曾奕棠++張玉峰+譚學(xué)清+王林+劉漢斌

〔摘 要〕物流信息化建設(shè)的加速與普及，為物流流程信息的分析與利用帶來了挑戰(zhàn)。過程挖掘作為業(yè)務(wù)流程建模的工具之一，能夠化解人工經(jīng)驗(yàn)的不足，有效實(shí)現(xiàn)物流流程信息的智能分析與利用。在明確過程挖掘基本原理的基礎(chǔ)上，構(gòu)建了基于過程挖掘的物流流程信息智能分析框架，探討了基于過程挖掘的物流流程信息智能分析的過程與特點(diǎn)。最后，分析了需要特別注意的事項(xiàng)。

〔關(guān)鍵詞〕物流流程；流程信息；過程挖掘；智能分析

DOI：10.3969/j.issn.1008-0821.2017.11.025

〔中圖分類號(hào)〕G202 〔文獻(xiàn)標(biāo)識(shí)碼〕A 〔文章編號(hào)〕1008-0821（2017）11-0156-07

Research on the Intelligent Analyzing of Logistics Process Information Based on Process Mining

Zeng Yitang1 Zhang Yufeng2 Tan Xueqing2 Wang Lin2 Liu Hanbin3

（1.School of Management，Wuhan Donghu University， Wuhan 430212；

2.Center for the Studies of Information Resource，Wuhan University， Wuhan 430072；

3.Shanghai Bank of Communications，Shanghai 201201，China）

〔Abstract〕The acceleration and popularization of logistics informazation construction has brought challenges to the analysis and utilization of logistics process information.As one of the tools of business process modeling，process mining can solve the shortage of artificial experience，and effectively realize the intelligent analysis and utilization of logistics process information.On the basis of defining the basic principle of process mining，a logistics process information intelligent analysis framework based on process mining was constructed.Then the procedure and characteristics of the framework were discussed.Finally，the matters needing special attention were analyzed.

〔Key words〕logistics process；process information；process mining；intelligent analysis

作為支撐經(jīng)濟(jì)社會(huì)發(fā)展的基礎(chǔ)性、戰(zhàn)略性產(chǎn)業(yè)，物流業(yè)在經(jīng)濟(jì)發(fā)展、社會(huì)進(jìn)步中發(fā)揮著重要作用。在相關(guān)政策的推動(dòng)和市場(chǎng)強(qiáng)大需求的拉動(dòng)下，我國(guó)物流業(yè)近幾年得到了長(zhǎng)足發(fā)展。但不可否認(rèn)的是，無論是大型物流企業(yè)還是小型物流企業(yè)，無論是自營(yíng)物流還是第三方物流，在物流流程管理方面還存在著以下問題：1）配送路徑設(shè)置不經(jīng)濟(jì)，路線選擇不科學(xué)；2）配送工具調(diào)度不合理，設(shè)備利用率有待提高；3）難以準(zhǔn)確制定配送計(jì)劃，物流配送工作具有隨意性；4）個(gè)別工序安排欠妥當(dāng)，貨物出庫(kù)效率較低；5）發(fā)、退貨混亂，貨物的交貨時(shí)間沒有保障；6）服務(wù)響應(yīng)慢，物流配送成本支出居高不下；7）需求預(yù)測(cè)難，資源協(xié)調(diào)能力不足[1]。

近年來，國(guó)內(nèi)外已有學(xué)者認(rèn)知到物流流程中存在的問題，并對(duì)物流流程的優(yōu)化或改進(jìn)進(jìn)行了相應(yīng)的研究。Pietro Romano強(qiáng)調(diào)從供應(yīng)網(wǎng)絡(luò)的協(xié)調(diào)和整合機(jī)制來實(shí)現(xiàn)節(jié)點(diǎn)企業(yè)與核心企業(yè)之間物流流程的優(yōu)化[2]。Harry K.H.Chow等提出了一種基于射頻識(shí)別多智能體技術(shù)的實(shí)時(shí)知識(shí)支持框架，用于解決動(dòng)態(tài)物流流程管理中存在的問題，提供實(shí)時(shí)的知識(shí)支持物流業(yè)務(wù)的處理決策[3]。C.K.M.Lee等基于需求管理與供應(yīng)鏈管理理論，探討了利用人工智能技術(shù)和無線射頻識(shí)別技術(shù)來提高物流工作流程的響應(yīng)速度與運(yùn)營(yíng)效率[4]。William Wilcox等針對(duì)供應(yīng)鏈各企業(yè)間逆向物流存在的相關(guān)問題，提出了一種具有預(yù)測(cè)功能的物流分析馬爾可夫模型，可實(shí)現(xiàn)對(duì)逆向物流流程的優(yōu)化[5]。Edgar H.Alfonso-Lizarazo等以棕櫚油供應(yīng)鏈為例，構(gòu)建了一個(gè)在閉環(huán)供應(yīng)鏈框架下考慮能源、成本和經(jīng)濟(jì)利潤(rùn)的數(shù)學(xué)模型，用于對(duì)農(nóng)產(chǎn)品生產(chǎn)部門逆向物流流程進(jìn)行評(píng)估，以實(shí)現(xiàn)物流流程的優(yōu)化[6]。EwaKulińska等針對(duì)公共道路運(yùn)輸公司ERP系統(tǒng)缺乏數(shù)據(jù)連續(xù)性這一問題，通過對(duì)物流數(shù)據(jù)的分析來改進(jìn)物流流程的功能[7]。Riska Asriana Sutrisnowati等構(gòu)建了一個(gè)貝葉斯網(wǎng)絡(luò)過程模型，對(duì)港口信息系統(tǒng)中的事件日志進(jìn)行挖掘分析，從而實(shí)現(xiàn)對(duì)港口物流流程各活動(dòng)的優(yōu)化與改進(jìn)[8]。Dino Knoll等利用機(jī)器學(xué)習(xí)技術(shù)，提取物流流程的通用知識(shí)，建立入廠物流規(guī)劃方法，來實(shí)現(xiàn)對(duì)入廠物流的預(yù)測(cè)[9]。Christian Küber等為實(shí)現(xiàn)汽車裝配線與物流流程之間的相互作用，提出了一種物流流程設(shè)計(jì)規(guī)劃方法，可以在優(yōu)化物流流程的同時(shí)，保證裝配線的靈活性和可變性[10]。張夕依據(jù)業(yè)務(wù)流程再造理論，提出了基于BPR的可視化電力物流核心業(yè)務(wù)流程再造的對(duì)策和措施[11]。張涵躍等利用Petri網(wǎng)對(duì)某物流集散中心的郵件處理流程進(jìn)行建模，通過仿真軟件對(duì)模型進(jìn)行仿真運(yùn)行，以實(shí)現(xiàn)物流流程的優(yōu)化[12]。楊瑋等構(gòu)建了統(tǒng)一建模語(yǔ)言（UML）和多色集合相結(jié)合的冷鏈物流倉(cāng)儲(chǔ)作業(yè)流程模型，可以實(shí)現(xiàn)冷鏈物流倉(cāng)儲(chǔ)流程優(yōu)化，并據(jù)此建立了新的冷鏈物流倉(cāng)儲(chǔ)系統(tǒng)出入庫(kù)流程模型[13]。楊瑋等將Flexsim仿真軟件應(yīng)用于醫(yī)藥物流行業(yè)，進(jìn)行建模仿真，以找出揀貨流程的瓶頸問題，并進(jìn)行合理優(yōu)化，可以提高醫(yī)藥物流中心零貨庫(kù)的揀貨效率[14]。endprint

從上述學(xué)者的研究可以看出，為了實(shí)現(xiàn)物流流程的優(yōu)化，相應(yīng)的方式不外乎兩類：一是從管理維度著手，通過管理措施來優(yōu)化物流流程；二是從技術(shù)維度著手，通過技術(shù)手段來優(yōu)化物流流程。但上述研究，都或多或少地忽略了對(duì)物流流程信息本身的分析，沒有考慮通過對(duì)物流流程信息的挖掘與分析，從中找出不足或缺陷，進(jìn)而來優(yōu)化物流流程。

事實(shí)上，隨著物流信息化建設(shè)的加速與普及，物流流程信息的獲取變得越來越方便，但也為管理者和用戶對(duì)數(shù)據(jù)“礦藏”的分析與利用帶來了挑戰(zhàn)。而過程挖掘作為業(yè)務(wù)流程建模的工具之一，能夠化解人工經(jīng)驗(yàn)的不足，充分利用物流流程信息，實(shí)現(xiàn)物流流程的優(yōu)化，著力推動(dòng)物流業(yè)創(chuàng)新發(fā)展。

因此，本文將建立一種利用過程挖掘技術(shù)來實(shí)現(xiàn)物流流程信息智能分析的方法。

1 過程挖掘概述

1.1 過程挖掘的基本原理

過程挖掘（Process Mining）是一個(gè)舶來詞，國(guó)內(nèi)也有學(xué)者將其翻譯為流程挖掘，在學(xué)術(shù)界與工作流挖掘（Workflow Mining）并行使用，且概念內(nèi)涵上相似。1998年，R.Agrawal等人提出了工作流挖掘（Workflow Mining）的概念，隨后，相關(guān)學(xué)者在此基礎(chǔ)上又提出了過程挖掘（Process Mining）的概念。按照R.Agrawal等人的觀點(diǎn)，過程挖掘是指對(duì)信息系統(tǒng)中的事件日志進(jìn)行挖掘，為管理者提供流程運(yùn)行的知識(shí)[15]。學(xué)者們對(duì)于過程挖掘的含義進(jìn)行了深入探討，目前比較得到學(xué)術(shù)界認(rèn)可的一種定義是：過程挖掘是指從事件日志中提取出結(jié)構(gòu)化流程描述的方法，重現(xiàn)業(yè)務(wù)流程的真實(shí)過程[16]。經(jīng)過十多年的發(fā)展，過程挖掘主要有三種應(yīng)用場(chǎng)景：流程發(fā)現(xiàn)、一致性檢驗(yàn)和模型改進(jìn)。

從過程挖掘的定義可以看出，過程挖掘的起點(diǎn)與對(duì)象是事件日志。對(duì)于當(dāng)前的信息系統(tǒng)而言，存儲(chǔ)著大量的結(jié)構(gòu)化事件日志。一般來說，事件日志是整個(gè)流程日志信息的集合，是業(yè)務(wù)流程的表示形式，包括以下要素：實(shí)例編號(hào)（Case ID）、事件名稱（Event ID）、活動(dòng)名（Activity）、時(shí)間戳（Timestamp）、成本（Cost）、資源（Resource）、處理狀態(tài)（Situation）[17]。過程挖掘?qū)τ谑录罩镜淖畹鸵笫敲總€(gè)事件至少包括一個(gè)實(shí)例及該實(shí)例對(duì)應(yīng)的活動(dòng)。目前，事件日志文件的標(biāo)準(zhǔn)存儲(chǔ)文件類型為由IEEE過程挖掘工作組提出的XES （eXtensible Event Stream）文件。表1給出了某企業(yè)入庫(kù)物流事件日志的一個(gè)簡(jiǎn)單實(shí)例。

表1中，每一行代表一個(gè)事件，事件的屬性則由列數(shù)據(jù)來表示。例如，事件20161116屬于實(shí)例102并且是活動(dòng)“Order Processing”（訂單處理）的一個(gè)事件，由Tan Bing在2016-11-23 09：34這個(gè)時(shí)間點(diǎn)執(zhí)行完成。在該表中，事件日志由三個(gè)實(shí)例構(gòu)成，其中，實(shí)例101的流程序列為：Receiving Order（收到訂單）、Order Processing（訂單處理）、Goods Purchase（商品采購(gòu)）、Goods Inspection（商品驗(yàn)收）、Goods Warehousing（商品入庫(kù)）、Goods Store（商品儲(chǔ)存）。根據(jù)XES文件標(biāo)準(zhǔn)，事件20161116轉(zhuǎn)化為XES文件標(biāo)準(zhǔn)結(jié)構(gòu)相應(yīng)算法如圖1所示。

1.2 過程挖掘的常見視角

過程挖掘應(yīng)用到很多的分析技術(shù)，根據(jù)其分析目的，大致可以將其劃分為4類挖掘視角[18]。

1）控制流視角。此類挖掘主要對(duì)構(gòu)成流程的各活動(dòng)之間的順序，即控制流進(jìn)行挖掘，是最常見的挖掘視角?？刂屏饕暯峭诰蚴菍?duì)控制流數(shù)據(jù)進(jìn)行挖掘，主要是找到一個(gè)能對(duì)所有活動(dòng)軌跡進(jìn)行最恰當(dāng)描述的過程模型。

2）組織視角。此類挖掘主要是對(duì)包含在事件日志中的執(zhí)行者信息進(jìn)行挖掘，從中發(fā)現(xiàn)各執(zhí)行者間的關(guān)系。組織視角挖掘能夠?qū)I(yè)務(wù)流程參與的人員、角色、組織等進(jìn)行分類分析，構(gòu)造組織模型，從中發(fā)現(xiàn)參與者之間的合作關(guān)系或社會(huì)網(wǎng)絡(luò)。

3）實(shí)例視角。此類挖掘主要是關(guān)注實(shí)例屬性特征。實(shí)例視角挖掘能夠?qū)?shí)例進(jìn)行挖掘，按照實(shí)例的執(zhí)行路徑或執(zhí)行者的屬性來對(duì)實(shí)例進(jìn)行描述，從中找出對(duì)決策產(chǎn)生影響的活動(dòng)相關(guān)信息，為組織優(yōu)化流程提供決策支持。

4）時(shí)間視角。此類挖掘主要是對(duì)事件日志中的時(shí)間數(shù)據(jù)進(jìn)行挖掘。時(shí)間視角挖掘的對(duì)象主要是事件日志中的時(shí)間戳數(shù)據(jù)，從而能夠找到業(yè)務(wù)流程在時(shí)間處理上的規(guī)律性，提升業(yè)務(wù)流程的時(shí)間效率。

2 基于過程挖掘的物流流程信息智能分析的框架

現(xiàn)在，過程挖掘已在醫(yī)療、電信、金融、政府等領(lǐng)域的流程優(yōu)化中得到了初步應(yīng)用[19]。一系列具有不同作用與功能業(yè)務(wù)組成的活動(dòng)構(gòu)成流程。因此，物流流程就是為了滿足客戶的需求而實(shí)現(xiàn)的商品流動(dòng)中，一系列具有不同作用與功能業(yè)務(wù)組成的活動(dòng)。這些物流流程，均以相應(yīng)的活動(dòng)信息保存在物流信息系統(tǒng)中，構(gòu)成特定的物流流程信息。結(jié)合過程挖掘的基本原理，構(gòu)建的基于過程挖掘的物流流程信息智能分析框架如圖2所示。

從圖2可以看出，基于過程挖掘的物流流程信息智能分析，主要任務(wù)功能包含以下3個(gè)方面：

2.1 發(fā)現(xiàn)物流流程中的循環(huán)模式

雖然物流流程在不同場(chǎng)景中會(huì)有差異，但在長(zhǎng)期發(fā)展過程中，一個(gè)企業(yè)總會(huì)面對(duì)“相似”的情景，并形成相對(duì)穩(wěn)定、優(yōu)化的物流流程。發(fā)現(xiàn)物流流程中的循環(huán)模式就是要通過對(duì)物流流程信息的挖掘，找出高效優(yōu)質(zhì)的物流流程。

流程發(fā)現(xiàn)與可視化技術(shù)是發(fā)現(xiàn)物流流程中的循環(huán)模式比較有效的方法。例如α算法、α++算法、模糊算法、啟發(fā)式算法等流程發(fā)現(xiàn)技術(shù)[20]，都可以用來從現(xiàn)有物流流程信息中挖掘得到相應(yīng)的模式。在得到相應(yīng)模式的基礎(chǔ)上，融入頻率測(cè)算技術(shù)與依賴性測(cè)量技術(shù)，就能從現(xiàn)有流程模式中發(fā)現(xiàn)最通用和最值得信任的實(shí)現(xiàn)物流流程的活動(dòng)序列。與流程發(fā)現(xiàn)技術(shù)聚集于流程利益相比，流程可視化技術(shù)則更多地聚集于流程運(yùn)行本身，從而發(fā)現(xiàn)物流流程在真實(shí)的場(chǎng)景中如何運(yùn)作。比較常見的流程可視化技術(shù)包括性能時(shí)序圖分析（Performance Sequence Diagram Analysis）、任務(wù)發(fā)起人矩陣（Originator-by-task Matrix）、社會(huì)網(wǎng)絡(luò)挖掘（Social Network Miner）和瓶頸分析（Bottleneck Analysis）[21]。endprint

2.2 分析與表征物流流程變量

一個(gè)企業(yè)的物流流程受到多種因素的影響（如商品品類、數(shù)量、金額、人員、運(yùn)輸能力、管理水平等）并呈現(xiàn)出不同的特征。通過對(duì)物流流程變量的界定并明確每一變量的因素組合，可以有效降低物流流程的不確定性。通過對(duì)比每一特定的物流業(yè)務(wù)的相關(guān)條件與表征物流流程變量的因素，分析人員能夠識(shí)別出最佳的物流業(yè)務(wù)活動(dòng)。

為有效識(shí)別新的物流流程變量，可以采用以下步驟：第一，對(duì)隱藏在物流數(shù)據(jù)中的因素做相關(guān)性分析，在發(fā)現(xiàn)重要因素的相關(guān)性之后，物流軌跡將被有效過濾，并將流程變量常見特征文檔化；第二，利用軌跡聚類技術(shù)來對(duì)文檔化流程軌跡進(jìn)行聚類，然后分析每一聚類結(jié)果的相關(guān)要素[22]；最后，分析人員根據(jù)聚類結(jié)果提出感興趣的物流流程變量要素組合，作為物流流程優(yōu)化的首選考慮因素。

2.3 識(shí)別與分析反常實(shí)例或不良物流事件

在物流實(shí)際運(yùn)行中，由于存在干擾行為或其他日常問題，所產(chǎn)生的流程實(shí)例可能存在不連貫的情況，導(dǎo)致日志的殘缺，從而形成反常實(shí)例。同時(shí)，由于實(shí)際物流流程的重復(fù)執(zhí)行或流程實(shí)例存在著相似屬性，會(huì)出現(xiàn)重疊的流程執(zhí)行路徑，從而產(chǎn)生冗余的重疊的信息，形成不良物流事件。發(fā)現(xiàn)反常實(shí)例與不良物流事件主要可以采用以下技術(shù)：一致性檢驗(yàn)、Delta分析技術(shù)、基于規(guī)則的屬性驗(yàn)證技術(shù)。

一致性檢驗(yàn)技術(shù)和Delta分析技術(shù)主要是用來檢測(cè)一個(gè)分析得到的物流流程模型與實(shí)際物流流程之間的不一致情況。在與實(shí)際物流流程比較中，這兩種技術(shù)也存在一些差異：一致性檢驗(yàn)技術(shù)以事件日志為分析源；Delta分析技術(shù)以衍生過程模型為分析源。這兩種技術(shù)都能對(duì)物流流程模型的偏差進(jìn)行深度分析，并判斷模型與事件日志的契合度，來檢查流程環(huán)節(jié)是否存在反常實(shí)例或不良物流事件。

基于規(guī)則的屬性驗(yàn)證技術(shù)能夠在專家知識(shí)、操作指南和最佳實(shí)踐的支撐下，在開源過程挖掘工具ProM（Programmable Read-Only Memory，可編程只讀存儲(chǔ)器）中實(shí)現(xiàn)相應(yīng)的算法，如線性時(shí)序邏輯（Linear Temporary Logic，LTL）檢測(cè)算法、語(yǔ)義LTL檢測(cè)算法、SCIFF檢測(cè)算法、結(jié)構(gòu)化CLIMB規(guī)則算法，為特定問題的確認(rèn)提供幫助。例如，分析人員可用此方法對(duì)物流業(yè)務(wù)咨詢、任務(wù)分配、特定活動(dòng)預(yù)處理等方面的結(jié)果進(jìn)行檢查。

3 基于過程挖掘的物流流程信息智能分析的過程

基于過程挖掘的物流信息智能分析過程由7個(gè)獨(dú)立的階段構(gòu)成，如表2所示。

從表2可以看出，上文提出的3個(gè)應(yīng)用，將在解釋性流程分析階段和高級(jí)流程分析階段來體現(xiàn)。發(fā)現(xiàn)物流流程中的循環(huán)模式與變量適合在解釋性分析階段，識(shí)別與分析反常實(shí)例或不良物流事件在高級(jí)分析階段更適合。對(duì)于反常實(shí)例和事件的識(shí)別與分析可以直接為未來物流流程的提升與完善提供建議。

1）項(xiàng)目定義與事件日志抽取。一般來說，物流信息智能分析均始于對(duì)項(xiàng)目定義。分析人員和參與的專家都要認(rèn)定物流范圍、時(shí)間節(jié)點(diǎn)和實(shí)踐問題。物流范圍越大，需要分析的內(nèi)容就越多，因而分析模型也就越復(fù)雜。時(shí)間節(jié)點(diǎn)的選擇對(duì)于事件日志會(huì)產(chǎn)生影響，例如，如果時(shí)間節(jié)點(diǎn)范圍過廣而最近的物流實(shí)踐變化就會(huì)變得無關(guān)緊要。在完成項(xiàng)目定義之后，就要確定事件來源。目前，隨著信息技術(shù)的普及與應(yīng)用，物流公司建立了相應(yīng)的物流管理系統(tǒng)，并以事件日志的形式保存。在實(shí)現(xiàn)物流信息智能分析中，需要整合來自不同系統(tǒng)的事件日志。需要注意的是，源自不同來源的事件間的聯(lián)系會(huì)對(duì)同一路徑實(shí)例的分析帶來挑戰(zhàn)，而構(gòu)建事件日志的核心挑戰(zhàn)是選擇事件的屬性。屬性選擇過少，會(huì)降低分析的質(zhì)量；而屬性選擇過多，則會(huì)嚴(yán)重降低過程挖掘工具的績(jī)效。

2）事件日志預(yù)處理。該階段的首要工作就是選擇合適的事件日志格式（如MXML格式或XES格式），采用Nitro、Disco、XESame等數(shù)據(jù)預(yù)處理工具，將抽取到的事件日志轉(zhuǎn)化為標(biāo)準(zhǔn)化的事件日志格式。另外，由于業(yè)務(wù)實(shí)例的相似屬性和實(shí)際流程的重復(fù)執(zhí)行，將在一個(gè)特定流程實(shí)例中出現(xiàn)重復(fù)注冊(cè)多次的事件日志，因此，需要過濾重復(fù)的數(shù)據(jù)和噪音。第二階段以事件日志一些特殊操作結(jié)束。這些操作包括個(gè)人信息加密、活動(dòng)分組等。

3）視角選擇。物流流程視角選擇，是提升分析模型與結(jié)果可理解性和聚焦性的基礎(chǔ)。針對(duì)物流流程用戶的視角，可以將物流流程識(shí)別出4個(gè)獨(dú)立的視角，包括入庫(kù)、存儲(chǔ)、出庫(kù)、運(yùn)輸，這些視角也看成物流流程的核心要素。一旦選定了視角，就可以實(shí)施相應(yīng)的過濾操作，分析人員同時(shí)需要識(shí)別與描述潛在的信息丟失、提供處理信息的方案。如果在項(xiàng)目定義階段就描述了多視角分析的目標(biāo)，將非常有必要執(zhí)行此階段的工作，而下一階段的分析就更具針對(duì)性。

4）解釋性流程分析。構(gòu)建事件日志和選擇分析視角之后，接下來的階段是解釋性流程分析。大量的流程挖掘技術(shù)可用于功能分析、過程分析、組織分析和數(shù)據(jù)分析。

5）物流實(shí)踐確認(rèn)。物流專家可以對(duì)解釋性流程分析的結(jié)果進(jìn)行討論，并根據(jù)物流操作指南、當(dāng)前環(huán)境等進(jìn)行評(píng)價(jià)。如果專家認(rèn)為分析結(jié)果是適用的與有價(jià)值的，則結(jié)束第5個(gè)階段并形成外化結(jié)果。

6）高級(jí)分析。第六階段主要是進(jìn)行高級(jí)分析與目標(biāo)驅(qū)動(dòng)分析。效率分析一般包括瓶頸識(shí)別、物流周期、績(jī)效分析與比較。質(zhì)量與一致性分析可能包括物流規(guī)則的評(píng)估、一致性分析和不良事件及原因分析。如果項(xiàng)目定義僅僅是對(duì)物流流程進(jìn)行一致性分析來判斷與預(yù)先設(shè)置的流程是否一致，則階段三、四和五可以略過。

7）物流流程優(yōu)化。理想狀態(tài)的話，物流信息智能分析能夠?yàn)槲锪髁鞒虄?yōu)化提供建議，如設(shè)置合理的配送路徑、提高配送工具的利用率、制定科學(xué)的配送計(jì)劃、提高貨物出庫(kù)效率、保障貨物交貨時(shí)間、降低物流配送成本等。

上述7個(gè)階段，也可以用圖3來表示。7個(gè)階段可以重組為3大類：定義及事件日志搜集活動(dòng)、流程分析活動(dòng)、流程提升活動(dòng)。

4 基于過程挖掘的物流流程信息智能分析的特點(diǎn)endprint

雖然有很多方法能夠?qū)ξ锪鞑僮鬟^程進(jìn)行分析，比如觀察法、仿真法和專家訪談法，但這些方法都受到相關(guān)因素的嚴(yán)格限制，例如專家訪談法就難以發(fā)現(xiàn)專家的隱性知識(shí)，進(jìn)而影響物流流程分析效果。通過對(duì)物流流程信息構(gòu)成的事件日志進(jìn)行軌跡跟蹤，基于過程挖掘的分析方法能夠?qū)崿F(xiàn)對(duì)物流流程的深入分析。

基于過程挖掘的物流流程信息智能分析的目標(biāo)是對(duì)事件日志子集進(jìn)行集中分析以實(shí)現(xiàn)上文所說的3個(gè)方面的應(yīng)用。該方法能夠?qū)崿F(xiàn)挖掘項(xiàng)目定義、數(shù)據(jù)抽取與預(yù)處理、挖掘分析、對(duì)于未來流程優(yōu)化的啟示等?；谶^程挖掘的物流流程信息智能分析方法具有以下特點(diǎn)：1）過程挖掘技術(shù)非常適用于綜合化流程數(shù)據(jù)/信息，無論是挖掘項(xiàng)目定義、數(shù)據(jù)抽取與預(yù)處理、挖掘分析還是為流程優(yōu)化提供啟示等；2）需要充分發(fā)揮分析者與物流領(lǐng)域?qū)＜业南嗷プ饔茫瑢?shí)現(xiàn)分析結(jié)果的高可信度；3）為了得到有意義的分析結(jié)果，該方法需要結(jié)合物流流程的相關(guān)要素（如運(yùn)輸、包裝、配送等）；4）該方法既可用于需求趨動(dòng)的環(huán)境，也可用于創(chuàng)造新知識(shí)。

5 結(jié)束語(yǔ)

物流被認(rèn)為是一個(gè)以人為本的 、靈活的、復(fù)雜的和多維的行業(yè)，要對(duì)物流流程進(jìn)行動(dòng)態(tài)掌握與優(yōu)化，是一個(gè)非常難的工作。本文基于過程挖掘的基本原理，融合物流流程信息，構(gòu)建了基于過程挖掘的物流流程信息智能分析框架，并探討了該框架的實(shí)現(xiàn)過程，為同類研究提供了一個(gè)可行的思路。不過，以過程挖掘技術(shù)來進(jìn)行高質(zhì)量、智能化的物流流程信息分析，還需要特別注意以下事項(xiàng)：1）事件日志質(zhì)量。物流信息系統(tǒng)的事件日志必須如實(shí)反映事件，防止任何的數(shù)據(jù)篡改，確保事件記錄的時(shí)效性與精準(zhǔn)性。2）物流實(shí)踐確認(rèn)。哪怕物流指南存在瑕疵，也要根據(jù)知識(shí)庫(kù)或當(dāng)前的場(chǎng)景調(diào)整過來。3）假設(shè)的完整性。所有的行為都完整地保存在事件日志中這一假設(shè)的完整性，在相應(yīng)的物流實(shí)踐場(chǎng)景中很容易受到挑戰(zhàn)。因此，分析人員需要認(rèn)真選擇時(shí)間范圍和事件來源。

參考文獻(xiàn)

[1]曹永芬，曾憲鳳.基于供應(yīng)鏈的企業(yè)物流管理流程創(chuàng)新研究[J].物流技術(shù)，2014，（1）：41-43.

[2]Pietro Romano .Co-ordination and integration mechanisms to manage logistics processes across supply networks[J].Journal of Purchasing & Supply Management，2003，9（3）：119–134.

[3]Harry K.H.Chow，et al.A dynamic logistics process knowledge-based system – An RFID multi-agent approach[J].Knowledge-Based Systems，2007，20（4）：357-372.

[4]C.K.M.Lee，et al.Design and development of logistics workflow systems for demand management with RFID[J].Expert Systems with Applications，2011，38（38）：5428-5437.

[5]William Wilcox，et al.A Markov model of liquidity effects in reverse logistics processes：The effects of random volume and passage[J].International Journal of Production Economics，2011，129（1）：86-101.

[6]Edgar H.Alfonso-Lizarazo，et al.Modeling reverse logistics process in the agro-industrial sector：The case of the palm oil supply chain[J].Applied Mathematical Modelling，2013，37（23）：9652-9664.

[7]EwaKulińska，et al.Improvement of functionality of logistics processes in a selected public road transport company[J].Procedia-Social and Behavioral Sciences，2014，151（1）：172-182.

[8]Riska Asriana Sutrisnowati，et al.Bayesian network construction from event log for lateness analysis in port logistics[J].Computers & Industrial Engineering，2015，89（c）：53-66.

[9]Dino Knoll，et al.Predicting Future Inbound Logistics Processes using Machine Learning[J].Procedia CIRP，2016，52（1）：145-150.

[10]Christian Küber，et al.Planning method for the design of flexible as well as economic assembly and logistics processes in the automotive industry[J].Procedia CIRP，2016，41（1）：556-561.endprint

[11]張夕.基于BPR的可視化電力物流核心業(yè)務(wù)流程再造研究[J].物流技術(shù)，2013，（3）：109-111.

[12]張涵躍，張海峰，殷青.基于Petri網(wǎng)的物流集散中心處理流程優(yōu)化研究[J].物流技術(shù)，2014，（10）：171-173.

[13]楊瑋，高賀云，李丹.基于多色集合的冷鏈物流倉(cāng)儲(chǔ)流程優(yōu)化[J].計(jì)算機(jī)工程與科學(xué)，2015，（10）：1890-1898.

[14]楊瑋，楊超群，杜雨瀟，等.基于Flexsim的某醫(yī)藥物流中心揀貨流程優(yōu)化研究[J].包裝工程，2016，（3）：130-137.

[15]Agrawal R，Gunopulos D，Leymamn F. Mining process models from workflow logs.Proc.of the 6th Int.Conf.on Extending Database Technology （EDBT），Valencia Spain，Expanded version available as IBM Research Report，1998：469-483.

[16]Van Der Aalst WMP，Weijters T.，MarusterL.Workflow mining：discovering process models from event logs[J]. IEEE Transactions on Knowledge and Data Engineering，2004，16 （9）：1128-1142.

[17]Van der Aalst WMP，Reijers HA，Weijters AJMM，et al. Business process mining：An industrial application[J].Information Systems，2007，32（5）：713-732.

[18]VAN DER AALST WMP. Process mining；discovery，Conformance and enhancement o1 business processes[M].Berlin Germany：Springer-Verlag，2011.

[19]Goeder Tier S，De W J，Martens D，et al.Process discovery in event logs：an application in the telecom industry[J].Applied soft computing，2011，11（2）：1697-1710.

[20]Li J，Liu D，Yang B.Process mining：Extendingα-algorithm tomine duplicate tasks in process logs[J].Lecture Notes in Computer Science，2007，4537：396-407.

[21]Van der Aalst，W.M.P..Challenges in business processanalysis[J].Springer Berlin Heidelberg，2007，（12）：27-42.

[22]Bose，R.and van der Aalst，W.M.P..Processdiagnostics using trace alignment：opportunities，issuesand challenges[J].Information Systems，2012，37（2）：117-141.endprint