文/李東輝 舒煜 貴州師范大學 經(jīng)濟與管理學院

隨著互聯(lián)網(wǎng)的全國性普及，物流業(yè)的蓬勃發(fā)展，網(wǎng)絡購物以其更加低廉的價格、更多的商品選擇等優(yōu)勢漸漸代替了實體購物。作為網(wǎng)絡店鋪主體，揣測消費者對關聯(lián)產(chǎn)品的購買意向，在很大程度上能幫助網(wǎng)絡商家進行更好的網(wǎng)絡營銷。本文基于大數(shù)據(jù)背景，充分結合數(shù)據(jù)挖掘理論中的相關技術，利用對以往顧客進行網(wǎng)絡購物時的關聯(lián)產(chǎn)品購買數(shù)據(jù)，進行數(shù)據(jù)信息挖掘，擬判斷顧客的相關產(chǎn)品購買意向。本文僅僅以示例的形式從數(shù)據(jù)挖掘角度進行顧客購買意向的預判，并未進行大量實體驗證，因此，文章所列內(nèi)容只作為供參考的理論基礎。

數(shù)據(jù)挖掘/關聯(lián)產(chǎn)品/購買意向

一、前言

隨著信息技術的普及、互聯(lián)網(wǎng)的迅速發(fā)展、網(wǎng)絡覆蓋度的大幅提升，中國已經(jīng)進入了網(wǎng)絡時代。同時，中國實體營銷也向網(wǎng)絡營銷邁出了長遠的一步，網(wǎng)上宣傳、網(wǎng)上策劃以及網(wǎng)上促銷等等一些列商家活動，都獲得了很大的成功。網(wǎng)絡支付方便快捷，網(wǎng)上產(chǎn)品豐富多彩，網(wǎng)上價格更加優(yōu)惠，這些因素也成功吸引了購物者的眼球，使更多的人參與到網(wǎng)購行列中來。網(wǎng)上店鋪的風靡與大批量現(xiàn)存及潛在的網(wǎng)購顧客成功開辟了市場營銷的第二條路徑，并且發(fā)展迅猛。

但是，網(wǎng)絡商家間的競爭卻也日益激烈，除了以更好的品質、低廉的價格、優(yōu)質的服務來贏得更多的忠誠顧客外，還應對顧客的購買意向進行較為深入的感知與挖掘。在本文中，核心針對網(wǎng)絡商品的關聯(lián)產(chǎn)品網(wǎng)購意向進行舉例式數(shù)學模擬分析（即以手機配件、屏幕保護膜及耳機等作為手機的關聯(lián)商品，進行分析）,并由此對一般性網(wǎng)絡商品的關聯(lián)產(chǎn)品的營銷提出相關策略。

二、相關理論基礎

（一）數(shù)據(jù)挖掘

數(shù)據(jù)挖掘（Data mining）是數(shù)據(jù)庫知識發(fā)現(xiàn)中的一個步驟，是一個逐漸演變的過程，通過這個過程，可以把商業(yè)經(jīng)驗以及生活中的知識與海量數(shù)據(jù)進行對應結合，使得人們將抽象復雜的問題通用簡單數(shù)字信息表現(xiàn)出來。利用數(shù)據(jù)挖掘技術，可以使人們更準確的認識問題，更深入的發(fā)現(xiàn)市場機遇，也可以做出更明智的決策。

商業(yè)活動中的數(shù)據(jù)挖掘可以這樣理解：數(shù)據(jù)挖掘作為一種商業(yè)信息的處理方法，通過數(shù)據(jù)挖掘中諸多方法中的可適用方法，來進行商業(yè)信息數(shù)據(jù)的深層次剖析，從而進行抽取、轉換、分析以及運用其他一些模型化處理方法，目的是獲取能輔助進行商業(yè)決策的重要關鍵數(shù)據(jù)和關鍵的依托關系等重要隱含信息。

（二）關聯(lián)規(guī)則

數(shù)據(jù)挖掘中的關聯(lián)規(guī)則，也通?？梢苑Q作關聯(lián)模式，它是單向的,是指某類項目或特征與另一類項目或特征間所存在的單向影響關系[1]。關聯(lián)規(guī)則挖掘技術用于發(fā)現(xiàn)數(shù)據(jù)庫中的屬性之間的隱含聯(lián)系，這和傳統(tǒng)的生產(chǎn)方式規(guī)則不同，關聯(lián)規(guī)則可以有一個或多個輸出屬性，同時，一個規(guī)則的輸出屬性可以同時是另一個規(guī)則的輸入屬性[2]。由關聯(lián)分析方法的性質可以看出，該方法非常適合類似于購物籃類問題的分析解決。

以關聯(lián)的角度來進行分析，能挖掘大量數(shù)據(jù)信息中隱藏起來的聯(lián)系，這種被挖掘出來的聯(lián)系就可以用關聯(lián)規(guī)則來表示。即通過對以往數(shù)據(jù)信息進行匯總，將其作為數(shù)據(jù)挖掘的數(shù)據(jù)倉庫，并利用數(shù)據(jù)挖掘類軟件進行操作，便可得出相應的關聯(lián)規(guī)則，再將挖掘出來的關聯(lián)規(guī)則經(jīng)過解釋和評估，驗證其可靠性，最后得出結果并應用。

三、關聯(lián)產(chǎn)品的數(shù)據(jù)挖掘處理流程

鑒于網(wǎng)絡市場的獨有性質，對于客戶的訪問、消費、回饋等信息都能夠很好的進行統(tǒng)計和存儲，因此，網(wǎng)購顧客數(shù)據(jù)進行挖掘更加方便，應用更加高效。

當網(wǎng)購顧客訪問某一個購物網(wǎng)站的時候，網(wǎng)絡商家通過相應合理的數(shù)據(jù)統(tǒng)計工具對顧客的可統(tǒng)計信息進行數(shù)據(jù)類匯總，形成一個大型的顧客信息數(shù)據(jù)庫。其中，針對本文所研究涉及的領域與內(nèi)容，進行初步的數(shù)據(jù)篩選，獲得具有針對性的初級數(shù)據(jù)源，為接下來的數(shù)據(jù)挖掘做好準備。

由于數(shù)據(jù)挖掘需要標準的數(shù)據(jù)來進行操作，因此，還需要對已經(jīng)進行過初次篩選的數(shù)據(jù)整理，統(tǒng)一標準后才可以形成能進行數(shù)據(jù)挖掘操作的數(shù)據(jù)倉庫。然后，對數(shù)據(jù)倉庫運用數(shù)據(jù)挖掘技術進行深層次挖掘，獲得更為重要的信息或關聯(lián)規(guī)則。接下來對這些挖掘結果進行合理的解釋評估，得到數(shù)據(jù)挖掘結果。數(shù)據(jù)挖掘結果不能直接作為數(shù)據(jù)挖掘模型終端，在進行結果應用的同時，要進行應用效果反饋，以持續(xù)調整數(shù)據(jù)挖掘算法，爭取獲得更為優(yōu)化的數(shù)據(jù)挖掘算法，使挖掘成效最大化。鑒于以上描述，可以構建一個具體的據(jù)挖掘處理模型（如圖1），通過模型中的步驟逐步進行數(shù)據(jù)分析與處理，最后預判網(wǎng)購顧客對關聯(lián)產(chǎn)品的購買意向。

圖1 關聯(lián)產(chǎn)品購買意向的數(shù)據(jù)挖掘處理模型

四、關聯(lián)產(chǎn)品購買意向的具體應用案例

關聯(lián)規(guī)則作為本文中的一項重要規(guī)則，與傳統(tǒng)的分類規(guī)則不同，關聯(lián)規(guī)則中的各個屬性可以重復出現(xiàn)在下一輪規(guī)則聯(lián)系中。因此，在網(wǎng)購顧客購買任意產(chǎn)品或產(chǎn)品組合時，可以利用這一規(guī)則推斷其關聯(lián)產(chǎn)品的購買可能性和意愿強度。

經(jīng)調研某專賣移動設備的網(wǎng)絡商家發(fā)現(xiàn)，其產(chǎn)品主要可以分為手機和手機配件系列兩大模塊。其中，手機可以分為高端手機和普通手機，手機配件系列在本文中僅以手機護具和耳機作為主要案例資料。手機護具主要分為手機膜和手機防護外殼。以該商家的某月購物顧客訪問后具體購買數(shù)據(jù)為例，獲得其初步篩選后的數(shù)據(jù)表如下：

備注：為便于計算，以十位為最小單位，四舍五入保存數(shù)值

從上表中的數(shù)據(jù)及信息看起來比較混亂，因此，整理成較為直觀同時更容易理解的二維交叉表形式，見下表：

手機Y1 Y X單獨購買 合計高端手機Y11普通手機Y12耳機X1 440 300 120 860手機配件系列手機護具系列X2手機膜X21 510 260 300 1070手機防護外殼X22 310 210 80 600單獨購買 150 200 總交易數(shù)：2410合計 1410 970

根據(jù)交叉表中的數(shù)據(jù)，可以挖掘出很多關聯(lián)規(guī)則，例如：手機膜和高端手機之間的關系（X21——Y11）。關聯(lián)規(guī)則有著兩個重要的屬性：支持度和置信度。

1.3.2 學生對案例教學法的反饋 討論課全部結束后，教師集體討論并設計問卷調查表，要求實驗組從對教學方法滿意度以及是否促進自主學習、學習能力、學習興趣、與教師交流等方面，對病例討論教學法的效果進行評價。共發(fā)出問卷151份，收回問卷151份，問卷回收率、有效率為100.00%。

（1）支持度（support）:某項目集的支持度就是指在所有事物集數(shù)據(jù)庫中，包含該項目集的所有事物占整體所有事物的比例。因此，手機膜與高端手機關聯(lián)規(guī)則的支持度可以按如下計算：

S u p（X 2 1——Y 1 1）=X 2 1、Y 1 1 同時出現(xiàn)次數(shù)/事件總數(shù)=P(X21Y11)=21.16%。

（2）置信度（confidence）是指在事物數(shù)據(jù)庫中，購買了一類商品，同時又購買了另一類商品的交易概率，可以按照概率統(tǒng)計中的條件概率進行計算：

Conf（X21——Y11）=P（Y11/X21）=P（X21Y11）/ P（X21）=X21、Y11出現(xiàn)次數(shù)/X21出現(xiàn)次數(shù)=47.66%。

根據(jù)以上關聯(lián)規(guī)則的計算方法，可以通過SAS Enterprise Miner等軟件獲得大量的關聯(lián)規(guī)則。以本例中高端手機對各類手機配件關聯(lián)規(guī)則的支持度和置信度數(shù)據(jù)表格，如下表：

組合 關聯(lián)規(guī)則 支持度% 置信度%高端手機—耳機 Y11—X1 18.25 51.16高端手機—手機膜 Y11—X21 21.16 36.17高端手機—手機防護外殼 Y11—X22 12.86 21.98

五、基于數(shù)據(jù)挖掘技術的關聯(lián)產(chǎn)品網(wǎng)絡營銷策略

基于關聯(lián)規(guī)則的數(shù)據(jù)挖掘方法，可以對網(wǎng)購顧客的關聯(lián)產(chǎn)品購買意向進行深層次的剖析，因此，可以將這一理論應用在具體的網(wǎng)絡營銷中，提出相應實用的網(wǎng)絡營銷策略。

（一）以支持度為核心的網(wǎng)絡營銷策略

通過關聯(lián)規(guī)則數(shù)據(jù)挖掘可知，一個購物組合支持度的高低，表明在所有購物搭配中，該組合被選中出現(xiàn)的概率高低。因此，通過進行大量的數(shù)據(jù)挖掘，可以在網(wǎng)絡店鋪所有購物數(shù)據(jù)中，將各種組合的支持度按照從高到低的次序排列。借助這個可以獲知的排序，來安排產(chǎn)品搭配促銷策略，一捆綁銷售的模式提高產(chǎn)品的銷售量。這樣做還可以大大縮減購物者單獨購買而產(chǎn)生的額外附加費用，如二次物流費、人工費、包裝費用等等。對于購買者而言，還可以享受獨有的購物組合優(yōu)惠?？傊灾С侄葹楹诵牡木W(wǎng)絡營銷策略可以實現(xiàn)網(wǎng)絡店鋪與購物者之間的雙贏。

（二）以置信度為核心的網(wǎng)絡營銷策略

在網(wǎng)絡店鋪中，置信度表示的是購買店鋪內(nèi)任意產(chǎn)品后，購買另一產(chǎn)品的交易概率，也可以理解成為購物者對置信度高的關聯(lián)產(chǎn)品購買意向更加強烈。因為網(wǎng)絡店鋪往往都是一些相關產(chǎn)品或者是替代產(chǎn)品的集群，產(chǎn)品之間存在著或多或少的互補或搭配的關系，所以對于置信度較高的關聯(lián)產(chǎn)品組合來說，更容易受到消費者的青睞。

經(jīng)過數(shù)據(jù)挖掘分析，某關聯(lián)產(chǎn)品組合的置信度高，即當購物者購買某一種產(chǎn)品時，立即自動推送與其相關聯(lián)的高置信度產(chǎn)品。在對店鋪內(nèi)的所有產(chǎn)品銷售數(shù)據(jù)進行數(shù)據(jù)挖掘后，關聯(lián)規(guī)則中的置信度排序也呈現(xiàn)出來，那么消費者購買任意產(chǎn)品，都可以按照置信度從高到低排序，推送產(chǎn)品。這種信息推送方式就徹底顛覆了原有了同類替代產(chǎn)品信息推送模式，因為原有的替代品推送模式僅僅能在選擇的時候提供多一種選擇，究其根本對銷售量沒有提高，而以置信度為核心的網(wǎng)絡營銷策略卻能大大提高銷售量。

（三）綜合支持度和置信度營銷策略

在沒有進行關聯(lián)產(chǎn)品銷售數(shù)據(jù)挖掘的網(wǎng)絡店鋪，對于店鋪內(nèi)的產(chǎn)品的融合度并不十分了解。對于某一產(chǎn)品，假如與任何產(chǎn)品關聯(lián)組合的支持度和置信度都較低（不同店鋪內(nèi)高低水平不同，需具體參照），且該產(chǎn)品獨自銷售的概率或者利潤偏低，那么該產(chǎn)品可以被視為該店鋪內(nèi)的不融合產(chǎn)品，在進行產(chǎn)品更新的時候，可以首選作為淘汰對象。

這種更新店鋪重塑銷售產(chǎn)品的方法也可以作為一種營銷策略，作用不在于擴大銷售，而在于提高店鋪整體的銷售效率和質量，是一種戰(zhàn)略型營銷策略。

以上三種營銷策略是基于數(shù)據(jù)挖掘理論對網(wǎng)購顧客關聯(lián)產(chǎn)品購買意向進行分析后，所得出的具有針對性的主要營銷策略。這些策略充分利用了網(wǎng)絡店鋪信息數(shù)據(jù)獲取易、產(chǎn)品信息推送方便、產(chǎn)品更新便捷等優(yōu)勢，同時結合數(shù)據(jù)挖掘關聯(lián)規(guī)則的可應用性。但對于這些策略的具體成效還待檢驗，暫時僅僅為可執(zhí)行的參考性營銷策略。

六、結束語

在本文中，利用數(shù)據(jù)挖掘技術在網(wǎng)絡銷售方面的應用空間，重點將關聯(lián)規(guī)則應用于網(wǎng)絡關聯(lián)產(chǎn)品是否購買的預判，進而有效幫助網(wǎng)絡商家采取針對性的銷售策略和產(chǎn)品推薦。

鑒于本文篇幅有限，雖然以一個具體案例進行驗證說明，但并沒有專門針對大型網(wǎng)絡店鋪數(shù)據(jù)庫進行數(shù)據(jù)挖掘，因此需要實踐者，應用所構建的關聯(lián)產(chǎn)品數(shù)據(jù)處理模型中的調整數(shù)據(jù)挖掘算法的循環(huán)步驟，不斷優(yōu)化數(shù)據(jù)挖掘算法以及逐步剔除數(shù)據(jù)庫中的雜質數(shù)據(jù)，使得數(shù)據(jù)挖掘結果更加可靠。同時，也希望更多學者對本文理論及思想進行不斷的拓展和補充，獲得更多的研究價值。

[1]安建華.數(shù)據(jù)挖掘技術在零售業(yè)中的應用研究[D].東北財經(jīng)大學,2005年12 月.

[2]Richard J.Roiger,Michael W.Geatz 著. 翁 敬 農(nóng) 譯.Data Mining A Tutorial-Based Primer[M].北京:清華大學出版社,2003 年11 月.

[3]廖芹,郝志峰,陳志宏.數(shù)據(jù)挖掘與數(shù)學建模[M].北京:國防工業(yè)出版社,2012 年2 月.

[4]Xindong Wu,Vipin Kumar著.李文波,吳素研譯.數(shù)據(jù)挖掘十大算法[M].北京:清華大學出版社,2013 年5 月.

[5]歐陽圣,數(shù)據(jù)挖掘在消費行為分析中的應用[D],湖南大學,2011年4月.