徐琴+韓潔

摘要：采用Microsoft時(shí)序算法來(lái)創(chuàng)建數(shù)據(jù)挖掘模型，并瀏覽驗(yàn)證了數(shù)據(jù)挖掘模型的有效性，可應(yīng)用該模型預(yù)測(cè)電子商城中的銷(xiāo)售情況，包括：每個(gè)商店、每類(lèi)商品、每個(gè)商品的銷(xiāo)售額、銷(xiāo)售量及銷(xiāo)售成本等，可為電子商城中的商家的商業(yè)活動(dòng)提供決策支持。

關(guān)鍵詞：數(shù)據(jù)挖掘；時(shí)序算法；銷(xiāo)售預(yù)測(cè)；電子商城

中圖分類(lèi)號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）04-0243-02

1 概述

目前，在電子商城中各個(gè)商家和企業(yè)的商業(yè)活動(dòng)在很大程度上存在著盲目性，對(duì)大家都有利的許多信息得不到共享，也沒(méi)有商業(yè)活動(dòng)可依據(jù)的可靠的決策支持。可以通過(guò)數(shù)據(jù)挖掘來(lái)對(duì)電子商城的s未來(lái)銷(xiāo)售情況進(jìn)行預(yù)測(cè)，使企業(yè)和商家對(duì)未來(lái)的發(fā)展有一定的認(rèn)識(shí)，也有利于合理的安排各項(xiàng)商業(yè)活動(dòng)。

對(duì)未來(lái)銷(xiāo)售情況預(yù)測(cè)包括：通過(guò)商城中各類(lèi)商品的歷史銷(xiāo)售記錄，預(yù)測(cè)各類(lèi)商品的發(fā)展前景進(jìn)行；通過(guò)各個(gè)企業(yè)和商家的商品的歷史銷(xiāo)售記錄，預(yù)測(cè)企業(yè)和商家的發(fā)展前景；通過(guò)各個(gè)產(chǎn)品的歷史銷(xiāo)售記錄，預(yù)測(cè)產(chǎn)品將來(lái)的發(fā)展前景等等。

本文的銷(xiāo)售預(yù)測(cè)采用Microsoft時(shí)序算法對(duì)電子商城中的銷(xiāo)售數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘。

2 Microsoft時(shí)序算法簡(jiǎn)介

時(shí)間序列包含一系列的隨時(shí)間或者其他變量的增加而得到的數(shù)據(jù)。在現(xiàn)實(shí)世界中，許多變量的值隨著時(shí)間的改變而改變，變量值的序列也就組成了一個(gè)時(shí)間序列。在時(shí)間序列中，給定時(shí)間點(diǎn)的值由該時(shí)間點(diǎn)之前的值決定。通過(guò)收集時(shí)間序列數(shù)據(jù)對(duì)將來(lái)的值進(jìn)行預(yù)測(cè)。[1]

Microsoft時(shí)序算法是一個(gè)結(jié)合了自動(dòng)回歸技術(shù)和決策樹(shù)技術(shù)的新預(yù)測(cè)算法，所以也把該算法稱(chēng)作自動(dòng)回歸樹(shù)（Auto Regression Tree，ART）。[2]

1）自動(dòng)回歸：自動(dòng)回歸是一種用來(lái)處理時(shí)間序列問(wèn)題的常見(jiàn)的技術(shù)。在自動(dòng)回歸過(guò)程中，x在f（xt）的值是t時(shí)間之前x的一系列值的一個(gè)函數(shù)，例如：[xt=f（xt-1，xt-2，xt-3，…，xt-n）+εt]，其中，xt是待研究的時(shí)間序列，n是自動(dòng)回歸的階，通常遠(yuǎn)小于該序列的長(zhǎng)度，最后一項(xiàng)[εt]代表噪聲。使用時(shí)間序列算法的目標(biāo)就是找到這個(gè)函數(shù)f。

2）使用多個(gè)時(shí)間序列：一個(gè)挖掘模型可能包含多個(gè)時(shí)間序列，這些序列可能不是相互獨(dú)立的。這一算法的特征之一就是當(dāng)這些序列存在著依賴(lài)關(guān)系的時(shí)候，可以被識(shí)別出是交叉序列。

3）自動(dòng)回歸樹(shù)：使用該算法創(chuàng)建的模型是自動(dòng)回歸樹(shù)，一顆回歸樹(shù)就對(duì)應(yīng)著函數(shù)f。

4）季節(jié)性：大多數(shù)時(shí)間序列都有季節(jié)性的模式。ART算法可以使用季節(jié)性參數(shù)Periodicity_Hint來(lái)增加歷史數(shù)據(jù)點(diǎn)。

5）預(yù)測(cè)歷史：當(dāng)處理完一個(gè)時(shí)序模型后，就可以用該模型對(duì)未來(lái)進(jìn)行預(yù)測(cè)、對(duì)歷史進(jìn)行預(yù)測(cè)。如果該模型對(duì)過(guò)去的預(yù)測(cè)比較準(zhǔn)確，則該模型對(duì)未來(lái)預(yù)測(cè)的結(jié)果也比較準(zhǔn)確。

3 使用Microsoft時(shí)序算法挖掘數(shù)據(jù)

3.1 創(chuàng)建模型

在本例中，采用Microsoft時(shí)序算法創(chuàng)建2個(gè)挖掘模型，其中：模型Stores_Model的目標(biāo)是對(duì)每個(gè)商店每個(gè)月的銷(xiāo)售額、銷(xiāo)售量、銷(xiāo)售成本進(jìn)行預(yù)測(cè)；模型Product_Category_Model的目標(biāo)是對(duì)每類(lèi)商品每個(gè)月的銷(xiāo)售額、銷(xiāo)售量、銷(xiāo)售成本進(jìn)行預(yù)測(cè)。

利用DMX 語(yǔ)言創(chuàng)建時(shí)序模型Stores_Model和Product_Category_Model的代碼如下：

CREATE MINING MODEL Stores_Model （

年月 LONG KEY TIME，

商店名稱(chēng) TEXT KEY，

銷(xiāo)售額 LONG CONTINUOUS PREDICT，

銷(xiāo)售成本 LONG CONTINUOUS PREDICT，

銷(xiāo)售量 LONG CONTINUOUS PREDICT）

Using Microsoft_Time_Series （HISTORIC_MODEL_COUNT = 12， HISTORIC_MODEL_GAP = 2， MISSING_VALUE_SUBSTITUTION = Previous， PERIODICITY_HINT = '{12}'）

CREATE MINING MODEL Product_Category_Model （

年月 LONG KEY TIME，

商品分類(lèi)名稱(chēng) TEXT KEY，

銷(xiāo)售金額 LONG CONTINUOUS PREDICT，

銷(xiāo)售成本 LONG CONTINUOUS PREDICT，

銷(xiāo)售數(shù)量 LONG CONTINUOUS PREDICT）

Using Microsoft_Time_Series （HISTORIC_MODEL_COUNT = 12， HISTORIC_MODEL_GAP = 2， MISSING_VALUE_SUBSTITUTION = Previous， PERIODICITY_HINT = '{12}'）

其中：HISTORIC_MODEL_COUNT參數(shù)設(shè)置為12，表示構(gòu)建12個(gè)歷史模型；HISTORIC_MODEL_GAP參數(shù)設(shè)置為2，表示構(gòu)建的歷史模型之間的時(shí)間間隔為2；MISSING_VALUE_SUBSTITUTION設(shè)置為Previous，指的是使用以前的值來(lái)填充歷史數(shù)據(jù)中的空白；PERIODICITY_HINT設(shè)置為{12}，指的是按照年模式進(jìn)行計(jì)算。

3.2 瀏覽驗(yàn)證數(shù)據(jù)挖掘模型

在模型中通常有一或多棵樹(shù)，模型中的每一棵樹(shù)都有一或多個(gè)節(jié)點(diǎn)，樹(shù)中的每一個(gè)非葉節(jié)點(diǎn)都包含一個(gè)線(xiàn)性回歸公式，樹(shù)中的每一個(gè)內(nèi)容節(jié)點(diǎn)的分布行集存儲(chǔ)著線(xiàn)性回歸公式的系數(shù)和截距的數(shù)值。[3]

商店Store22的銷(xiāo)售額的預(yù)測(cè)樹(shù)如圖1所示?？梢钥吹皆摌?shù)只有一個(gè)拆分，該拆分是基于前第二個(gè)月Store14的銷(xiāo)售量。所選擇的節(jié)點(diǎn)顯示前第二個(gè)月Store14的銷(xiāo)售量是否高于176.810，可以使用下面的兩個(gè)回歸公式來(lái)預(yù)測(cè)下一個(gè)月Store22的銷(xiāo)售額：

Store14.銷(xiāo)售量-2 >= 176.810：

Store22銷(xiāo)售額 = 86.828 -0.051 * 銷(xiāo)售額（Store03，-2） + 0.456 * 銷(xiāo)售量（Store14，-2） + 0.215 * 銷(xiāo)售量（Store06，-2） + 0.521 * 銷(xiāo)售成本（Store02，-1）

Store14.銷(xiāo)售量-2 < 176.810：

Store22銷(xiāo)售額 = 353.896 + 0.013 * 銷(xiāo)售量（Store06，-2） + 0.003 * 銷(xiāo)售額（Store03，-2）

這兩個(gè)公式可以在挖掘圖例中看到。可以看出，在Store14.銷(xiāo)售量-2 >= 176.810時(shí)，回歸公式用前第二個(gè)月Store03的銷(xiāo)售額、Store14的銷(xiāo)售量、Store06的銷(xiāo)售量以及前一個(gè)月Store02的銷(xiāo)售成本來(lái)預(yù)測(cè)Store22的銷(xiāo)售額，這是因?yàn)樵撃Ｐ桶l(fā)現(xiàn)在這個(gè)條件下，Store22的銷(xiāo)售額序列和這些序列有較強(qiáng)的回歸關(guān)系；同樣的，在Store14.銷(xiāo)售量-2 < 176.810時(shí)，回歸公式用前第二個(gè)月Store03的銷(xiāo)售額、Store06的銷(xiāo)售量來(lái)預(yù)測(cè)Store22的銷(xiāo)售額，這也是因?yàn)槟Ｐ桶l(fā)現(xiàn)在這個(gè)條件下，Store22的銷(xiāo)售額序列和這些序列有較強(qiáng)的回歸關(guān)系。

Store16銷(xiāo)售額的預(yù)測(cè)曲線(xiàn)如圖2所示，藍(lán)色圖形表示Store16每月的銷(xiāo)售額。在圖形中有一根垂直的線(xiàn)，該線(xiàn)是歷史的序列值與將來(lái)的預(yù)測(cè)值的分界線(xiàn)，左邊表示歷史的序列值，右邊表示將來(lái)的預(yù)測(cè)值。由圖可見(jiàn)，將來(lái)的預(yù)測(cè)值用虛線(xiàn)表示，虛線(xiàn)之上的豎線(xiàn)表示的是預(yù)測(cè)偏差。通常情況下，預(yù)測(cè)的將來(lái)越遠(yuǎn)，則預(yù)測(cè)的偏差相對(duì)也就越大。

另外，每個(gè)序列都會(huì)用相應(yīng)的回歸公式對(duì)歷史進(jìn)行預(yù)測(cè)。如圖2所示，在垂直線(xiàn)左邊的虛線(xiàn)部分就是歷史預(yù)測(cè)的圖形。從圖中可以看出模型對(duì)歷史的預(yù)測(cè)總體趨勢(shì)是符合的。

可以看出，該模型對(duì)過(guò)去進(jìn)行預(yù)測(cè)的結(jié)果是比較準(zhǔn)確的，所以，可認(rèn)為它對(duì)未來(lái)的預(yù)測(cè)結(jié)果也是比較準(zhǔn)確的。在模型對(duì)過(guò)去的預(yù)測(cè)有較大的偏差時(shí)，可以適當(dāng)?shù)男薷乃惴ǖ膮?shù)再進(jìn)行預(yù)測(cè)，直到得到滿(mǎn)意的結(jié)果為止。

4 應(yīng)用模型

在圖2中可以看出，在未來(lái)兩個(gè)月，Store16的銷(xiāo)售額會(huì)有所下降，應(yīng)該采取一定的措施來(lái)提高銷(xiāo)售額?？梢愿鶕?jù)在商城中各類(lèi)商品的銷(xiāo)售預(yù)測(cè)情況來(lái)做決策，比如適當(dāng)調(diào)整商品結(jié)構(gòu)、采取一定的促銷(xiāo)手段等等。

在圖3中顯示出，Vegetables的銷(xiāo)售額在未來(lái)兩個(gè)月下降得很快，之后將會(huì)保持在一個(gè)較低的水平，商店應(yīng)該適當(dāng)減少這類(lèi)商品的采購(gòu)量，降低庫(kù)存，或?qū)@類(lèi)商品進(jìn)行促銷(xiāo)，以免出現(xiàn)商品積壓。Canned Oysters的銷(xiāo)售額會(huì)有大幅上升，之后雖會(huì)再下降但又會(huì)出現(xiàn)一個(gè)的高峰，維持在一個(gè)較高水平，商店可以適當(dāng)采購(gòu)此類(lèi)商品，增加其庫(kù)存量，避免出現(xiàn)供不應(yīng)求的現(xiàn)象。Frozen Entree的銷(xiāo)售額不變化不大，維持在一個(gè)較穩(wěn)定的水平，其庫(kù)存量也可維持在正常水平，也可對(duì)其進(jìn)行促銷(xiāo)，以增加其銷(xiāo)量。

5 結(jié)論

本文利用Microsoft 時(shí)序算法對(duì)電子商城中大量的歷史銷(xiāo)售數(shù)據(jù)進(jìn)行分析、數(shù)據(jù)挖掘，建立了預(yù)測(cè)模型，得出了電子商城中各個(gè)商店和各類(lèi)商品的銷(xiāo)售量、銷(xiāo)售額、銷(xiāo)售成本的變化趨勢(shì)，并對(duì)未來(lái)的銷(xiāo)售情況進(jìn)行了預(yù)測(cè)。通過(guò)對(duì)具體的模型構(gòu)建，實(shí)現(xiàn)了Microsoft時(shí)序算法在電子商城中的應(yīng)用。

參考文獻(xiàn)：

[1] 劉金平. 基于Microsoft時(shí)序算法在電力負(fù)荷預(yù)測(cè)中的應(yīng)用[J]. 電腦知識(shí)與技術(shù)，2011，7（8）：1923-1926.

[2] Microsoft時(shí)序算法[EB/OL]. https：//msdn.microsoft.com/zh-cn/library/ms174923.aspx. 2014.

[3] 袁亞麗. 時(shí)序算法在銷(xiāo)售預(yù)測(cè)中的應(yīng)用研究[J].微計(jì)算機(jī)信息，2009，25（15）：249-250.

[4]Jose-Norberto Mazón， Juan Trujillo， Jens Lechtenberger. Reconciling requirement-driven data warehouses with data sources via multidimensional normal forms[J]. Data & Knowledge Engineering， 2007， 63（3）：725-751.

[5] 岑琴. 數(shù)據(jù)挖掘技術(shù)在飾品設(shè)計(jì)中的應(yīng)用[J]. 商業(yè)現(xiàn)代化，2011（1）：75-76.

[6] Mark F.Hornick， Erik Marcadé， Sunil Venkayala. Data Mining Process[J]. Java Data Mining， 2007：51-83

[7] 袁凡，唐國(guó)華. 數(shù)據(jù)挖掘在電子商務(wù)中的應(yīng)用研究[J].江西科學(xué)，2015，33（6）：920-924.

[8] 迪麗拜爾·艾海提，庫(kù)德來(lái)提·熱西提，EHAT Diliber，等.數(shù)據(jù)挖掘技術(shù)的應(yīng)用[J].電腦編程技巧與維護(hù)， 2009（6）：66-67.

[9] Salvatore T.March， Alan R.Hevner. Integrated decision support systems： A data warehousing perspective[J]. Decision Support Systems， 2007，43（3）：1031-1043.

[10]Jing Zhao， Shan Wang， Wilfred V. Huang. A study of B2B e-market in China： E-commerce process perspective[J]. Information & Management， 2008，45（4）： 242-244.