基于数据挖掘的现代物流信息系统的管理问题外文翻译资料

Management Problems of Modern Logistics Information System Based on Data Mining

Abstract

With the development of technology, the data stored by humans is growing geometrically. Especially in the logistics industry, the rise of online e-commerce has created a huge data flow in the informatized logistics network. How to collect, analyze, and organize this information in time and analyze the meaning of this information from it is a difficult problem. The paper aims to learn the management of logistics systems from the perspective of statistics. This article uses random analysis of 1,000 customersrsquo; logistics records from the logistics enterprise information system, uses mathematical analysis and matrix theory to analyze the correlation among them, and analyzes customer types and shopping. The information on habits, daily consumption patterns, and brand preferences is classified and summarized using mathematical statistics. The experimental results show that the results of the study can well reflect customersrsquo; daily habits and consumption habits. The experimental data show that mining effective and accurate information from massive information can help companies to quickly make decisions, formulate scientific logistics management programs, improve operating efficiency, reduce operating costs, and obtain good benefits.

1. Introduction

The modern logistics system is a complex system, including transportation, warehousing, distribution, handling, and packaging and logistics reprocessing, etc. The information flow is huge. The huge data flow makes it difficult for companies to collect and process these data accurately and efficiently, so it is difficult for decision makers to make fast and accurate decisions, to control the logistics process, and to reduce the logistics cost of the entire process. Logistics management information system is the basis of enterprise information systems and enterprise informatization.

The main trend of global economic development is the informationization of the economy . It is precisely due to the status quo that e-commerce, one-stop online shopping, and integrated network distribution processes have transformed the traditional logistics industry into high-tech new industries. The management of such systems has become a hot research direction for scholars from all sides. Because the logistics industry has different distribution methods and business planning methods, it is necessary to focus on fuzzy data analysis in the design . The logistics method of the modern logistics system of data mining will be an important direction of logistics development. Therefore, GPS technology, GIS technology, and logistics industry need to be organically combined.

Scholars such as Xuegin aim to use modern information technology to manage the medical traceability of implants. Methods: collect and analyze the problems existing in the traceability management of implantable medical devices, combine their own work practices, draw on the advanced methods of other industries and the research and analysis process of traceability management in key foreign countries to find out the network traceability model, and plan basic requirements of sexual management. Xuegin has designed and developed an implantable medical device traceability management information system, including logistics, supervision, traceability, and use traceability. Conclusion: the system standardizes the traceability management system well, unifies the traceability management process, and improves the efficiency of traceability management . Qiang and other scholars use traditional classification methods to process the intercepted signals, and the different operating states of a single radar can be easily classified as multiple emitters, which adversely affects signal classification.

The information age is a “customer-centric” era. Enterprises are no longer just building cars behind closed doors to develop products but are coming to customers. They truly treat customers as God, understand customer needs, and serve customers wholeheartedly. Analyzing customersrsquo; consumption habits from their daily consumption is a problem currently being solved. This article uses random analysis of 1,000 customersrsquo; logistics records from the logistics enterprise information system, uses mathematical analysis and matrix theory to analyze the correlation among them, and analyzes customer types and shopping. The information on habits, daily consumption patterns, and brand preferences is classified and summarized using mathematical statistics. The experimental results show that the results of the study can well reflect customersrsquo; daily habits and consumption habits.

2. Proposed Method

2.1. Research Status of Enterprise Logistics Based on Data Mining

2.1.1. Research Status of Enterprise Logistics

After several years of rapid development, Chinarsquo;s logistics industry has entered a stable and mature period, but there are still some problems compared with foreign advanced logistics companies:(1)The development of Chinarsquo;s logistics industry is still constrained by market demand. Many companies have logistics departments inside, which has a certain impact on the development of Chinarsquo;s professional logistics enterprises.(2)Relatively speaking, the service model of logistics companies is limited, and the management level of logistics companies needs to be further improved.(3)There is no overall unified management of the logistics industry, which hinders the establishment of a global logistics system.(4)The legal environment of the logistics industry is relatively bad. However, the logistics industry attaches great importance to the research of informatization and focuses on the hot research direction of the Internet of things. In 2010, the whole logistics industry began to realize the centralized integratio

剩余内容已隐藏，支付完成后下载完整资料

附录A 译文

基于数据挖掘的现代物流信息系统的管理问题

摘要

随着科技的发展，人类存储的数据呈几何级数增长。特别是在物流行业，网上电子商务的兴起，在信息化的物流网络中产生了巨大的数据流。如何及时收集、分析、组织这些信息，并从中分析出这些信息的含义是一个难题。本文旨在从统计学的角度来学习物流系统的管理。本文通过对物流企业信息系统中1000个客户的物流记录进行随机分析，运用数学分析和矩阵理论来分析它们之间的相关性，并分析客户的类型和购物习惯、日常消费模式、品牌偏好等信息，并利用数理统计进行分类和总结。实验结果表明，该研究结果能够很好地反映顾客的日常习惯和消费习惯。实验数据表明，从海量信息中挖掘有效、准确的信息，可以帮助企业快速做出决策，制定科学的物流管理方案，提高运营效率，降低运营成本，获得良好的效益。

1.绪论

现代物流系统是一个复杂的系统，包括运输、仓储、配送、搬运，以及包装和物流再加工等。信息流是巨大的。巨大的数据流使企业难以准确有效地收集和处理这些数据。因此决策者难以做出快速准确的决策，难以控制物流过程，也难以降低整个过程的物流成本。物流管理信息系统是企业信息系统和企业信息化的基础。

全球经济发展的主要趋势是经济的信息化。正是由于这种现状，电子商务、一站式网上购物、一体化网络配送流程等将传统的物流业转变为高科技的新兴产业。这类系统的管理已经成为各方学者的热门研究方向。由于物流业具有不同的配送方式和业务规划方式，因此在设计时有必要注重模糊数据分析。现代物流系统中的数据挖掘的物流方法将是物流发展的一个重要方向。因此，GPS技术、GIS技术和物流业需要有机地结合起来。

Xuegin等学者旨在利用现代信息技术对植入式医疗器械的医疗追溯进行管理。方法：收集和分析植入式医疗器械追溯管理中存在的问题，结合自己的工作实践，借鉴其他行业的先进方法和国外重点国家追溯管理的研究分析过程，找出网络追溯模型，规划性管理的基本要求。Xuegin设计开发了植入式医疗器械追溯管理信息系统，包括物流、监管、可追溯性和使用可追溯性等。结论是：该系统很好地规范了追溯管理制度，统一了追溯管理流程，提高了追溯管理的效率。Qiang等学者用传统的分类方法处理截获的信号，单个雷达的不同工作状态容易被归为多个发射器，对信号分类产生不利影响。

信息时代是一个“以客户为中心”的时代。企业不再只是闭门造车开发产品，而是来到客户身边。他们真正视顾客为上帝，了解顾客需求，全心全意为顾客服务。从客户的日常消费中分析客户的消费习惯是目前正在解决的问题。本文通过对物流企业信息系统中1000个客户的物流记录进行随机分析，运用数学分析和矩阵理论分析它们之间的关联性，并分析客户类型和购物。习惯、日常消费模式、品牌偏好等信息，并利用数理统计进行分类和总结。实验结果表明，该研究结果能够很好地反映顾客的日常习惯和消费习惯。

2.建议的方法

2.1.基于数据挖掘的企业物流研究现状

2.1.1.企业物流的研究现状

经过几年的快速发展，我国物流业已进入稳定成熟期，但与国外先进物流企业相比还存在一些问题：(1)我国物流业的发展仍受到市场需求的制约。许多企业内部设有物流部门，这对我国专业物流企业的发展有一定影响。(2)相对而言，物流企业的服务模式有限，物流企业的管理水平有待进一步提高。(3)没有对物流业进行整体的统一管理，阻碍了全球物流体系的建立。(4)物流业的法律环境较差。但是，物流业非常重视信息化的研究，关注物联网这一热点研究方向。2010年，整个物流行业开始实现企业物流信息的集中整合，纳入统一的信息系统，并采用先进的电子标签和条码识别技术，加快货物分拣的效率。总之，物流企业在智能管理与控制、数据挖掘、大数据处理等领域面临着发展机遇和压力。我国的物流企业也可以借鉴国外物流企业的发展经验。在高效快捷的物流技术的支持下，掌握高科技的数据挖掘和智能管理与控制技术，使物流企业在市场竞争中占有优势。

2.1.2.数据挖掘技术的研究现状

近年来，随着数据量的不断增加，数据挖掘技术也受到越来越多的关注。目前，我国对数据挖掘的研究主要涉及三个方面：(1)基于数据挖掘方面的研究，如聚类研究、关联法研究、决策树研究等。(2)基于数据挖掘应用的研究，如金融数据、医疗数据、电子商务、空间地理数据等。(3)基于互联网的数据挖掘，主要是对互联网上大量散落的数据进行挖掘和整合。作为中国顶级的电子商务公司，阿里巴巴公司的老板拥有大量的用户访问和购物习惯数据。它可以利用数据挖掘技术，从大量复杂的数据中分析出用户的购物习惯、个性化需求和行为特征，设计出更适合用户的网络产品。物流行业也需要大量的数据挖掘和分析。现在越来越多的物流公司开始关注物流数据的挖掘，物流成本的计算，以及PKI性能的评估。

2.2.物流信息系统的组成部分和功能

2.2.1.构成框架

现代物流企业或企业物流运作的内容和范围一般涵盖原材料采购、运输、仓储、流通加工、装卸、包装、配送等环节以及相应的信息管理，因此其物流信息系统的模块构成应包括对这些环节及其衍生产品提供相应管理功能的要求。

2.2.2.数据挖掘的步骤

硬件、软件和用户构成了数据挖掘环境的三个主要因素。环境准备好后，下一步就是按照需求分析、初始数据准备、数据挖掘实施、挖掘结果应用等几个阶段进行数据挖掘。

2.3.基于数据挖掘技术的CRM

2.3.1.CRM的作用

客户关系管理是一个企业与客户互动的循环过程，然后产生、收集、分析客户数据，再由企业将结果应用于服务和营销活动。同时，CRM是一种企业商业模式。一个精心设计的CRM解决方案可以帮助企业改善与现有客户的沟通，同时拓展新的收入来源。这种知识一般以概念、规则、规律或模式的形式表达。一般来说，数据挖掘是数据库中知识发现的一个关键步骤。它使用一些特定的知识发现算法来搜索数据，以找到隐藏在这些数据中的知识。

2.3.2.CRM的应用

数据挖掘在CRM中的应用主要集中在以下几个方面：（1）获取新客户：挖掘新的目标客户是企业持续增长的关键，也是CRM客户生命周期的第一步。获取新客户包括寻找那些不知道你的产品的客户和以前接受过你的竞争对手的服务的客户。利用数据挖掘可以帮助完成日益繁重的潜在客户群体的划分，从而有效管理获取新客户的成本，提高这些活动的效果，可以大大增加营销活动的响应率，提高营销活动的回报率。一般来说，数据挖掘中采用统计回归、逻辑回归、决策树、神经网络等方法来预测和分析消费者的未来行为，生成预测模型，建立评分模型。该模型分析了潜在的客户群体，并从中确定了营销活动的目标客户。(2)客户细分：细分可以通过使用数据挖掘中的排序、决策树或聚类方法实现。几年前，一些银行将其客户细分为四类客户群：顶级客户、重要客户、核心客户和公众客户。他们提供了有针对性的差异化服务，其营业收入增加了一倍多。(3)交叉销售：现在企业和客户之间的关系在不断变化。一旦一个人或一个公司成为我们公司的客户，我们必须尽力使这种客户关系趋于持续，并为我们公司发展。一般来说，这可以通过维持这种关系的最长时间，与客户交易的最大次数，以及保证每笔交易的最大利润来实现。因此，公司需要对现有的客户群体进行交叉销售。它是基于企业和客户之间的“双赢”原则。对于客户来说，他们可以获得更多更好的产品和服务。对企业来说，他们也将从销售的增加中获益。通常使用相关分析、序列分析和其他方法来实施对客户的交叉销售。数据挖掘可以帮助你分析出最佳的、合理的销售匹配。

2.4.系统建设中涉及的数据挖掘相关技术

2.4.1.物流信息管理中的数据挖掘的定义

数据挖掘技术在物流企业信息管理中应用的三个主要领域是客户关系管理、供应链系统管理和决策支持。数据挖掘在客户关系管理中的应用可以帮助物流企业进行客户满意度分析、客户流失率分析、客户价值细分、客户忠诚度分析、交叉销售分析等。在供应链运作模式下，物流企业各个环节和流程的衔接是否合理、科学，对整个系统的效率至关重要。将数据挖掘技术引入到供应链分析和诊断中，显得更为重要。总之，数据挖掘技术在物流企业的决策支持系统中具有非常重要的支持和辅助作用。

2.4.2.系统建设

构建基于数据挖掘的企业物流智能管控系统所涉及的数据挖掘相关技术可以分为基于知识的数据挖掘技术和基于统计的数据挖掘技术。具体来说，统计型数据挖掘技术的应用领域比较广泛，应用理论也比较成熟。它主要包括聚类数据挖掘技术、数据回归技术、聚类与测量技术、选择接近技术等。知识数据挖掘技术主要包括四个方面：神经网络技术、遗传算法、决策树技术和粗糙集技术。下面详细介绍这四种技术：（1）神经网络技术：它是在结构上模仿生物神经网络。它利用学习和训练来完成非线性预测模型的设计。它将每个环节视为一个独立的处理单元，并采用模仿人脑神经的操作。该模式完成了对数据的聚类、分类和挖掘。(2)遗传算法技术：该算法通过模拟自然和遗传过程中的繁殖和基因突变现象，可以从任何初始种群开始，使用随机交叉、选择和突变来构建新种群。(3)决策树技术：其技术采用树状方法对数据中的各种变量进行训练，根据目标建立决策规则。比较常用的方法是CHAID和CART。决策树技术利用决策集中的变量组来构建树状结构，并在某些特定条件下显示决策集的构建方法。它常被用于贷款的风险分析。(4)粗糙集技术：在理论应用过程中，不需要掌握问题的先决条件，就可以确定问题的内在规律。粗糙集技术理论主要应用于模糊识别和决策分析。

3.实验

3.1.实验设置

3.1.1.实验背景

经济全球化步伐的加快和世界市场的一体化，使企业面临的市场竞争日趋激烈，物流逐渐成为企业的第三利润源，成为培育企业核心竞争力的重要领域。现代物流活动和业务是集运输、仓储、流通加工、包装、配送、客户服务、信息管理等为一体的综合服务。每个环节都会产生和汇总大量的信息。在运营和实施过程中，积累了大量的商业信息数据。在信息时代，只有借助于先进的数据分析和挖掘工具，才能对大量的业务数据信息进行及时处理和智能分析，才能有效挖掘和发现隐藏在数据背后的知识和业务模式特征，从而为管理者的业务管理决策提供有效的数据支持。

3.1.2.实验过程

本文从某市物流企业信息系统中随机抽取了1000条客户的物流记录，运用数学分析法和矩阵理论分析了它们之间的关联性，并对客户类型、购物习惯、日常模式、品牌偏好等四类信息，利用数学统计方法进行分类和总结。

3.2.实验分析

3.2.1.实验步骤

(1)实验准备，随机抽取某物流公司1000个客户的物流记录，对数据进行分析，利用数学分析和矩阵理论对数据进行分类分析，按照客户类型、购物习惯、日常规律、品牌等进行分类。

(2)软件准备需要专业计算机人员操作，利用软件MATLAB和有限元软件进行分析。获得实验数据。

(3)挖掘关联规则：关联规则挖掘算法是数据挖掘技术算法中非常重要的一种算法。其基本思想是在事务性数据库中寻找符合给定最小支持度和最小可靠性的关联规则。挖掘过程包括两个基本操作。首先，根据最小支持度阈值在事务性数据库中找到项目数据集，然后根据项目数据集和最小可信度生成所有关联规则。

(4)进行深度数据挖掘，利用数理统计找到数据背后的规律和消费习惯。

(5)将得到的实验数据与企业结合，验证分析结果。

3.2.2.预防措施

(1)实验数据是真实的，必须做到随机性

(2)在对软件进行分析时，如果操作人员有一定的操作经验，防止分析错误造成操作失误

(3)对分析结果进行分析，用数理统计进行分类

(4)对结果进行分析，深入挖掘背后规律

4.讨论

4.1.数据分析实验

(1)分析数据中有1000条客户物流记录，数量为1000个客户，[1100]为第一组，[101-200]为第二组，以此类推，每100人有一个组。研究该群体的购物模式和品牌偏好。研究发现，大多数消费者喜欢购买大品牌，喜欢网上购物。

(2)根据以上数据，对顾客的类型进行了分类分析。通过对不同消费群体的调查发现，企业人员、公务员、公司高领等消费群体所占比例较高。此外，调查还发现，部分人员中有国内外的大学生，尤其是女大学生，消费能力较强。

4.2.统计数据

(1)经过对客户类型、消费习惯、购物方式、品牌偏好的调查，并进行数据分析，利用关联原理进行数据挖掘，以购买金额和修改次数的比例作为诚信度，各组平均数。分析各个类型的顾客，从中可以分析出，该类型的顾客属于公司高管和企业人员的信誉，诚信购买的数量是最高的。该类型的顾客是女大学生的购买力最高，但诚信度低。公务员的购买力水平稳定，其诚信度相对较高。根据数据挖掘的结果，通过应用关联规则，物

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[589617]，资料为PDF文档或Word文档，PDF文档可免费转换为Word