淺談數據挖掘技術在零售業中的應用

潘 程 陳玉華

（大連海事大學信息科學技術學院，遼寧 大連 116026）

1 零售業應用數據挖掘技術的背景

當前，全球零售業發展勢頭迅猛。在信息流通先于商品流通的時代，零售企業必須依靠企業的全面信息化來可持續發展。很多零售企業已采用了一系列信息技術。在信息化進程加快同時，也帶來海量的、分布的、異構的數據信息。如果數據不能及時的轉化為知識，那么零售企業經營決策的正確性和時效性將大打折扣。于是，近幾年來數據挖掘技術在零售業得到了廣泛的應用。利用數據挖掘技術對數據進行分析，可以幫助零售企業進行科學的決策。

2 數據挖掘技術

2.1 數據挖掘定義

數據挖掘是從大量、不完全、有噪聲、模糊、隨機的實際應用數據中抽取隱含在其中的、有意義、未知的但有潛在使用價值的知識和信息過程。從商業角度看，數據挖掘是新型的商業分析處理技術[1]。它是從大型數據庫中發現并提取隱藏在其中信息的一種新技術，幫助決策者尋找數據間潛在的關聯，發現被忽略的因素。

2.2 數據挖掘分類

數據挖掘涉及的學科領域和方法很多，包括統計學、機器學習、數據庫、模式識別、可視化以及高性能計算等多個學科。根據任務可分為：關聯規則發現、分類或預測模型發現、序列模式發現、數據總結、聚類、依賴關系或依賴模型發現、異常和趨勢發現等；根據挖掘方法可分為：統計方法、機器學習方法、神經網絡方法和數據庫方法。統計方法包括：回歸分析、判別分析、聚類分析、探索性分析等；機器學習方法包括：基于范例學習、歸納學習方法、遺傳算法等；神經網絡方法包括：前向神經網絡、自組織神經網絡等；數據庫方法主要是多維數據分析[2]。

3 數據挖掘技術在零售業中的應用

3.1 貨籃分析：關聯分析的一個典型應用是購物籃分析。設商場銷售的所有商品為一個集合，每個商品為一個取布爾值的變量，描述相應商品是否被一個顧客購買，那么每個顧客的購物貨籃就可以用布爾向量來表示。分析布爾向量，由關聯規則得出商品在一起被購買的信息。其意義為顧客在購買某些商品的時候有多大傾向會購買另外一些商品。例如：{黃油，牛奶}→{面包}(30%，2%)，表明購買黃油和牛奶的顧客還將購買面包，30%和2%分別是該規則的置信度和支持度，2%表示分析的全部事務中有2%同時購買了黃油、牛奶和面包，30%表示購買黃油和牛奶的顧客中有30%的顧客也購買了面包。貨籃分析有助于確定商店貨架的布局、商品定價和促銷。

3.2 客戶細分：客戶細分是指將一個大的消費群體劃分為若干小的細分群體，同屬于一個細分群的客戶具有相似的消費特征。通過對顧客分類可以提供個性化的服務。例如，購買化妝品的客戶分為青年、中年和老年，分析發現購買進口化妝品的顧客中青年占50%，中年占30%，老年占20%。針對不同的客戶群，可以實施不同的營銷和服務方式，提供有針對性的產品和服務來提高客戶的滿意度[3]。

3.3 促銷活動的有效性分析：只有充分了解客戶，才能準確定位促銷對象，提高針對性，降低活動成本。零售業通過廣告、優惠券、各種折扣和讓利的方式搞促銷活動，以達到促銷產品，吸引顧客的目的。用多維關聯分析方法，通過比較促銷期間的銷售量和交易數量與促銷活動前后的有關情況，認真分析促銷活動的有效性，還可以分析出應該在什么時間，什么地點、以什么種方式、什么商品和對什么樣的人進行促銷活動，盡量避免企業資源的浪費，提高銷售額。

3.4 顧客忠誠度分析：零售企業通過辦理會員卡、建立顧客會員制度的方式，來跟蹤顧客的消費行為。通過對顧客會員卡信息進行數據挖掘，可以記錄顧客的購買序列，將同一顧客在不同時期購買的商品分組，確定特定個體的興趣、消費習慣、消費傾向和消費需求，由時間序列模式推斷出相應消費群體或個體下一步的消費行為。序列模式挖掘用于分析顧客的購買趨勢或忠誠度的變化，據此對價格和商品的花樣加以調整和更新，以便留住老客戶，吸引新客戶[4]。

3.5 市場和趨勢分析：零售企業在決定開展哪一項營銷活動時，通過從銷售數據記錄中挖掘關聯信息，能夠很容易地對不同的營銷項目進行比較和分析，這樣就能把資金投在最有價值的地方。例如有些顧客對某一品牌的香水情有獨鐘，那么他們很可能購買同一品牌的化妝品。這些信息可用于形成一定的購買推薦。通過向顧客郵寄商品目錄、信函等舉措，幫助顧客選擇商品，既能節省大量的市場開拓費用，同時也有利于增加銷售額[5]。

4 數據挖掘技術在零售業中的應用案例

某集團是一家大型商業零售企業。已實現了企業管理信息化，引入了客戶關系管理系統。該系統可以向集團的采購、市場和服務部門提供全面的實時資料，并強化信息挖掘分析功能，隨時從資料庫中取出所需資料，配合資料分析方法，分析出客戶消費行為模式和習慣，提供具有個性化和貼心的服務。

該系統的消費者分析主要體現在：客戶保留度、客戶價值度、客戶滿意度、客戶忠誠度和客戶群體分析等功能。在建立數據倉庫的基礎上，選取合適的模型對消費者的保留度、群體分類等進行分析和預測。

在消費者管理分析中，采用關聯規則分析方法，將相似消費者分類，研究客戶的消費行為，分析客戶個人特征（年齡、性別、職業、月收入、教育程度等），客戶消費行為（支付方式、消費次數、累計消費金額、持卡類型、貴賓卡積分、時間段、業種、消費頻率等）和客戶態度，分辨出不同的零售業消費群體在消費習慣和消費傾向上的不同特征。

例如該系統對貴賓卡客戶某一時間段的消費行為進行分析后發現：

4.1 客戶選擇特約商戶消費的規律

710個貴賓卡客戶在商場的52個商戶中有交易記錄，分析發現客戶的消費習慣是有規律的，在80天的分析期內有28天貴賓卡客戶在A商戶消費后又有80%可能去B商戶消費，有25天貴賓卡客戶在A商戶消費后又有73%可能會去B商戶和C商戶消費。

4.2 貴賓卡客戶特征

4.2.1 銀卡客戶在年齡上較金卡客戶年輕，持卡年限短，但用卡頻率高，多為信用卡支付，刷卡消費態度積極；

4.2.2 不同地區的貴賓卡客戶在人口特征、用卡行為和支付方式上存在差異，市場成熟度越高，客戶的平均教育程度和收入水平越高，持卡年限越長，消費比重更大。

4.3 消費者對商品的偏好（以液晶電視為例）

4.3.1 消費者普遍對國內液晶電視的認知度較低，國外品牌的認知度高于國內品牌；

4.3.2 34%的消費者以節省空間為主要動機，其次才是畫質；

4.3.3 實際購買液晶電視的消費者中超過90%購買了黑色或銀色產品；

4.3.4 連鎖店和量販店是消費者購買產品的主要渠道，6%的消費者通過網絡購物，成為第二購買渠道。

通過以上分析，可以為企業采取有針對性的營銷策略提供決策信息。

該系統應用后，成效顯著。供應商由三千家調整為兩千多家，引進新商品近四百個，新品種提升到一千多種。采購和管理成本明顯降低。企業信譽度也大大提升。

[1]朱玉全.數據挖掘技術.南京:東南大學出版社,2006.

[2]劉芳,王璐鑫.數據挖掘技術及其在零售業中應用的初步研究.福建電腦,2009,(8):56-57.

[3]宣軍英.數據挖掘及其在零售業中的應用.嘉興學院學報,2007,7(4):76-79.

[4]胡錦美.數據挖掘在零售業中的應用.閩江學院學報,2003,10(5):45-47.

[5]李志亮,羅芳.數據挖掘在零售業中的應用.寧德師專學報(自然科學版),2008,8(3):242-244.