大數據背景下物流服務訂單分配*

劉艷秋，王　浩，張　穎，蔡　超

(沈陽工業(yè)大學 a.理學院，b.管理學院，沈陽 110870)

?

大數據背景下物流服務訂單分配*

劉艷秋a，王浩a，張穎a，蔡超b

(沈陽工業(yè)大學 a.理學院，b.管理學院，沈陽 110870)

針對已存在的多級物流服務供應鏈訂單分配中沒有充分考慮客戶的最佳配送時間和需求的問題，提出了在大數據背景下，利用大數據的知識分析客戶的點擊量、瀏覽時間和銷量之間的關聯性，預測客戶的需求、分析客戶的位置數據來預測客戶的最佳配送時間.基于大數據的預測結果，以物流服務集成商最小化服務成本為目標，建立三級物流服務供應鏈的訂單分配優(yōu)化模型，并通過實例仿真進行了驗證.結果表明，基于大數據預測的銷量和配送時間更貼近客戶實際需求，在保證客戶服務質量的情況下，獲得問題的最優(yōu)解.

三級物流服務供應鏈；大數據；訂單分配；服務水平；關聯規(guī)則；用戶行為規(guī)律；時間預測；需求預測

物流服務供應鏈優(yōu)化問題是2004年由Ellram[1]在《Journal of supply chain management》一文中第一次提出的，并且定義了物流服務供應鏈的概念.物流服務供應鏈是由物流服務集成商、功能型物流服務提供商及客戶模式構成.物流服務集成商在接收到客戶的訂單需求后，對客戶的訂單需求進行統一整合規(guī)劃后將訂單分配給服務提供商，由各個服務提供商完成物流服務任務，該過程稱為訂單需求任務分配過程.隨著大數據時代的到來，互聯網等信息技術的飛速發(fā)展和人民生活水平不斷地提高，人們對物流服務水平的要求也越來越高.因此，在大數據時代，根據客戶數據分析客戶的喜好，并根據客戶的喜好合理地分配訂單任務，優(yōu)化整個物流服務供應鏈的服務成本，才能更好地提高企業(yè)的競爭力和信譽，為企業(yè)帶來長遠的利益.

在研究物流服務供應鏈優(yōu)化的過程中，主要集中研究了訂單任務分配問題，文獻[1-2]在訂單分配問題中都考慮了物流服務集成商和分包商之間交易費用，應用相應的遺傳算法進行求解；劉偉華等[3-4]以物流服務集成商成本最小化、功能提供商滿意度最大化為目標函數，構建了三級物流服務供應鏈的訂單任務分配的雙層優(yōu)化模型，并利用遺傳算法進行求解；范琛[5]等提出在信息更新下多期多任務多目標的動態(tài)訂單分配優(yōu)化模型；文獻[6]將Stackelberg博弈模型引入到服務供應鏈中；范志強等[7]考慮了不良產品的特點，建立了多目標混合整數優(yōu)化模型，并用模擬退火算法進行求解；文獻[8-9]分別提出了面向價值服務的供應鏈優(yōu)化模型和基于模糊線性規(guī)劃的供應商選擇訂單分配模型；李陽珍[10]將時間可靠度引入到物流服務供應鏈中，構建了基于可靠度，物流能力約束利潤最大化模型，并考慮了客戶的可靠性需求以及物流服務的水平質量.

將大數據與物流服務供應鏈優(yōu)化結合的研究相對較少，所以本文在大數據背景下，提出物流服務供應鏈訂單分配任務中兩方面的改進.一方面是基于客戶的大數據分析，不再利用概率分布或對數據進行抽樣分析，而是根據客戶的全部數據去預測分析，這樣的預測結果更貼近實際.本文將根據客戶的網上點擊量、瀏覽時間和銷量數據，分析它們三者之間的關聯去預測客戶的需求量，以往的物流服務普遍通過縮短配送時間來提高服務質量，但是配送速度快并不一定是客戶最佳的配送時間[11-12]，所以，本文將會根據客戶海量的位置數據去分析客戶的行為規(guī)律，預測客戶最佳的配送時間.另一方面，基于大數據分析預測的結果及客戶的個性化需求與供應商提供的服務能力進行匹配，給出吸引力的決策變量，選擇客戶最滿意的供應商進行服務，從而提高客戶的服務質量，提升企業(yè)信譽，在此基礎上降低企業(yè)成本，為企業(yè)的長久發(fā)展帶來更多的利潤.

1　物流服務供應鏈模型

1.1問題描述

為了提高服務水平及客戶的滿意度，本文將客戶終端的預期要求及預測數據結果引入到物流服務供應鏈里，建立由物流服務集成商、功能提供配送商和客戶構成的三級物流服務訂單分配模型[13]，以最小化物流服務成本為目標，同時在供應商能參與提供服務的最小利潤的約束下，根據客戶要求與大數據預測結果來選擇客戶最滿意的供應商來提供服務.

1.2變量描述及條件假設

模型的建立基于以下假設：

1) 不考慮產品的質量和類別的差異性；

2) 一個配送點可以為多個客戶服務，但是一個客戶只能接受一個配送節(jié)點的服務；

3) 客戶的位置數據已知.

模型建立過程中變量描述如下：n表示功能提供商個數，m表示基于大數據預測的需求數量，也就是銷售的數量，Aij表示功能提供商i對客戶j的吸引力[14]，qi表示第i個功能提供商的配送量，cij表示功能提供商的服務成本，pij為功能提供商i對客戶j的服務報價，Qij表示功能提供商i對j的服務水平，pj表示客戶可接受的最高價格，Qj表示客戶預期的服務水平，γj表示客戶對價格變化的敏感系數，θj表示客戶對服務水平的敏感系數，Hi表示功能提供商的利潤，Si表示功能提供商所能參加服務的最小利潤，xi表示功能提供商i最大服務能力，ci表示提供產品的價格.

1.3模型建立

三級物流服務供應鏈里，物流服務成本由各個功能配送商的報價和時間懲罰成本構成，其目標函數為

(1)

(2)

Aij=[1+(pj-pij)/pj]γj(Qij/Qj)θj

(3)

(4)

(5)

(6)

(7)

(8)

(9)

優(yōu)化模型的目標式(1)為最小化物流服務供應鏈總費用，包括功能提供商的服務費和未及時送到貨的懲罰費；函數式(2)為決策變量，表示選擇客戶吸引力高的功能提供商；式(3)為客戶吸引力表達式，不考慮產品質量有差異的情況下，物流服務水平越高，對客戶的吸引力越高，相應的物流成本就越高，物流成本高，那么功能提供商的服務報價相對就高，從而會降低對客戶的吸引力，所以本文將功能提供配送商i對客戶j的吸引力用式(3)表示；式(4)為配送的時間懲罰成本，t0為實際送達的時間，tj為客戶期望的最佳配送時間，是基于大數據預測得出，π為懲罰系數，在tj內送到則不對其懲罰；式(5)為功能提供商被分配的量，a0為客戶點擊量和瀏覽時間同時發(fā)生與銷量之間的關聯度，T(A∩B)為客戶點擊率與瀏覽時間同時發(fā)生的數量；式(6)為功能提供商參加服務的最小利潤約束；式(7)為物流服務成本，η為服務成本系數；式(8)依次表示的約束為所有的需求量必須全部配送、每個配送商i的服務量不能超過本身最大的服務能力、選出的配送商必須滿足所有客戶的需求、服務報價不能超過客戶能接受的最高報價.式(9)約束各變量的取值范圍.

2　數據準備與處理

2.1客戶需求預測

在大數據背景下，根據客戶的點擊率、瀏覽時間、購物車、評價信息中所有與銷量有關的數據都可以預測商品的銷量.如果近期某個產品的點擊率暴漲，那么相應的產品也是近期的熱賣產品，所以點擊率和銷量之間必然存在的一定的相關性.而瀏覽時間的限定保證了本次點擊的有效性，而不是誤點或者惡意點擊，所以本文同時考慮點擊率、瀏覽時間與銷量之間的關聯關系來預測銷量.設銷量為m，點擊率為和瀏覽時間分別為a、b，選取大量用戶近期的點擊數據，定義點擊選中為1，否則為0，瀏覽時間超過30 s為1，否則為0，購買為1，否則為0，網頁數據如表1所示.

表1　客戶的網頁數據

根據關聯的支持度和置信度來進行評判，其表達式分別為

(10)

(11)

2.2客戶配送時間預測

設客戶的位置坐標為(xn，yn，tn)，xn、yn表示客戶位置的橫縱坐標，tn表示客戶的相應位置的時間數據.根據用戶的位置數據利用分段技術將用戶一天的時間進行分段，分段后將所有位置距離不大于設定最小距離的位置進行聚類，并將其位置改為和聚類中心一致的位置坐標，然后再利用關聯規(guī)則去分析用戶的行為.

2.3最佳配送時間

客戶最佳配送時間預測算法如下：

3) 計算每個Qij的個數，計算所有相鄰Qij之間的關聯性，并找出滿足條件的Qij.

3　數據仿真

3.1需求預測

保證數據分析質量的前提是所選數據具有權威性和客觀性，本次實驗所選的數據是易車網在2012年1月份某品牌車的數據集，客戶的點擊量為9 882 039，滿足條件的瀏覽時間為1 232 178，銷量為76 663.計算得出點擊量與瀏覽時間均滿足條件的個數為84 245，三者同時發(fā)生的為銷量數，得出客戶的點擊量和瀏覽時間與客戶的需求量存在91%的關聯度，說明客戶的點擊量與瀏覽時間量對客戶需求量的解釋能力很強，從而可以根據下一時期的有效點擊量預測出未來的銷量.

3.2客戶最佳配送時間預測

隨機抽取10個用戶的一周位置數據進行分析，由于配送的實際時間關系，只考慮用戶10∶00～19∶00的位置數據，數據信息如表2所示.

表2　客戶一周位置數據

對用戶一周的數據進行分段處理后結果如表3所示，di表示第i天.由數據挖掘結果可以得出，Q11和Q12，Q12和Q13之間的關聯性要高于其他數據間的關聯性，所以選擇這兩個時間段來配送將提高用戶的便捷性.由于用戶訂單會有配送地址，所以選擇離用戶配送地址較近的時間段進行配送.將數據語義化，Q11表示用戶所在的公司，Q12表示附近的超市，Q13表示住址，如果用戶填的訂單地址為家庭住址，那么選擇Q12和Q13之間的時間段，則輸出的時間為Q12，配送時間要在Q12之前到達，而由以上數據可以得出時間tj為17∶20.將預測結果與客戶期望的最佳配送時間進行比較可知，預測的配送時間能滿足客戶可接受的時間.10位客戶的最佳配送時間分別為17∶20，17∶20，17∶35，17∶40，18∶10，17∶30，18∶20，18∶10，18∶15，18∶00.

3.3物流服務供應鏈仿真

算例中有8個功能提供配送商，客戶價格敏感系數都設為1，a0為90%，T(A∩B)為12，客戶數量為10，服務水平的敏感參數依次為0.9，0.9，0.7，0.75，1，0.7，0.75，0.85，0.8，0.7.物流服務成本系數η為0.8，功能提供商參加服務的最小利潤依次為106、100、101、100、102、100、99、103元，功能提供商的最大服務量xi依次為50、50、55、60、60、60、65、50，懲罰系數π為0.002，產品的價格ci均為100元，不同的功能提供商對不同的任務服務水平也不同，客戶和功能提供商的數據如表4～6所示.

表3　客戶分段后的位置數據

表4　功能提供商的服務水平

表5　功能提供商的服務報價

表6　客戶可接受的最高價格與期望的服務水平

計算選出任務分別是功能提供商3為客戶1、2服務，功能提供商6為客戶3、4、6、7、8、10服務，功能提供商8為客戶5、9服務.與實際配送時間t比較，功能提供商3和8的配送時間均滿足條件，而功能提供商6對客戶3、4、6分別遲到20、10、30 min，最后得出物流服務成本的運行結果為580.78元(計算誤差精度為0.01).

4　結　論

本文在大數據背景下，結合客戶的點擊率和瀏覽時間的數量預測客戶近期的需求，將隨機環(huán)境下的需求轉變?yōu)楣潭ㄐ枨笠员阌谇蠼?，而大數據的實時性又能滿足客戶需求的變化.根據客戶的位置數據來分析客戶的行為規(guī)律，從而去預測客戶最佳的配送時間.基于大數據的結果建立三級物流服務供應鏈訂單任務分配模型，主要考慮了供應商對客戶的吸引力、服務水平、物流成本及配送時間的懲罰成本.研究結果表明，在大數據的背景下分析客戶的需求及行為規(guī)律，能更好地幫助企業(yè)了解客戶的喜好，從而能為客戶提供更好的服務，在保證了客戶服務水平的前提下降低成本，從而提高企業(yè)的信譽度，有利于企業(yè)長久的發(fā)展，獲得更多的利益.

本文在建立訂單任務分配的模型中也存在一些不足，供應商對客戶的吸引力僅從服務報價和服務水平兩方面來衡量，今后的研究將考慮更多的因素，從而使客戶的個性化需求更加精準.大數據分析也剛剛起步，所以在數據挖掘分析方面，考慮關聯性的因素較少，今后將加入更多的因素，使數據挖掘的結果更加精準.

[1]李姍姍.物流服務供應鏈訂單分配優(yōu)化及其遺傳算法 [J].運籌與管理，2014，23(5)：35-37.

(LI Shan-shan.Genetic algorithm to logistics service supply chain order allocation problem [J].Operations Research and Management Science，2014，23(5)：35-37.)

[2]高志軍，劉偉，范志強，等.考慮交易費用的LSSC訂單分配多目標優(yōu)化模型 [J].系統工程，2013，30(7)：35-39.

(GAO Zhi-jun，LIU Wei，FAN Zhi-qiang，et al.Multi-objective optimization model of order allocation of LSSC considering transaction costs [J].Systems Engineering，2013，30(7)：35-39.)

[3]劉偉華，曲思源，鐘石泉.隨機環(huán)境下的三級物流服務供應鏈任務分配 [J].計算機制造集成系統，2012，20(7)：35-39.

(LIU Wei-hua，QU Si-yuan，ZHONG Shi-quan.Order allocation in three-echelon logistics service supply chain under stochastic environments [J].Computer Internet Manufacturing Systems，2012，20(7)：35-39.)

[4]Liu W H，Ge M Y，Xie W H，et al.An order allocation model in logistics service supply chain based on the pre-estimate behavior and competitive-bidding strategy [J].International Journal of Production Research，2014，52(8)：2327-2344.

[5]范琛，王效俐，陳瑾，等.信息更新下的物流服務訂單分配 [J].同濟大學學報(自然科學版)，2014，42(9)：1452-1457.

(FAN Chen，WANG Xiao-li，CHEN Jin，et al.Service order allocation based on multiobjective dynamic programming [J].Journal of Tongji Unversity(Natural Science)，2014，42(9)：1452-1457.)

[6]李劍鋒，陳世平，易榮華，等.二級物流服務供應鏈定價及其效率研究 [J].中國管理科學，2013，21(2)：84-87.

(LI Jian-feng，CHEN Shi-ping，YI Rong-hua，et al.Research on pricing decisions and efficiency in a two-level logistics service supply chain [J].Chinese Journal of Management Science，2013，21(2)：84-87.)

[7]范志強.供應鏈訂單分配優(yōu)化模型及其模擬退火算法 [J].計算機工程與應用，2012，48(25)：28-33.

(FAN Zhi-qiang.Simulated annealing algorithm to supply chain order allocation problem [J].Computer Engineering and Applications，2012，48(25)：28-33.)

[8]李天陽，何霆，徐漢川.面向價值的服務供應鏈運作過程模型 [J].計算機集成制造系統，2015，20(1)：235-244.

(LI Tian-yang，HE Ting，XU Han-chuan.Value-oriented operation process model for service supply chain [J].Computer Integrated Manufacturing Systems，2015，20(1)：235-244.)

[9]Amin S H，Razmi J，Zhang G.Supplier selection and order allocation based on fuzzy SWOT analysis and fuzzy linear programming [J].Expert Systems with Application，2011，38：334-342.

[10]李陽珍.物流服務供應鏈的可靠度及其優(yōu)化研究 [J].統計與決策，2014(5)：186-188.

(LI Yang-zhen.Reliability and optimization of logistics service supply chain [J].Statistics and Decision，2014(5)：186-188.)

[11]?；劬瑔魏?，滿毅.基于分段、聚類和時許關聯分析的用戶行為分析 [J].計算機應用研究，2014，31(2)：526-532.

(CHANG Hui-jun，SHAN Hong，MAN Yi.User behavior analysis based on segmentation，clustering and timing relationship analysis [J].Application Research of Computers，2014，31(2)：526-532.)

[12]王和勇，吳曉樺.關聯規(guī)則在網絡客戶評論中的關聯分析研究 [J].物流工程與管理，2014，36(2)：81-84.

(WANG He-yong，WU Xiao-hua.Research on correlation analysis of customer online reviews on association rules [J].Logistics Engineering and Management，2014，36(2)：81-84.)

[13]韓霜，周芳娟，譚智華，等.動態(tài)競爭環(huán)境下基于客戶價值的物流終端設施優(yōu)化模型 [J].公路交通科技，2013，30(11)：144-151.

(HAN Shuang，ZHOU Fang-juan，TAN Zhi-hua，et al.An optimization model of logistics terminal facility based on customer value in dynamic competitive environment [J].Journal of Highway and Transportation Research and Development，2013，30(11)：144-151.)

[14]劉艷秋，焦妮，李佳.基于確定網絡的多級物流網絡優(yōu)化設計 [J].沈陽工業(yè)大學學報，2015，37(1)：64-68.

(LIU Yan-qiu，JIAO Ni，LI Jia.Optimazation design of multi-level logistics network based on determined network [J].Journal of Shenyang University Techno-logy，2015，37(1)：64-68.)

(責任編輯：景勇英文審校：尹淑英)

Order allocation of logistics service under background of big data

LIU Yan-qiua,WANG Haoa,ZHANG Yinga,CAI Chaob

(a.School of Science,b.School of Management,Shenyang University of Technology,Shenyang 110870,China)

In order to solve the problem that the optimal delivery time and demand of customers in the existing order allocation of multi-level logistics service supply chain are not fully considered,under the background of big data,a method to analyze the correlation between the clicks of customers,browsing time of customers and sales and to predict the demand of customers with the knowledge of big data was proposed.In addition,the best delivery time was predicted with the location data of customers.According to the predicting results under the background of big data,an optimization model for the order allocation of three-level logistics service supply chain was established with the objective of minimizing the cost of logistics service integrator,and the model was verified with an example.The results show that the sales and delivery time predicted based on the big data are closer to the actual demand of customers,which can obtain the optimal solutions on the premise of ensuring the service quality for customers.

three-level logistics service supply chain; big data; order allocation; service level; association rule; user behavior rule; time prediction; demand prediction

2015-08-28.

遼寧省科學技術計劃資助項目(2013216015)；沈陽市科學技術計劃資助項目(F14-231-1-24).

劉艷秋(1963-)，男，吉林四平人，教授，博士生導師，主要從事復雜系統可靠性建模與優(yōu)化等方面的研究.

10.7688/j.issn.1000-1646.2016.02.13

TP 301

A

1000-1646(2016)02-0190-06

*本文已于2015-12-07 16∶18在中國知網優(yōu)先數字出版.網絡出版地址：http://www.cnki.net/kcms/detail/21.1189.T.20151207.1618.022.html