评价网 > 科教论文 > 管理学毕业论文 > 企业管理论文 > 正文

第三方物流企业中的商务智能技术应用(2)

2017-05-25 01:01
　　
　　数据挖掘的对象
　　关系数据库(relational database)中通常存储和治理的是结构化的数据，它将一个实体的各方面信息通过离散的属性进行描述。而文本数据库（text database）或文档数据库（document database）则通常存储和治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页面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，例如舆图、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未几，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、猜测、聚类分析以及时间序列分析等。
　　关联分析 关联分析是由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躲的关联网。一般用支持度和可信度两个阀值来度量关联规则的相关性，还不断引进爱好度、相关性等参数，使得所挖掘的规则更符合需求。关联分析主要用于发现不同事件之间的关联性，即一个事件发生的同时，另一个事件也经常发生。关联分析的重点在于快速发现那些有实用价值的关联发生的事件。其主要依据是事件发生的概率和条件概率应该符合一定的统计意义。 （科教范文网 fw.nseac.com编辑发布）
　　对于结构化的数据，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 分类分析是通过分析具有种别的样本的特点，得到决定样本属于各种种别的规则或方法。利用这些规则和方法对未知种别的样天职类时应该具有一定的正确度。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，进步他们的忠诚度。
　　聚类分析 聚类分析是根据物以类聚的原理，将本身没有种别的样本聚集成不同的组，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，而属于不同组的样本应该足够不相似。
　　 　以第三方物流企业的客户关系治理为例，利用聚类分析，根据物流客户的个人特征以及物流业务消费数据，可以将客户群体进行细分。例如，可以得到这样的一个物流业务消费群体：生产企业对物流业务中运输需求占41%，对物流业务中仓储业务的需求占23%；贸易企业对物流业务中运输需求占59%，对物流业务中仓储业务需求占77%。针对不同的客户群，可以实施不同的物流服务方式，从而进步客户的满足度。
　　
　　数据挖掘流程
　　定义题目：第三方物流企业首先清楚地定义出各种物流业务题目，确定数据挖掘的目的。
　　数据预备：首先第三方物流企业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进行数据选择；其次进行数据的预处理，包括检查数据的完整性及数据的一致性、填补丢失的域，删除无效数据等。