市場營銷行為的決策技術研究與應用

摘要：目前，市場營銷決策技術已成為商家獲得成功的關鍵因素之一。數據挖掘是一種新的商業信息處理技術，其主要特點是對商業數據庫中的大量業務數據進行抽取、轉換、分析和其它模型化處理。結合數據挖掘技術，一種稱之為購物籃分析方法，對市場營銷行為決策具有重要的意義，已越來越受到零售企業的重視。

關鍵詞：市場營銷；數據挖掘；購物籃分析；聚類

中圖分類號：F713.50

文獻標識碼：A

一、問題提出

在市場競爭日趨激烈及顧客消費心理日趨成熟的今天，充分研究市場營銷的決策技術已成為商家成功經營至關重要的因素。大多數零售企業已認識到這一點，在這方面做了不少努力，如各種常客登記分析、計算機鋪助銷售、人口統計分析等方法，但仍有不少零售企業并未真正了解市場營銷的決策技術。目前，國外出現了一種稱之為購物籃分析的方法，已越來越受到零售企業的重視。

1．現代零售商品種類極端豐富，消費者需要處理的信息量急劇增加。消費者平均要以每秒33件的速度從5萬件商品中挑選出17件商品。Phillips(2005)的研究表明，當消費者面對種類繁多的商品時，并不會因為可選擇的豐富多樣性而得到滿足。但是，消費者卻能夠因為超市對其商品選擇的引導而感到滿意。超市引導顧客的一個有效辦法就是合理的商品布貨。也就是說，哪些商品可以擺放在一起，而哪些商品又應當分別擺放。

2．可以觀察到商場和超市經常進行各種促銷，其中最常見的促銷方式是打折，而且，常常是全場打折。這樣的打折往往不是超市最優的選擇。因為，消費者在購買某些商品的時候，會同時購買另一些商品，而不管它們是否打折。在這種情況下，只要這兩種商品之一處于打折狀態，而另一種也極有可能受到刺激而銷售量大增。如果是這樣，超市只需要對一種商品打折就可以達到促銷兩種商品的目的，從而可以大大提高超市的效益。

因此，了解消費者究竟如何在多商品類目間進行同時購買對于超市如何有效地引導消費者和提高效益意義重大。所以，介紹一個簡單而有效的數量方法，可以用來做典型的購物籃分析。筆者切入點是市場營銷行為的決策研究與計算機數據挖掘技術的結合。

二、購物籃分析的研究

購物籃分析是指一組與了解銷售點交易數據有關的商業問題。

1．購物籃(market basket)指的是超級市場內供顧客購物時使用的裝商品的籃子，當顧客付款時這些購物籃內的商品被營業人員通過收款機一一登記結算并記錄。購物籃數據描述了三個完全不同實體的交易數據：顧客、訂單(也稱購買或籃子，在計算機學術論文中稱為項集)、項。

在數據挖掘技術實現上，關系數據庫中，購物籃的數據結構模型如圖1所示，該結構包括四個重要實體。

訂單是購物籃數據的基本數據結構。一個訂單代表顧客的單個購買事件。這可能對應于客戶訂購的若干產品，或顧客購買的一籃子商品，或顧客從一個目錄中購買了若干項。包括購買的總量、訂單日期、支付類型、總價及與該交易有關的其他數據。該交易被賦予唯一的訂單標識。

訂單中的單個項稱為訂單項。包括訂單產品數量、支付單價、稅款標識，項表中通常還有一個到產品參照表的連接——產品標識。

客戶表是一個可選的表格。但顧客被識別時應當是可用的。客戶表包含令人感興趣的字段，其中最吸引人的是標識，因為它把交易與時間結合起來。

時間和地址是購物籃數據最重要的兩個屬性。

2．購物籃分析(market basket analysis)是指通過購物籃子所顯示的信息來研究顧客的購買行為。

消費者的購物籃隱含著重要且有價值的信息，等待人們去發掘。如：可以知道消費者的購買習慣、產品偏好、品牌忠誠度等等。而筆者嘗試通過合理的數量方法，研究產品的相關性。也就是說，哪些產品互相之間具有很強的相關性，從而可以知道，當一個消費者購買其中一個產品的情況下，極有可能同時購買另外一個產品，這對于超市合理定價、促銷等具有重要的指導意義。此類研究在國外已有成功案例，而在國內市場營銷界的文獻資料中則較少見到。

國外對消費者同時購買行為最深入的數量研究，應該屬于Manchanda，Ansari，以及Gupta(1999)，他們提出了一個基于隨機效用函數(Random UtilityTheory)的多種類同時購買決策(Multicategory Pur-chase Incidence Decision)的模型，該模型通過貝葉斯多維Probit模型(Bayesian Multivariate Probit Model)，精細地刻畫了各個消費者的同時購買行為特征，并同時考慮到了消費者異質性(Heterogeneity)的影響。類似的基于貝葉斯框架的消費者選擇模型(Bayesian Consumer Choice Model)，大量地存在于文獻當中。有興趣的讀者，可以在最近的Rossi，Allenby，和Mc-Culloch(2005)找到很好的介紹及相關文獻。

由于此類模型充分地考慮了消費者的異質性，因此有可能被用來為面向消費者的個性化的營銷決策(Customized Marketing Decision)服務。但是，該模型的優點也恰恰是他的缺點。

由于貝葉斯方法所需要的MCMC(Markov Chain Monte Carlo)算法，例如，Manchanda，Ansari，以及Gupta(1999)的原始文章只考慮了4種產品種類，這顯然遠遠不能夠滿足現實的需要。以超市為例，售額起決定作用的產品至少有幾十類，這在數據上反映出來就是一個非常高維的數據，而此類方法顯然無法適用。以準確跟蹤，換句話說，研究者必須能夠從數據中辨認出同一消費者在不同時間的購買紀錄，這就意味著該超市必須有完善的會員制度，以及詳細準確的會員信息。因此，對于很多超市，有必要研究并介紹一種簡單易懂，對數據要求低，而且能夠處理高維數據的分析方法，以便于探索消費者同時購買行為的規律。

三、數據挖掘及任務類型

1．數據挖掘(Data Mining)是一種新的商業信息處理技術，其主要特點是對商業數據庫中的大量業務數據進行抽取、轉換、分析和其它模型化處理，從中提取輔助商業決策的關鍵性數據。簡而言之，數據挖掘其實是一類深層次的數據分析方法，其數據分析本身已經有很多年的歷史，只不過在過去數據收集和分析的目的是用于科學研究。另外，由于當時計算能力的限制，對大數據量進行分析的復雜數據分析方法受到很大限制。現在，由于各行業業務自動化的實現，商業領域產生了大量的業務數據，這些數據不再是為了分析的目的而收集的，而是由于純機會的(Opportunistic)商業運作而產生。分析這些數據也不再是單純為了研究的需要，更主要是為商業決策提供真正有價值的信息，進而獲得利潤。但所有商業企業面臨的一個共同問題是：數據量非常大，而其中真正有價值的信息卻很少，因此從大量的數據中經過深層分析，獲得有利于商業運作、提高競爭力的信息，就像從礦石中淘金一樣，數據挖掘也因此而得名。

因此，數據挖掘可以描述為：按企業既定業務目標，對大量的企業數據進行探索和分析，揭示隱藏的、未知的或驗證已知的規律性，并進一步將其模型化的先進有效的方法。數據挖掘與傳統的數據分析(如查詢、報表、聯機應用分析)的本質區別是數據挖掘是在沒有明確假設的前提下去挖掘信息、發現知識。數據挖掘所得到的信息應具有先前未知、有效和可實用三個特征：

先前未知的信息是指該信息是預先未曾預料到的，即數據挖掘是要發現那些不能靠直覺發現的信息或知識，甚至是違背直覺的信息或知識，挖掘出的信息越是出乎意料，就可能越有價值。在商業應用中最典型的例子就是一家連鎖店通過數據挖掘發現了小孩尿布和啤酒之間有著人的聯系。

數據挖掘能用來解決成百上千的商務問題。根據這些問題的內在本質，可以將數據挖掘的任務劃分為各種類型，其中常用的分類是一種定向的挖掘，目的是發現特定目標的值。而聚類是一種非定向的挖掘，目的是在不限定特定目標的情況下揭示數據的結構。

2．聚類(clustering)也被稱作分割。它被用于基于樣本的屬性，識別在樣本中存在的分組。在同一分組內的樣本具有更多類似的屬性值。例如，一個包含有兩個屬性(年齡和收入)的客戶數據集，聚類算法可將這些客戶劃分為3個分割。分割l包含了年輕收入低的客戶，分割2包含了中年收入高的客戶，分割3包含了老年收入相對較低的客戶。由于聚類算法是一個非指導型(unsupervised)數據挖掘，其所有的輸入都同樣對待，沒有一個屬性直接用來指導模型的構建。大多數聚類算法在構建模型時，都需要進行多次的迭代直到算法收斂。算法收斂指模型中所有分割的邊界都已經趨于穩定。

四、市場營銷行為的數據挖掘效果

為了達到以上目的，將同時購買行為規范成一個典型的聚類問題(Clustering Problem)——按用處聚類產品。具體地說，通過這種聚類可引出下列問題：(1)節食產品趨于一同銷售嗎?(2)客戶在同一時間購買同色系的服裝嗎?(3)購買海報產品的客戶也買其他產品嗎?

同時購買行為規范成一個典型的聚類問題已被廣泛研究并發展完善，有興趣的讀者可以通過Johnson和Wichern(2003)以及Hastie，Tibshirani，和Fried-man(2001)獲得一個完整的介紹。該方法通過對數據的轉軸，如圖2所示，以便每行代表一個訂單或顧客。對購買的每一件產品有標記或計算器。由于零售業有幾萬種不同產品，為了減少列的數目，這種轉換可以在分類層面進行，而不是單個產品層面。

通常有大量關于產品的可用信息，除產品分層外，還可以包括服裝顏色、食品是否是低卡路里、海報是否有背景等，不但可以被用來做典型的購物籃分析，而且簡單易行并具有良好的直觀意義，可直接指導市場營銷行為。

五、總結與討論

通過對超市消費者的購物籃進行分析，可發現一些很有意義的現象。有的是可以預見的，例如，特定項的流行性隨時間變化的；而有些則是出乎人們進一步研究的內容，例如，在重復購買的客戶中發現最普遍的項是什么等。雖然無法對這些行為背后的原因進行推斷，但深入研究這些背后的推動因素是一個很有意義的方向。不論怎樣，發現這些相關性對于指導未來的超市經營管理具有一定的借鑒意義。例如，可以考慮對高度相關產品的某種大力促銷，而對另外一種保持原價，甚至提高價格。消費者會因為其中打折促銷產品的吸引而光顧超市，但是他們除了會購買打折產品之外，還會購買與之高度相關的產品。而超市由于部分促銷讓利所造成的損失，可以由此而獲得相應的甚至更多的補償。當然，本研究不可避免地具有一定的局限性，具體地說：

1．由于筆者的重點在于發現具有強相關關系的產品，而不是對所發現的同時購買行為的隱含推動因素進行深入研究和分析。因此，無法對消費者同時購買這些相關性很強的商品的深層次原因進行具體分析。而造成該局限性的另外一個原因在于數據的局限性，即絕大多數消費者拒絕透露詳細的個人信息。

2．筆者提出的數量方法有一定的局限性。由于相關性強度是有限的，因此能夠起到的指導作用也是有限的。

(責任編輯：阿 蓮)