高校市場營銷中網絡數據挖掘技術的應用

陳 威

（湖南環境生物職業技術學院，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用型更強，當前社會對于市場營銷合理手段的迫切需要，使其運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該將知識復合和能力培養2個方面結合，使其同步發展[1]。隨著當前市場競爭越來越激烈激烈，各個高校的市場營銷專業都在不斷探索全新的營銷道路和手段，在傳統高校中起決定性作用的是數據庫管理系統，隨著近幾年來高校海量數據的增長，以及高校對數據處理的需求提升，已經無法滿足當代高校市場營銷的基本需要和發展[2]。因此，當前相關領域研究人員正不斷地進行深入研究，尋找1種能夠自動分析數據、自動分類數據，并對海量數據進行存儲的方法，從這些海量數據中預測其未來的變化，并及時找出可能存在異常的事務。網絡數據挖掘技術從出現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]。在對特定的用戶進行挖掘的過程中，由于數據量十分龐大，因此采用傳統的方式會造成計算壓力的增加。而網絡數據挖掘技術是1種利用分類、聚類和關聯分析等手段對數據進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，針對上述傳統高校市場營銷當中數據庫存在的問題，開展高校市場營銷中網絡數據挖掘技術的應用研究。

1 基于網絡數據挖掘技術的高校市場營銷設計

1.1 構建高校市場營銷數據倉庫

為了提升高校市場營銷水平，該文在傳統高校市場營銷的基礎上，構建高校市場營銷數據倉庫，為后續網絡數據挖掘技術的應用提供場所。由于傳統關系型數據庫當中的數據通常已經被抽象化和加工過，因此大部分字段很難被用戶所理解[4]。針對這一問題，為了提高數據倉庫中數據的利用率，對關系型數據庫當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雜數據庫技術應用之間構建橋梁[5]。該文從維、測度和類，3個方面對傳統高校市場營銷數據庫進行優化，從而建立高校市場營銷數據倉庫。

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

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

最后，從類的角度出發。對傳統高校市場營銷數據庫中的字段進行歸類，將表現為相同維或測度的字段匯聚在1個集合當中，可以對維和測度在更大的范圍內進行描述。這一劃分方式，在實際應用中只具有管理層面上的意義，而并不具有實際用途。

將上述3個方面不同的字段內容，按照其相應的規則進行劃分并匯總，完成對高校市場營銷數據倉庫的構建。

1.2 基于網絡數據挖掘技術的的高校市場營銷數據文本分類

在完成對高校市場營銷數據倉庫的構建后，為了實現對高校市場營銷數據倉庫中各類數據的深度挖掘，該文引入了網絡數據挖掘技術，并在編程思想的基礎上，引入Apriori算法，實現對無線網絡環境中高校市場營銷數據倉庫海量數據的文本分類[7]。在分類的過程中將高校市場營銷數據倉庫中的所有字段內容，根據不同需要，劃分為訓練集和測試集。其中，訓練集主要完成對高校市場營銷數據倉庫每一類別個數的統計，并對每一類別下特征出現的具體概率進行統計。測試集根據訓練集當中的具體特征進行計算，將其最大值所屬的類別作為最終結果進行分類[8]。在分類過程中，每一類別當中的特征出現概率計算公式如公式（1）所示。

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

在引入網絡數據挖掘技術后，實際應用中很難達到對高校市場營銷數據倉庫中文本分類的要求[9]。因此，為了滿足分類要求，在挖掘過程中頻發出現某一特征下的數據時，為了避免出現某一類公用詞匯頻繁出現，引入tf-idf算法，對高校市場營銷數據倉庫中某1個數據的權重進行分配，其計算公式如公式（2）所示。

式中：w為高校市場營銷數據倉庫中某一數據的權重值；為數據倉庫當中具有某一特征i下的數據；N為該數據頻繁出現具體次數；d為tf-idf計算系數。

根據公式（2）計算，得出在高校市場營銷數據倉庫中所有數據的權重分配，將其作為基礎，對高校市場營銷數據倉庫中的文本進行分類，從而提高分類結果的精度，并進一步加強網絡數據挖掘技術的應用價值。

通過計算，得到無線網絡中海量數據的權重分配，并以此為基礎，對無線網絡數據文本進行分類，以此能夠有效提高分類結果的準確性，同時也能夠進一步提高Apriori算法應用的實際意義。

1.3 無線網絡環境離群點數據智能過濾

在上述相關操作的支撐下，為了提高網絡數據挖掘技術的應用價值，還需要對高校市場營銷數據倉庫所在網絡環境當中的離群點數據進行智能過濾，從而提高數據的應用價值。在這一過程當中，離群點數據智能過濾實質上就是對冗余數據的過濾。在實際操作時，根據上述文本分類，提取多種類型的字段，進行網絡節點分散處理。由于在實際操作過程中，高校市場營銷數據倉庫中不同離群節點僅允許在本地數據庫當中完成相應的計算操作。因此，還需要根據數據倉庫中不同數據點所屬簇組進行分析。通過對不同簇組的核心數據值進行計算，對其結果進行評估，將評估結果作為數據離群點是否為冗余數值的評價結果。以此，綜合上述分析，得出數據離群點簇組心值的計算公式如公式（3）所示。

綜合上述計算公式（3），評價輸出的數據的最終值與全局簇中心點數值是否存在一致性。如果得出的結果一致，則說明被挖掘的數據具有一定的利用價值，不需要進行離群點數據智能過濾；反之，如果得出的結果不一致，則說明被挖掘的數據不具有利用價值，需要進行離群點數據智能過濾，以此實現對有利用價值數據的高效利用。

1.4 確定高校市場營銷數據價值分布及分類

在完成該文上述論述的各項操作后，還需要確定高校市場營銷數據價值分布情況，并根據其特點進行分類。表1為以某一高校的市場營銷數據倉庫為例的R、F、A、T 4個內容作為聚類中心的分類結果和相應的機制綜合分數。

表1 R、F、A、T對應聚類中心

表1中的數據是通過對某高校市場營銷數據倉庫當中的各項數據將其對應的權重相乘，并帶入聚類分析處理軟件當中得到的結果。對表1中的R、F、A、T對應聚類中心數據結果進行分析，高校市場營銷數據現階段的各項營銷行為決定了高校市場營銷數據現階段對高校自身發展的最終結果。為了完成對四縱不同數據特征更加細致化的描述，在現有數據價值分析的基礎上，從多個維度出發，實現對其數據潛在價值的深入分析。結合RFAT理論，將F*A定義為，在當前階段高校市場營銷數據的總體價值。因此，F*A與高校市場營銷數據當前階段的購買頻率之間存在十分密切的聯系。因此，根據這一特征，再對F*R*T進行定義，將其作為數據潛在的增值實力。結合RFAT理論，將上述2種定義下的高校市場營銷數據，根據高校市場營銷的實際需要，將其劃分為低、中、高3個不同等級的價值分布區域，其中將0～3.5的數值定義為具有低等級價值的數據；將3.5～12.5的數據定義為具有中等級價值的數據；將12.5～21.5的數據定義為具有高等級價值的數據。根據上述定義，仍然以上述某高校市場營銷數據倉庫中的數據為例，將其聚類后的結果進行相應的標準，并將其填寫在圖1當中相對應的位置上。

圖1中顏色越深的區域代表其所在區域內的高校市場營銷數據價值越高，反之，顏色越淺的區域代表其所在區域內的高校市場營銷數據價值越低。從圖1中的信息可以清晰地看出哪個區域當中的數據具有較高的營銷價值，以此展現高校市場營銷數據倉庫數據營銷價值和潛力，從而更加方便為高校數據類型選擇精準營銷策。在實際應用中，針對不同分布區域，高校應當提出相對應的營銷策略，從而實現對高校市場營銷數據倉庫中各類數據的高效利用。

圖1 高校市場營銷數據價值分布圖

2 對比實驗

為了進一步驗證該文提出的基于網絡數據挖掘技術的高校市場營銷方法在實際應用中的效果，將其與傳統營銷方法進行對比，完成如下對比實驗。

選擇某高校作為實驗環境，將其近幾年來市場營銷歷史數據作為實驗樣本，實驗樣本當中包括客戶分析、產品分析和市場分析等多種分析方法得出的各項數據。分別利用該文提出的基于網絡數據挖掘技術的高校市場營銷，和傳統營銷模式分別對其各項數據進行挖掘，構建高校市場營銷模型。將2種模型應用于真實的市場營銷環境當中，待完成一段時間的模型運行后，將2種模型的實驗結果進行記錄，并利用Python3.1的開發工具，通過編程的方式完成對其結果進行定量，并繪制成實驗結果對比表，見表2。

表2中P值為該文營銷方法或傳統營銷方法中完成數據挖掘后數據集中重要數據的占比。因此，P值越大，則說明該營銷方法當中的挖掘效果更強，反之，P值越小，則說明該營銷方法當中的挖掘效果更弱。由表2中的實驗結果可以看出，該文營銷方法P值均在95.00%以上，而傳統營銷方法P值均未超過70.00%，因此該文營銷方法P值明顯高于傳統營銷方法。通過對比實驗進一步證明，該文提出的基于網絡數據挖掘技術的高校市場營銷方法能夠深入挖掘海量數據，并提高數據的利用率。

3 結語

該文通過開展高校市場營銷中網絡數據挖掘技術的應用研究，提出了1種全新的高校市場營銷方法，將該方法應用于實際能夠深度挖掘海量數據。在當前數據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據信息的采集、分析、并根據分析結果提出建議。同時，該文設計的方法可根據不同領域市場營銷的實際情況進行調節，不僅可以應用于高校當中，同時還可以為企業的各項決策提供幫助，因此具有更加廣泛的應用效果。