范生萬(wàn)，劉 放

商品精確營(yíng)銷中聚類分析與關(guān)聯(lián)規(guī)則分析應(yīng)用研究

范生萬(wàn)1，劉 放2

（1.安徽工商職業(yè)學(xué)院工商管理系，安徽合肥231131；2.安徽審計(jì)職業(yè)學(xué)院會(huì)計(jì)系，安徽合肥230051）

為了實(shí)現(xiàn)商品的精確營(yíng)銷，結(jié)合數(shù)據(jù)挖掘中的聚類分析和關(guān)聯(lián)規(guī)則技術(shù)發(fā)現(xiàn)隱藏在海量數(shù)據(jù)中的有用信息。文章在對(duì)客戶數(shù)據(jù)采用改進(jìn)的聚類分析算法進(jìn)行分類的基礎(chǔ)上，針對(duì)每一個(gè)分類的客戶，利用Apriori算法進(jìn)行關(guān)聯(lián)規(guī)則分析，得到有用的關(guān)聯(lián)規(guī)則以指導(dǎo)商品的精確營(yíng)銷。最后通過(guò)一個(gè)實(shí)例說(shuō)明關(guān)聯(lián)規(guī)則的分析過(guò)程。

精確營(yíng)銷；聚類；關(guān)聯(lián)規(guī)則

精確營(yíng)銷是在充分了解客戶需求的基礎(chǔ)上，針對(duì)顧客偏好，差別地進(jìn)行一對(duì)一的營(yíng)銷。然而企業(yè)的客戶信息系統(tǒng)存在海量數(shù)據(jù)，一個(gè)急需解決的問(wèn)題就是如何對(duì)數(shù)據(jù)進(jìn)行有效的清洗、提取和挖掘得到有價(jià)值的信息。本文就數(shù)據(jù)挖掘中的聚類分析與關(guān)聯(lián)規(guī)則分析技術(shù)進(jìn)行研究，分析其在商品精確營(yíng)銷中應(yīng)用。

一、基于爬山法k-均值聚類分析的企業(yè)客戶分類

聚類（非監(jiān)督分類）是指按照相似程度對(duì)具體的或抽象的對(duì)象進(jìn)行分類的過(guò)程，從而使得在類間對(duì)象間相似性最低，在類內(nèi)對(duì)象間相似性最高。K-均值聚類算法是一種常用的聚類算法，但是存在以下兩個(gè)問(wèn)題：一是聚類數(shù)目需要預(yù)選設(shè)定；二是隨機(jī)選取的初始化聚類中心。為此，要想確定初始聚類中心和聚類數(shù)目上限采用爬山法將是很好的選擇［1］。

給定N維樣本集合{x1,x2,…,xn}，令樣本點(diǎn)xi(i=1,2,…,n)處的勢(shì)函數(shù)為：

rα是表示鄰域半徑的一個(gè)正常數(shù)，其之外的數(shù)據(jù)點(diǎn)對(duì)勢(shì)計(jì)算的影響較小。由（1）式可知，聚集在樣本點(diǎn)xi周?chē)臉颖军c(diǎn)數(shù)與勢(shì)成正比，即樣本點(diǎn)數(shù)越多勢(shì)越高。設(shè)=max{i=1,2,…,n}，初始聚類（第一個(gè)）的中心位置取對(duì)應(yīng)的x*1，根據(jù)（2）式對(duì)每個(gè)樣本點(diǎn)逐一調(diào)整勢(shì)：

rβ是一個(gè)正常數(shù)。令,i=1,2,…,n}，初始聚類（第二個(gè)）中心位置取相應(yīng)的x*2。則調(diào)整勢(shì)函數(shù)的一般關(guān)系式如（3）所示：

可以采用以下兩種形式表示鄰域半徑：

其中n是數(shù)據(jù)集合的樣本個(gè)數(shù)，max{·}、min{·}分別為求最大值和最小值函數(shù)。在具體應(yīng)用中，可以令rα=rβ=rf或rα=rβ=rm。

聚類數(shù)目可以用下式確定：

聚類的數(shù)目即為當(dāng)式（6）成立時(shí)的k值。其中δ＜1是一個(gè)給定的參數(shù)，當(dāng)δ≥0.5則可以得到比較合理的聚類數(shù)目，而在δ≥0.5的范圍內(nèi)，聚類數(shù)目kmax最多的是δ=0.5時(shí)，因此聚類數(shù)目的上限是kmax，故將樣本集的聚類數(shù)目是在[2,kmax]范圍內(nèi)?；谂郎椒╧-均值聚類算法的具體步驟如下：

（1）令rα=rβ=rf或rα=rβ=rm，δ=0.5，k=1；

利用基于爬山法K-均值聚類算法可以自動(dòng)對(duì)商品企業(yè)客戶進(jìn)行聚類分析，而不需預(yù)選確定聚類數(shù)目，把具有相似購(gòu)買(mǎi)傾向的客戶聚為一類［2］。

二、基于關(guān)聯(lián)規(guī)則的商品精確營(yíng)銷

設(shè)I={i1,i2,…,im}是項(xiàng)的集合。關(guān)聯(lián)規(guī)則是形如A?B(A?I,B?I,且A?B≠Φ)的蘊(yùn)涵式，A?B在事物集D中成立，信任度為C，支持度為S。其中，

既滿足最小信任度閾值又滿足最小支持度閾值的規(guī)則稱為強(qiáng)規(guī)則［3］。

關(guān)聯(lián)分析分兩個(gè)步驟：一是頻度，即找出所有的頻繁項(xiàng)集，也就是滿足最小支持度的項(xiàng)集；二是信任度，即從頻繁項(xiàng)集中得到強(qiáng)關(guān)聯(lián)規(guī)則，也就是產(chǎn)生滿足最小支持度和最小信任度的規(guī)則。Apriori算法是挖掘關(guān)聯(lián)規(guī)則的基本算法，它通過(guò)迭代方法逐層搜索去找頻繁項(xiàng)集，可用K-項(xiàng)集來(lái)搜索K+1)-項(xiàng)集，其處理過(guò)程如下：

（1）基于事務(wù)數(shù)據(jù)庫(kù)找到頻繁1-項(xiàng)集的集合L1。若L1非空，則由L1用于產(chǎn)生候選長(zhǎng)度為2的候選項(xiàng)C2；

（2）對(duì)事務(wù)數(shù)據(jù)庫(kù)進(jìn)行掃描，對(duì)C2中候選集的支持計(jì)數(shù)逐一進(jìn)行計(jì)算；

（3）得到由C2中的候選2-項(xiàng)集組成的集合L2；

（4）重復(fù)步驟1-3，持續(xù)到?jīng)]有頻繁項(xiàng)集合產(chǎn)生為止。

在Apriori算法中，只要找一個(gè)Lk就一定要掃描一次數(shù)據(jù)庫(kù)，在海量數(shù)據(jù)情況下算法運(yùn)行時(shí)間顯著增加［4］。

因此，在進(jìn)行關(guān)聯(lián)規(guī)則分析之前，對(duì)數(shù)據(jù)進(jìn)行聚類分析，將數(shù)據(jù)分為幾個(gè)類，再分別對(duì)各類進(jìn)行關(guān)聯(lián)規(guī)則分析，從中發(fā)現(xiàn)商品銷售規(guī)律，并根據(jù)這些規(guī)律實(shí)現(xiàn)商品個(gè)性化、主動(dòng)式的推薦服務(wù)［5］。如對(duì)強(qiáng)規(guī)則A?B，表明購(gòu)買(mǎi)商品A的幾乎肯定都購(gòu)買(mǎi)商品B，因此公司可以采用以下策略：①商品A和B可以進(jìn)行捆綁銷售；②顧客購(gòu)買(mǎi)商品A時(shí)，適當(dāng)推薦商品B，反之亦然；③在進(jìn)貨和發(fā)貨運(yùn)輸上將關(guān)聯(lián)產(chǎn)品配套安排；④零售時(shí)，商品A和B貨架相鄰，方便零售顧客購(gòu)買(mǎi)。

三、應(yīng)用舉例

以合肥某商品企業(yè)的部分客戶數(shù)據(jù)為例，說(shuō)明聚類分析和關(guān)聯(lián)規(guī)則在商品精確營(yíng)銷中的應(yīng)用。首先，利用改進(jìn)的K-均值聚類算法對(duì)客戶進(jìn)行分類，將購(gòu)買(mǎi)相似系列商品的客戶分為一類，如購(gòu)買(mǎi)高等教育商品類用戶。然后針對(duì)每一類客戶，利用Apriori算法進(jìn)行關(guān)聯(lián)規(guī)則分析。最后獲取有用的關(guān)聯(lián)規(guī)則，用以指導(dǎo)商品的精確營(yíng)銷［6］。下面以某一類客戶為例說(shuō)明關(guān)聯(lián)規(guī)則分析過(guò)程，假定最小事務(wù)支持計(jì)數(shù)為2（即min_sup=2/9=22%）。

由頻繁項(xiàng)集｛I1I2 I5｝，可以產(chǎn)生如下的關(guān)聯(lián)規(guī)則：

I1∧I2?I5 confidence=3/4=75%

I1∧I5?I2 confidence=3/5=60%

I1∧I2?I5 confidence=3/5=60%

I1?I2∧I5 confidence=3/6=50%

I2?I1∧I5 confidence=3/7=42.9%

I5?I1∧I2 confidence=3/7=42.9%

如果將最小置信度閾值定為70%，則只有第一個(gè)是強(qiáng)關(guān)聯(lián)規(guī)則。

四、結(jié)論

本文先采用改進(jìn)的聚類分析算法將大量的客戶數(shù)據(jù)切割成數(shù)個(gè)較小的類，該聚類算法可以解決常用k-均值算法聚類數(shù)目和初始聚類中心難以確定的問(wèn)題。通過(guò)聚類分析，每個(gè)類中的數(shù)據(jù)較為接近且數(shù)據(jù)量大大減少，再通過(guò)對(duì)Apriori算法的采用進(jìn)行關(guān)聯(lián)規(guī)則分析，進(jìn)而得到指導(dǎo)商品精確營(yíng)銷的有效規(guī)則。

［1］李榮.基于K均值聚類算法的商品商品推薦仿真系統(tǒng)［J］.計(jì)算機(jī)仿真，2010，27（6）：346-349.

［2］萬(wàn)星火，檀亦麗.數(shù)據(jù)挖掘的聚類方法［J］.統(tǒng)計(jì)與決策，2005（9）：125-126.

［3］程險(xiǎn)峰.多種關(guān)聯(lián)規(guī)則挖掘算法的研究與分析［J］.長(zhǎng)春理工大學(xué)學(xué)報(bào)：自然科學(xué)版.2011，34（1）：107-109.

［4］葉孝明，柳炳祥.基于關(guān)聯(lián)規(guī)則挖掘的零售業(yè)交叉銷售的策略［J］.統(tǒng)計(jì)與決策，2007（7）：156-157.

［5］李清峰等.數(shù)據(jù)挖掘中關(guān)聯(lián)規(guī)則的一種高效Apriori算法［J］.計(jì)算機(jī)應(yīng)用與軟件，2004（12）：19-23.

［6］裴繼紅等.聚類中心的初始化方法［J］.電子科學(xué)學(xué)刊，2000（6）：28-30.

Applied Research of Clustering Analysis and Association Rules Analysis in Commodity Precise Marketing

FAN Sheng-wan1,LIU Fang2
（1.Department of Business Administration,Anhui Business Vocational college,Hefei 231131,China; 2.Department of Accounting,Anhui Audit College,Hefei 230051,China）

In order to realize precise marketing of goods,this paper combines the clustering analysis and association rules in data mining techniques to discover the useful information hidden in the massive data.The paper,based on the classification of customer data by employ?ing the improved clustering analysis algorithm,applies the Apriori algorithm to make the association rules analysis for each category of cus?tomers,and gains the useful association rules to guide the precise marketing of goods.Finally,the paper offers an example to illustrate the analysis process of association rules.

precise marketing;clustering;association rules

F713.5

A

1007-5097（2017）05-0182-03

［責(zé)任編輯：張兵］

10.3969/j.issn.1007-5097.2017.05.026

2017-02-16

安徽省高校人文社會(huì)科學(xué)研究重點(diǎn)項(xiàng)目（SK2016A0133）；高校學(xué)科（專業(yè)）拔尖人才學(xué)術(shù)資助重點(diǎn)項(xiàng)目（gxbjZD2016090）

范生萬(wàn)（1976-），男，重慶人，副教授，工學(xué)碩士，研究方向：計(jì)算機(jī)應(yīng)用技術(shù)，電子商務(wù)。劉放（1978-），男，安徽合肥人，教授，項(xiàng)目管理碩士，研究方向：市場(chǎng)營(yíng)銷。