美章网 资料文库 商品销售数据挖掘范文

商品销售数据挖掘范文

商品销售数据挖掘

数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据中,提取隐含在其中的、人们事先不知道的,但又是潜在有用的信息和知识的过程。数据挖掘是一种从大型数据库或数据仓库中提取隐藏的预测性信息的技术。将其应用到商品销售领域的主要作用是对商业数据中的大量业务数据进行抽取、转换、分析和其他模型化处理,从中提取辅助商品销售决策的关键性数据。为科学的商业决策提供帮助。

数据挖掘技术在商品销售领域得到了越来越广泛的应用。商品销售者不仅明白搜集顾客数据的重要性,而且意识到真正的目的在于能够针对顾客提出科学的、前瞻性的商品销售方案。数据挖掘技术能有效地帮助商品销售工作者透过表面上无关联的顾客层数据,发现数据之间的内在有意义的联系,从而不仅能对顾客需求做出及时反应,还能对顾客需求进行有效的预测。

一、数据挖掘的基本原理

数据挖掘就是利用数学模型、统计和人工智能技术等方法,把一些高深、复杂的技术封装起来,使人们不用自己掌握这些技术也能完成同样的功能,因而可专注于自己所要解决的问题。数据挖掘按其功能可分为:描述性数据挖掘方法和预测性数据挖掘方法。

1描述性数据挖掘

在取得大量的数据之后,首先要对数据进行总结,也即数据的泛化;在泛化的基础上再对数据进行高层次的处理,包括数据的聚集、关联分析等。

(1)数据总结:数据总结的目的是对数据进行浓缩,给出它们的紧凑描述。数据泛化是一种将数据库中的有关数据从低层次抽象到高层次的过程。

(2)聚集:聚集的目的是要尽量缩小属于同一类别的个体之间的距离,而尽可能扩大不同类别个体间的距离。层次法、密度法、网格法、神经元网络和K-均值是比较常用的聚集算法。

(3)关联分析:关联分析是寻找数据的相关性。关联规则是寻找在同一个事件中出现的不同项的相关性,其核心是使用Apriori算法,找出事物的相应支持度和置信度,最后找到相应的关联规则。

2预测型数据挖掘

在预言模型中,把我们要预测的值或所属类别称为响应变量、依赖变量或目标变量;用于预测的输入变量是预测变量或独立变量。主要通过分类、回归分析、时间序列来建立预测模型。

二、商品销售领域数据挖掘的依据

在商品销售领域采用数据挖掘是商品销售发展到一定阶段的必然要求,它有助于提高商品销售效率,降低商品销售成本。其理论依据有消费者消费行为、细分市场理论、顾客关系、顾客数据库和直接商品销售。

在制定商品销售计划之前,商品销售者需要研究消费者市场和消费者行为。在分析消费者市场时,公司需要了解市场情况,购买对象,购买目的等因素。通过搜集顾客消费数据,采用数据挖掘技术,可以简洁、明了地得到这些信息。

三、商品销售中的数据挖掘过程

1商品销售目标理解

在进行数据挖掘之前,必须从商品销售角度去分析要达到的目标和需求,也即要分析什么商品销售问题,达到什么商品销售目标。首先对商品销售现状进行分析,找出存在的问题,并确定需要实现的营销目标,再将商品销售目标转换成数据挖掘目标,然后将这种知识转换成一种数据挖掘的问题定义,并设计一个达到目标的初步计划。

2数据理解

先搜集初步的数据,然后进行熟悉数据的各种活动,包括识别数据的质量问题,找到对数据的基本观察,或假设隐含的信息来检测感兴趣的数据子集。

3数据准备

首先进行数据抽样,从大量数据中筛选出一些相关的样板数据子集。通过对数据样本的精选,不仅能减少数据处理量,节省系统资源,使数据更加具有规律性。然后,进行数据探索,通常是所进行的对数据深入调查的过程,从样本数据集中找出规律和趋势,用聚类分析法区分类别,最终要达到的目的就是搞清多因素相互影响的复杂关系,发现因素之间的相关性。最后,需要对数据进行调整,通过上述两个步骤的操作,对数据的状态和趋势有了进一步的了解,这时要尽可能对解决问题的要求进行明确化和进一步的量化。

4建模

这一步是数据挖掘的核心环节。在建模阶段,可以选择和应用各种建模技术,并将其参数校正到优化值。通常,对同一个数据挖掘问题类型有几种可选用的技术。

5模型评价

从数据分析的观点看,在开始进入这个阶段时已经建立了看上去是高质量的模型。但在最终扩展模型之前,要更彻底地评价模型,检查所建模型再次执行的步骤,并确信其正确达到了商品销售目标。这里,一个关键的目的是要确定是否还有某些重要的商品销售问题还没有被充分考虑进去。在这个阶段,应该对使用数据挖掘结果进行评判。