全文链接：http://tecdat.cn/?p=32241
原文出处：拓端数据部落公众号
分析师：Yanlin Li
仓储物流是货物生产销售的重要环节。随着贸易自由化和电子商务的兴起，物流企业快速发展，为提高仓库管理效率，发掘更多的仓库供应商客户，合理配置资源并降低经营成本，经营者在制定经营决策时需要分析仓储物流过程的整个环节的数据，然而在业务系统中的数据是按照业务过程进行组织的，处于孤立分散的状态并不适用于数据的统计和分析。在仓储物流系统上建立数据仓库，按照用于决策分析的主题对不同系统中数据进行重新组织，为数据分析和数据挖掘提供有效的数据来源。
解决方案
任务/目标
搭建物流数据仓库的目的是整合仓储物流系统中的数据，以统计图表的方式提交给决策部门和零售商客户，为实现高效的仓库管理和制定物流策略提供可靠的依据，帮助零售商客户改进商品设计和制定有效的营销策略。（1）商品数据分析商品信息管理统计零售商的不同类型的商品的发货数目，以报表的形式发送给零售商客户，作为销售量的参照来制定有效的营销策略。（2）物流数据分析对每个仓库物流的情况进行记录，提供在特定路线和货车型号策略下的货物运输数目，以便仓库管理层调整物流策略，提高发货数目和仓库的利用率，节约物流预算。（3）货运量分析对每次货运量进行记录，将其与预期运货量进行比较分析，并进行月运货量环比分析，以便仓库管理层的绩效考评以及产业结构的优化 在本次数据仓库设计中主要目标是第三点：对货运量进行分析，建立了以货运量为测量值的事实表，并设计了相应 KPI 以达到研究分析目的。
数据源 处理
研究数据源采用了在重庆东聚仓储物流有限公司物流数据基础上以研究为目的设计的时间周期为一年的运货csv文件数据，每一行数据包含时间、发货仓库、货物类型等维度信息，根据前期概念模型，确定发货事实表的设计，期望达到覆盖整个发货流程的目的。将维度确定为：时间、输送计划、货物类型、发货仓库。具体的星型结构图如下：
将原始csv文件导入SQL Server中，进行数据清洗，运用insert into …select…from语句提取维度表。
数据仓库构建与部署
运用visual studio软件完成数据仓库的构建和部署如下图
完成数据仓库的层次结构设计、时间智能实现和kpi设计与实现。
OLAP实现
选用excel连接数据库建立数据透视图表实现OLAP。根据管理目标设置：
仓库发货情况表
可在四个发货仓库中选择一个或多个展示数据，表中测量值为实际运载比率即实际运货量与预计运货量的比值，在数据透视图中可以实现相应的数据钻取、切片。
实际运货量月度环比增长率
以货物类型、发货仓库为筛选器，展示一个结算周期（11 月至次年十月） 中实际运货量的环比增长率。
季运货量汇总
利用 OLAP 解决管理问题
绩效达标问题
公司对每个时期都有预期货运量，通过将实际货运量与预期货运量做对比，可以得到一个表明是否达到预期货运量的状态值以及状态符号，这也是我们所设计的KPI。我们所设计的KPI可通过OLAP直观地展示出来，以红色状态符号代表未达标，绿色状态符号代表达标。管理者可以通过观察KPI来获得绩效是否达标这一信息，据此作出运营管理决策。
时间规律性问题
数据仓库建立过程中运用维度建模时采用了时间维度，使得数据仓库建立完成后，可以在OLAP中通过选择时间为行标签，查看各个记录时间所发生的货运量，也可细分到各个记录时间各个不同货运方案、货品类型的货运情况，以探究货运量的时间规律性，根据时间规律性可以针对不同时期采取不同的运营管理策略，以达到提高效率、节约成本的目的。
关于分析师
在此对Yanlin Li对本文所作的贡献表示诚挚感谢，他在重庆大学完成了信息管理与信息系统学位，专注数据挖掘、数据分析 。
最受欢迎的见解
1.PYTHON用户流失数据挖掘：建立逻辑回归、XGBOOST、随机森林、决策树、支持向量机、朴素贝叶斯模型和KMEANS聚类用户画像
2.R语言基于树的方法：决策树，随机森林
3.python中使用scikit-learn和pandas决策树
4.机器学习：在SAS中运行随机森林数据分析报告
5.R语言用随机森林和文本挖掘提高航空公司客户满意度
6.机器学习助推快时尚精准销售时间序列
7.用机器学习识别不断变化的股市状况——隐马尔可夫模型的应用
8.python机器学习：推荐系统实现（以矩阵分解来协同过滤）
9.python中用pytorch机器学习分类预测银行客户流失
服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net
