数据挖掘技术对ERP的影响

 

进入90年代，随着市场竞争的进一步加剧，企业竞争空间与范围的进一步扩大，80年代MRPⅡ主要面向企业内部资源全面计划管理的思想逐步发展为90年代怎样有效利用和管理整体资源的管理思想，ERP(Enterprise Resource Planning)企业资源计划也就随之产生。与此同时，数据库技术和人工智能技术得到了长足的发展，人们成功的将两者结合了起来，即通过数据库中的大量数据发现知识，这就是数据挖掘技术。这门技术的产生使公司拥有的大量的数据得以应用，而对客户的行为分析也因此成为可能。

　　数据挖掘能做什么?它将怎么样影响企业的管理模式?这两个问题从数据挖掘一诞生起就是人们不断思考的课题。

　　数据挖掘可以做的工作主要有：

　　1)概念/类描述：特征化和区分。即用汇总的、简洁的、精确的方式描述每个类和概念。例如可以研究销售增加20%的产品的特征。

　　2)关联分析：发现关联规则，这些规则展示了属性-值频繁的在给定数据集中一起出现的条件。例如：我们可以通过对数据的分析得出啤酒—>尿布的关联规则。即买啤酒的人往往会买尿布。

　　3)分类和预测：通过分类可以找出描述并区分数据类或概念的模型(或函数)，以便能够使用模型预测类标记未知的对象类。当被预测的值是数值数据时，通常称为预测(prediction)。预测包含值预测和基于可用数据的分布趋势识别。例如在销售活动中根据商品的描述特性，如price，brand，place_made，type和category，对这三类的每一种导出模型。结果分类应最大限度地区别每一个类，提供有组织的数据集图象。假定结果分类用判定树的形式表示，判定树可能把price看作最能区分三个类的因素。该树可能结实，在price之后，帮助进一步区分每类对象的其他特性包括brand和place_made。这样的判定树可以帮助你理解给定销售活动的影响，并帮助你设计未来更有效的销售活动。

　　4)聚类分析：对象根据最大化类内的相似性、最小化类间的相似性的原则进行聚类或分组，所形成的每个簇(聚类)可以看作一个对象类，由它可以导出规则。聚类也便于分类编制(taxonomy formation)，将观察到的内容组织成类分层结构，把类似的事件组织在一起。

　　5)演变分析：数据演变分析描述行为随时间变化的对象的规律或趋势，并对其建模。如对股票交易数据的演变分析可以识别整个股票时常和特定公司的股票演变规律。这种规律可以帮助预测股票市场价格的未来走向，帮助对股票投资作出决策。

　　通过对数据挖掘的了解，我们发现它在ERP中(特别是金融业、零售业和电信业)将得到广泛的应用。

　　在金融领域，管理者可以通过对客户偿还能力以及信用的分析，进行分类，评出等级。从而可减少放贷的麻木性，提高资金的使用效率。同时还可发现在偿还中起决定作用的主导因素，从而制定相应的金融政策。更值得一提的是通过对数据的分析还可发现洗黑钱以及其他的犯罪活动。

　　在零售业，数据挖掘可有助于识别顾客购买行为、发现顾客购买模式和趋势，改进服务质量，取得更好的顾客保持力和满意程度，提高货品销量比率，设计更好的货品运输与分销策略，减少商业成本。

电信业已经迅速地从单纯的提供市话和长话服务演变为综合电信服务，如语音、传真、寻呼、移动电话、图像、电子邮件、计算机和WEB数据传输以及其他的数据通信服务。电信、计算机网络、因特网和各种其他方式的的通信和计算的融合是目前的大势所趋。而且随着许多国家对电信业的开放和新兴计算与通信技术的发展，电信市场正在迅速扩张并越发竞争激烈。因此，利用数据挖掘技术来帮助理解商业行为、确定电信模式、捕捉盗用行为、更好地利用资源和提高服务质量是非常有必要的。分析人员可以对呼叫源、呼叫目标、呼叫量和每天使用模式等信息进行分析还可以通过挖掘进行盗用模式分析和异常模式识别，从而可尽早的发现盗用，为公司减少损失。

　　ERP的管理思想和模式基本上都是基于一种“面向事务处理”的、按顺序逻辑来处理事件的管理，均不能对无法预料的时间和变化快速作出反应。而企业只有尽可能快地为时常提供那些受消费者青睐的产品，才能获利颇丰。因此，企业必须根据动态多边的时常去作出正确的判断，然后作出决策，这就不得不经常地快速地根据新的决策去改变产品、计划和生产线。通过引进数据挖掘的一些模式和方法，可以使管理人员通过对对象的分析，按照设定的目标去寻找一种最佳的方案。这样就可紧紧跟踪、甚至可达到超前于市场的需求变化，快速作出正确的决策，并以最快的速度执行这些变化。

　　我们相信随着信息技术和现代管理思想的进一步发展，ERP的内容还会不断扩展，与此同时，数据挖掘的手段和方法也会日趋成熟和完善，进而运用到实际管理工作中，提高我国企业管理水平。