yè)在大型數(shù)據(jù)庫和數(shù)據(jù)倉庫目標中提取數(shù)據(jù)挖掘的目標數(shù)據(jù)集進行數(shù)據(jù)選擇；其次進行數(shù)據(jù)的預處理，包括檢查數(shù)據(jù)的完整性及數(shù)據(jù)的一致性、填補丟失的域，刪除無效數(shù)據(jù)等。

　　數(shù)據(jù)挖掘：第三方物流企業(yè)根據(jù)數(shù)據(jù)功能的類型和數(shù)據(jù)的特點選擇相應的算法，在凈化和轉換過的數(shù)據(jù)集上進行數(shù)據(jù)挖掘。

　　結果分析：第三方物流企業(yè)對數(shù)據(jù)挖掘的結果進行解釋和評價，轉換成為能夠最終被理解的知識。 　　知識的運用：第三方物流企業(yè)將分析所得到的知識集成到物流業(yè)務信息系統(tǒng)的組織結構中去。

　　評價數(shù)據(jù)挖掘軟件需要考慮的問題

　　越來越多的軟件供應商加入了數(shù)據(jù)挖掘這一領域的競爭。第三方物流企業(yè)如何正確評價一個商業(yè)軟件，選擇合適的軟件成為數(shù)據(jù)挖掘成功應用的關鍵。評價一個數(shù)據(jù)挖掘軟件主要應從以下四個主要方面：　　計算性能：如該軟件能否在不同的物流業(yè)務平臺運行；軟件的架構；能否連接不同的數(shù)據(jù)源；操作大數(shù)據(jù)集時，性能變化是線性的還是指數(shù)的；算的效率；是否基于組件結構易于擴展；運行的穩(wěn)定性等；

　　功能性：如軟件是否提供足夠多樣的算法；能否避免挖掘過程黑箱化；軟件提供的算法能否應用于多種類型的數(shù)據(jù)；第三方物流企業(yè)能否調(diào)整算法和算法的參數(shù)；軟件能否從數(shù)據(jù)集隨機抽取數(shù)據(jù)建立預挖掘模型；能否以不同的形式表現(xiàn)挖掘結果等。

　　可用性：如用戶界面是否友好；軟件是否易學易用；軟件面對的用戶是初學者、高級用戶還是專家；錯誤報告對用戶調(diào)試是否有很大幫助。

　　輔助功能：如是否允許第三方物流企業(yè)更改數(shù)據(jù)集中的錯誤值或進行數(shù)據(jù)清洗；是否允許值的全局替代；能否將連續(xù)數(shù)據(jù)離散化；能否根據(jù)用戶制定的規(guī)則從數(shù)據(jù)集中提取子集；能否將數(shù)據(jù)中的空值用某一適當均值或用戶指定的值代替；能否將一次分析的結果反饋到另一次分析中等等。

　　數(shù)據(jù)挖掘技術是一個年輕且充滿希望的研究領域，利益的強大驅動力將會不停地促進它的發(fā)展。每年都有新的數(shù)據(jù)挖掘方法和模型問世，人們對它的研究正日益廣泛和深入。盡管如此，數(shù)據(jù)挖掘技術仍然面臨著許多問題和挑戰(zhàn)：如數(shù)據(jù)挖掘方法的效率亟待提高，尤其是超大規(guī)模數(shù)據(jù)集中數(shù)據(jù)挖掘的效率；開發(fā)適應多數(shù)據(jù)類型的挖掘方法，以解決異質數(shù)據(jù)集的數(shù)據(jù)挖掘問題；動態(tài)數(shù)據(jù)和知識的數(shù)據(jù)挖掘；網(wǎng)絡與分布式環(huán)境下的數(shù)據(jù)挖掘等。