全文鏈接：http://tecdat.cn/?p=32241

原文出處：拓端數據部落公眾號

分析師：Yanlin Li

倉儲物流是貨物生產銷售的重要環(huán)節(jié)。隨著貿易自由化和電子商務的興起，物流企業(yè)快速發(fā)展，為提高倉庫管理效率，發(fā)掘更多的倉庫供應商客戶，合理配置資源并降低經營成本，經營者在制定經營決策時需要分析倉儲物流過程的整個環(huán)節(jié)的數據，然而在業(yè)務系統(tǒng)中的數據是按照業(yè)務過程進行組織的，處于孤立分散的狀態(tài)并不適用于數據的統(tǒng)計和分析。在倉儲物流系統(tǒng)上建立數據倉庫，按照用于決策分析的主題對不同系統(tǒng)中數據進行重新組織，為數據分析和數據挖掘提供有效的數據來源。

解決方案

任務/目標

搭建物流數據倉庫的目的是整合倉儲物流系統(tǒng)中的數據，以統(tǒng)計圖表的方式提交給決策部門和零售商客戶，為實現高效的倉庫管理和制定物流策略提供可靠的依據，幫助零售商客戶改進商品設計和制定有效的營銷策略。（1）商品數據分析商品信息管理統(tǒng)計零售商的不同類型的商品的發(fā)貨數目，以報表的形式發(fā)送給零售商客戶，作為銷售量的參照來制定有效的營銷策略。（2）物流數據分析對每個倉庫物流的情況進行記錄，提供在特定路線和貨車型號策略下的貨物運輸數目，以便倉庫管理層調整物流策略，提高發(fā)貨數目和倉庫的利用率，節(jié)約物流預算。（3）貨運量分析對每次貨運量進行記錄，將其與預期運貨量進行比較分析，并進行月運貨量環(huán)比分析，以便倉庫管理層的績效考評以及產業(yè)結構的優(yōu)化 在本次數據倉庫設計中主要目標是第三點：對貨運量進行分析，建立了以貨運量為測量值的事實表，并設計了相應 KPI 以達到研究分析目的。

數據源?處理

研究數據源采用了在重慶東聚倉儲物流有限公司物流數據基礎上以研究為目的設計的時間周期為一年的運貨csv文件數據，每一行數據包含時間、發(fā)貨倉庫、貨物類型等維度信息，根據前期概念模型，確定發(fā)貨事實表的設計，期望達到覆蓋整個發(fā)貨流程的目的。將維度確定為：時間、輸送計劃、貨物類型、發(fā)貨倉庫。具體的星型結構圖如下：

將原始csv文件導入SQL Server中，進行數據清洗，運用insert into ...select...from語句提取維度表。

數據倉庫構建與部署

運用visual studio軟件完成數據倉庫的構建和部署如下圖

完成數據倉庫的層次結構設計、時間智能實現和kpi設計與實現。

OLAP實現

選用excel連接數據庫建立數據透視圖表實現OLAP。根據管理目標設置：

倉庫發(fā)貨情況表

可在四個發(fā)貨倉庫中選擇一個或多個展示數據，表中測量值為實際運載比率即實際運貨量與預計運貨量的比值，在數據透視圖中可以實現相應的數據鉆取、切片。

實際運貨量月度環(huán)比增長率

以貨物類型、發(fā)貨倉庫為篩選器，展示一個結算周期（11 月至次年十月） 中實際運貨量的環(huán)比增長率。

季運貨量匯總

利用 OLAP 解決管理問題

績效達標問題

公司對每個時期都有預期貨運量，通過將實際貨運量與預期貨運量做對比，可以得到一個表明是否達到預期貨運量的狀態(tài)值以及狀態(tài)符號，這也是我們所設計的KPI。我們所設計的KPI可通過OLAP直觀地展示出來，以紅色狀態(tài)符號代表未達標，綠色狀態(tài)符號代表達標。管理者可以通過觀察KPI來獲得績效是否達標這一信息，據此作出運營管理決策。

時間規(guī)律性問題

數據倉庫建立過程中運用維度建模時采用了時間維度，使得數據倉庫建立完成后，可以在OLAP中通過選擇時間為行標簽，查看各個記錄時間所發(fā)生的貨運量，也可細分到各個記錄時間各個不同貨運方案、貨品類型的貨運情況，以探究貨運量的時間規(guī)律性，根據時間規(guī)律性可以針對不同時期采取不同的運營管理策略，以達到提高效率、節(jié)約成本的目的。

關于分析師

在此對Yanlin Li對本文所作的貢獻表示誠摯感謝，他在重慶大學完成了信息管理與信息系統(tǒng)學位，專注數據挖掘、數據分析?。

?最受歡迎的見解

1.PYTHON用戶流失數據挖掘：建立邏輯回歸、XGBOOST、隨機森林、決策樹、支持向量機、樸素貝葉斯模型和KMEANS聚類用戶畫像

2.R語言基于樹的方法：決策樹，隨機森林

3.python中使用scikit-learn和pandas決策樹

4.機器學習：在SAS中運行隨機森林數據分析報告

5.R語言用隨機森林和文本挖掘提高航空公司客戶滿意度

6.機器學習助推快時尚精準銷售時間序列

7.用機器學習識別不斷變化的股市狀況——隱馬爾可夫模型的應用

8.python機器學習：推薦系統(tǒng)實現（以矩陣分解來協同過濾）

9.python中用pytorch機器學習分類預測銀行客戶流失