■ 肖志良 博士生（1、佛山職業(yè)技術(shù)學(xué)院 廣東佛山 528000 2、武漢大學(xué) 武漢 430071）

從歷史客戶(hù)的消費(fèi)行為和傾向中尋找啟示，這便是學(xué)習(xí)型大數(shù)據(jù)的重要前提和假設(shè)。隨著企業(yè)逐步涉足電子商務(wù)營(yíng)銷(xiāo)，依賴(lài)傳統(tǒng)訂單生存的發(fā)展模式發(fā)生了根本性的轉(zhuǎn)變，企業(yè)不再是面對(duì)幾個(gè)傳統(tǒng)的、熟悉的老客戶(hù)訂單，而是面對(duì)所有不確定性的潛在客戶(hù)群，這時(shí)構(gòu)建和提供精準(zhǔn)服務(wù)顯得尤為重要。電子商務(wù)營(yíng)銷(xiāo)的背景下，企業(yè)的競(jìng)爭(zhēng)越來(lái)越趨向競(jìng)爭(zhēng)情報(bào)的競(jìng)爭(zhēng)，企業(yè)往往注重來(lái)自于外部環(huán)境的競(jìng)爭(zhēng)情報(bào)，卻忽略了企業(yè)內(nèi)部環(huán)境的競(jìng)爭(zhēng)情報(bào)，對(duì)企業(yè)營(yíng)銷(xiāo)活動(dòng)進(jìn)行大數(shù)據(jù)分析與挖掘同樣是提高企業(yè)競(jìng)爭(zhēng)力的有效手段（黃曉斌等，2012）。

基本研究思路

（一）研究前提與假設(shè)

1.數(shù)據(jù)的學(xué)習(xí)性。數(shù)據(jù)學(xué)習(xí)（Data Learning，DL）源于機(jī)器學(xué)習(xí)（Machine Learning，ML），機(jī)器學(xué)習(xí)的本質(zhì)上就是包含各種算法的數(shù)據(jù)學(xué)習(xí)模型。數(shù)據(jù)學(xué)習(xí)是一門(mén)多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計(jì)學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門(mén)學(xué)科，專(zhuān)門(mén)研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類(lèi)的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身的性能，它是人工智能的核心，其應(yīng)用遍及人工智能的各個(gè)領(lǐng)域，它主要使用歸納、綜合而不是演繹。本文研究的重要前提是假設(shè)數(shù)據(jù)具有學(xué)習(xí)性，所謂數(shù)據(jù)學(xué)習(xí)性就是指在特點(diǎn)環(huán)境條件下既往發(fā)生的數(shù)據(jù)邏輯和規(guī)律會(huì)預(yù)示未來(lái)在相同或相似環(huán)境條件下新數(shù)據(jù)產(chǎn)生的趨勢(shì)和邏輯，利用這種預(yù)示的規(guī)律可以幫助人們對(duì)未來(lái)某一事物的發(fā)展趨勢(shì)做出研判。事實(shí)上，所有數(shù)據(jù)都具有二重性：描述性和參照性。數(shù)據(jù)的描述性是數(shù)據(jù)本身描述事物的屬性度量值，數(shù)據(jù)的參照性是數(shù)據(jù)對(duì)其他同類(lèi)事物的同一屬性具有相對(duì)參考性，因此，數(shù)據(jù)既可學(xué)習(xí)其他同類(lèi)的數(shù)據(jù)，同時(shí)也成為被學(xué)習(xí)的目標(biāo)數(shù)據(jù)。數(shù)據(jù)的這種特征為人工智能、智慧服務(wù)的實(shí)現(xiàn)提供了良好的手段和支撐。

2.數(shù)據(jù)的多維性。數(shù)據(jù)的本質(zhì)是描述某一事物的某一屬性的特征值，由于被描述的事物往往復(fù)雜而又多面，因此準(zhǔn)確描述事物特征屬性需要從多個(gè)維度加以考量，這就是數(shù)據(jù)的多維性。比如描述某人的身高用一維數(shù)據(jù)即可，而描述某人在地球上的位置信息則需要二維數(shù)據(jù)：經(jīng)度和緯度，如果要描述這個(gè)人的體重狀態(tài)（體重是否達(dá)標(biāo)）就需要三維數(shù)據(jù)了：身高、年齡、體重。本文研究的是客戶(hù)的消費(fèi)行為趨勢(shì)，首先需要描述客戶(hù)的消費(fèi)行為（這需要采用二維數(shù)據(jù)：消費(fèi)種類(lèi)和消費(fèi)量），然后再針對(duì)多次消費(fèi)行為描述其消費(fèi)趨勢(shì)（需要增加一個(gè)維度：消費(fèi)的時(shí)間節(jié)點(diǎn)），因此本文的研究采用了三維數(shù)據(jù)模型。

3.消費(fèi)的行為與趨勢(shì)。本研究假設(shè)客戶(hù)對(duì)商品的多次消費(fèi)行為蘊(yùn)含并預(yù)示著某種消費(fèi)趨勢(shì)，并且客戶(hù)在一段時(shí)期內(nèi)會(huì)基本遵循這一消費(fèi)趨勢(shì)。筆者曾經(jīng)對(duì)某一大型品牌服裝企業(yè)的客戶(hù)消費(fèi)行為進(jìn)行了詳細(xì)研究分析，發(fā)現(xiàn)約80%的客戶(hù)遵循自身的消費(fèi)習(xí)慣和規(guī)律。因此，本研究對(duì)企業(yè)營(yíng)銷(xiāo)服務(wù)的指導(dǎo)作用仍然是顯著有效的。

（二）研究思路

本文研究的基本思路是：在二維結(jié)構(gòu)化數(shù)據(jù)的基礎(chǔ)上加入“時(shí)間戳”，構(gòu)建三維數(shù)據(jù)模型，將采集的原始數(shù)據(jù)按照三維數(shù)據(jù)的結(jié)構(gòu)進(jìn)行部署和存儲(chǔ)；然后以數(shù)據(jù)的時(shí)間戳為基準(zhǔn)，構(gòu)建數(shù)據(jù)的趨勢(shì)特征模型，這種趨勢(shì)特征模型由多個(gè)特征參數(shù)來(lái)描述，不同的應(yīng)用應(yīng)該具體確定這些特征參數(shù)及其權(quán)重；最后是通過(guò)數(shù)據(jù)學(xué)習(xí)進(jìn)行數(shù)據(jù)挖掘分析，預(yù)測(cè)事物發(fā)展趨勢(shì)，數(shù)據(jù)學(xué)習(xí)的具體方法是通過(guò)趨勢(shì)特征模型的特征參數(shù)構(gòu)建搜索引擎，動(dòng)態(tài)生成作為被學(xué)習(xí)的參照樣本模型，并將樣本模型的發(fā)展趨勢(shì)作為被預(yù)測(cè)對(duì)象的未來(lái)趨勢(shì)，為營(yíng)運(yùn)者提供決策支撐。

在探討企業(yè)營(yíng)銷(xiāo)精準(zhǔn)服務(wù)模式之前，首先需要研究數(shù)據(jù)的內(nèi)在特征，也就是企業(yè)過(guò)往營(yíng)銷(xiāo)歷史數(shù)據(jù)之中包含了哪些能反映客戶(hù)消費(fèi)行為規(guī)律、傾向、趨勢(shì)的特征，對(duì)已經(jīng)發(fā)生過(guò)多次消費(fèi)行為的客戶(hù)，通過(guò)大數(shù)據(jù)分析的手段將客戶(hù)的消費(fèi)行為傾向抽象成一個(gè)樣本模型，并將這個(gè)樣本模型作為學(xué)習(xí)的對(duì)象，供正在發(fā)生消費(fèi)行為的客戶(hù)學(xué)習(xí)模仿使用，也就是按照樣本模型的消費(fèi)傾向和趨勢(shì)，向正在發(fā)生消費(fèi)行為的、與樣本模型具有同樣消費(fèi)行為特征參數(shù)的同類(lèi)客戶(hù)提供精準(zhǔn)服務(wù)。因此，研究的關(guān)鍵是如何通過(guò)特征參數(shù)來(lái)描述客戶(hù)的消費(fèi)行為傾向和趨勢(shì)，并由此創(chuàng)建客戶(hù)消費(fèi)趨勢(shì)模型。

圖1 消費(fèi)行為三維大數(shù)據(jù)模型

圖2 消費(fèi)趨勢(shì)度E折線圖

圖3 學(xué)習(xí)型消費(fèi)預(yù)測(cè)模型結(jié)構(gòu)

本文需要解決以下主要問(wèn)題：一是通過(guò)引入“時(shí)間戳”的概念，構(gòu)建三維數(shù)據(jù)模型，解決二維結(jié)構(gòu)化數(shù)據(jù)對(duì)事物的動(dòng)態(tài)性和趨勢(shì)性描述乏力的問(wèn)題；二是通過(guò)對(duì)三維數(shù)據(jù)的分析，構(gòu)建描述事物發(fā)展趨勢(shì)的參照樣本模型，這種參照樣本模型通過(guò)搜索引擎動(dòng)態(tài)生成，為學(xué)習(xí)型大數(shù)據(jù)分析模型提供參照學(xué)習(xí)對(duì)象；三是通過(guò)引入“數(shù)據(jù)學(xué)習(xí)”的方法，解決大數(shù)據(jù)分析成長(zhǎng)性問(wèn)題，也就是隨著數(shù)據(jù)逐步增加，數(shù)據(jù)的價(jià)值性與潛在真理性也逐步成長(zhǎng)，而不是簡(jiǎn)單的數(shù)據(jù)樣本堆積。

模型研究

（一）構(gòu)建三維大數(shù)據(jù)模型

企業(yè)營(yíng)銷(xiāo)精準(zhǔn)服務(wù)的推送和目標(biāo)功能的實(shí)現(xiàn)很大程度上依賴(lài)客戶(hù)消費(fèi)行為數(shù)據(jù)的支撐，要科學(xué)、客觀描述客戶(hù)的消費(fèi)行為，用簡(jiǎn)單的二維關(guān)系型結(jié)構(gòu)化數(shù)據(jù)已經(jīng)不能滿足系統(tǒng)的設(shè)計(jì)需求，尤其是預(yù)測(cè)客戶(hù)消費(fèi)傾向和趨勢(shì)時(shí)，二維數(shù)據(jù)顯得力不從心。對(duì)于消費(fèi)行為數(shù)據(jù)的描述，時(shí)間節(jié)點(diǎn)因素十分重要，比如，某個(gè)客戶(hù)在不同時(shí)間節(jié)點(diǎn)分別購(gòu)買(mǎi)了三件服裝，三件服裝的檔次分別為高、中、低檔，如果是按照時(shí)間先后順序分別購(gòu)買(mǎi)低、中、高檔服裝，便可以推斷這個(gè)客戶(hù)的消費(fèi)能力在持續(xù)增強(qiáng)，他的未來(lái)消費(fèi)傾向應(yīng)該是高端產(chǎn)品；反之，這個(gè)客戶(hù)的消費(fèi)能力在持續(xù)下降，他的未來(lái)消費(fèi)傾向應(yīng)該是低端產(chǎn)品。

本文采用HBase數(shù)據(jù)庫(kù)技術(shù)構(gòu)建三維大數(shù)據(jù)模型，在傳統(tǒng)二維結(jié)構(gòu)化數(shù)據(jù)的基礎(chǔ)上增加“時(shí)間戳”，形成三維結(jié)構(gòu)化數(shù)據(jù)。對(duì)于半結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)采用標(biāo)識(shí)索引，使之轉(zhuǎn)化為三維結(jié)構(gòu)化數(shù)據(jù)。有了“時(shí)間戳”這個(gè)強(qiáng)有力工具，分析微觀客戶(hù)消費(fèi)行為和宏觀消費(fèi)趨勢(shì)就方便了。三維結(jié)構(gòu)化數(shù)據(jù)具有三個(gè)軸，X軸對(duì)客戶(hù)的消費(fèi)量進(jìn)行測(cè)量，Y軸描述客戶(hù)的消費(fèi)行為，Z軸記錄客戶(hù)的消費(fèi)時(shí)間節(jié)點(diǎn)。其中Y軸（消費(fèi)行為）是一個(gè)綜合性參數(shù)，代表客戶(hù)的消費(fèi)規(guī)律、傾向和趨勢(shì)。消費(fèi)行為三維大數(shù)據(jù)模型結(jié)構(gòu)圖如圖1所示。

構(gòu)建了三維大數(shù)據(jù)模型，就可以創(chuàng)建企業(yè)營(yíng)銷(xiāo)數(shù)據(jù)庫(kù)了。大數(shù)據(jù)的價(jià)值關(guān)鍵在于數(shù)據(jù)的價(jià)值性和可用性，因此企業(yè)必須嚴(yán)格對(duì)客戶(hù)的每一次消費(fèi)行為進(jìn)行原始數(shù)據(jù)采集。大數(shù)據(jù)的可用性至少要滿足五個(gè)特性：一致性、精確性、完整性、時(shí)效性、實(shí)體統(tǒng)一性（李建中等，2013），確保數(shù)據(jù)質(zhì)量是構(gòu)建服務(wù)模式的關(guān)鍵。

（二）構(gòu)建消費(fèi)趨勢(shì)特征模型

大數(shù)據(jù)計(jì)算是構(gòu)建消費(fèi)趨勢(shì)特征模型的基本手段，目前大數(shù)據(jù)計(jì)算分為批量計(jì)算和流式計(jì)算（孫大為等，2014），消費(fèi)趨勢(shì)特征模型反映的是一種趨勢(shì)，顯然需要采用流式計(jì)算的方法。

首先確定消費(fèi)趨勢(shì)特征模型的特征參數(shù)。以客戶(hù)在電商平臺(tái)購(gòu)買(mǎi)某一品牌的服裝為例，這些特征參數(shù)應(yīng)該能夠充分反映客戶(hù)的消費(fèi)行為，經(jīng)過(guò)反復(fù)調(diào)研和分析，本研究對(duì)消費(fèi)趨勢(shì)模型的特征參數(shù)的設(shè)定方法如下：

設(shè)一個(gè)數(shù)據(jù)挖掘周期內(nèi)客戶(hù)消費(fèi)行為發(fā)生次數(shù)為n（即客戶(hù)共發(fā)生過(guò)有效消費(fèi)行為的次數(shù)），客戶(hù)消費(fèi)產(chǎn)品總數(shù)量為m（即客戶(hù)所有消費(fèi)行為的消費(fèi)產(chǎn)品數(shù)量），每一次的消費(fèi)總額分別為P1、P2、…Pn，D1為第1次消費(fèi)行為發(fā)生的日期，Dn為第n次消費(fèi)行為發(fā)生的日期，Dn-D1為第一次消費(fèi)到第n次消費(fèi)之間的相隔總天數(shù)。則定義趨勢(shì)模型的特征參數(shù)如下：

平均消費(fèi)單價(jià)A：用以描述客戶(hù)消費(fèi)產(chǎn)品的檔次。

平均單次消費(fèi)額B：用以描述客戶(hù)消費(fèi)能力。

消費(fèi)行為密度C：用以描述客戶(hù)消費(fèi)的頻繁程度。

消費(fèi)離散方差D：用以描述客戶(hù)消費(fèi)產(chǎn)品檔次的變化大小程度。

其中A1為第一次平均消費(fèi)單價(jià)，…，An為第n次平均消費(fèi)單價(jià)。

消費(fèi)趨勢(shì)度E：用以描述客戶(hù)消費(fèi)檔次及能力的變化總趨勢(shì)。

其中Pn-Pn-1為兩次相鄰消費(fèi)行為的消費(fèi)金額之差，Dn-Dn-1為兩次相鄰消費(fèi)行為的時(shí)間之差實(shí)際上是兩次消費(fèi)行為的變化斜率，可見(jiàn)消費(fèi)趨勢(shì)度E反映的是客戶(hù)每次購(gòu)買(mǎi)行為變化趨勢(shì)之和，E值越大，說(shuō)明客戶(hù)消費(fèi)能力、檔次（或者欲望）增強(qiáng)明顯，E值為負(fù)數(shù)，說(shuō)明客戶(hù)消費(fèi)能力、檔次（或者欲望）在逐步減弱，E值為0，說(shuō)明一段時(shí)間內(nèi)客戶(hù)消費(fèi)能力、檔次（或者欲望）基本穩(wěn)定，變化不大。消費(fèi)趨勢(shì)度E折現(xiàn)圖如圖2所示。

以上定義了趨勢(shì)模型的五個(gè)特征參數(shù)，現(xiàn)在可以用這5個(gè)參數(shù)來(lái)構(gòu)建消費(fèi)趨勢(shì)特征模型。本研究認(rèn)為，一個(gè)客戶(hù)的消費(fèi)行為趨勢(shì)特征模型是這5個(gè)特征參數(shù)的函數(shù)，即：

其中，k1，k2，k3，k4，k5分別為特征參數(shù)A，B，C，D，E的測(cè)量權(quán)重，不同的應(yīng)用應(yīng)該通過(guò)數(shù)據(jù)測(cè)試分別設(shè)定特征參數(shù)的權(quán)重。為確保準(zhǔn)確測(cè)量消費(fèi)趨勢(shì)模型，在沒(méi)有條件的情況下（如數(shù)據(jù)樣本數(shù)不夠多），可以定性確定特征參數(shù)的權(quán)重，所謂定性確定就是根據(jù)實(shí)際應(yīng)用的特點(diǎn)，對(duì)5個(gè)特征參數(shù)的權(quán)重由強(qiáng)至弱進(jìn)行排位，然后按照這個(gè)順序分別構(gòu)建搜索引擎，權(quán)重越大的特征參數(shù)先進(jìn)行數(shù)據(jù)搜索，權(quán)重小的特征參數(shù)后進(jìn)行數(shù)據(jù)搜索，并逐步縮小搜索結(jié)果限制。

（三）構(gòu)建學(xué)習(xí)型營(yíng)銷(xiāo)精準(zhǔn)服務(wù)模式

信息技術(shù)的學(xué)習(xí)功能是未來(lái)信息消費(fèi)的重要趨勢(shì)，也是人工智能技術(shù)的理論基礎(chǔ)。本研究將學(xué)習(xí)功能用于構(gòu)建客戶(hù)的消費(fèi)預(yù)測(cè)模型，具有嚴(yán)謹(jǐn)?shù)目茖W(xué)性和嚴(yán)密的邏輯性?？蛻?hù)的消費(fèi)行為盡管千差萬(wàn)別，但都具有一定的邏輯性。在大數(shù)據(jù)背景下，某一個(gè)客戶(hù)的消費(fèi)傾向模型往往能從歷史的客戶(hù)群中找到線索，這就是學(xué)習(xí)型模型的構(gòu)建基礎(chǔ)和假設(shè)。學(xué)習(xí)型消費(fèi)預(yù)測(cè)模型主要針對(duì)公司的長(zhǎng)期客戶(hù)和有成為長(zhǎng)期客戶(hù)潛力的消費(fèi)者，每當(dāng)客戶(hù)的消費(fèi)行為發(fā)生時(shí)，系統(tǒng)將通過(guò)消費(fèi)趨勢(shì)特征模型構(gòu)建搜索引擎，搜索其他曾經(jīng)有類(lèi)似消費(fèi)行為的多個(gè)客戶(hù)，將這些客戶(hù)的消費(fèi)行為描繪成一個(gè)“虛擬參照客戶(hù)”，對(duì)“虛擬參照客戶(hù)”的消費(fèi)邏輯進(jìn)行科學(xué)分析，形成消費(fèi)樣本模型，繼而向目標(biāo)客戶(hù)推出精準(zhǔn)服務(wù)。學(xué)習(xí)型消費(fèi)預(yù)測(cè)模型的構(gòu)建流程圖如圖3所示。

表1 消費(fèi)趨勢(shì)模型特征參數(shù)權(quán)重排列表

表2 消費(fèi)趨勢(shì)模型數(shù)據(jù)結(jié)構(gòu)

1.創(chuàng)建消費(fèi)趨勢(shì)模型數(shù)據(jù)結(jié)構(gòu)。前述所知，消費(fèi)趨勢(shì)模型是由5個(gè)特征參數(shù)來(lái)描述的，這五種特征參數(shù)的權(quán)重分別為k1，k2，k3，k4，k5，用定性分析的方法來(lái)創(chuàng)建消費(fèi)趨勢(shì)模型M。假設(shè)5個(gè)特征參數(shù)按照權(quán)重從大到小的排列順序如表1所示。

由于是定性處理權(quán)重，本文并未對(duì)權(quán)重確定具體的值，只是按照權(quán)重由大到小的順序安排數(shù)據(jù)搜索，首先對(duì)權(quán)重最大的特征參數(shù)（消費(fèi)趨勢(shì)度E）進(jìn)行搜索，結(jié)果的樣本數(shù)定為50個(gè)，然后對(duì)權(quán)重次之的特征參數(shù)（消費(fèi)行為密度C）進(jìn)行搜索，結(jié)果的樣本數(shù)縮小為40個(gè)，以此類(lèi)推，直到搜索完成5個(gè)特征參數(shù)，并保留10個(gè)搜索樣本。搜索的結(jié)果需要暫存到中間數(shù)據(jù)表，這個(gè)數(shù)據(jù)表實(shí)際上就是樣本的消費(fèi)趨勢(shì)模型數(shù)據(jù)結(jié)構(gòu)，本文創(chuàng)建的消費(fèi)趨勢(shì)模型數(shù)據(jù)結(jié)構(gòu)如表2所示。

2.創(chuàng)建消費(fèi)趨勢(shì)學(xué)習(xí)樣本參照模型。本文希望對(duì)正在發(fā)生消費(fèi)行為的客戶(hù)提供精準(zhǔn)服務(wù)，首先應(yīng)該通過(guò)對(duì)該客戶(hù)的消費(fèi)行為數(shù)據(jù)進(jìn)行特征參數(shù)計(jì)算，確定該客戶(hù)的消費(fèi)趨勢(shì)模型，然后以該客戶(hù)的消費(fèi)趨勢(shì)模型作為標(biāo)準(zhǔn)，在企業(yè)的海量歷史客戶(hù)數(shù)據(jù)中進(jìn)行搜索，找到若干個(gè)與該客戶(hù)消費(fèi)趨勢(shì)模型最為相近的消費(fèi)趨勢(shì)模型，并以此作為供學(xué)習(xí)的樣本參照模型。這樣，便可以認(rèn)為當(dāng)前正在發(fā)生消費(fèi)行為的客戶(hù)未來(lái)的消費(fèi)傾向應(yīng)該跟樣本參照模型的歷史客戶(hù)消費(fèi)傾向相似，并以樣本參照模型已經(jīng)發(fā)生的消費(fèi)行為作為精準(zhǔn)服務(wù)項(xiàng)目向當(dāng)前客戶(hù)推送。

假設(shè)通過(guò)數(shù)據(jù)搜索和分析，當(dāng)前客戶(hù)的消費(fèi)趨勢(shì)模型為M(e0，c0，d0，b0，a0)，歷史客戶(hù)的消費(fèi)趨勢(shì)模型為M(ei，ci，di，bi，ai)，我們便以M(ei，ci，di，bi，ai)≈M(e0，c0，d0，b0，a0)作為搜索引擎的條件進(jìn)行搜索，步驟如下：

搜索消費(fèi)趨勢(shì)度E最接近e0的50個(gè)客戶(hù)樣本；在50個(gè)樣本中搜索消費(fèi)行為密度C最接近c(diǎn)0的40個(gè)客戶(hù)樣本；在40個(gè)樣本中搜索消費(fèi)離散方差D最接近d0的30個(gè)客戶(hù)樣本；在30個(gè)樣本中搜索平均單次消費(fèi)額B最接近b0的20個(gè)客戶(hù)樣本；在20個(gè)樣本中搜索平均消費(fèi)單價(jià)A最接近a0的10個(gè)客戶(hù)樣本；按照表2的格式將最后10個(gè)樣本保存在消費(fèi)趨勢(shì)樣本參照模型數(shù)據(jù)結(jié)構(gòu)表中。至此，創(chuàng)建了10個(gè)可供某一當(dāng)前客戶(hù)學(xué)習(xí)的消費(fèi)趨勢(shì)參照樣本模型。

3.營(yíng)銷(xiāo)精準(zhǔn)服務(wù)的實(shí)現(xiàn)。前述所知，已經(jīng)成功為當(dāng)前客戶(hù)找到了10個(gè)可供學(xué)習(xí)的消費(fèi)趨勢(shì)參照樣本模型，為了向當(dāng)前客戶(hù)提供精準(zhǔn)服務(wù)，還必須解決如下問(wèn)題：

向誰(shuí)學(xué)習(xí)？—虛擬參照樣本模型的構(gòu)建。由于創(chuàng)建了10個(gè)可供學(xué)習(xí)的消費(fèi)趨勢(shì)模型，究竟以哪一個(gè)模型為樣板來(lái)為當(dāng)前客戶(hù)提供學(xué)習(xí)目標(biāo)呢？雖然這10個(gè)樣本參照模型具有非常類(lèi)似的特征參數(shù)，但也不宜用單個(gè)樣本模型作為學(xué)習(xí)對(duì)象，而是要將10個(gè)樣本模型進(jìn)行抽象，形成虛擬參照樣本模型。設(shè)10個(gè)參照樣本模型分別為：M(e1，c1，d1，b1，a1)、M(e2，c2，d2，b2，a2)、…、M(ei，ci，di，bi，ai)、…、M(e10，c10，d10，b10，a10)，虛擬參照樣本模型為M(ev，cv，dv，bv，av)，則：

學(xué)習(xí)什么？——精準(zhǔn)服務(wù)項(xiàng)目的推送。虛擬參照樣本模型M(ev，cv，dv，bv，av)為當(dāng)前客戶(hù)提供了學(xué)習(xí)的對(duì)象，這個(gè)模型同樣由5個(gè)特征參數(shù)來(lái)描述，需要將這5個(gè)特征參數(shù)轉(zhuǎn)變成精準(zhǔn)服務(wù)產(chǎn)品，以便向當(dāng)前客戶(hù)推送服務(wù)，也就是通過(guò)這5個(gè)特征參數(shù)的分析向當(dāng)前客戶(hù)推薦合適的企業(yè)產(chǎn)品，讓客戶(hù)感覺(jué)到企業(yè)猜透了自己的購(gòu)買(mǎi)意圖，從而提高客戶(hù)感受度。

消費(fèi)趨勢(shì)度ev代表客戶(hù)消費(fèi)能力的趨勢(shì)，用此參數(shù)作為增長(zhǎng)率（或者下降率）計(jì)算客戶(hù)的預(yù)測(cè)消費(fèi)產(chǎn)品的價(jià)格，然后向客戶(hù)推送大于（或小于）這個(gè)價(jià)格的企業(yè)產(chǎn)品。

消費(fèi)行為密度cv代表客戶(hù)消費(fèi)行為發(fā)生的頻繁程度，用此參數(shù)計(jì)算當(dāng)期客戶(hù)下一次可能發(fā)生消費(fèi)行為的時(shí)間節(jié)點(diǎn)，適時(shí)向客戶(hù)推出營(yíng)銷(xiāo)服務(wù)。

消費(fèi)離散方差dv代表客戶(hù)消費(fèi)產(chǎn)品檔次的波動(dòng)程度，參數(shù)的值越大，說(shuō)明客戶(hù)消費(fèi)產(chǎn)品的檔次和數(shù)量跨度很大，反之，參數(shù)的值越小，說(shuō)明客戶(hù)消費(fèi)產(chǎn)品的檔次和數(shù)量基本停留在某一穩(wěn)定的價(jià)格段或某幾種型號(hào)。前者應(yīng)該擴(kuò)大向客戶(hù)推送的企業(yè)產(chǎn)品范圍和型號(hào)范圍，后者應(yīng)該向客戶(hù)推送既往的類(lèi)似檔次、類(lèi)似型號(hào)的企業(yè)產(chǎn)品。

平均單次消費(fèi)額bv代表客戶(hù)的消費(fèi)能力，用此參數(shù)作為參考預(yù)測(cè)客戶(hù)每次可能的消費(fèi)額，然后向客戶(hù)推送大于（或等于）這個(gè)額度的企業(yè)產(chǎn)品組合。

平均消費(fèi)單價(jià)av代表客戶(hù)消費(fèi)企業(yè)產(chǎn)品的檔次，用此參數(shù)作為參考預(yù)測(cè)客戶(hù)未來(lái)可能的企業(yè)產(chǎn)品檔次，然后向客戶(hù)推送類(lèi)似這個(gè)檔次的企業(yè)產(chǎn)品。

“大數(shù)據(jù)”正以各種方式和路徑影響著企業(yè)的商業(yè)生態(tài)，它已經(jīng)成為企業(yè)商業(yè)模式創(chuàng)新的基本時(shí)代背景（李文蓮，2013）。在大數(shù)據(jù)背景下，企業(yè)營(yíng)銷(xiāo)進(jìn)入了一個(gè)嶄新環(huán)境，企業(yè)必須主動(dòng)適應(yīng)這種新的營(yíng)銷(xiāo)模式，樹(shù)立以服務(wù)精準(zhǔn)化、個(gè)性化為核心的企業(yè)營(yíng)銷(xiāo)理念至關(guān)重要。精準(zhǔn)服務(wù)的構(gòu)建無(wú)疑離不開(kāi)對(duì)大數(shù)據(jù)科學(xué)的分析和挖掘，數(shù)據(jù)樣本橫向?qū)W習(xí)功能的研究，使得在相同數(shù)據(jù)量的情況下，學(xué)習(xí)型數(shù)據(jù)更具挖掘潛力，大數(shù)據(jù)更加具有動(dòng)態(tài)性和成長(zhǎng)性。將三維大數(shù)據(jù)模型與數(shù)據(jù)學(xué)習(xí)功能結(jié)合起來(lái)，大數(shù)據(jù)挖掘?qū)⒏锌赡?、更加容易預(yù)測(cè)事物發(fā)展的趨勢(shì)和內(nèi)在邏輯。

1.李建中，劉顯敏.大數(shù)據(jù)的一個(gè)重要方面：數(shù)據(jù)可用性[J].計(jì)算機(jī)研究與發(fā)展，2013（6）

2.黃曉斌，鐘輝新.大數(shù)據(jù)時(shí)代企業(yè)競(jìng)爭(zhēng)情報(bào)研究的創(chuàng)新與發(fā)展[J].圖書(shū)與情報(bào)，2012（6）

3.孫大為，張廣艷，鄭緯民.大數(shù)據(jù)流式計(jì)算:關(guān)鍵技術(shù)及系統(tǒng)實(shí)例[J].軟件學(xué)報(bào)，2014（4）

4.李文蓮，夏健明.基于“大數(shù)據(jù)”的商業(yè)模式創(chuàng)新[J].中國(guó)工業(yè)經(jīng)濟(jì)，2013（5）