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衰亡，物流企业疾速倒退，为进步仓库管理效率，挖掘更多的仓库供应商客户，合理配置资源并升高经营老本，经营者在制订经营决策时须要剖析仓储物流过程的整个环节的数据，然而在业务零碎中的数据是依照业务过程进行组织的，处于孤立扩散的状态并不适用于数据的统计和剖析。在仓储物流零碎上建设数据仓库，依照用于决策分析的主题对不同零碎中数据进行从新组织，为数据分析和数据挖掘提供无效的数据起源。
解决方案
工作 / 指标
搭建物流数据仓库的目标是整合仓储物流零碎中的数据，以统计图表的形式提交给决策部门和零售商客户，为实现高效的仓库治理和制订物流策略提供牢靠的根据，帮忙零售商客户改良商品设计和制订无效的营销策略。（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，以报表的模式发送给零售商客户，作为销售量的参照来制订无效的营销策略。（2）物流数据分析对每个仓库物流的状况进行记录，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，进步发货数目和仓库的利用率，节约物流估算。（3）货运量剖析对每次货运量进行记录，将其与预期运货量进行比拟剖析，并进行月运货量环比剖析，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次要指标是第三点：对货运量进行剖析，建设了以货运量为测量值的事实表，并设计了相应 KPI 以达到钻研剖析目标。
数据源 解决
钻研数据源采纳了在重庆东聚仓储物流有限公司物流数据根底上以钻研为目标设计的工夫周期为一年的运货 csv 文件数据，每一行数据蕴含工夫、发货仓库、货物类型等维度信息，依据后期概念模型，确定发货事实表的设计，冀望达到笼罩整个发货流程的目标。将维度确定为：工夫、输送打算、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，进行数据荡涤，使用 insert into …select…from 语句提取维度表。
数据仓库构建与部署
使用 visual studio 软件实现数据仓库的构建和部署如下图
实现数据仓库的层次结构设计、工夫智能实现和 kpi 设计与实现。
OLAP 实现
选用 excel 连贯数据库建设数据透视图表实现 OLAP。依据治理指标设置：
仓库发货情况表
可在四个发货仓库中抉择一个或多个展现数据，表中测量值为理论运载比率即理论运货量与预计运货量的比值，在数据透视图中能够实现相应的数据钻取、切片。
理论运货量月度环比增长率
以货物类型、发货仓库为筛选器，展现一个结算周期（11 月至次年十月）中理论运货量的环比增长率。
季运货量汇总
利用 OLAP 解决治理问题
绩效达标问题
公司对每个期间都有预期货运量，通过将理论货运量与预期货运量做比照，能够失去一个表明是否达到预期货运量的状态值以及状态符号，这也是咱们所设计的 KPI。咱们所设计的 KPI 可通过 OLAP 直观地展现进去，以红色状态符号代表未达标，绿色状态符号代表达标。管理者能够通过观察 KPI 来取得绩效是否达标这一信息，据此作出经营管理决策。
工夫规律性问题
数据仓库建设过程中使用维度建模时采纳了工夫维度，使得数据仓库建设实现后，能够在 OLAP 中通过抉择工夫为行标签，查看各个记录时间所产生的货运量，也可细分到各个记录时间各个不同货运计划、货品类型的货运状况，以探索货运量的工夫规律性，依据工夫规律性能够针对不同期间采取不同的经营管理策略，以达到提高效率、节约老本的目标。
对于分析师
在此对 Yanlin Li 对本文所作的奉献示意诚挚感激，他在重庆大学实现了信息管理与信息系统学位，专一数据挖掘、数据分析。
最受欢迎的见解
1.PYTHON 用户散失数据挖掘：建设逻辑回归、XGBOOST、随机森林、决策树、反对向量机、奢侈贝叶斯模型和 KMEANS 聚类用户画像
2. R 语言基于树的办法：决策树，随机森林
3.python 中应用 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开掘进步航空公司客户满意度
6.机器学习助推快时尚精准销售工夫序列
7.用机器学习辨认一直变动的股市情况——隐马尔可夫模型的利用
8.python 机器学习：举荐零碎实现（以矩阵合成来协同过滤）
9.python 中用 pytorch 机器学习分类预测银行客户散失