专利名称：面向第三方物流的关键客户的融合式数据处理方法及系统的制作方法
技术领域：
本发明涉及一种面向第三方物流的关键客户的融合式数据处理方法及系统。
背景技术：
“客户就是上帝”，这对服务行业而言，算得上是一种行规，而对于第三方物流业而言，则更加贴切。第三方物流是为客户提供仓储、配送、物流加工等服务，一切业务都是以客户为中心开展的。因此，客户对第三方物流公司的重要性不言而明。
企业的资源总是有限的，所能服务的客户也是有限的，如何让有限的资源发挥最大的作用，服务于更多的客户，产生最大的价值呢？因而需要有针对性的服务于不同的客户，采用不同的策略，保持利润大的客户、发掘有发展潜力的客户、开拓新的有价值的客户等。而实施这些策略的基础就是关键客户决策技术。
关键客户决策技术的实施，将企业所有的客户按照客户行为及业务记录划分为不同级别的客户，关键客户、潜在客户、一般客户等。在客户分类基础上，企业就可以根据自身的实力和经营目标制订出相应的服务和管理策略，为不同用户提供有针对性的服务，从而提高企业的资源利用率，降低相关的经营成本，提升企业的综合竞争力，在激烈的市场竞争中能够立于不败之地。
第三方物流企业的客户与一般的客户又有所区别，不能仅仅从客户的营业额判断用户的重要性，需要考虑许多相关的因素，综合得到客户的价值。
目前，虽然有很多的学者和研究人员致力于决策方法的研究，并取得了一定的成果，但也还存在一定的问题或缺陷(1)企业目前应用的决策支持系统虽然都有方法库，而且有多种决策方法可供选择(如统计分析、预测分析、聚类、神经网络等)，但在决策时仅仅选择其中的一种方法用于决策，该方法得到的结果就是决策结论，方法库中其它不同的方法也仅仅是用于方法间的比较。而且大部分研究人员进行的研究也集中在单种方法决策效率和性能的提高，少有系统考虑同时将多种方法同时用于决策。
(2)每种决策方法都有自身的特点和优势，同时也就意味着每种方法都有各自的缺点，因此，采用单种方法进行决策时，不可避免的就会存在某种劣势和不足，对所有的决策信息和数据也不可能完全充分的利用，得到的决策结果也必将有所不足。
(3)对于信息不完整或部分残缺的数据，普通的方法在决策时往往显得无能为力，不能进行决策或者决策的结果与实际相差甚远。而在实际的企业应用当中，由于信息系统建设起步较晚、数据备份不完善、业务员操作时不熟悉等原因，导致系统中的数据对于决策而言不够充分。现有的方法对此问题的处理结果也不太理想。
发明内容为了克服已有的第三方物流系统中的方法只能单独对关键客户进行决策，不能采用多种方法同时综合决策，决策结果可靠性差，不能有效处理不完整信息的不足，本发明提供一种融合多种决策方法、决策结果可靠性强、能够有效处理不完整信息的面向第三方物流的关键客户的融合式数据处理方法及系统。
本发明解决其技术问题所采用的技术方案是一种面向第三方物流的关键客户的融合式数据处理方法，所述的方法包括以下步骤(1)、从第三方物流的管理信息系统中取出与关键客户决策相关的数据，并进行数据清洗、转换、抽取，得到所需的原始数据；(2)、依次通过不同的单项决策方法对原始数据进行评价，分别得到仓储决策因子Ds、运输决策因子Dt和经营收入决策因子Di；(3)、对得到的单项决策结果，采用改进的D-S证据算法，将多个结果融合成最终的决策结果，得到客户评价因子，参见公式(1)设m1，m2，m3所对应的证据集为F1，F2，F3，并设证据集两证据i和j之间的冲突大小为kij，则 其中1≤i，j≤3，F1，F2，F3为多个证据，分别由统计、预测和聚类方法产生A1、A2、A3分别表示每种方法得到的Ds、Dt、Di，mi(Ai)为证据i对该证据为关键客户的支持程度， 表示所有证据之间的总体冲突程度，ε表示证据总体的可信度，ξ(A)， 定义为计算公式，用于最后的关键客户支持度计算，m(A)为最终客户为关键客户的支持度，m(Φ)为最终客户不是关键客户的支持度，m(X)为最终客户不能确定是否为关键客户的支持度；
(4)、根据客户评价因子，从第三方物流的知识库中取出相应的关键因子进行匹配，如客户评价因子大于关键因子，判断为关键客户。
进一步，所述的单项决策方法包括统计方法、预测方法、聚类方法，所述的(2)包括(2.1)、用统计的方法从第三方物流信息中取得客户决策所需要的仓储决策因子、运输决策因子和经营收入决策因子的相应指标，再计算出对应的仓储决策因子Ds1、运输决策因子Dt1和经营收入决策因子Di1；(2.2)、从第三方物流的数据库中取出客户一段时间内的历史数据，采用季节性时间序列预测方法对客户在未来一段时间内的相关决策指标进行预测，计算出客户相关的仓储决策因子Ds2、运输决策因子Dt2和经营收入决策因子Di2；(2.3)、根据从数据库中取出客户一段时间的数据，计算出客户的仓储决策因子、运输决策因子、经营收入决策因子的相应指标，并按照所述指标进行聚类分析，设定每类客户相应的仓储决策因子Ds3、运输决策因子Dt3和经营收入决策因子Di3。
再进一步，在所述的(2)中，所述的仓储决策因子Ds的指标包括客户的所用仓库面积、进出库总量、进出库次数、货物季节性特点；所述的运输决策因子Dt的指标包括配送客户数、配送量、配送次数；所述的经营收入决策因子Di的指标包括仓租费、运输费、装卸费、加工费。
更进一步，所述的(2.3)中，将客户分成五个大类，并按类间平均值的大小依次设定为黄金客户、白银客户、潜在客户、一般客户、可放弃客户。
所述的方法还包括(5)、将决策结果通过显示装置显示。
一种实现所述的面向第三方物流的关键客户的融合式数据处理方法的系统，所述的系统包括用于从第三方物流的管理信息系统中取得原始数据的数据层、用于将单向决策结果进行融合的融合层、用于将融合层的结果输出并给出评价结果的结果层；所述的数据层包括原始数据子层，用于对原始数据的清洗、转换、抽取；单项决策方法子层，用于对原始数据子层提供的原始数据采用一种单项决策的方法，得到客户的仓储决策因子Ds、运输决策因子Dt和经营收入决策因子Di；所述的融合层包括融合引擎和融合算法库组成，融合算法库是各种信息融合算法的集合；融合引擎是从融合算法库中调用相关的算法，对多个单种决策方法得到的决策结果进行融合，得到客户评价因子，采用的融合算法是改进的D-S证据算法，参见公式(1)设m1，m2，m3所对应的证据集为F1，F2，F3，并设证据集两证据i和j之间的冲突大小为kij，则 其中1≤i，j≤3，F1，F2，F3为多个证据，分别由统计、预测和聚类方法产生A1、A2、A3分别表示每种方法得到的Ds、Dt、Di，mi(Ai)为证据i对该证据为关键客户的支持程度，
表示所有证据之间的总体冲突程度，ε表示证据总体的可信度，ξ(A)， 定义为计算公式，用于最后的关键客户支持度计算，m(A)为最终客户为关键客户的支持度，m(Φ)为最终客户不是关键客户的支持度，m(X)为最终客户不能确定是否为关键客户的支持度；所述的结果层将融合层的结果输出，从第三方物流的知识库中取出相应的关键因子进行匹配，如客户评价因子大于关键因子，判断为关键客户。
进一步，所述的单项决策方法子层包括统计决策模块，用统计的方法从第三方物流信息中取得客户决策所需要的仓储决策因子、运输决策因子和经营收入决策因子的相应指标，再计算出对应的仓储决策因子Ds1、运输决策因子Dt1和经营收入决策因子Di1；预测决策模块，用于从第三方物流的数据库中取出客户一段时间内的历史数掘，采用季节性时间序列预测方法对客户在未来一段时间内的相关决策指标进行预测，计算出客户相关的仓储决策因子Ds2、小运输决策因子Dt2和经营收入决策因子Di2；聚类决策模块，用于根据从数据库中取出客户一段时间的数据，计算出客户的仓储决策因子、运输决策因子、经营收入决策因子的相应指标，并按照所述指标进行聚类分析，设定每类客户相应的仓储决策因子Ds3、运输决策因子Dt3和经营收入决策因子Di3。
再进一步，所述的系统还包括显示装置，所述的结果层的输出连接所述显示装置。
本发明的工作原理是融合层中的决策融合器主要由融合引擎和融合算法库组成。融合算法库是各种信息融合算法的集合；融合引擎则是从融合算法库中调用相关的算法，对多个单种决策方法得到的决策结果进行融合，得到最终的决策结果。本发明采用的融合算法是改进的D-S证据理论方法。
D-S证据理论是由Dempster提出，经Shafer所发展的一种推理方法，它在贝叶斯理论的基础上提出了“不确定性”、“未知”等认知学上的概念，解决了人在认识事物时的不确定性表示。在此基础上，D-S证据理论能够模拟人从多个角度认识事物，将多个源证据进行合成，得到最终的结果。这样有利于充分地认识事物，在某个证据不足或出错时，还能纠正错误，解决冲突，得到有效而且可靠的结果。
改进的D-S证据理论的证据合成公式，其原理分析为设m1，m2，…，mn所对应的证据集为F1，F2，…，Fn，并设证据集i和j之间的冲突大小为kij，则kij=ΣAi∩Aj=ΦAi∈FiAj∈Fjmi(Ai)mj(Aj)···(3)]]>定义证据的可信度εϵ=e-k~]]>k~=1n(n-1)/2Σi<jkij,i,j≤n···(4)]]>其中n为证据源的个数， 是n个证据集中每对证据集冲突kij总和的平均，用于反映证据两两之间的冲突程度。ε反映证据的可信度，它是 的减函数，随着 的增大而减少，也就是当证据之间的冲突增大时，证据的可信度将降低。
定义ξ(A)=ΣAi∈Fi∩i=1nAi=Am1(A1)m2(A2)···mn(An)···(5)]]>ζ(A)=1nΣi=1nmi(A)]]>则新的合成公式如下
m(Φ)＝0m(A)=ξ(A)+k*ϵ*ζ(A),A≠Φ,X···(6)]]>m(X)=ξ(X)+k*ϵ*ζ(X)+k(1-ϵ)]]>其中合成公式的m(A)又可以写成m(A)=(1-k)ξ(A)1-k+k*ϵ*ζ(A)···(7)]]>可以发现，合成公式(7)第一项的 正是D-S证据理论的合成公式。因此，新的合成公式实际上是一个加权和的形式，1-k和k是加权系数。当k较小时，即证据冲突较小，公式(7)中的第一项起主要作用，合成结果近似于D-S合成的结果。当k＝0时，新的合成公式等同于D-S合成公式；当k→1时，即证据高度冲突，合成结果将主要由公式(7)的第二项决定。ε为证据的可信度。 为证据对A的平均支持度，因此，对于高度冲突的证据，其合成结果将主要由证据可信度ε和证据平均支持度 的乘积决定。
如果用于决策融合的方法中有某种方法数据部分残缺，那么在融合决策时对最终的决策结果影响也不会太大，因为尽管该种决策方法得到的决策结果有些偏差，但其余的方法得到的决策结果依然有效；而采用改进冲突的D-S证据理论能较好地解决证据之间的冲突问题，将有问题或不正确证据的可信度降低，同时将其它有效证据的可信度提高，这样，得到的最终决策结果受不可信证据的影响不大，结果依然准确有效。因此，该种方法对部分残缺的数据决策依然可行。
本发明的有益效果主要表现在1、融合多种方法，决策结果可靠性强；2、基于不完整数据也能够得到合理的决策结果。
图1是面向第三方物流的关键客户融合式决策系统的结构图。
图2是融合层的决策融合器的结构图。
图3是决策系统的决策过程的流程图。
图4是决策系统的实现过程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。
实施例1参照图1、图2、图3、图4，一种面向第三方物流的关键客户的融合式数据处理方法，所述的方法包括以下步骤(1)、从第三方物流的管理信息系统中取出与关键客户决策相关的数据，并进行数据清洗、转换、抽取，得到所需的原始数据；(2)、依次通过不同的单项决策方法对原始数据进行评价，分别得到仓储决策因子Ds、运输决策因子Dt和经营收入决策因子Di；(3)、对得到的单项决策结果，采用改进的D-S证据算法，将多个结果融合成最终的决策结果，得到客户评价因子，参见公式(1)设m1、m2，m3所对应的证据集为F1，F2，F3，并设证据集两证据i和j之间的冲突大小为kij，则
其中1≤i，j≤3，F1，F2，F3为多个证据，分别由统计、预测和聚类方法产生A1、A2、A3分别表示每种方法得到的Ds、Dt、Di，mi(Ai)为证据i对该证据为关键客户的支持程度， 表示所有证据之间的总体冲突程度，ε表示证据总体的可信度，ξ(A)， 定义为计算公式，用于最后的关键客户支持度计算，m(A)为最终客户为关键客户的支持度，m(Φ)为最终客户不是关键客户的支持度，m(X)为最终客户不能确定是否为关键客户的支持度；(4)、根据客户评价因子，从第三方物流的知识库中取出相应的关键因子进行匹配，如客户评价因子大于关键因子，判断为关键客户。
所述的单项决策方法包括统计方法、预测方法、聚类方法，所述的(2)包括(2.1)、用统计的方法从第三方物流信息中取得客户决策所需要的仓储决策因子、运输决策因子和经营收入决策因子的相应指标，再计算出对应的仓储决策因子Ds1、运输决策因子Dt1和经营收入决策因子Di1；(2.2)、从第三方物流的数据库中取出客户一段时间内的历史数据，采用季节性时间序列预测方法对客户在未来一段时间内的相关决策指标进行预测，计算出客户相关的仓储决策因子Ds2、运输决策因子Dt2和经营收入决策因子Di2；(2.3)、根据从数据库中取出客户一段时间的数据，计算出客户的仓储决策因子、运输决策因子、经营收入决策因子的相应指标，并按照所述指标进行聚类分析，设定每类客户相应的仓储决策因子Ds3、运输决策因子Dt3和经营收入决策因子Di3。
在所述的(2)中，所述的仓储决策因子Ds的指标包括客户的所用仓库面积、进出库总量、进出库次数、货物季节性特点；所述的运输决策因子Dt的指标包括配送客户数、配送量、配送次数；所述的经营收入决策因子Di的指标包括仓租费、运输费、装卸费、加工费，参见表1
表1所述的(2.3)中，将客户分成五个大类，并按类间平均值的大小依次设定为黄金客户、白银客户、潜在客户、一般客户、可放弃客户。所述的方法还包括(5)、将决策结果通过显示装置显示。
本实施例的决策过程是(1)用统计的方法从第三方物流信息系统中取得客户决策所需要的仓储决策因子、运输决策因子和经营收入决策因子的相应指标，如客户的所用仓库面积、进出货总量、进出货次数、配送客户数、仓租费等指标，再计算出对应的因子，
(2)从数据库中取出客户一段时间内的历史数据，采用季节性时间序列预测方法对客户在未来一段时间内的相关决策指标进行预测，进而计算出客户相关的仓储决策因子、运输决策因子和经营收入决策因子。
(3)根据从数据库中取出客户一段时间的数据，计算出客户的仓储决策因子、运输决策因子、经营收入决策因子，然后按照这些指标进行聚类分析，将客户细分成五个大类，并按类间平均值的大小依次设定为黄金客户、白银客户、潜在客户、一般客户、可放弃客户。为每类客户分配相应的仓储决策因子、运输决策因子、经营收入决策因子数值。
(4)根据统计、预测和聚类分析三种方法得到的客户仓储决策因子、运输决策因子和经营收入决策因子数值，采用改进冲突的D-S证据理论的融合器进行方法融合，最后得到最终的关键客户评价因子。
(5)根据融合器融合得到的关键客户评价因子，从知识库中取出相应的规则进行匹配，得到客户的最终评价结果及是否为关键客户。
(6)将相关的决策信息组织成合适的方式显示给决策用户，为用户提供决策支持参考。
实施例2参照图1、图2、图3、图4，一种面向第三方物流的关键客户的融合式数据处理系统，所述的系统包括用于从第三方物流的管理信息系统中取得原始数据的数据层、用于将单向决策结果进行融合的融合层、用于将融合层的结果输出并给出评价结果的结果层；所述的数据层包括原始数据子层，用于对原始数据的清洗、转换、抽取；单项决策方法子层，用于对原始数据子层提供的原始数据采用一种单项决策的方法，得到客户的仓储决策因子Ds、运输决策因子Dt和经营收入决策因子Di；所述的融合层包括决策融合器，决策融合器由融合引擎和融合算法库组成，融合算法库是各种信息融合算法的集合；融合引擎是从融合算法库中调用相关的算法，对多个单种决策方法得到的决策结果进行融合，得到客户评价因子，采用的融合算法是改进的D-S证据算法，参见公式(1)设m1，m2，m3所对应的证据集为F1，F2，F3，并设证据集两证据i和j之间的冲突大小为kij，则 其中1≤i，j≤3，F1，F2，F3为多个证据，分别由统计、预测和聚类方法产生A1、A2、A3分别表示每种方法得到的Ds、Dt、Di，mi(Ai)为证据i对该证据为关键客户的支持程度， 表示所有证据之间的总体冲突程度，ε表示证据总体的可信度，ξ(A)， 定义为计算公式，用于最后的关键客户支持度计算，m(A)为最终客户为关键客户的支持度，m(Φ)为最终客户不是关键客户的支持度，m(X)为最终客户不能确定是否为关键客户的支持度；
所述的结果层将融合层的结果输出，从第三方物流的知识库中取出相应的关键因子进行匹配，如客户评价因子大于关键因子，判断为关键客户。
所述的单项决策方法子层包括统计决策模块，用统计的方法从第三方物流信息中取得客户决策所需要的仓储决策因子、运输决策因子和经营收入决策因子的相应指标，再计算出对应的仓储决策因子Ds1、运输决策因子Dt1和经营收入决策因子Di1；预测决策模块，用于从第三方物流的数据库中取出客户一段时间内的历史数据，采用季节性时间序列预测方法对客户在未来一段时间内的相关决策指标进行预测，计算出客户相关的仓储决策因子Ds2、运输决策因子Dt2和经营收入决策因子Di2；聚类决策模块，用于根据从数据库中取出客户一段时间的数据，计算出客户的仓储决策因子、运输决策因子、经营收入决策因子的相应指标，并按照所述指标进行聚类分析，设定每类客户相应的仓储决策因子Ds3、运输决策因子Dt3和经营收入决策因子Di3。
所述的系统还包括显示装置，所述的结果层的输出连接所述显示装置。
本实施例的决策过程是融合式决策支持技术主要包括以下的步骤(1)在数据层，从第三方物流的管理信息系统中取出与关键客户决策相关的数据，并进行数据清洗、转换、抽取，为方法融合式的关键客户决策支持技术提供所需原始数据。
(2)提出决策需求。通过人机交互系统提出需要决策的问题和目标，并发送到决策融合器中。
(3)分解和处理决策需求。决策融合器对用户需求进行分析，确定决策目标后，决策模块从模型库中挑选合适的决策模型用于决策。
(4)决策方法求解。从模型库中得到解决问题的模型后，从方法库中选取相应的模型求解方法进行求解。为了得到准确的决策结果，可以采用多种方法进行求解。然后调用知识库的知识匹配模块，获取每种方法的关键客户评价因子。
(5)决策融合。对每种方法得到的关键客户评价因子，采用信息融合的方法，将各个因子进行融合，获得最终的决策结果。
(6)决策结果可视化。将最终的决策结果与评价规则库进行匹配，给出评价关键客户的结果，并返回给决策者。
权利要求
1.一种面向第三方物流的关键客户的融合式数据处理方法，所述的方法包括以下步骤(1)、从第三方物流的管理信息系统中取出与关键客户决策相关的数据，并进行数据清洗、转换、抽取，得到所需的原始数据；(2)、依次通过不同的单项决策方法对原始数据进行评价，分别得到仓储决策因子Ds、运输决策因子Dt和经营收入决策因子Di；(3)、对得到的单项决策结果，采用改进的D-S证据算法，将多个结果融合成最终的决策结果，得到客户评价因子，参见公式(1)设m1，m2，m3所对应的证据集为F1，F2，F3，并设证据集两证据i和j之间的冲突大小为Kij，则 其中1≤i，j≤3，F1，F2，F3为多个证据，分别由统计、预测和聚类方法产生A1、A2、A3分别表示每种方法得到的Ds、Dt、Di，mi(Ai)为证据i对该证据为关键客户的支持程度， 表示所有证据之间的总体冲突程度，ε表示证据总体的可信度，ξ(A)，ζ(A)定义为计算公式，用于最后的关键客户支持度计算，m(A)为最终客户为关键客户的支持度，m(Φ)为最终客户不是关键客户的支持度，m(X)为最终客户不能确定是否为关键客户的支持度；(4)、根据客户评价因子，从第三方物流的知识库中取出相应的关键因子进行匹配，如客户评价因子大于关键因子，判断为关键客户。
2.如权利要求1所述的面向第三方物流的关键客户的融合式数据处理方法，其特征在于所述的单项决策方法包括统计方法、预测方法、聚类方法，所述的(2)包括(2.1)、用统计的方法从第三方物流信息中取得客户决策所需要的仓储决策因子、运输决策因子和经营收入决策因子的相应指标，再计算出对应的仓储决策因子Ds1、运输决策因子Dt1和经营收入决策因子Di1；(2.2)、从第三方物流的数据库中取出客户一段时间内的历史数据，采用季节性时间序列预测方法对客户在未来一段时间内的相关决策指标进行预测，计算出客户相关的仓储决策因子Ds2、运输决策因子Dt2和经营收入决策因子Di2；(2.3)、根据从数据库中取出客户一段时间的数据，计算出客户的仓储决策因子、运输决策因子、经营收入决策因子的相应指标，并按照所述指标进行聚类分析，设定每类客户相应的仓储决策因子Ds3、运输决策因子Dt3和经营收入决策因子Di3。
3.如权利要求1或2所述的面向第三方物流的关键客户的融合式数据处理方法，其特征在于在所述的(2)中，所述的仓储决策因子Ds的指标包括客户的所用仓库面积、进出库总量、进出库次数、货物季节性特点；所述的运输决策因子D1的指标包括配送客户数、配送量、配送次数；所述的经营收入决策因子Di的指标包括仓租费、运输费、装卸费、加工费。
4.如权利要求2所述的面向第三方物流的关键客户的融合式数据处理方法，其特征在于所述的(2.3)中，将客户分成五个大类，并按类间平均值的大小依次设定为黄金客户、白银客户、潜在客户、一般客户、可放弃客户。
5.如权利要求1所述的面向第三方物流的关键客户的融合式数据处理方法，其特征在于所述的方法还包括(5)、将决策结果通过显示装置显示。
6.一种实现如权利要求1所述的面向第三方物流的关键客户的融合式数据处理方法的系统，其特征在于所述的系统包括用于从第三方物流的管理信息系统中取得原始数据的数据层、用于将单项决策结果进行融合的融合层、用于将融合层的结果输出并给出评价结果的结果层；所述的数据层包括原始数据子层，用于对原始数据的清洗、转换、抽取；单项决策方法子层，用于对原始数据子层提供的原始数据采用一种单项决策的方法，得到客户的仓储决策因子Ds、运输决策因子Dt和经营收入决策因子Di；所述的融合层包括融合引擎和融合算法库组成，融合算法库是各种信息融合算法的集合；融合引擎是从融合算法库中调用相关的算法，对多个单种决策方法得到的决策结果进行融合，得到客户评价因子，采用的融合算法是改进的D-S证据算法，参见公式(1)设m1，m2，m3所对应的证据集为F1，F2，F3，并设证据集两证据i和j之间的冲突大小为kij，则 其中1≤i，j≤3，F1，F2，F3为多个证据，分别由统计、预测和聚类方法产生A1、A2、A3分别表示每种方法得到的Ds、Dt、Di，mi(Ai)为证据i对该证据为关键客户的支持程度， 表示所有证据之间的总体冲突程度，ε表示证据总体的可信度，ξ(A)，ζ(A)定义为计算公式，用于最后的关键客户支持度计算，m(A)为最终客户为关键客户的支持度，m(Φ)为最终客户不是关键客户的支持度，m(X)为最终客户不能确定是否为关键客户的支持度；所述的结果层将融合层的结果输出，从第三方物流的知识库中取出相应的关键因子进行匹配，如客户评价因子大于关键因子，判断为关键客户。
7.如权利要求6所述的面向第三方物流的关键客户的融合式数据处理系统，其特征在于所述的单项决策方法子层包括统计决策模块，用统计的方法从第三方物流信息中取得客户决策所需要的仓储决策因子、运输决策因子和经营收入决策因子的相应指标，再计算出对应的仓储决策因子Ds1、运输决策因子Dt1和经营收入决策因子Di1；预测决策模块，用于从第三方物流的数据库中取出客户一段时间内的历史数据，采用季节性时间序列预测方法对客户在未来一段时间内的相关决策指标进行预测，计算出客户相关的仓储决策因子Ds2、运输决策因子Dt2和经营收入决策因子Di2；聚类决策模块，用于根据从数据库中取出客户一段时间的数据，计算出客户的仓储决策因子、运输决策因子、经营收入决策因子的相应指标，并按照所述指标进行聚类分析，设定每类客户相应的仓储决策因子Ds3、运输决策因子Dt3和经营收入决策因子Di3。
8.如权利要求6或7所述的面向第三方物流的关键客户的融合式数据处理系统，其特征在于所述的系统还包括显示装置，所述的结果层的输出连接所述显示装置。
全文摘要
一种面向第三方物流的关键客户的融合式数据处理方法，所述的方法包括以下步骤(1)从第三方物流的管理信息系统中取出与关键客户决策相关的数据，并进行数据清洗、转换、抽取，得到所需的原始数据；(2)依次通过不同的单项决策方法对原始数据进行评价，分别得到仓储决策因子D
文档编号G06Q10/08GK1818957SQ20061004978
公开日2006年8月16日 申请日期2006年3月10日 优先权日2006年3月10日
发明者董红召, 赵燕伟, 杨丰玉, 吴斌, 王景, 朱磊, 关斌 申请人:浙江工业大学