零售业逆向物流管理中数据挖掘技术研究.docVIP

零售业逆向物流管理中数据挖掘技术研究 　　摘要：数据挖掘可以从海量数据中提取有用的知识。本文针对来自零售业逆向物流系统的数据数量大且更新速度快的特点，运用统计分析方法，研究数据挖掘在这一领域的具体应用，为零售企业提供了一种在产品质量上对供应商进行评估的方法。 　　关键词：数据挖掘；逆向物流；供应商评估 　　中图分类号：F715文献标识码：A文章编号：1002-3100(2007)09-0110-03 　　 　　Abstract: By data mining, we may acquire some useful knowledge from large amounts of data. There is plenty of data in the reverse logistics system of retail industry, and it updates frequently. Based on the two characteristics, the authors make a research on the concrete application of Data Mining in this field with the method of statistics, and further provide a method of supplier evaluation about the quality of goods for retail enterprises. 　　Key words: data mining; reverse logistics; supplier evaluation 　　 　　数据挖掘又被称为数据库中的知识发现（Knowledge Discovery from Database，KDD）[1]或探测性的数据分析，它是一个从大量的、冗余的、有噪声的甚至缺损的数据中提取有用知识的复杂过程。根据《物流术语》（2001），逆向物流可分为两大类：回收物流和废弃物物流[2]。零售行业的顾客驱动特征比较明显，因顾客退货、零售企业日常管理等原因产生的回收物流比例较大。这类逆向物流数据来自生产实践环节，不但数量大，而且更新速度快，为运用统计分析方法进行数据挖掘带来了便利。 　　 　　1研究零售业逆向物流的意义 　　 　　1.1零售业逆向物流。零售业逆向物流具有流动对象数量大、种类多及物流业务频繁等特点。在因顾客退货、零售企业日常管理等原因产生的回收物流中，大量的退货不但占用了巨额的流动资金，而且耗费了物流管理层的大量时间和精力，增加了企业的营销成本。这些退货中，零售企业通过加强管理，可将来源于自身的那部分退货比例控制在可接受的水平。因此，管理者更关心的是如何减少顾客的退货行为，降低退货数量。 　　1.2顾客退货行为。顾客满意度是预测顾客行为的可靠指标[3]。在这里，我们把零售行业顾客采取退货行为的原因分为满意度不够和无条件退货两类。无条件退货即顾客退货的原因无法确定，对这类退货进行分析较为困难。而顾客满意度不够，通常显性地表现为对商品质量或服务质量的抱怨。 　　顾客行为也可通过忠诚度、支付更多、转移行为、内部反应和外部反应等5个变量来进行测评[3]。对零售商而言，当顾客对商品质量或服务质量不满意时，其忠诚度会下降，支付更多的可能性会降低，转移行为增多，内部反应表现出向本零售企业抱怨、要求赔偿等，外部反应则表现为负面宣传、通过第三方进行交涉等。因此，退货行为在降低该商品的品牌声誉的同时，也给零售商带来了不利影响。 　　在基于客户订货（Build To Order, BTO）的生产模式下，零售企业对供应商有着显著的影响力。因此，利用这些来自逆向物流信息系统的退货数据，零售企业可定期地在产品质量上对供应商进行评估，为相关决策提供依据。 　　1.3产品质量与供应商评估。在供应链管理中，价格、质量、交货提前期、服务水准等4个因素是对供应商进行评估的关键因素[4]。质量是评价供应商的基本指标之一，是指供应商的产品满足企业需求的程度。客户企业对产品注重的是整体质量，次品过多可能直接导致客户企业无法按计划运营，而少量产品质量过高只会增加供应商的成本[5]。因此，每一个零售企业都应建立自己的质量标准，产品质量符合双方的约定即可。在这里，质量标准用每100件产品中的破损数量值即次品率来表征。通过对逆向物流数据进行数据挖掘，可提取包括次品率在内的很多新信息。这些知识既可用自身选择供应商的决策，也可反馈给供应商以改进产品质量，增强本供应链的竞争力。 　　 　　2零售业逆向物流中的数据挖掘应用 　　 　　2.1.2基于成对数据的t检验法。基于成对数据的t检验用于对2个供应商进行评估