高校市場營銷中網(wǎng)絡(luò)數(shù)據(jù)挖掘技術(shù)的應(yīng)用

陳 威

（湖南環(huán)境生物職業(yè)技術(shù)學(xué)院，湖南 衡陽 421005）

0 引言

高校中的市場營銷與其他營銷模式相比綜合性和應(yīng)用型更強(qiáng)，當(dāng)前社會對于市場營銷合理手段的迫切需要，使其運(yùn)作能力和開拓精神逐漸受到人們的重視。這就要求高校市場營銷應(yīng)該將知識復(fù)合和能力培養(yǎng)2個方面結(jié)合，使其同步發(fā)展[1]。隨著當(dāng)前市場競爭越來越激烈激烈，各個高校的市場營銷專業(yè)都在不斷探索全新的營銷道路和手段，在傳統(tǒng)高校中起決定性作用的是數(shù)據(jù)庫管理系統(tǒng)，隨著近幾年來高校海量數(shù)據(jù)的增長，以及高校對數(shù)據(jù)處理的需求提升，已經(jīng)無法滿足當(dāng)代高校市場營銷的基本需要和發(fā)展[2]。因此，當(dāng)前相關(guān)領(lǐng)域研究人員正不斷地進(jìn)行深入研究，尋找1種能夠自動分析數(shù)據(jù)、自動分類數(shù)據(jù)，并對海量數(shù)據(jù)進(jìn)行存儲的方法，從這些海量數(shù)據(jù)中預(yù)測其未來的變化，并及時找出可能存在異常的事務(wù)。網(wǎng)絡(luò)數(shù)據(jù)挖掘技術(shù)從出現(xiàn)以來就備受各界研究人員的重視，并逐漸成為1種具備價值意義的工程工具[3]。在對特定的用戶進(jìn)行挖掘的過程中，由于數(shù)據(jù)量十分龐大，因此采用傳統(tǒng)的方式會造成計算壓力的增加。而網(wǎng)絡(luò)數(shù)據(jù)挖掘技術(shù)是1種利用分類、聚類和關(guān)聯(lián)分析等手段對數(shù)據(jù)進(jìn)行分析和處理的手段。因此，為了有效提高高校市場營銷水平，針對上述傳統(tǒng)高校市場營銷當(dāng)中數(shù)據(jù)庫存在的問題，開展高校市場營銷中網(wǎng)絡(luò)數(shù)據(jù)挖掘技術(shù)的應(yīng)用研究。

1 基于網(wǎng)絡(luò)數(shù)據(jù)挖掘技術(shù)的高校市場營銷設(shè)計

1.1 構(gòu)建高校市場營銷數(shù)據(jù)倉庫

為了提升高校市場營銷水平，該文在傳統(tǒng)高校市場營銷的基礎(chǔ)上，構(gòu)建高校市場營銷數(shù)據(jù)倉庫，為后續(xù)網(wǎng)絡(luò)數(shù)據(jù)挖掘技術(shù)的應(yīng)用提供場所。由于傳統(tǒng)關(guān)系型數(shù)據(jù)庫當(dāng)中的數(shù)據(jù)通常已經(jīng)被抽象化和加工過，因此大部分字段很難被用戶所理解[4]。針對這一問題，為了提高數(shù)據(jù)倉庫中數(shù)據(jù)的利用率，對關(guān)系型數(shù)據(jù)庫當(dāng)中的用戶難以理解的字段賦予全新的含義，以此為終端用戶和復(fù)雜數(shù)據(jù)庫技術(shù)應(yīng)用之間構(gòu)建橋梁[5]。該文從維、測度和類，3個方面對傳統(tǒng)高校市場營銷數(shù)據(jù)庫進(jìn)行優(yōu)化，從而建立高校市場營銷數(shù)據(jù)倉庫。

首先，從維的角度出發(fā)，針對傳統(tǒng)高校市場營銷數(shù)據(jù)庫當(dāng)中某一字段或幾個字段進(jìn)行提取、處理和組合，再經(jīng)過過濾的方式，使數(shù)據(jù)庫當(dāng)中的數(shù)據(jù)資源能夠更加便于被用戶觀察和分析，其表達(dá)式：維=y（字段），其中y為某一過濾或處理函數(shù)，利用該表達(dá)式可以對已經(jīng)經(jīng)過處理的數(shù)據(jù)庫字段進(jìn)行表達(dá)。通過對該字段進(jìn)行注解或重新定義，能夠讓用戶更加容易理解。同時，根據(jù)高校市場營銷的需要，可將字段分別注解為年維、季度維等，或按照不同地區(qū)注解為國家維、地區(qū)維等。

其次，從測度的角度出發(fā)，對傳統(tǒng)高校市場營銷數(shù)據(jù)庫當(dāng)中的數(shù)據(jù)進(jìn)行評價，通過對數(shù)據(jù)庫當(dāng)中的數(shù)字型字段進(jìn)行過濾和集中處理，方便用戶對其進(jìn)行理解。其表達(dá)是為：測度=x（字段），其中x表示為1種針對數(shù)字型數(shù)據(jù)的過濾和聚集處理函數(shù)[6]。通過聚集處理函數(shù)，還可以完成對傳統(tǒng)高校市場營銷數(shù)據(jù)庫中各類數(shù)據(jù)信息的統(tǒng)計，將每條記錄的某一相同數(shù)字型字段進(jìn)行統(tǒng)計，以此求解出不同數(shù)字型字段的平均數(shù)、最大值或最小值等。

最后，從類的角度出發(fā)。對傳統(tǒng)高校市場營銷數(shù)據(jù)庫中的字段進(jìn)行歸類，將表現(xiàn)為相同維或測度的字段匯聚在1個集合當(dāng)中，可以對維和測度在更大的范圍內(nèi)進(jìn)行描述。這一劃分方式，在實(shí)際應(yīng)用中只具有管理層面上的意義，而并不具有實(shí)際用途。

將上述3個方面不同的字段內(nèi)容，按照其相應(yīng)的規(guī)則進(jìn)行劃分并匯總，完成對高校市場營銷數(shù)據(jù)倉庫的構(gòu)建。

1.2 基于網(wǎng)絡(luò)數(shù)據(jù)挖掘技術(shù)的的高校市場營銷數(shù)據(jù)文本分類

在完成對高校市場營銷數(shù)據(jù)倉庫的構(gòu)建后，為了實(shí)現(xiàn)對高校市場營銷數(shù)據(jù)倉庫中各類數(shù)據(jù)的深度挖掘，該文引入了網(wǎng)絡(luò)數(shù)據(jù)挖掘技術(shù)，并在編程思想的基礎(chǔ)上，引入Apriori算法，實(shí)現(xiàn)對無線網(wǎng)絡(luò)環(huán)境中高校市場營銷數(shù)據(jù)倉庫海量數(shù)據(jù)的文本分類[7]。在分類的過程中將高校市場營銷數(shù)據(jù)倉庫中的所有字段內(nèi)容，根據(jù)不同需要，劃分為訓(xùn)練集和測試集。其中，訓(xùn)練集主要完成對高校市場營銷數(shù)據(jù)倉庫每一類別個數(shù)的統(tǒng)計，并對每一類別下特征出現(xiàn)的具體概率進(jìn)行統(tǒng)計。測試集根據(jù)訓(xùn)練集當(dāng)中的具體特征進(jìn)行計算，將其最大值所屬的類別作為最終結(jié)果進(jìn)行分類[8]。在分類過程中，每一類別當(dāng)中的特征出現(xiàn)概率計算公式如公式（1）所示。

式中：P為高校市場營銷數(shù)據(jù)倉庫中每一類別下特征出現(xiàn)的概率；λi為數(shù)據(jù)倉庫當(dāng)中具有某一特征i下的數(shù)據(jù)；n為高校市場營銷數(shù)據(jù)倉庫中具體特征個數(shù)；W為高校市場營銷數(shù)據(jù)倉庫黃精當(dāng)中的海量數(shù)據(jù)。

在引入網(wǎng)絡(luò)數(shù)據(jù)挖掘技術(shù)后，實(shí)際應(yīng)用中很難達(dá)到對高校市場營銷數(shù)據(jù)倉庫中文本分類的要求[9]。因此，為了滿足分類要求，在挖掘過程中頻發(fā)出現(xiàn)某一特征下的數(shù)據(jù)時，為了避免出現(xiàn)某一類公用詞匯頻繁出現(xiàn)，引入tf-idf算法，對高校市場營銷數(shù)據(jù)倉庫中某1個數(shù)據(jù)的權(quán)重進(jìn)行分配，其計算公式如公式（2）所示。

式中：w為高校市場營銷數(shù)據(jù)倉庫中某一數(shù)據(jù)的權(quán)重值；為數(shù)據(jù)倉庫當(dāng)中具有某一特征i下的數(shù)據(jù)；N為該數(shù)據(jù)頻繁出現(xiàn)具體次數(shù)；d為tf-idf計算系數(shù)。

根據(jù)公式（2）計算，得出在高校市場營銷數(shù)據(jù)倉庫中所有數(shù)據(jù)的權(quán)重分配，將其作為基礎(chǔ)，對高校市場營銷數(shù)據(jù)倉庫中的文本進(jìn)行分類，從而提高分類結(jié)果的精度，并進(jìn)一步加強(qiáng)網(wǎng)絡(luò)數(shù)據(jù)挖掘技術(shù)的應(yīng)用價值。

通過計算，得到無線網(wǎng)絡(luò)中海量數(shù)據(jù)的權(quán)重分配，并以此為基礎(chǔ)，對無線網(wǎng)絡(luò)數(shù)據(jù)文本進(jìn)行分類，以此能夠有效提高分類結(jié)果的準(zhǔn)確性，同時也能夠進(jìn)一步提高Apriori算法應(yīng)用的實(shí)際意義。

1.3 無線網(wǎng)絡(luò)環(huán)境離群點(diǎn)數(shù)據(jù)智能過濾

在上述相關(guān)操作的支撐下，為了提高網(wǎng)絡(luò)數(shù)據(jù)挖掘技術(shù)的應(yīng)用價值，還需要對高校市場營銷數(shù)據(jù)倉庫所在網(wǎng)絡(luò)環(huán)境當(dāng)中的離群點(diǎn)數(shù)據(jù)進(jìn)行智能過濾，從而提高數(shù)據(jù)的應(yīng)用價值。在這一過程當(dāng)中，離群點(diǎn)數(shù)據(jù)智能過濾實(shí)質(zhì)上就是對冗余數(shù)據(jù)的過濾。在實(shí)際操作時，根據(jù)上述文本分類，提取多種類型的字段，進(jìn)行網(wǎng)絡(luò)節(jié)點(diǎn)分散處理。由于在實(shí)際操作過程中，高校市場營銷數(shù)據(jù)倉庫中不同離群節(jié)點(diǎn)僅允許在本地數(shù)據(jù)庫當(dāng)中完成相應(yīng)的計算操作。因此，還需要根據(jù)數(shù)據(jù)倉庫中不同數(shù)據(jù)點(diǎn)所屬簇組進(jìn)行分析。通過對不同簇組的核心數(shù)據(jù)值進(jìn)行計算，對其結(jié)果進(jìn)行評估，將評估結(jié)果作為數(shù)據(jù)離群點(diǎn)是否為冗余數(shù)值的評價結(jié)果。以此，綜合上述分析，得出數(shù)據(jù)離群點(diǎn)簇組心值的計算公式如公式（3）所示。

綜合上述計算公式（3），評價輸出的數(shù)據(jù)的最終值與全局簇中心點(diǎn)數(shù)值是否存在一致性。如果得出的結(jié)果一致，則說明被挖掘的數(shù)據(jù)具有一定的利用價值，不需要進(jìn)行離群點(diǎn)數(shù)據(jù)智能過濾；反之，如果得出的結(jié)果不一致，則說明被挖掘的數(shù)據(jù)不具有利用價值，需要進(jìn)行離群點(diǎn)數(shù)據(jù)智能過濾，以此實(shí)現(xiàn)對有利用價值數(shù)據(jù)的高效利用。

1.4 確定高校市場營銷數(shù)據(jù)價值分布及分類

在完成該文上述論述的各項(xiàng)操作后，還需要確定高校市場營銷數(shù)據(jù)價值分布情況，并根據(jù)其特點(diǎn)進(jìn)行分類。表1為以某一高校的市場營銷數(shù)據(jù)倉庫為例的R、F、A、T 4個內(nèi)容作為聚類中心的分類結(jié)果和相應(yīng)的機(jī)制綜合分?jǐn)?shù)。

表1 R、F、A、T對應(yīng)聚類中心

表1中的數(shù)據(jù)是通過對某高校市場營銷數(shù)據(jù)倉庫當(dāng)中的各項(xiàng)數(shù)據(jù)將其對應(yīng)的權(quán)重相乘，并帶入聚類分析處理軟件當(dāng)中得到的結(jié)果。對表1中的R、F、A、T對應(yīng)聚類中心數(shù)據(jù)結(jié)果進(jìn)行分析，高校市場營銷數(shù)據(jù)現(xiàn)階段的各項(xiàng)營銷行為決定了高校市場營銷數(shù)據(jù)現(xiàn)階段對高校自身發(fā)展的最終結(jié)果。為了完成對四縱不同數(shù)據(jù)特征更加細(xì)致化的描述，在現(xiàn)有數(shù)據(jù)價值分析的基礎(chǔ)上，從多個維度出發(fā)，實(shí)現(xiàn)對其數(shù)據(jù)潛在價值的深入分析。結(jié)合RFAT理論，將F*A定義為，在當(dāng)前階段高校市場營銷數(shù)據(jù)的總體價值。因此，F(xiàn)*A與高校市場營銷數(shù)據(jù)當(dāng)前階段的購買頻率之間存在十分密切的聯(lián)系。因此，根據(jù)這一特征，再對F*R*T進(jìn)行定義，將其作為數(shù)據(jù)潛在的增值實(shí)力。結(jié)合RFAT理論，將上述2種定義下的高校市場營銷數(shù)據(jù)，根據(jù)高校市場營銷的實(shí)際需要，將其劃分為低、中、高3個不同等級的價值分布區(qū)域，其中將0～3.5的數(shù)值定義為具有低等級價值的數(shù)據(jù)；將3.5～12.5的數(shù)據(jù)定義為具有中等級價值的數(shù)據(jù)；將12.5～21.5的數(shù)據(jù)定義為具有高等級價值的數(shù)據(jù)。根據(jù)上述定義，仍然以上述某高校市場營銷數(shù)據(jù)倉庫中的數(shù)據(jù)為例，將其聚類后的結(jié)果進(jìn)行相應(yīng)的標(biāo)準(zhǔn)，并將其填寫在圖1當(dāng)中相對應(yīng)的位置上。

圖1中顏色越深的區(qū)域代表其所在區(qū)域內(nèi)的高校市場營銷數(shù)據(jù)價值越高，反之，顏色越淺的區(qū)域代表其所在區(qū)域內(nèi)的高校市場營銷數(shù)據(jù)價值越低。從圖1中的信息可以清晰地看出哪個區(qū)域當(dāng)中的數(shù)據(jù)具有較高的營銷價值，以此展現(xiàn)高校市場營銷數(shù)據(jù)倉庫數(shù)據(jù)營銷價值和潛力，從而更加方便為高校數(shù)據(jù)類型選擇精準(zhǔn)營銷策。在實(shí)際應(yīng)用中，針對不同分布區(qū)域，高校應(yīng)當(dāng)提出相對應(yīng)的營銷策略，從而實(shí)現(xiàn)對高校市場營銷數(shù)據(jù)倉庫中各類數(shù)據(jù)的高效利用。

圖1 高校市場營銷數(shù)據(jù)價值分布圖

2 對比實(shí)驗(yàn)

為了進(jìn)一步驗(yàn)證該文提出的基于網(wǎng)絡(luò)數(shù)據(jù)挖掘技術(shù)的高校市場營銷方法在實(shí)際應(yīng)用中的效果，將其與傳統(tǒng)營銷方法進(jìn)行對比，完成如下對比實(shí)驗(yàn)。

選擇某高校作為實(shí)驗(yàn)環(huán)境，將其近幾年來市場營銷歷史數(shù)據(jù)作為實(shí)驗(yàn)樣本，實(shí)驗(yàn)樣本當(dāng)中包括客戶分析、產(chǎn)品分析和市場分析等多種分析方法得出的各項(xiàng)數(shù)據(jù)。分別利用該文提出的基于網(wǎng)絡(luò)數(shù)據(jù)挖掘技術(shù)的高校市場營銷，和傳統(tǒng)營銷模式分別對其各項(xiàng)數(shù)據(jù)進(jìn)行挖掘，構(gòu)建高校市場營銷模型。將2種模型應(yīng)用于真實(shí)的市場營銷環(huán)境當(dāng)中，待完成一段時間的模型運(yùn)行后，將2種模型的實(shí)驗(yàn)結(jié)果進(jìn)行記錄，并利用Python3.1的開發(fā)工具，通過編程的方式完成對其結(jié)果進(jìn)行定量，并繪制成實(shí)驗(yàn)結(jié)果對比表，見表2。

表2中P值為該文營銷方法或傳統(tǒng)營銷方法中完成數(shù)據(jù)挖掘后數(shù)據(jù)集中重要數(shù)據(jù)的占比。因此，P值越大，則說明該營銷方法當(dāng)中的挖掘效果更強(qiáng)，反之，P值越小，則說明該營銷方法當(dāng)中的挖掘效果更弱。由表2中的實(shí)驗(yàn)結(jié)果可以看出，該文營銷方法P值均在95.00%以上，而傳統(tǒng)營銷方法P值均未超過70.00%，因此該文營銷方法P值明顯高于傳統(tǒng)營銷方法。通過對比實(shí)驗(yàn)進(jìn)一步證明，該文提出的基于網(wǎng)絡(luò)數(shù)據(jù)挖掘技術(shù)的高校市場營銷方法能夠深入挖掘海量數(shù)據(jù)，并提高數(shù)據(jù)的利用率。

3 結(jié)語

該文通過開展高校市場營銷中網(wǎng)絡(luò)數(shù)據(jù)挖掘技術(shù)的應(yīng)用研究，提出了1種全新的高校市場營銷方法，將該方法應(yīng)用于實(shí)際能夠深度挖掘海量數(shù)據(jù)。在當(dāng)前數(shù)據(jù)在市場營銷中地位不斷提升的背景下，該文提出的方法能夠完成對數(shù)據(jù)信息的采集、分析、并根據(jù)分析結(jié)果提出建議。同時，該文設(shè)計的方法可根據(jù)不同領(lǐng)域市場營銷的實(shí)際情況進(jìn)行調(diào)節(jié)，不僅可以應(yīng)用于高校當(dāng)中，同時還可以為企業(yè)的各項(xiàng)決策提供幫助，因此具有更加廣泛的應(yīng)用效果。