摘要：在物流快速发展的过程当中，只有充分的借助于大数据信息技术，建立网络交流平台，加强对各种物流信息数据的使用，才能够保证物流行业的发展更加迅猛，因此需要充分了解物流挖掘的相关技术，然后充分的应用在物流管理系统当中。通过对各类数据进行有效的挖掘，为物流行业发展提供强力的技术支撑。
关键词：大数据环境；物流信息；挖掘；利用研究
1导言
数据挖掘技术是实现物流信息挖掘、利用的重要前提和基本工具，在当前大数据环境下，比较先进和常用的数据挖掘技术有多种，下面进行详细介绍。
2数据挖掘的概念
在互联网的背景之下，数据非常繁多，尤其是对于物流企业而言，做好数据挖掘工作至关重要。但是由于数据相对量比较多，而且相对多样化，同时数据信息变化也比较快，但是部分信息具有价值，而部分信息没有价值，这就需要进行数据挖掘作业。所谓数据挖掘是指从大量的、模糊的、随机的数据中来提取尽可能有价值的相关知识和信息。
3数据挖掘在物流信息中应用的重要性
3.1能够满足企业的多样化需求
随着物流行业竞争日益加剧，只有借助于数据挖掘这种先进的技术，应用大数据相关的平台对各种信息进行收集和整理，才能够真正的选取出有价值的信息，节省空间，能够使得企业更加科学合理的规划相关的物流项目，从而满足企业的多样化需求。
3.2能够解决当下物流行业发展中存在的问题
通过进行数据挖掘，能够使得数据库内的信息数据更加具有价值，尤其是能够及时的分析和诊断物流企业在推进各项业务时存在的问题和现状，从而为企业决策提供更加有价值的信息。
3.3能够全面提高企业的运行效益
通过借助于数据挖掘技术能够对物流信息系统的各个模块进行分析和整理，针对于财务管理、运输管理、销售管理以及采购管理等相关的重要管理工作提供技术保障，提供相关的数字依据，从而满足物流企业的基本发展需求，实现更好更快发展。
4面向物流管理系统的数据挖掘流程
4.1确定待挖掘的数据源
随着物流行业的不断壮大和发展，物流企业掌握的客户信息和业务数据越来越多，这些信息数据具有量大面广的特点，其中既有大量的冗杂信息，也有许多重要客户的核心信息，而物流企业需要挖掘和利用的正是这部分核心信息，这些信息与物流客户的消费行为决策息息相关，物流企业通过对这些信息的有效挖掘和分析，可以发现其中的关键性联系，并有针对性地调整和优化客户服务方案，进而在留住老客户的同时，为企业吸纳更多的新客户。当然，在实际操作中，要想从庞大的数据库中准确地定位目标数据，物流企业就需要利用先进的数据挖掘技术对信息数据进行关联分析。
4.2做好数据准备工作
数据准备是数据挖掘的重要前提，一般由数据的集成、选择、预处理三个环节构成。数据集成即从各操作性数据库、文件及遗留系统中提取有用数据，然后对数据进行集成处理;数据选择即在技术人员指导下，收集需要分析的目标数据，剔除其中的冗余信息，以提高数据品质，为后续高效开展数据挖掘工作奠定基础;预处理是数据挖掘之前的最后一道准备工序，也就是通过缩减、转化等方式对选定数据进行进一步的处理。以物流配送的路径选择为例，物流企业需要为每一辆配送车辆规划专门的客户路径，这就要求物流企业在综合考虑车辆利用程度、车辆运输能力、货物规格、运送成本、利润高低等多方面因素的基础上，围绕相关数据进行一系列的集成、选择及预处理操作，这样才能开展后续的数据挖掘工作，达到提高物流配送效率、降低货物运输成本的目的。
4.3选择合适的数据挖掘技术
在确定待挖掘数据源并做好数据准备工作的基础上，便可以根据要解决的具体问题来选择相应的数据挖掘技术，对数据进行迭代挖掘，从中发现隐藏的、新颖的模式。
当然，数据挖掘需要先建立相应的数据挖掘模型，建模之后除需要深度挖掘的部分之外，其他部分一般是可以自动完成的。在构建数据挖掘模型时，最关键的工作就是确定学习算法和算法参数，也就是选取合适的挖掘工具及分析方法。例如，在选择和规划仓储位置时，可以采用关联分析法;在选择配送路径时，可以采用演化分析法;在市场调研方面，可以采用聚类分析法;在选择物流中心时，可以使用分类与预测工具。
4.4数据解释及评价
受各方面因素的限制，通过数据挖掘所得到的知识集并非全部都有意义，因此还应根据实际情况，对挖掘出来的信息进行科学的评价、筛选及检验，以确保最终提交给决策者的信息是经得起推敲的有效信息。数据解释及评价就是对数据挖掘得到的结果进行评价和分析，以确定其是否具有存入知识库的价值，一般通过人机交互及专家经验评判的方式完成该过程，具体的评价方法会因采用的数据挖掘技术而异。数据解释及评价是一个不断重复的过程，直到最终得出的数据令人满意为止。
5数据挖掘技术的具体应用
5.1市场预测
精细化管理是企业重要的生存之道，特别是对数据体量大、来源广、更新快的物流企业来说，通过精细化管理挖掘数据价值，准确预测市场趋势，对物流企业的生存显得尤为重要。物流企业可以通过聚类分析等数据挖掘技术，建立市场预测模型，精准确定自己的客户群，因人而宜地推出竞争力强的产品，当产品打入市场之后，还要密切关注产品销量、利润等变化，同时结合企业生产、配送、销售等方面的实际情况，有针对性地做好生产计划、库存配置等工作。在这一过程中，预测模型可以起到决策支持的作用。
5.2物流选址
物流选址是决定物流体系发展的关键，物流企业需要综合考虑运送成本、固定成本、变动处理成本等多方面因素，求解成本最小化的方案。与此同时，还要考虑中心点的分布模式、数量等情况，特别是在多中心选址中，需要在确保物流网络总成本最低的情况下，从多个备选中心点中选出若干地点作为物流中心，这是一个涉及顾客需求量等市场因素的数学规划问题，求解难度相当大，这时就需要用到数据挖掘技术中的决策树方法。
5.3仓储管理
电子商务的迅猛崛起，对物流企业的仓储管理提出了巨大挑战。如何配置商品，控制成本，提高拣货效率，为消费者提供更好的购物体验和更快捷灵活的物流服务，就成为物流企业能否发展壮大的关键。而借助数据挖掘技术中的关联分析方法，就能找出数据中隐含的相互关系，进而有效解决物流企业的仓储难题。
5.4客户分析
客户分析即根据企业所掌握的客户资料与数据，分析客户特征与需求，对客户直接或潜在价值进行合理评估，从而确定有利于企业利益最大化的资源配置方案，制定出客户满意的营销策略，巩固客户忠诚度，提高企业销售额。客户分析主要采用数据挖掘技术中的定性比较分析法，这种分析方法能够对客户特征进行准确的概念描述，精准挖掘客户价值，还能够发现流失客户存在的一些共性特征，进而对其他拥有类似特征的客户制订相应的弥补方案，减少物流客户流失率。
6结语
面临物流行业快速发展的现状，只有借助于大数据技术才能够获得长远的发展。所谓数据挖掘是指对多样化的、量大的、价值高的信息进行有效的寻找，从而为物流行业发展提供数字依据。在进行数据挖掘时需要借助一些数据挖掘的技术，包括人工神经网络、遗传算法、决策树、关联原则和其他方法。
参考文献
[1]李烁.数据挖掘技术在物流企业信息共享中的应用探究[J].电脑编程技巧与维护,2018(12):114-115+118.
[2]李晓峰,陈皓.基于动态数据挖掘的物流信息智能分析策略研究[J].电脑迷,2018(04):57.
[3]陈娇.物流信息分析研究现状与趋势展望[J].企业改革与管理,2018(04):213-214.
[4]曾奕棠,张玉峰,谭学清,王林,刘汉斌.基于过程挖掘的物流流程信息智能分析研究[J].现代情报,2017,37(11):156-162.