2018, Vol. 35
2. 广东韵为大数据技术咨询有限公司，广东 广州 510640
2. Guangdong Yunwei for Big Data Technology Consulting Limited Company, Guangzhou 510640, China
2012年的麦肯锡报告《大数据：创新、竞争和生产力的下一个领域》指出：当今世界的信息量已呈爆炸式增长，分析大型数据集（大数据）将成为竞争、引发新一轮生产力增长、创新及消费者剩余的关键基础之一[1]. 我国也高度重视大数据产业的发展，国内企业和学者展开各行业大数据的应用和研究[2-5].
交通运输企业在多年的信息化建设中积累了大量消费者的信息、生产调度信息及其他信息，而且随着社交媒体和物联网技术的发展，信息种类越来越多，信息量也越来越大. 交通运输企业希望快速挖掘这些海量数据蕴含的知识，提升企业竞争力和市场占有率，提高风险抵抗能力. 我国学者从不同的角度对运输行业的大数据应用进行分析，有学者从高速公路网运输量角度研究客运量与货运量的变化[6]；有学者从财务分析角度对公路客运集团如何运用大数据及大数据技术为企业管理层提供更为科学、精准的决策依据进行研究[7]；有学者从旅客满意度角度提出了基于云理论的公路客运服务旅客满意度测评方法，从而提高旅客满意度，增加公路客运企业综合竞争力[8]；有学者从数据可视化技术角度分析其在客运信息监测系统中的应用[9].
本文针对南方某地大型运输集团公司生产运营管理业务特点，构建基于大数据的生产运营决策系统. 该系统可以使管理者快速分析各业务部门的生产运营状态，并使决策者借助可视化功能强大的管理驾驶舱分析面向生产运营主题的多维数据集. 同时可在该系统上展开各种大数据分析应用，有效促进运输集团生产运营智能化水平.
1 运输集团公司业务需求分析该运输集团的经营宗旨是打造集旅客运输、高速公路服务、现代物流、商业地产、广告传媒于一身的综合性集团，主要业务为前3项. 旅客运输及配套业务是指该省省内、跨省及粤港跨境旅客运输和客货站场管理等经营业务. 高速公路服务为经营高速公路服务区相关配套服务. 物流服务是高速公路及其他大型基建项目的材料物流管理. 地产业务是利用自有地块开展地产业务. 广告业务运营以集团下属的高速公路广告资源为主. 地产和广告业务虽然规模还小，该集团从战略层面大力投资促进其发展，希望其成为集团收入和利润的重要增长点. 该集团的业务组成具体如图1所示.
|
图 1 运输集团业务组成 Figure 1 Transport group business composition |
在过去的信息化建设中，该集团建成了财务、审计、人力资源、安全生产、车辆技术、办公自动化、车辆维修、站务、车队、售票等业务管理子系统，信息化渗透到生产运营的各个环节，极大提高了生产管理效率. 但是由于该集团在信息化建设过程中缺乏整体规划，目前存在以下问题:
(1) 内部标准不统一. 由于业务和下属公司众多，内部标准不统一，数据未实行统一存储、统一格式和统一结构. 例如该运输集团的下属汽运单位都有各自的站务管理系统，站务管理系统的数据标准未统一，不利于联网统一售票，也不利于决策分析.
(2) 出现大量信息孤岛. 部分早期建设的信息化子系统各自独立开发，功能单一，造成大量信息孤岛，数据共享性差.
(3) 新技术的出现和普及应用对集团信息系统提出了新要求. 例如物联网技术可精准监控车辆的各种指标和运行状况，为司机提供更多信息辅助驾驶决策等[10].
(4) 大量异构数据不能快速地为管理层提供决策. 管理层需要将各业务系统抽取的基础数据进行汇总和分析，费时费力，不能满足快速变化的市场要求.
综上所述，该集团需要建设一个新的生产运营决策系统. 该系统以业务流程优化和信息共享为基本要求，优化完善原有信息化系统结构和组织体系，利用大数据平台快速提供准确和统一的数据，支撑业务与管理的纵横贯通，提高业务战略柔性和灵活性，随时适应市场的变化，提升企业生产运营的效率，为管理层提供决策支持.
2 基于大数据生产运营决策系统体系架构基于大数据生产运营决策系统包括决策分析层、职能管理层、资源共享层、业务运作层和资源层. 决策分析层作为运输集团的运营决策平台，需要凌驾于各应用系统之上进行建设. 决策分析层主要包括：全面风险管理系统、战略绩效管理系统、经营管理系统、全面预算管理系统以及决策支持系统. 职能管理层以对总部及下属单位的各职能管理部门的管理需求为建设目标，满足运输集团各职能部门的信息化管控的需求. 系统建设以总部职能部门的管理需求为主导，结合下属单位各职能部门需求进行统一建设. 资源共享层需要依托各业务板块的现有应用系统搭建资源整合的共享平台，以期实现业务板块内各区域资源以及跨业务板块的资源整合. 具体体系架构如图2所示.
|
图 2 系统体系架构 Figure 2 System architecture |
该系统采用SQLSERVER 2012数据库，基于JAVA平台，借助EOS（开发平台）、ESB（企业总线）、SMARTBI（报表工具）等工具支撑开发. 统一构建一个大数据平台，逐步实现“交通+互联网”和企业大数据战略目标，该平台包括3个子平台：企业数据资源管理平台、企业大数据应用平台、数据共享服务平台. 职能管理层和决策分析层打造4个核心应用系统：综合可视化系统、经营分析系统、报表管理系统、基础数据管理系统；业务运作层打造5个核心数据库：贴源数据库、业务报表数据库、业务专题数据库、服务应用数据库、公共资源数据库. 综合可视化系统中道路客运服务大数据分析展示如图3.
|
图 3 道路客运服务大数据分析 Figure 3 Big data analysis of road passenger service |
该系统以此为基础运用OLAP技术构建面向生产运营主题的多维度数据集，实现多维分析操作钻取、上卷、切片、切块和旋转处理. 从企业维度出发，可以按照“运输集团→客运子公司→客运站”层次钻取；从时间维度出发，可以按照“年→季→月→日→节假日”层次钻取；从指标维度出发，可以按照“主题→业务→指标”层次钻取. 多维数据集模型如图4所示.
|
图 4 生产运营多维数据集 Figure 4 Production and operation multidimensional dataset |
系统利用可视化功能强大的管理驾驶舱，增强多维数据分析的展现效果. 其中客运站驾驶舱效果如图5所示.
|
图 5 客运站驾驶舱效果图 Figure 5 Passenger station cockpit effect diagram |
(1) 以用户画像展开精准营销.
用户画像是根据用户社会属性、生活习惯和消费行为等信息而抽象出的标签化的用户模型[11]. 用户画像目的有两个：一是从业务场景出发，寻找目标客户；二是参考用户画像的信息，为用户设计产品或开展营销活动[12].
针对运输集团客运业务，根据旅客的基本属性、兴趣爱好、出行记录、消费记录、支付记录、投诉和建议记录、社交网络记录的信息，开展分类和分级，抽取典型特征，展开计算得到旅客用户个人画像和群体画像. 个人画像即每一个用户按照个人情况贴上个人专属的标签，便于一线营销人员或客服人员快速了解该用户特点，节约营销服务成本，提高用户服务满意度. 群体画像是按照某些条件标签在全体用户群筛选出特定的用户群，这些用户的个人画像就组成了群体画像. 群体画像便于针对不同的群体采取不同的营销策略.
该运输集团能够根据市场环境定期向不同的客户群推送优惠活动，以此通过票价优势获取更多的客户资源。通过信息化平台的智能计算，基于旅客的需求自动给出最优票价和最短路径的最优方案，便于旅客根据自身爱好选择。根据信息平台里旅客的偏好记录，对旅客进行分级服务管理、积分管理和便民服务，激励客户消费. 运输集团利用旅客用户画像可制定有针对性、精准的营销方案，提高产品竞争力，扩大运输集团客运业务在社会出行消费的占有率.
该运输集团拥有着庞大的网络资源：客运线路网络、站场网络、小件快运网络、便利店网络. 利用用户画像和整合的网络资源，可以促使旅客完成出客运业务外的“二次消费”，拓宽运输集团的市场. 随着生活水平提高，越来越多人追求更高品质更闲适的生活，居民旅游消费升级需求也日益增长，可利用客户的个人画像信息，推荐休闲旅游度假线路。客运站要扩大客运站的功能，增加旅游发车区, 同时引进旅行社进入客运站, 实现客运和旅游无缝对接。根据客户购票信息和个人画像，运输集团与第三方合作，为其智能推荐和提供目的地餐饮、住宿、出行、景点、文艺表演等个性化解决方案，也可智能推荐具有地方特色工艺品和土特产等，提供个性化产品定制，并通过小件快运网络覆盖，安全快捷地送货到家. 该集团利用微信公众号进行二次消费如图6所示.
|
图 6 微信公众号开展“二次消费” Figure 6 Second consumption by the WeChat public |
(2) 利用物联网大数据和智能算法，提高生产安全指标，降低生产运营成本.
安全生产是运输集团生产运营首要指标. 因为客运业务的服务对象就是人，任何时候和地点人的生命安全始终是最重要的. 中大型客车如果发生交通事故，极易群死群伤，所以运输集团将客运安全生产摆在首位. 统计资料显示主要的事故原因有：车辆自身存在设备故障；超载、超速、疲劳或酒后驾驶等驾驶员违规操作；乘客自身违规乘车. 超速行驶、酒后驾驶、疲劳驾驶仍然是导致交通事故多发的主要因素[10, 13].
利用物联网可以实时采集分析汽车、驾驶员、乘客的各种信息并导入大数据平台进行计算分析，可以有效地提高客运生产安全性. 针对驾驶员疲劳驾驶问题，每辆客车配置摄像头采集驾驶员的面部图像，通过嵌入式车载处理器分析这些实时图像，判断驾驶员的精神状态是否处于疲劳驾驶状态，将结果实时显示告知驾驶员[14]. 同样可以通过物联网技术自动检测驾驶员是否酒驾[15]. 运输集团通过无线网络收集驾驶员状态，根据驾驶员疲劳驾驶状态提醒或强制驾驶员休息，进行必要的人员紧急调度等，并将这些信息发送到车辆和驾驶员. 集团可以利用物联网实时采集车辆重要车况参数和故障信息，分发实时天气、路况、紧急故障处理等重要信息给车辆[10].
根据生产运营决策系统的车辆调度记录、维护和维修记录、油耗和违章记录等大数据，利用机器学习和智能计算, 以科学的方法策略有效地降低运营管理成本，提高车辆利用率，纠正司机不良驾驶习惯，降低车辆油耗. 例如，对客运运营数据进行聚类分析，划分出行热点路线和时间时段，以此作为旅客出行需求量大小的依据，进行灵活的发班模式来增大客运量，提高车辆运输效率，降低成本[16].
(3) 利用大数据进行上下游资源整合，发展优势附属产业.
该运输集团各种业务相对独立，没有进行合理的整合，众多业务内部关联没有发现和利用，例如客运业务和高速公路服务业务（商品零售、服务区管理、加油站管理）完全没有关联. 根据数据分析，当客运业务进入高峰期，高速公路服务业务也随之进入高峰期. 利用回归分析预测客运客流量与高速公路服务区客流量，增加服务区便利店各种商品的储备，增加服务人员的排班班次，增加客户消费品种，提高客户的满意度. 又如高速服务区的招商业务是该运输集团公司迫切需要解决的问题. 针对高速公路服务区这个相对封闭、快消费的特点，结合服务区的客户消费记录大数据，细化分析客户的实际需求，制定合理的租金方案和推广计划，提高服务区的招租率，达到商家和集团双赢.
4 结论南方某地大型运输集团业务众多，由于该集团早期信息化建设缺乏总体规划，缺乏统一标准，出现信息孤岛，无法适应新技术发展. 以业务流程优化和信息共享为基本要求，本文构建基于大数据运算集团生产运营决策系统，优化完善原有信息化系统结构和组织体系，利用大数据平台快速提供准确和统一的数据，支撑业务与管理的纵横贯通，为管理层进行生产运营提供决策支持.
同时，可通过展开各种大数据的应用，有效促进运输集团生产运营智能化水平。以用户画像展开精准营销，拓展“二次销售”，提高市场占有率；利用大数据和智能算法，提高生产安全指标，降低生产运营成本；利用大数据进行上下游资源整合，发展优势附属产业.
| [1] | MANYIKA J, CHUI M, BROWN B, et al. Bigdata: the next frontier for innovation, competition, andproductivity[R]. Las Vegas: The Mc Kinsey Global Institute, 2012. |
| [2] |
谢振东, 吴金成, 李之明, 等. 企业大数据能力的构建与培育研究[J].
广东工业大学学报, 2017, 34(3): 110-114.
XIE Z D, WU J C, LI Z M, et al. A study of construction and cultivation of big data capacity of enterprise[J]. Journal of Guangdong University of Technology, 2017, 34(3): 110-114. |
| [3] |
申琢. 基于云计算和大数据挖掘的矿山事故预警系统研究与设计[J].
中国煤炭, 2017, 43(12): 109-114.
SHEN Z. Study on early warning system of coal mine accidents basedon cloud computing and big data crunching platform[J]. China Coal, 2017, 43(12): 109-114. DOI: 10.3969/j.issn.1006-530X.2017.12.021. |
| [4] |
黄小庆, 陈颉, 田世明, 等. 电动汽车充电站规划、运行中的大数据集成应用[J].
电网技术, 2016, 40(3): 762-767.
HUANG X Q, CHEN J, TIAN S M, et al. Big data integration for optimal planning and operation of electric vehicle charging stations[J]. Power System Technology, 2016, 40(3): 762-767. |
| [5] |
杜汉昌, 丁磊, 冯永晋. 面向零售业的大数据商业智能系统研究[J].
广东工业大学学报, 2014, 31(4): 41-45.
DU H C, DING L, FENG Y J. Research on business intelligence system with the big data for retail industry[J]. Journal of Guangdong University of Technology, 2014, 31(4): 41-45. |
| [6] |
肖润谋, 李彬, 陈荫三. 基于大数据的高速公路运输趋势分析[J].
交通运输工程学报, 2015, 15(5): 85-90.
XIAO R M, LI B, CHEN Y S. Trend analysis of expressway transportation based on big data[J]. Journal of Traffic and Transportation Engineering, 2015, 15(5): 85-90. |
| [7] |
陆文驰. 论大数据时代下公路客运集团财务分析发展[J].
财会学习, 2017(11): 21-22.
LU W C. On the financial analysis development of highway transport group in the era of big data[J]. Accounting Learning, 2017(11): 21-22. DOI: 10.3969/j.issn.1673-4734.2017.11.012. |
| [8] | 杨竞. 基于云理论的公路客运服务旅客满意度测评研究[D]. 西安: 长安大学公路学院, 2015. |
| [9] | 皮瑞麟. 数据可视化技术在客运信息监测系统中的研究与应用[D]. 广州: 华南理工大学计算机科学与工程学院, 2016. |
| [10] |
李辉, 李娜. 浅谈物联网技术在长途汽车客运管理中的应用[J].
中国西部科技, 2015, 14(6): 5-7.
LI H, LI N. The application of internet of things technology in the management of long-distance bus transport[J]. Science and Technology of West China, 2015, 14(6): 5-7. |
| [11] |
王庆福. 贝叶斯网络在用户兴趣模型构建中的研究[J].
无线互联科技, 2016(12): 101-102.
WANG Q F. Research on user interest model construction based on bayes network[J]. Wireless Internet Technology, 2016(12): 101-102. DOI: 10.3969/j.issn.1672-6944.2016.12.045. |
| [12] |
孟巍, 吴雪霞, 李静, 等. 基于大数据技术的电力用户画像[J].
电信科学, 2017, 33(S1): 15-20.
MENG W, WU X X, LI J, et al. Power user portraits based on big data technology[J]. Telecommunications Science, 2017, 33(S1): 15-20. |
| [13] |
尚炜. 当前客运事故高发原因分析及对策建议[J].
道路交通管理, 2006(4): 36-41.
SHANG W. Analysis and suggestions of causes of frequent incidence of passenger traffic accidents[J]. Road Traffic Managemen, 2006(4): 36-41. |
| [14] |
王光娟, 詹永照, 刘志强. 基于DM642的嵌入式疲劳驾驶监测系统的实现[J].
计算机应用, 2007, 27(10): 2612-2614.
WANG G J, ZHAN Y Z, LIU Z Q. Implementation of embedded real-time driving fatiguemonitoring systembased on DM642[J]. Journal of Computer Applications, 2007, 27(10): 2612-2614. |
| [15] |
郭东峰, 李彦. 基于物联网的嵌入式酒驾自动检测系统设计[J].
计算机测量与控制, 2013, 21(3): 594-596.
GUO D F, Li Y. Design of the embedded drunk driving automatic test system based on internet of things[J]. Computer Measurement & Control, 2013, 21(3): 594-596. |
| [16] | 刘兰芳. 大数据背景下道路运输运营管理数据挖掘研究与应用[D]. 长春: 吉林大学交通学院, 2017. |