基于數據挖掘的連鎖超市決策支持系統

摘要:隨著信息技術的飛速發展，零售企業積累了大量的歷史數據，建立決策支持系統，提高決策者高效的數據分析能力的研究對于大型連鎖超市的經營與發展十分重要。探討了數據挖掘在超市經營領域中的各種應用，針對連鎖超市設計了數據挖掘方案，并對其在銷售分析中的應用進行了研究。

關鍵詞:數據挖掘;連鎖超市;銷售分析

中圖分類號:TP311文獻標識碼:A文章編號:1009-3044(2010)11-2573-03

Supermarket Chain Decision Support System Based on Data Mining

TIE Xin

(Electronic Information Department of Changde Vocational Technical College， Changde 415000， China)

Abstract: With the rapid development of information technology， retail enterprises have accumulated a lot of historical data， the establishment of decision support system to enhance decision-makers and efficient data analysis of a large supermarket chains for the management and development is very important. Explored the field of data mining in the supermarket business in a variety of applications， designed for the supermarket chain data mining program， and its sales analysis was studied.

Key words: data mining; chain supermarkets; sales analysis

信息管理系統記錄超市經營過程中產生的大量的數據，這些數據蘊含著能指導超市經營決策的信息。隨著業務規模的增長，經營活動中各要素的關系越來越錯綜復雜，管理人員往往被各種冗長的報表弄得眼花潦亂，靠人工從海量的數據中尋找規律變得越來越困難。與此同時，行業信息化水平的提高和市場竟爭的加劇，正確的決策再不能簡單的依賴于主觀直覺，而是更多的依賴于事實和數據。如何使企業數據成為可利用的資源，為自身的業務決策和戰略發展服務，已經成為超市經營管理中的重要課題。

營銷決策支持系統(MDSS)通過對超市業務數據進行智能分析，從中總結規律、發現知識，以簡潔直觀的形式為管理者提供決策信息，從而使他們從事低層次信息處理和分析中解放出來，全面、準確、及時的掌握企業運作情況和趨勢，提高決策的科學化、合理化水平，最終促進企業核心競爭力的增強、經濟效益的提高。

在原有的信息管理系統的軟硬件基礎上，建立以數據倉庫和數據挖掘為核心的決策支持系統，為連鎖超市的經營決策提供支持信息。

1 數據挖掘在超市中的應用

1.1 數據挖掘在銷售中的應用

商品分組布局，購買推薦和商品參照分析:在超市經營中，商品的擺放位置對銷售起著至關重要的作用。合理的商品布局不但能節省顧客的購買時間，而且能刺激顧客的購買欲望。通過合理利用數據挖掘技術，超市管理人員可以了解顧客的購買習慣和偏好，考慮購買者在商店里所穿行的路線、購買時間和地點、貨架的使用效率、暢銷商品的類別、不同商品一起購買的概率，通過對商品銷售品種的活躍性分析和關聯性分析，用主成分分析方法，建立商品設置的最佳結構和商品的最佳布局，以提高超市銷售額。

促銷活動有效性分析:通過對廣告、優惠券以及各種打折讓利等促銷活動和銷售業績的關聯分析，對促銷活動進行優化，避免企業資源浪費。

了解銷售全局:通過系統對數據進行分組，商品種類、銷售數量、商店地點、價格和日期等，通過這些分類信息能詳細了解銷售的變化、庫存變動、促銷商品對銷售的推動等。

1.2 數據挖掘在客戶關系管理中的應用

客戶細分:以不同的消費特征為標準將客戶分類。區別20%與80%客戶，便于對不同的客戶群區別對待。

1.3 客戶忠誠度分析

通過對會員卡客戶的消費記錄的挖掘，把握客戶的消費喜好，有針對性的提供銷售服務，提高客戶的滿意度和忠誠度。

1.4 數據挖掘在采購和庫存中的應用

對商品銷售趨勢做出預測，判別熱銷商品、滯銷商品，保證不缺貨的前提下盡量減少商品的庫存。

1.5 數據挖掘在其他方面的應用

利用數據挖掘，還可以強化對供貨商的信用評估、風險度測量管理，有效地防范和控制經營風險;同時利用數據挖掘技術，能夠從超市各應用系統中提取基礎績效指標和關鍵績效指標，有利于促進超市的日常管理，這些功能可在開發過程中視需要逐步擴展。

2 業務解決方案

針對用戶需求，系統的業務解決方案是:

應用ORACLE SE1商務智能系統將企業集團內各企業管理信息系統生成的數據，集成到商務智能系統的數據倉庫;

應用ORACLE SE1商務智能系統的報表查詢、多維分析、儀表盤等對企業業務流、物流、資金流、價值流信息進行直觀、圖形化的結果呈現。以利企業掌控全局

構建數據挖掘系統，就銷售、客戶關系、采購、庫存等進行深入的現狀分析，發現差異、測算趨勢、制定方案，為管理決策人員進行經營決策提供支持。

圖1為這一解決方案的示意圖。

由于報表查詢、多維分析和儀表盤在ORACLE SE1商務智能平臺是非常成熟的應用，因此這里不再贅述，以下著重介紹數據分析和挖掘的業務解決方案。

3 銷售分析

顧客購買商品的行為是存在某些規律的。如果超市貨架中商品的擺放模式和顧客購買商品的行為模式一致，那么顧客的購買行為就將受到刺激而放大。這和物理學上的“共振”、“共鳴”現象是一致的:一個振動波的能量可能很小，但如果其振動頻率和一個巨型建筑物的固有振動頻率相一致，那么這個建筑物很可能將會劇烈振動。最終這個建筑物可能收到嚴重損傷，甚至倒塌。這里的小能量振動波起到了四兩撥千斤的作用。

商品的分組布局、超市的貨架設計如何才能和顧客購買行為發生“共鳴”呢?除了一些顯而易見的常識依靠人的肉眼或者直覺就能發現，更多的不太明顯的規律都必須依靠數據挖掘工具的深入分析能力“挖掘”出來。下面用美國某連鎖性零售商的真實案例來說明。

例如，某零售商通過分析其交易數據，發現了如表1規律。

規則1“面包和黃油常常被一起購買”是顯而易見的常識，不用采用數據挖掘技術也能發現或“感覺”到。規則3“馬桶和電視偶爾被一起購買”顯得非常奇怪，但其發生頻率非常低，對零售業務的指導意義不大。發生頻率特別高或者特別低的規則都不是業務分析人員關注的重點。

規則2“啤酒和尿布時常被一起購買”也比較奇怪，其發生頻率雖然不高，但也已經達到了能夠為商品銷售帶來明顯變化的程度。因此，規則2是重點關注對象。

暫且不論規則2的內在原因。零售商應該如何利用它來提高經營業績呢?

零售商可以采取兩種措施:1)將啤酒和尿布擺放在靠得很近的位置;2)將啤酒和尿布分開擺放，但處在彼此“目所能及”的位置;

在第一種情況下，一個購買啤酒/ 尿布的顧客可能會順手購買尿布/ 啤酒，因為非常方便;在第二種情況下，一個購買啤酒/ 尿布的顧客可能一抬頭或者一轉身就發現了通道的另一端擺放著尿布/ 啤酒，他/ 她在走向尿布/ 啤酒的過程中，可能會發現更多感興趣的商品，這可能促使他/ 她購買更多的商品。

不論采用那種措施，最終的效果都是提高的零售商的銷售業績。

那么規則2的內在原因是什么呢?經過調查發現，主要原因有二:

很多年青父親喜歡一邊欣賞體育節目，一邊喝啤酒。他們在欣賞體育節目時經常必須為小孩換尿布。為了防止尿布不足以至于必須外出購買(這使得他們必須暫時放棄心愛的體育節目)，年輕的父親經常在購買啤酒的同時購買足夠多的尿布;

很多年青的夫婦周末會帶著小孩外出游玩會，他們會在外出之前進行必要的采購。尿布是給小孩用的，啤酒是被爸爸用的。因為他們知道，當爸爸喝完一兩瓶啤酒之后，媽媽往往必須給小孩換尿布;

找到規則的內在原因雖然不會為提高銷售業績帶來直接幫助，但證明了規則的合理性，從而也就證明了數據挖掘技術的合理性。

3.1 實現方法

由于零售行業交易量巨大，一個普通的超市門店的交易數據中就可能蘊含著成千上萬的規則，其中一部分規則發生頻率非常高，無需借助復雜分析工具也能發現;還有一部分規則發生頻率非常低，即使充分利用這些規則銷售業績也不會有可察覺的變化。這兩種規則的量占據了規則總量的大部分比例。剩下一小部分規則的發生頻率不太高:僅僅依靠人的肉眼無法察覺到這些規則;但也不太低:充分利用這些規則會比較明顯地提高銷售業績。因此業務分析人員關注的重點是第三種規則。

數據挖掘系統可以利用關聯規則(Association Rule)算法與序列模式(Sequence Pattern)算法，挖掘出成千上萬條規則，并可按需過濾出那些真正能夠帶來業務價值的規則。

我們的數據挖掘系統可以挖掘出2種不同類型的關聯規則:1) 與時間先后順序無關的規則，需要使用關聯規則算法。2) 與時間先后順序有關的規則，需要使用序列模式算法。

與時間先后順序無關的規則的典型呈現方式如表2。

用戶可以設置過濾規則:只對發生頻率介于2%和20%的規則感興趣。因此GDM最終呈現給用戶的規則如表3。

拿規則“購買E的客戶同時購買D ”來說明“與時間先后順序無關”:顧客在某次購買行為中，超市并不知道顧客到底是先選了E還是D，但最終顧客在POS旁結賬時同時為商品E和D付款。

與時間先后順序有關的規則的典型呈現方式如表4。

用戶可以設置過濾規則:只對發生頻率介于2%和20%的規則感興趣。因此GDM最終呈現給用戶的規則如表5。

拿規則“購買A和C的客戶下次會購買D”來說明“與時間先后順序有關”:顧客在某次購買行為中同時購買了商品A和C，他在下次光顧該超市時購買了商品D。在這種情況下超市知道購買商品A和C的行為一定發生在購買商品D這一行為之前。

注意:要挖掘出與時間相關規則，超市必須能夠識別顧客的身份。一般有兩種方式:1)顧客前后兩次都使用信用卡付賬;2)顧客前后兩次都出示了零售商的會員卡。

因此，為了更清楚地了解客戶的行為模式，零售商應該鼓勵顧客采用會員卡消費，尤其是應該多發展會員并鼓勵顧客每次都出示會員卡。

3.2 如何指導商品分組布局與購買推薦

恰當的關聯規則可以很好地指導商品分組布局:將經常被同時購買或先后被購買的商品擺放在相近的位置。不但會增加銷售額，而且會讓顧客覺得超市的貨架設計很人性化，很替他們著想，從而增加對超市的忠誠度。

恰當的關聯規則也可以很好地指導“購買推薦”。既然超市知道購買了商品E的顧客很可能也需要商品D，那么可以推薦顧客同時購買E和D，并提供一定的“打包購買優惠”。或者在顧客購買商品E的收據上向其推薦商品D。

4 總結

總結分析了數據挖掘技術及其在零售業領域的具體應用的相關問題，提出了零售業更合理的數據挖掘應用，并且初步設計了數據挖掘模型，研究了主要數據挖掘算法?；贠racle數據庫系統，為連鎖超市的數據挖掘系統設計了解決方案，通過在銷售分析中的應用效果表明，系統能夠為連鎖超市的銷售模式改進提供決策支持意見。

參考文獻:

[1] HAN Jia-wei， KAMBER M.數據挖掘概念與技術[M]. 范明，孟小峰，譯.北京:機械工業出版社，2001.

[2] 李德仁，王樹良，史文中，等.論空間數據挖掘和知識發現[J].武漢大學學報:信息科學版，2001，26(6):491-499.

[3] 鐘楊俊，文堂柳.可視化數據挖掘方法與技術[J].福建電腦，2008(8):59.

[4] RUDOP.數據挖掘實踐[M].拉德著，朱揚勇，譯.北京:機械工業出版社，2003.