數(shù)據(jù)挖掘技術(shù)就是利用機(jī)器學(xué)習(xí)統(tǒng)計(jì)數(shù)學(xué)和可視化技術(shù)，從大量的數(shù)據(jù)庫(kù)中確認(rèn)出有效的、新穎的、潛在的、有用的以及最終挖掘出可理解模式的高級(jí)處理過(guò)程，數(shù)據(jù)挖掘?qū)嶋H上是數(shù)據(jù)庫(kù)中的知識(shí)發(fā)現(xiàn)過(guò)程。
1、數(shù)據(jù)挖掘：過(guò)程與方法
數(shù)據(jù)挖掘是將人工智能技術(shù)（神經(jīng)網(wǎng)絡(luò)，模糊邏輯，遺傳算法等）應(yīng)用到大規(guī)模數(shù)據(jù)中，從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識(shí)的過(guò)程。
數(shù)據(jù)挖掘作為知識(shí)發(fā)現(xiàn)的一個(gè)特定步驟，是知識(shí)發(fā)現(xiàn)的核心。它的目標(biāo)是利用算法，從數(shù)據(jù)中抽取模式，將大容量數(shù)據(jù)轉(zhuǎn)換為有用的知識(shí)和信息。
這里所提的模式包括模型或結(jié)構(gòu)。數(shù)據(jù)挖掘的過(guò)程一般由三個(gè)主要的階段組成：數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)采集、結(jié)果表達(dá)和解釋。數(shù)據(jù)挖掘方法有很多種，其中比較典型的有關(guān)聯(lián)分析、序列模式分析、分類(lèi)分析、聚類(lèi)分析等。
關(guān)聯(lián)分析是利用關(guān)聯(lián)規(guī)則進(jìn)行數(shù)據(jù)挖掘，目的是挖掘出隱藏在數(shù)據(jù)間的相互關(guān)系，關(guān)聯(lián)規(guī)則是描述事物之間同時(shí)出現(xiàn)的規(guī)律的知識(shí)模式。序列模式分析和關(guān)聯(lián)分析相似，是把數(shù)據(jù)之間的關(guān)聯(lián)性與時(shí)間性聯(lián)系起來(lái)，側(cè)重點(diǎn)在于分析數(shù)據(jù)間的前后或因果關(guān)系，為了發(fā)現(xiàn)序列模式，不僅需要知道事件是否發(fā)生，而且需要確定事件發(fā)生的時(shí)間。分類(lèi)分析就是分析示例數(shù)據(jù)庫(kù)中的數(shù)據(jù)，為每個(gè)類(lèi)別做出準(zhǔn)確的描述、建立分析模型或挖掘出分類(lèi)規(guī)則，把集中的數(shù)據(jù)映射到某個(gè)給定的類(lèi)上，其輸入集是一組記錄集合和幾種標(biāo)記。與分類(lèi)分析不同，聚類(lèi)分析法的輸入集是一組未標(biāo)定的記錄，也就是說(shuō)此時(shí)輸入的記錄還沒(méi)有進(jìn)行任何分類(lèi)，其目的是根據(jù)一定的規(guī)則，合理地劃分記錄集合，使組之間的差別盡可能大、組內(nèi)的差別盡可能小。
現(xiàn)代物流的新理念包括反應(yīng)快速化、服務(wù)系列化、作業(yè)規(guī)范化、目標(biāo)系統(tǒng)化、手段現(xiàn)代化、組織網(wǎng)絡(luò)化、經(jīng)營(yíng)市場(chǎng)化，這些都離不開(kāi)完善的信息系統(tǒng)的支撐。隨著數(shù)據(jù)量的劇增，數(shù)據(jù)挖掘技術(shù)將成為深化物流信息管理的最有效方法，在解決選址、倉(cāng)儲(chǔ)和配送等基礎(chǔ)物流問(wèn)題方面可以發(fā)揮出很大的作用。
2、選址問(wèn)題
物流中心的選址屬于最小成本問(wèn)題，即求解為運(yùn)輸成本、變動(dòng)處理成本和固定成本等之和的最小化問(wèn)題。選址需要考慮到中心點(diǎn)數(shù)量和中心點(diǎn)如何分布等情況，尤其是多中心選址的問(wèn)題。多中心選址是指在一些已知的備選地點(diǎn)中選出一定數(shù)目的地點(diǎn)來(lái)設(shè)置物流中心，使形成的物流網(wǎng)絡(luò)的總費(fèi)用最小。在實(shí)際操作中，當(dāng)問(wèn)題規(guī)模變得很大，或者要考慮一些市場(chǎng)因素（比如顧客需求量）時(shí)，數(shù)學(xué)規(guī)劃就存在一些困難。針對(duì)這一問(wèn)題，可以用數(shù)據(jù)挖掘中的分類(lèi)樹(shù)方法來(lái)加以解決。
分類(lèi)樹(shù)的目標(biāo)是連續(xù)的劃分?jǐn)?shù)據(jù)，使依賴(lài)變量的差別最大。分類(lèi)樹(shù)的真正的目的是將數(shù)據(jù)分類(lèi)到不同組或分支中，在依賴(lài)變量的值上建立最強(qiáng)劃分。用分類(lèi)樹(shù)的方法解決這個(gè)問(wèn)題時(shí)，通常需要以下四個(gè)方面的數(shù)據(jù)：中心點(diǎn)的位置、每個(gè)中心點(diǎn)的業(yè)務(wù)需求量、備選點(diǎn)的位置、在中心點(diǎn)和備選點(diǎn)之間的距離。
通過(guò)分類(lèi)樹(shù)的方法，不僅確定了中心點(diǎn)的位置，同時(shí)也確定每年各個(gè)地址間物品的運(yùn)輸量，使整個(gè)企業(yè)必要的銷(xiāo)售量得到保證，企業(yè)長(zhǎng)期折現(xiàn)的總成本也會(huì)達(dá)到最小值。
3、配送問(wèn)題
配送問(wèn)題，包括配送計(jì)劃的編制、配送路線的設(shè)計(jì)優(yōu)化以及配送過(guò)程中的配載（混載）問(wèn)題。在許多配送體系中，管理人員需要采取有效的配送策略以提高服務(wù)水平、降低貨運(yùn)費(fèi)用。其中首要的難題，就是車(chē)輛的路徑問(wèn)題。車(chē)輛路徑問(wèn)題是為一些車(chē)輛確定一些客戶(hù)的路徑，每一客戶(hù)只能被訪問(wèn)一次，且每條路徑上的客戶(hù)需求量之和不能超過(guò)車(chē)輛的承載能力。
要合理解決這個(gè)問(wèn)題，需要物流設(shè)計(jì)人員考慮到車(chē)輛的利用能力，如果車(chē)輛在運(yùn)輸過(guò)程中的空載率過(guò)高或整車(chē)的運(yùn)力不完全利用，這些無(wú)疑會(huì)增加企業(yè)的運(yùn)輸成本。另外還涉及到車(chē)輛的運(yùn)輸能力，這就必須考慮到貨品的規(guī)格大小和利潤(rùn)價(jià)值的大小。
在采取有效的配送策略時(shí)這些因素都必須同時(shí)考慮，這時(shí)如果能夠?qū)︻櫩偷男枨蠛瓦\(yùn)輸路徑綜合起來(lái)進(jìn)行分類(lèi)，對(duì)整個(gè)配送策略中車(chē)輛的合理選擇分派會(huì)有較好的作用。
擴(kuò)展閱讀：OA辦公系統(tǒng)_協(xié)同辦公系統(tǒng)；免費(fèi)OA協(xié)同辦公系統(tǒng)專(zhuān)題；在線OA協(xié)同辦公系統(tǒng)專(zhuān)題；.. 數(shù)據(jù)挖掘是將人工智能技術(shù)（神經(jīng)網(wǎng)絡(luò)，模糊邏輯，遺傳算法等）應(yīng)用到大規(guī)模數(shù)據(jù)中，從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識(shí)的過(guò)程。
數(shù)據(jù)挖掘作為知識(shí)..
|
