1 引 言
物流需求的个性化、多样化和集成化，要求物流服务企业必须不断改进和优化企业的运作流程，开发出具有针对性的物流服务，以适应物流市场发展的变化。数据挖掘技术，以其强大关联、分类、预测等功能，可将物流企业运营过程中产生的信息数据进行有效整合处理，为物流企业的决策提供依据。
2 数据挖掘技术
数据挖掘又称为基于数据库的知识发现，是从大量的、不完全的、模糊的、随机的实际应用数据中，提取隐含在其中的、潜在有用的信息和知识的过程。它不仅仅局限于对数据的查询和访问，主要在于找出数据之间的潜在联系。从企业角度看，数据挖掘是一种企业信息处理技术，特点是对企业数据库中的数据进行抽取、转换、分析等，从中提取可用于辅助企业决策的关键数据。数据挖掘的目标是从大量数据中，发现隐藏于其后的规律或数据间的关系，从而服务于决策。数据挖掘方法有很多种，其中比较典型的有关联分析、序列模式分析、分类分析、聚类分析等。
（1）关联分析
数据关联是数据库中存在的一类重要的可被发现的知识。若两个或多个变量的取值之问存在某种规律性，就称为关联。关联分析即利用关联规则进行数据挖掘，而关联规则是描述事物之间同时出现的规律的知识模式，关联分析的目的是为挖掘出隐藏在数据间的相互关系。
（2）序列模式分析
序列模式分析和关联分析相似，他把数据之问的关联性与时间性联系起来，为了发现序列模式，不仅需要知道事件是否发生，而且需要确定事件发生的时间。其目的也是为了挖掘数据之间的联系，但序列模式分析的侧重点在于分析数据问的前后或因果关系。
（3）分类分析
分类分析就是分析样本数据库中的数据，为每个类别做出准确的描述建立分析模型或挖掘出分类规则，然后用这个分类规则对其他记录进行分类，能够把数据集中的数据映射到某个给定的类上，其输入集是一组记录集合和几种标记。
（4）聚类分析
与分类分析不同，聚类分析法的输入集是一组未标定的记录，也就是说此时输入的记录还没有进行任何分类。其目的是根据一定的规则，合理地划分记录集合，使组之间的差别尽可能大，组内的差别尽可能小。
3 数据挖掘技术在物流企业中的应用
现代物流信息系统是一个庞大复杂的系统，特别是全程物流，包括运输、仓储、配送、搬运、包装和物流再加工等诸多环节，每个环节信息流量十分巨大。以往物流企业主要利用信息的有效沟通、快速传达、物流运作调控和辅助决策的功能，而很少挖掘信息中的有用数据。但随着市场竞争的加剧、企业精细化管理愿望的增强以及先进技术方法的开发应用，对信息中的数据进行挖掘利用已成为物流企业赢取客户、增加利润、提升自身竞争力的有效途径。
3.1 数据仓库的建立
数据仓库作为数据挖掘的基础，不同于传统的联机事务处理系统，它具有面向主题的、集成的、不可更新以及随时间变化的特性。各个联机事务处理系统作为数据仓库的原始数据源，以文件方式提供企业在日常活动中收集的包括定货单、存货单、应付帐、交易条款、客户情况等在内的大量数据资料和报表。同时还有大量的外部信息等数据。数据仓库通过ETL过程（抽取、转换和加载）处理这些接口文件，并且按不同的主题域组织、存储和管理这些客户数据。通过数据仓库接口，对数据仓库中的数据进行联机分析和数据挖掘。在建立完成企业级的信息数据仓库之后，可以基于这个数据仓库平台进行数据挖掘工作。
3.2 物流企业中的数据挖掘
一般来讲，数据挖掘在物流企业中可以应用在以下几方面：
1）市场预测
产品在进入市场后，并不会永远保持最高销量。一般来讲，随着时间的推移，产品会遵守销量变化的模式，经历四个阶段，即导入期、增长期、成熟期和衰退期。在各个阶段，产品的生产要求和实物分拨策略是不同的。如在导入期，产品逐步得到市场的认可，销售量可能会快速的增长，这时需要提前的生产计划、生产作业安排以及适合的库存和运输策略，指导企业的生产，合理地控制库存和安排运输。数据挖掘可以作为市场预测的手段，通过聚类和预测工具，达到上述目的。
2）物流中心的选择
物流中心（流通中心、配送中心）选址问题即求解运输成本、变动处理成本和固定成本等之和为最小的最小化问题。
物流中心选址，需要考虑到中心点数量和中心点如何分布等情况。针对这一问题，可以用数据挖掘中的分类树方法来加以解决。分类树 （classification）的目标是连续的划分数据，使依赖变量的差别最大。分类树的真正的目的是将数据分类（classify）到不同组或分支中，在依赖变量的值上建立最强划分。用分类树的方法解决这个问题时，通常需要以下四个方面的数据：1）中心点的位置；2）每个中心点的业务需求量；3）备选点的位置；4）在中心点和备选点之间的距离。
