CN109408554A - 物流网点的数据分析方法、系统、设备及存储介质 - Google Patents
物流网点的数据分析方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN109408554A CN109408554A CN201811081668.8A CN201811081668A CN109408554A CN 109408554 A CN109408554 A CN 109408554A CN 201811081668 A CN201811081668 A CN 201811081668A CN 109408554 A CN109408554 A CN 109408554A
- Authority
- CN
- China
- Prior art keywords
- logistics node
- analysis
- data
- data analysing
- business datum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- 238000000556 factor analysis Methods 0.000 claims abstract description 8
- 238000012512 characterization method Methods 0.000 claims abstract description 7
- 238000007405 data analysis Methods 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种物流网点的数据分析方法、系统、设备及存储介质,其中该方法包括:获取各个物流网点的业务数据,根据所述业务数据的业务特征,选取表征业务特征的多个变量;进行因子分析,根据因子分析结果获取所述多个变量降维后的若干因子;对所述若干因子进行聚类分析,获得聚类结果。通过对收集的各网点数据进行因子分析和聚类处理,克服了传统的凭经验和专业知识进行分类的主观局限性,获得的数据分析结果更加客观、准确。
Description
技术领域
本公开一般物流技术领域,具体涉及物流网点的组织管理,尤其是物流网点的数据分析方法、系统、设备及存储介质。
背景技术
收派快件是快递物流行业的基础,但是在快递件量不断抬升、而人力成本又不断推高的情况下,收派快件工作流的科学管理、对收派员合理有效的班次分配,成为以有限成本取得最大效益的关键,因此,探索易于推广的收派件网点排班模式,成为提高物流网点整体运作水平的第一步。但因各个网点地域、作业模式、件量规模、管理层级等属性的不同,导致排班模式的优劣评估变得复杂。
在这样的情况下,如何客观地评估网点,提高一套合理的、广而适用的评估体系或模型,成为最先需要解决的问题。
发明内容
在下文中给出关于本发明的简要概述,以便提供关于本发明的某些方面的基本理解。应当理解,这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分,也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
鉴于开发中的评估方案或模型,或从硬性管理指标切入,或基于单纯的公司运营或财务指标而立足,不能够全面客观地解释网点排班模式的效益,本申请基于对全网或区域内网点的客观因素数据,如总件量、月结客户占比、会员客户占比等,运用因子分析与聚类分析的方法,将具有相似客观条件的网点聚为一类,从中分析寻找排班模式和效果较好的网点,对其排班模型进行推广,提高全网的排班效率。
在第一方面,本申请提供一种物流网点的数据分析方法,包括以下步骤:获取各个物流网点的业务数据,根据业务数据的业务特征,选取表征业务特征的多个变量;进行因子分析,根据因子分析结果获取多个变量降维后的若干因子;对若干因子进行聚类分析,获得聚类结果。
优选地,根据本申请第一方面的物流网点的数据分析方法,还包括:在进行因子分析前,对业务数据进行预处理,精简多个变量的个数。
优选地,根据本申请第一方面的物流网点的数据分析方法,采用主轴迭代法、极大似然法、加权最小二乘法进行因子分析。
优选地,根据本申请第一方面的物流网点的数据分析方法,采用碎石图法进行因子分析。
优选地,根据本申请第一方面的物流网点的数据分析方法,按照层次聚类进行聚类分析。
优选地,根据本申请第一方面的物流网点的数据分析方法,在进行聚类分析时采用离差平方和法计算类间距离。
根据本申请一个或多个实施例的物流网点的数据分析方法,通过对收集的各网点数据进行因子分析和聚类处理,克服了传统的凭经验和专业知识进行分类的主观局限性,获得的数据分析结果更加客观、准确,为优化网点的排班管理提供了科学依据。
在第二方面,本申请还提供一种物流网点的数据分析装置,包括:变量选取模块,用于获取各个物流网点的业务数据,根据业务数据的业务特征,选取表征业务特征的多个变量;因子分析模块,用于进行因子分析,根据因子分析结果获取多个变量降维后的若干因子;聚类模块,用于对若干因子进行聚类分析,获得聚类结果
本申请在第三方面还提供一种设备,其包括:一个或多个处理器;以及存储器,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据本申请上述任一技术方案的方法。
本申请在第四方面还提供一种存储有计算机程序的计算机可读存储介质,该计算机程序被处理器执行时实现根据本申请上述任一技术方案的方法。
附图说明
参照下面结合附图对本发明实施例的说明,会更加容易地理解本发明的以上和其它目的、特点和优点。附图中的部件只是为了示出本发明的原理。在附图中,相同的或类似的技术特征或部件将采用相同或类似的附图标记来表示。
图1示出根据本申请的一个实施例的物流网点的数据分析方法的流程图;
图2示出根据图1实施例进行因子分析的碎石图;
图3示出根据图1实施例进行全网数据聚类结果的示意图;
图4示出根据图1实施例的物流网点的数据分析装置的方框图;
图5示出根据本申请的一个实施例的一种设备的方框图。
具体实施方式
下面参照附图来说明本发明的实施例。在本发明的一个附图或一种实施方式中描述的元素和特征可以与一个或更多个其它附图或实施方式中示出的元素和特征相结合。应当注意,为了清楚的目的,附图和说明中省略了与本发明无关的、本领域普通技术人员已知的部件和处理的表示和描述。
图1示出根据本申请一个实施例的物流网点的数据分析方法的流程图流程图。其包括以下步骤:
S100:获取各个物流网点的业务数据,根据业务数据的业务特征,选取表征业务特征的多个变量;
S110:进行因子分析,根据因子分析结果获取多个变量降维后的若干因子;
S120:对若干因子进行聚类分析,获得聚类结果。
根据上述实施例的物流网点的数据分析方法,通过对收集的各网点数据进行因子分析和聚类处理,克服了传统的凭经验和专业知识进行分类的主观局限性,获得的数据分析结果更加客观、准确,为优化网点的排班管理提供了科学依据。
优选地,根据本申请第一方面的物流网点的数据分析方法,还包括:在进行因子分析前,对业务数据进行预处理,精简多个变量的个数。
优选地,根据本申请第一方面的物流网点的数据分析方法,采用主轴迭代法、极大似然法、加权最小二乘法进行因子分析。
优选地,根据本申请第一方面的物流网点的数据分析方法,采用碎石图法进行因子分析。
优选地,根据本申请第一方面的物流网点的数据分析方法,按照层次聚类进行聚类分析。
优选地,根据本申请第一方面的物流网点的数据分析方法,在进行聚类分析时采用离差平方和法计算类间距离。
以下是一个利用上述物流网点的数据分析方法进行数据处理的示例。首先,收集各个物流网点的数据,这里以快递物流为例说明,但本申请不局限于快递物流行业。
根据快递物流行业的特点,确定使用的业务指标范围及定义,筛选出当前可以获取到数据的业务指标,如表1中的阴影部分例示的部分数据。
表1
为方便后续因子分析及聚类处理,将上述指标映射为例如以下表 2中多个变量。
表2
变量名称 | 变量定义 |
dept_code | 网点 |
area_code | 区域代码 |
num_rangetype | 数量_下辖单元区域族群类型 |
num_teamid | 数量_下辖单元区域 |
。。。 | 。。。 |
对网点数据进行例如以下的预处理:
(一)选择数据范围。这里以全网网点(非重货、集配站)数据为例,不包含香港、台湾及海外地区。合计N条观测数据,N为自然数。也可以以某地区、某城市作为数据范围。
(二)进行数据清洗。去除件量或在职人员为null、或缺失值较多的网点,合计M条(约占原样本4%),剩余N-M条观测数据。
对于上述的缺失值需要进行对应的缺失值处理。根据变量的实际释义,例如,对缺失值处理处理情况如下:
(1)针对下辖单元区域类型数、下辖单元区域数、单元区域的平均面积,其缺失值补0。
(2)针对运输工具,该部分网点因不包含所定义的工具类型(即除步行外的所有工具),因此逻辑上变量的缺失值均为0。
最终,清洗后的数据结构为:N-M条观测,L个变量。
为了便于后续计算的精准与解释,去除了影响因子载荷矩阵生成的变量和部分释义重复的观测变量。
图2示出根据上述实施例进行因子分析时的碎石图结果。其中,对选取的因子做正交旋转,在尝试因子分析中进行主轴迭代法、极大似然法、加权最小二乘法后,最终发现使用加权最小二乘法具有更恰当的可解释性,效果最好。选取K(k为自然数,例如7)个因子比较合适。得到的K个因子结构如表4所示。
表4
图3示出根据本申请的上述实施例对全网数据进行因子分析后进一步执行聚类处理结果的示意图。也可以对某区域、某城市范围内的网点进行分析聚类。
从上图中可以看出,将全网网点聚为4类,8类和14类时解释性明显增强,较为合理。
通过本申请上述实施例的物流网点的数据分析方法,以网点的客观因素数据为基础,运用因子分析和聚类分析的方法,更加全面、客观地反映网点状况,管理者或管理系统可以根据上述分析结果,更加合理地确定最佳排班模式,并在全网进行推广,提高资源的利用效率。
图4示出根据本申请实施例提供的一个物流网点的数据分析装置的方框图。该数据分析装置包括:变量选取模块410,用于获取各个物流网点的业务数据,根据业务数据的业务特征,选取表征业务特征的多个变量;因子分析模块420,用于进行因子分析,根据因子分析结果获取多个变量降维后的若干因子;聚类模块430,用于对若干因子进行聚类分析,获得聚类结果。
通过本申请上述实施例的物流网点的数据分析装置,其能够以网点的客观因素数据为基础,运用因子分析和聚类分析的方法,获得更加全面、客观地反映网点状况的分析结果,从而管理者或管理系统可以根据上述分析结果,更加合理地确定最佳排班模式,并在全网进行推广,提高资源的利用效率。
图5还示出根据本申请的一个实施例提供的一种设备500,该设备包括:一个或多个处理器510;存储器520,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得所述一个或多个处理器执行如上述任一项技术方案的方法。
本申请还提供一种存储有计算机程序的计算机可读存储介质,该程序被处理器执行时实现如上述任一项技术方案的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种物流网点的数据分析方法,其特征在于,包括以下步骤:
获取各个物流网点的业务数据,根据所述业务数据的业务特征,选取表征业务特征的多个变量;
进行因子分析,根据因子分析结果获取所述多个变量降维后的若干因子;
对所述若干因子进行聚类分析,获得聚类结果。
2.根据权利要求1所述的物流网点的数据分析方法,其特征在于,还包括:
在所述进行因子分析前,对所述业务数据进行预处理,精简所述多个变量的个数。
3.根据权利要求1所述的物流网点的数据分析方法,其特征在于,所述方法采用主轴迭代法、极大似然法、加权最小二乘法进行所述因子分析。
4.根据权利要求1所述的物流网点的数据分析方法,其特征在于,所述进行因子分析采用碎石图法。
5.根据权利要求1所述的物流网点的数据分析方法,其特征在于,所述方法按照层次聚类进行聚类分析。
6.根据权利要求1所述的物流网点的数据分析方法,其特征在于,在进行聚类分析时采用离差平方和法计算类间距离。
7.一种物流网点的数据分析装置,其特征在于,包括:
变量选取模块,用于获取各个物流网点的业务数据,根据所述业务数据的业务特征,选取表征业务特征的多个变量;
因子分析模块,用于进行因子分析,根据因子分析结果获取所述多个变量降维后的若干因子;
聚类模块,用于对所述若干因子进行聚类分析,获得聚类结果。
8.一种设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行如权利要求1-6中任一项所述的方法。
9.一种存储有计算机程序的计算机可读存储介质,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811081668.8A CN109408554A (zh) | 2018-09-17 | 2018-09-17 | 物流网点的数据分析方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811081668.8A CN109408554A (zh) | 2018-09-17 | 2018-09-17 | 物流网点的数据分析方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109408554A true CN109408554A (zh) | 2019-03-01 |
Family
ID=65464896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811081668.8A Pending CN109408554A (zh) | 2018-09-17 | 2018-09-17 | 物流网点的数据分析方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109408554A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241860A (zh) * | 2019-07-19 | 2021-01-19 | 顺丰科技有限公司 | 一种网点确定方法、装置、服务器及存储介质 |
CN112446660A (zh) * | 2019-09-05 | 2021-03-05 | 顺丰科技有限公司 | 网点聚类方法、装置、服务器及存储介质 |
CN112927000A (zh) * | 2019-12-05 | 2021-06-08 | 顺丰科技有限公司 | 网点的数据分析方法、装置、计算机设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106354784A (zh) * | 2016-08-23 | 2017-01-25 | 西安电子科技大学 | 基于降维分组的大数据聚类优化方法 |
CN106383889A (zh) * | 2016-09-22 | 2017-02-08 | 国信优易数据有限公司 | 降维聚类的数据分析方法 |
CN106779200A (zh) * | 2016-12-07 | 2017-05-31 | 东北大学 | 基于在历史数据中进行相似搜索的风电机组状态预测方法 |
-
2018
- 2018-09-17 CN CN201811081668.8A patent/CN109408554A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106354784A (zh) * | 2016-08-23 | 2017-01-25 | 西安电子科技大学 | 基于降维分组的大数据聚类优化方法 |
CN106383889A (zh) * | 2016-09-22 | 2017-02-08 | 国信优易数据有限公司 | 降维聚类的数据分析方法 |
CN106779200A (zh) * | 2016-12-07 | 2017-05-31 | 东北大学 | 基于在历史数据中进行相似搜索的风电机组状态预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241860A (zh) * | 2019-07-19 | 2021-01-19 | 顺丰科技有限公司 | 一种网点确定方法、装置、服务器及存储介质 |
CN112241860B (zh) * | 2019-07-19 | 2023-05-02 | 顺丰科技有限公司 | 一种网点确定方法、装置、服务器及存储介质 |
CN112446660A (zh) * | 2019-09-05 | 2021-03-05 | 顺丰科技有限公司 | 网点聚类方法、装置、服务器及存储介质 |
CN112927000A (zh) * | 2019-12-05 | 2021-06-08 | 顺丰科技有限公司 | 网点的数据分析方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108683530B (zh) | 多维度数据的数据分析方法、装置及存储介质 | |
CN109408554A (zh) | 物流网点的数据分析方法、系统、设备及存储介质 | |
CN105550225B (zh) | 索引构建方法、查询方法及装置 | |
CN107908672A (zh) | 基于Hadoop平台的应用报表实现方法、设备及存储介质 | |
US10379850B2 (en) | Software project estimation | |
Dumas et al. | Aggregate quality of service computation for composite services | |
WO2012071433A1 (en) | System and method to measure and incentivize software reuse | |
CN108369675A (zh) | 用于案例分配的技术 | |
Wei et al. | A data envelopment analysis (DEA) evaluation method based on sample decision making units | |
CN107943963A (zh) | 基于云平台的海量数据分布式规则引擎操作系统 | |
CN106325756A (zh) | 一种数据存储、数据计算方法和设备 | |
CN108830554A (zh) | 基于任务模型的数据成果信息质量智能检测方法和系统 | |
CN105868956A (zh) | 一种数据处理方法及装置 | |
CN109656898A (zh) | 基于节点度的分布式大规模复杂社团探测方法及装置 | |
CN110489441A (zh) | 一种基于大数据的即席查询方法及设备 | |
CN109828790A (zh) | 一种基于申威异构众核处理器的数据处理方法和系统 | |
CN107229732A (zh) | 一种故障数据信息处理方法及装置 | |
Ting et al. | Constructing a cloud computing based social networks data warehousing and analyzing system | |
CN107871055A (zh) | 一种数据分析方法和装置 | |
US11295325B2 (en) | Benefit surrender prediction | |
Shahoud et al. | A meta learning approach for automating model selection in big data environments using microservice and container virtualization technologies | |
CN106845257A (zh) | 一种等保分析方法及等保分析系统 | |
Lehtomäki et al. | Running a zonation planning project | |
CN106326400A (zh) | 基于多维数据集的数据处理系统 | |
Alemi et al. | KTMiner: distributed k-truss detection in big graphs |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190301 |