数据分析技术及在物流行业的应用

物流技术 2021格林莱信息网 评论
随着计算机处理能力的大幅提升及信息技术的迅猛发展,数据分析越来越被人们重视,大数据时代已经到来。
一、数据分析技术简介
人们常说的数据分析、数据挖掘、大数据之间究竟是什么关系呢?数据分析是个大的概念,包括数据统计、数据挖掘、大数据、人工智能、机器学习等。其实数据分析技术早已被广泛应用,如收视率调查、市场问卷调查、路网交通流量分析、产品合格率检验等,只是以往的数据分析是建立在统计学方法下的通过抽取样本来估计总体参数的推断统计,是严格论证支持下的方法论。如今计算机收集和处理数据的能力足够强大,运用统计学方法加上计算机编程技术,某些情况下能够实现对总体进行分析,不需要再通过抽取样本,推断总体,这就是大数据时代。数据挖掘、大数据分析是从海量数据中发现隐藏的数据关联性、规律性,是一种摸索试验,这是建立在非严格论证支持下的方法论。简单地说,以往的研究是要求逻辑严谨,在科学的体系框架内进行,保证程序正确;而大数据分析往往更注重结果正确,不过分寻求原因,不管黑猫白猫,抓到耗子就是好猫,是以商业需求为导向。数据分析以统计学理论作为基础,以统计学方法作为着手点,实战发现越是基本的原理适用范围越广,准确性越大,分析效果越好。同时数据分析也在不断发现并验证新的规律。多数情况下,数据分析需要综合使用多种方法,因为不是每种方法都能得到满意的或预期的结果,多种方法之间需要相互印证,相互纠错,通过对比优选一种或多种方法或模型。
常用的数据分析方法有:相关性和回归、方差分析、假设检验、聚类分析、主成分分析、因子分析、时间序列等。数据分析的一般程序:引出业务问题;以数据形式展示;选用适合方法;建模及评估;获取结果。数据分析可以纵深到行业及企业管理的各个角落,按照数据分析程序,结合业务实际灵活应用,可发现管理上的漏洞,挖掘有价值的商业信息。
二、目前数据分析主要应用领域
调查分析行业,市场调查研究咨询公司开展如消费品调查、医疗市场调查、媒体调查等业务时,需要用到抽样、方差分析、回归、检验、建模等多种统计分析方法,数据分析在调查研究咨询行业的应用最为普遍。
医疗行业,一般用于临床检验服用新药或采用新疗法之后,观察组样本参数与对照组相比是否具有显著效果,从而推断总体。常用的方法有卡方检验、回归、分类树、广义线性模型等,数据分析技术在医学领域应用时间较久,相对成熟。
金融行业,数据分析作为风险防控的工具,用于提示风险、发现欺诈行为、发现异常数据等。常用的方法有评分卡、连续变量分箱、回归、本福特定律、聚类分析、关
联规则等。销售行业,用于预测的常用方法有散点图、序列图、相关性、回归、拟合等,可以预测趋势,在不同置信水平下,推断出预测值的置信区间;用于营销的有RFM 模型、关联分析等。通过数据分析结果进行预测及营销可以产生直接效益,效果立竿见影,数据分析技术被销售业所热衷。
互联网、电子商务行业,进行用户画像,发现用户消费习惯,针对性营销。常用方法有t检验、相关分析、聚类分析、主成分分析、因子分析、多维偏好分析、对应分析、神经网络等,此类企业投入大量资源对数据进行深度挖掘,最大限度获取信息价值。
三、数据分析在物流行业如何应用
在物流行业,统计方法及数据分析大多只到描述统计阶段,即通过图表展示一些数据指标。数据分析如何深入应用,并无具体实例可查。一方面因为此类技术较新,处于探索阶段,尚无成熟的分析模式;另一方面,掌握物流大数据的行业巨头垄断数据信息,在企业内部进行数据挖掘与分析,为保护商业秘密,暂时选择封锁技术。中小物流企业又没有实力和需求去做实质性数据分析。应用数据分析会给物流企业带来哪些好处,企业又该如何开展数据分析?
结合物流行业发展现状与数据分析领域主流技术及应用案例,我们可在以下方面深入开展数据分析,以求有所突破,获取更多商业价值。
1、优化仓储
减少库存甚至零库存一直是物流企业追求的目标,库存意味着销售收入减少、利润减少,货品积压贬值,企业资源被无效占用。数据分析预测销量后,依据销量情况合理调整安全库存,优化配送频次,做到准时制生产。
2、优化路由规划
平时我们在电子地图上选定起点和终端,系统就会规划出几条推荐线路,有距离最短、时间最短、过路费最少、红绿灯最少等,如预约某一时间出发,还会提示该时间历史拥堵情况,车辆限行情况等。当只有一个起点和终端,确定某一时间出发时,我们会很容易选择适合我们的路线。当作为物流调度,需要调派纷繁复杂的车辆装、运、卸货物时,如何保证效率最高,成本最低,这是一个难题,这需要计算机去模拟运行,借助计算机算法去实现,算法容易实现,但不会是最优,需要不断优化算法,追求最优。
3、减少逆向物流
逆向物流通常是指退换货、回收包装等的物流行为,需要将货物由客户手中运回至发货方或其指定地点。其中退换货逆向物流是企业想尽力避免的,甚至有些价值低的物品,与逆向物流费用相比较,企业选择放弃货物不收回。数据分析退换货原因,发现退换货商品与销售方、产品类型、促销期等是否有相关性,找到问题症结,制定针对性解决方案。
4、提高客户服务水平
通过客户投诉意见提取浓缩信息,使用因子分析或主成分分析方法探究投诉意见属于运营管理中的哪类问题, 有针对性地制定整改措施 , 改 进 服 务 水 平 , 提 升 用 户体验。
5、实现精准预测
结合历史数据及相关性数据,建立回归,达到最佳拟合,最佳拟合状态时,各观测点距离拟合图形用最小二乘法计算出的数值和最小。
6 、掌握客户习惯,增强客户粘性
拥有海量数据,使掌握客户习惯成为可能,运量、货品种类区域分布特点、时间分布特点、线路特点,不同维度的数据交织着一起,可以衍生出无数个细分领域,通过聚类分析,用户画像,针对性营销。
7 、掌握上下游数据信息,提高市场掌控力
掌握海量上游甲方信息、下游终端信息,精准用户画像,可针对上下游客户需求,提供个性化定制服务,实现主动配送,自动补货,延伸市场广度,使供应链一体化战略成为可能。
8、引领新技术发展
射频识别(R F I D )及条码、GPS或北斗导航定位系统、激光扫描设备等物联网设备大量应用于车辆设备,针对海量数据分析问题及需求,倒逼技术革新。
喜欢 (4) or 分享 (80)
仓储物流圈子
发表我的评论
取消评论

表情

您的回复是我们的动力!

  • 昵称 (必填)
  • 验证码 点击我更换图片

网友最新评论