数据挖掘在零售商业中的应用

《数据挖掘在零售商业中的应用》由会员分享，可在线阅读，更多相关《数据挖掘在零售商业中的应用（2页珍藏版）》请在装配图网上搜索。

1、杨琳（ 上海金融学院 信息管理系 上海 201209 ）【摘 要】： 近年来，随着信息化的推进，企业中的信息数据变得越来越庞大，如何利用技术去挖掘这些海量信息背后的意义，成为企业，尤其是零售业面对市场竞争压力的关键。 本文主要介绍了零售业的特点、数据挖掘的含义算法及数据挖掘在零售业中的应用。【关键词】： 零售业、数据挖掘引言自我国加入了 WTO 后，零售业是我国对外开放力 度最大、竞争最为激烈的领域之一。 同时，在运营过程 中，零售业积累了大量的销售数据，如客户购买历史记信息，即该类的内涵描述，并用这种描述来构造模型，一般用规则或决策树模式表示。 预测是利用历史数 据找出变化规律，建立模型，并

2、由此模型对未来数据的 种类及特征进行预测。 时序模式是指通过时间序列 搜索出的重复发生概率较高的模式。 数据库中的数 据存在很多异常情况， 发现数据库中数据存在的异常 是非常重要的，它可能对应着商业上的不正常现象。 三、数据挖掘在零售业中的应用1.市场和趋势分析随着消费者需求的变化和零售市场竞争的加剧，大型超市、便利店、专卖店等新型零售业态得到快速发录、货物进出、消费与服务记录等。面对强大的竞争压力，如何有效地开发利用信息资源，已成为零售企业的工作重点。 零售业迫切需要有价值的信息来指导市场策略，以应付市场的挑战。 相应的，数据挖掘可帮助零售企业识别客户的购买行为，发现客户的购买模式和趋势，改

3、进服务质量，取得更好的客户满意度和忠诚度等。一、零售业与数据挖掘零售业1 是把商品或者劳务直接出售给最终消费 者的销售活动， 该行业的对象更多的是消费者而不是 批发商或者生产厂家， 这也就决定了零售业主要有以 下特点：（1）就客户而言，他们是来消费的，与零售商之 间的关系是断续的。 （2）就商品而言，零售商采取的销 售方式有经销、代销、联销等，与其联系的供应商数目 也十分大。 （3）就利润而言，零售商的毛利和制造商想 比，毛利率要低。 （4）还有一个重要的特点是，零售业是 一种销售行为，销售活动，不仅受季节、节假日以及其 他外部影响因素较大，而且自身的促销、降价等行为也 会引起很大的作用。所谓

4、数据挖掘，在商业应用上，是一种透过数理模 式来分析企业内储存的海量数据， 以找出不同的客户 或市场划分，分析出消费者喜好和行为的方法。 即按企 业既定业务目标，对大量的企业数据进行探索和分析， 揭示隐藏的、未知的或验证已知的规律性，并进一步将 其模型化的有效方法。 数据挖掘的任务2主要包括关联 分析、聚类分析、分类、预测、时序模式和偏差分析等：展。如何准确进行市场预测并且制定出合适的营销计划，找到能使资金分配达到最大收入的最佳组合方案，是零售业所面临的问题之一3。 通过从销售数据中挖掘 相关信息，实现把资金投入到最优价值的地方。 比如客 户选购了一台打印机，那他还可能订购打印纸；有些客户对某一

5、品牌的香水情有独钟，那他很可能会购买同一品牌的化妆品。 这类信息可用于形成一定的购买推荐， 通过向客户邮寄或电邮商品目录， 宣传活动等措 施，既能节省大量市场开拓费用，也能帮助客户选择商 品，增加销售额，实现双赢。2.客户关系管理客户关系管理是企业与客户之间建立的管理双方接触活动的信息系统，它告诉企业谁是对它有利的客户， 并激发其制定保留老客户， 吸引新客户的市场策略。 关于客户关系管理中的数据挖掘技术和方法的研 究有很多，不同行业不同环境下的企业有很大的差异。 CRM 中的数据挖掘技术主要的目的在于客户细分、获 取新客户、交叉营销以及客户的保持以防止流失等。3.促销活动的有效性分析3关联分析

6、的目的是找出数据间的关联。一般用支持零售业经常通过广告、折扣让利以及各种优惠券度和可信度两个阀值来度量关联规则的相关性。聚的形式来进行促销活动，以达到促销产品、吸引客户的目的。 分析促销活动的有效性， 有助于提高企业的利类是把数据按照相似性归纳成若干类别， 同一类中的数据彼此相似，不同类中的数据差异较大。 分类就是润。数据挖掘中的多维分析可以满足这方面的分析要找出一个类别的概念描述，它代表了这类数据的整体求。 其方法主要是通过比较促销期间的（下转第 98 页）由式(1.19)-式(l.21)知，尽管通过非线性函数将样 本数据映射到具有高维甚至于无穷维的特征空间，并 在特征空间中构造最优分类超平

7、面， 但在求解最优化 问题和计算决策函数时并不需要显式计算该非线性函 数，而只需计算核函数，从而避免特征空间维数灾难问 题。 核函数的选择必须满足Merce条件Vapnik，1995。 常见的核函数有线性函数K(xi,x)二xi x、多项式函数K(xi,dx)=( xi x +1) 、 径 向 基 函 数 K(xi,x)=exp(- x x ? ) 、多层感知器函数K(x，x)=tanh(kxi x+)。对于式(l.12)的KKT条件，也可以写为(非线性情况)? y ( ? ? ( xi) ? b ? 1 ? ? 0 ? y (? ? ? ( xi) ? b ? 1 ? 0 ? ? ? C ?

8、 ? ? (1.22)? y (? ? ? ( xi) ? b ? 1 ? ? C ? ? ?由于KKT条件是充要条件，利用上式可判别是否为最优。福建电 脑2011 年第 2 期98身也趋向完善， 并产生了支持向量机理论付诸实现的有效的机器学习方法。 目前，SVM算法在模式识别、概 率密度、函数估计等方面都有应用。 例如，在模式识别 方面，对于手写字识别、语音识别、文本分类、人脸图像 识别、遥感图像分析等问题，SVM算法在精度上已经超 过传统的学习算法或与之不相上下。支持向量机在工业领域的应用研究正逐渐受到研 究者的重视。 支持向量机用于系统辨识，进行线性和非 线性动态系统的辨识。 De Kr

9、uif将支持向量机用于前馈 学习控制，Suykens将最小二乘支持向量机应用于非线 性系统的最优控制。支持向量机还被应用到其它一些领域。 支持向量 机在时间序列的预测和混沌系统的动态重构中显示出 了强大的优势。 在信号处理方面，Chen对多路径通道 DS-CDMA信号传输构造了一个基于支持向量机的自 适应多用户检测将自适应参数SVM用于对经济时间序 列的预测。2.2 多类支持向量机算法支持向量机最初是针对二类分类问题而提出的， 不能直接应用于多类分类问题。 目前，有关多类支持向 量机的研究较少， 实际应用中主要采用的算法可以分为两种类型:(l)一次性求解方法1(2)通过组合多个二值 SVM 子

10、分类器， 实现多类别分类， 其 中 包 括 一 对 多 (one-against-rest，OAR) 方法、 一对一(one-against- one，OAO) 方 法 、 DDAGSVM(Decision Directed Acyclic Graph SVM) 方 法 、 二 叉 决 策 树 方 法 (Binary Decision-Tree)等2-3。三、支持向量机的应用参考文献：1 Vapnik V N. 张学工译. 统计学习理论的本质 M. 北京: 清华大学出版社, 2000.2 邓乃扬,田 英杰.数据挖掘中的新方法支持向量机.北京:科学 出版社,20043 张学工.关于统计学习理论与

11、支持向量机.自动化学报,2000,26(1):32-424 Vapnik V,Chapelle O.Bounds on error expectation for support vector machines Neural Computation,2000,12(9):2013-20365 Wahba G,Lin Y.,Zhang H.GACV for support vector machine.Advance in Larger Margin Classifiers,MIT Press,19996 杜树新，吴铁军，模式识别中的支持向量机方法J，浙江大学 学报(工学版)，20037 张道

12、强. 基于核的联想记忆及聚类算法的研究与应用D. 南京: 南京航空航天大学, 2004: 43-49统计学习理论从七十年代末诞生，到九十年代之前都处在初级研究阶段，近几年才逐渐得到重视，其本!（上接第 125 页）销售量和交易数量与促销活动前后的有关情况，或者的、有价值的知识。 它们可能是一些潜在的联系，也可能是某种趋势。 利用数据挖掘技术，可以帮助企业去发 现这些数据背后的信息，为企业的产品的定位，销售策 略的制定等提供有价值的信息。通过关联分析找出哪些商品可能随正在促销中的商品一同购买， 特别是这些商品与促销活动前后的销售情况相比。4.最优店址的选择企业可以利用数据挖掘技术分辨出哪 些销售

13、额高的，利润多的成功分店的特点特性，从而能够利用这些数据协助新开分店的地址的选择。四、结语在竞争日益激烈的商业活动中， 企业都在不断寻 找着长期制胜的方法秘诀，追求成本最低化、利润最大 化。 与此同时，随着信息化的发展，数据库、数据仓库中 存储了大量的数据， 这些数据的背后隐藏着大量可信参考文献：1 唐微波,唐宇剑. 数据挖掘技术在零售业中的应用A. 合肥学 院学报(自然科学版），2007.5， 第 17 卷，第 2 期 2 （ 美 ） 唐 （Tang,Z.H）, （ 美 ） 麦 克 雷 南 （MacLennan,J.）. 数 据 挖 掘 原理与应用M. 邝祝芳， 焦贤龙， 高升 译， 北京： 清华大学出版 社，2007.13 宣军英. 数据挖掘及其在零售业中的应用A. 嘉兴学院学报,2007.7, 第 19 卷，第 4 期