数据挖掘技术在零售业中的应用

1. DW：实现对决策主题数据的存储和综合，为DSS提供数据存储和组织的集成。它对底层数据库中的数据进行集成、转换、综合，组织成面向全局的数据视图。

2. OLAP：实现多维数据分析。从DW中的集成数据出发，构建面向分析的多维数据模型，再使用多为分析方法从多个不同的视角对多维数据进行分析、比较。

3. DM：挖掘DB和DW中的知识。以数据仓库和多维数据库中的大量数据为基础，自动地发现数据中的潜在模式，并以这些模式为基础自动地作出预测。

4. 模型库(MB)：实现多个广义模型的组合辅助决策。模型是为了交流认识而形成的关于客观存在问题的框架。模型库是联系决策问题、数据与模型的桥梁，它将多个模型以一定组织形式存储起来。

5. 方法库(AB)：为求解模型库提供算法，是模型应用的后援系统。方法是具有特定功能的模块化程序设计单位，具体地说是一个过程算法，它具有共享性。方法库是方法可扩充的集合。

四. 数据挖掘(DM)：

数据挖掘是一个萃取(extracting)和展现(presenting)新知识的流程。通过分析具体数据，发现确定有效的、新颖的、有潜在使用价值的、以往不为人知的、最终可理解的信息，为企业良好运营和决策部门作出重要决策提供帮助。为什么需要DM?随着数据量的急剧增长，用户很难自己根据数据的分布找出规律，并根据此规律进行分析决策。因此必须借助相应的数据挖掘工具，自动地发现数据中隐藏的规律，为用户的决策分提供智能的、自动化的辅助手段。

数据挖掘涉及的学科领域和方法很多。根据挖掘任务分,可分为分类或预测模型发现、数据总结、聚类、关联规则发现、序列模式发现、依赖关系或依赖模型发现、异常和趋势发现等等;根据挖掘方法分,可分为:机器学习方法、统计方法、神经网络方法和数据库方法。机器学习方法包括：归纳学习方法(决策树、规则归纳等)、基于范例学习、遗传算法等。统计方法包括：回归分析(多元回归、自回归等)、判别分析(贝叶斯判别、费歇尔判别、非参数判别等)、聚类分析(系统聚类、动态聚类等)、探索性分析(主元分析法、相关分析法等)等。神经网络方法包括：前向神经网络(BP算法等)、自组织神经网络(自组织特征映射、竞争学习等)等。数据库方法主要包括多维数据分析(OLAP)方法。

DM在很多行业都可以有较好的应用。如：国外，DM已广泛应用于银行金融、零售与批发、制造、保险、公共设施、政府、教育、远程通讯、软件开发、运输等各个企事业单位。据报导，DM的投资回报率有达400%甚至10倍的事例。DM可分辨出成功的商店或分店的特性，并协助新开张的商店选择恰当的地理位置;它能分析哪种产品是最受欢迎的，这在为产品的推销、商店的布局或新产品的开发等方面制定新策略指明方向;DM能找出产品使用模式或协助了解客户行为，如正确时间销售(Right Time MarKeting)就是基于顾客生活周期模型来实施的。数据挖掘一方面，将数据转化为信息和知识，在此基础上作出正确的决策;另一方面提供一种机制，将知识融入到运营系统中，进行正确的运作。

五. 零售业中的数据挖掘：

通过条形码、编码系统、销售管理系统、客户资料管理及其它业务数据中，可以收集到关于商品销售、客户信息、货存单位及店铺信息等的信息资料。数据从各种应用系统中采集，经条件分类，放到数据仓库里，允许高级管理人员、分析人员、采购人员、市场人员和广告客户访问，利用DM工具对这些数据进行分析，为他们提供高效的科学决策工具。如对商品进行购物篮分析，分析那些商品顾客最有希望一起购买。如被业界和上界传诵的经典----Wal-Mart的 “啤酒和尿布”，就是数据挖掘透过数据找出人与物间规律的典型。在零售业应用领域，利用DW、DM会在很多方面有卓越表现：

1. 了解销售全局：通过分类信息——按商品种类、销售数量、商店地点、价格和日期等了解每天的运营和财政情况，对销售的每一点增长、库存的变化以及通过促销而提高的销售额都可了如指掌。零售商店在销售商品时，随时检查商品结构是否合理十分重要，如每类商品的经营比例是否大体相当。调整商品结构时需考虑季节变化导致的需求变化、同行竞争对手的商品结构调整等因素。

2. 商品分组布局：分析顾客的购买习惯，考虑购买者在商店里所穿行的路线、购买时间和地点、掌握不同商品一起购买的概率;通过对商品销售品种的活跃性分析和关联性分析，用主成分分析方法，建立商品设置的最佳结构和商品的最佳布局。

3. 降低库存成本：通过数据挖掘系统，将销售数据和库存数据集中起来，通过数据分析，以决定对各个商品各色货物进行增减，确保正确的库存。数据仓库系统还可以将库存信息和商品销售预测信息，通过电子数据交换(EDI)直接送到供应商那里，这样省去商业中介，而且由供应商负责定期补充库存，零售商可减少自身负担。

4. 市场和趋势分析：利用数据挖掘工具和统计模型对数据仓库的数据仔细研究，以分析顾客的购买习惯、广告成功率和其它战略性信息。利用数据仓库通过检索数据库中近年来的销售数据，作分析和数据挖掘，可预测出季节性、月销售量，对商品品种和库存的趋势进行分析。还可确定降价商品，并对数量和运作作出决策。

5. 有效的商品促销：可以通过对一种厂家商品在各连锁店的市场共享分析,客户统计以及历史状况的分析，来确定销售和广告业务的有效性。通过对顾客购买偏好的分析，确定商品促销的目标客户，以此来设计各种商品促销的方案，并通过商品购买关联分析的结果，采用交叉销售和向上销售的方法，挖掘客户的购买力，实现准确的商品促销。

总结：目前市场上有多种适用解决所有商业模式的通用的数据挖掘系统，但实际上这些系统并不好用，普通用户很难应用这些技术解决自己的商业问题。问题在于如何将数据挖掘技术与现有技术很好地结合起来，如果不能将特殊领域的商业逻辑与数据仓库技术集成起来，数据挖掘的分析效果和效益不可能达到峰值。系统的定制，软件供应商和企业互相交流，对系统功能的不断完善和扩充可以在一定程度上解决这个问题。

[参考文献]

1.[美]Alex Berson等著,贺岩等译. 人民邮电出版社.《构建面向CRM的数据挖掘应用》. 2000.8。

2. 朱爱群编著. 中国财政经济出版社.《客户关系管理与数据挖掘》 . 2001。

3. [加] Jiawei Han, Micheline Kamber著,范明等译. 机械工业出版社.《数据挖掘 概念与技术北京》. 2001。

4. [英]贝尔著,迟诚译. 东北财经大学出版社. 《零售学》. 2001.4。

5.周宏主编. 中央民族大学出版社. 《现代零售策划》. 1998.6。

微信扫一扫实时了解行业动态

微信扫一扫分享本文给好友