本站原创
摘要：促销活动在现今的商品销售中发挥着巨大的作用。随着时代的发展，促销活动也展示出了新的趋势，这就要求商家必须对促销活动进行科学和量化的分析，制定出更精确和具有针对性的策略。文章通过对数据挖掘技术的研究，提出一种基于关联规则发现频繁模式的方法，进行促销决策。
关键词：促销；数据挖掘；关联规则
面对促销活动的新特点，我们需要对促销的各个方面进行详细的分析，并从整体对促销活动进行规划。
数据挖掘系统需要能够挖掘多种类型的模式，以满足不同用户的需求和应用。其中的频繁模式在商业统计分析中起到了巨大的作用。频繁模式是在数据中频繁出现的模式，包括项集、子序列和子结构三种类型。挖掘频繁模式能发现数据中的有趣的关联和相关，其常用的分析方法有以下几种：
第一，关联规则挖掘技术。Web数据挖掘中数据关联规则的发现是找到客户对网站上各种文件之间访问的相互联系。比如用户之间、页面之间以及用户浏览页面和网上行为之间的潜在关系，通过关联挖掘可以从杂乱无规则的客户信息中挖掘出隐含的有用信息，有利于企业更好地组织站点。
第二，聚类分析技术。在电子商务中，聚类多指客户群体聚类和Web网页聚类，Web网页聚类提供有针对性的网络怎么写作应用，它主要帮助是市场分析人员从客户数据仓库中发现不同购写模式的客户群，通过聚类分析可以使电子商务组织者更好的了解客户。
第三，分类分析技术。分类时建立模型的数据对象的类别是已知的，可挖掘出某些共同的特性，而这一特性可对新添加到数据库里的数据项进行分类。在Web数据挖掘中，分类技术可以得到用户、共同的访问模式以及访问某一怎么写作器文件的用户特征。
第四，统计分析方法。通过对Session文件的分析，可以对感兴趣的信息进行统计，一般包括各种统计数据，如最频繁访问的N个页面、每页平均浏览时间、路径平均访问长度等，也可能涉及一些关于限制的错误分析，如统计非法IP、无效URI和未授权访问等，这些信息对于提高系统性能，加强网站安全起到辅助决策作用。
在挖掘目标人群时，首先要根据该商品的特性设定需达到的参数，如支持度support、置信度confidence等。再由销售记录中顾客的详细信息中选取感兴趣的若干属性进行挖掘，找出与该商品相关的多维频繁项集。从得到的频繁项集中的顾客属性锁定消费人群。例如，当确定要对商品A进行促销，而感兴趣的顾客属性是顾客的年龄段age和收入income（也可根据需要选取或添加其他属性），则可把待挖掘模式设定为：age（X，value）∧income（X，value）→buy（X，A）[support，confidence]
其中，X表示顾客的姓名或ID号；value表示该属性的值；buy属性指明的是所购写的商品，这里都选定为A商品；Support为支持度，表示满足该模式的事务在所有参与挖掘的事务中所占的百分比，如上式support=10%表示100个事务中有10个满足上述条件；confidence为置信度，表示该规则的强度，如上式confidence=50%，表示满足规则左端条件时有50%的可能会同时满足规则的右端条件。
根据挖掘模式中的属性项构造销售事务的数据立方体。由于选取了age和income两个属性，所以要构造2-维立方体如图1所示（如果选取属性较多要构造相应的多维立方体）。
对每个由这两个属性划分的小立方体进行赋值，该值达到预先设定的参数的小立方体将被进行标识，根据标识的立方体的位置先进行合，简化挖掘出的规则，最终锁定对商品A满足要求的人群。锁定目标人群完成。
quarter（X，value）∧month（X，value）→buy（X，A）[support，confidence]
另一种模式是针对上面挖掘出的目标人群，挖掘其习惯的消费发生时间，如周中还是周末weekend（值yes/no），白天还是夜晚night（值yes/no），商场还是网络以及哪一个时间段time等。其挖掘模式可设定为：
weekend（X，value）∧night（X，value）∧time（X，value）→quarter（X，value）∧month（X，value）[support，confidence]
根据模式中的属性构造数据立方体，挖掘确定促销进行的时间。
其挖掘模式可设为：
buy（X，A）→buy（X，value）。。。∧buy（X，value）[support，confidence]
其挖掘结果可能为：buy（X，A）→buy（X，B）∧buy（X，C），此规则说明购写商品A的顾客很可能同时购写商品B和C。那么如果促销目的是为了提高待销商品的销量，则可以选取商品B或C作为商品A的赠品；或者对商品A、B、C进行联合销售。通过商品B、C提高商品A的销量。如果促销的目的是推荐新产品D与A属于同一类商品，也可以根据该规则，将其作为商品B或C的赠品等方法。
lift（A，B）=P（AUB）/P（A）P（B）
若lift（A，B）=1时，说明商品A和B的销售相互之间没有影响；若lift（A，B）>1，说明商品A和B的销售是正相关，可以相互促进；而当lift（A，B）<1，说明商品A和B的销售是负相关，一种商品的销售会引起另一种销量的降低。并且，当一个商家针对多个商品进行促销时，还可通过该检验分析各促销活动之间是否会发生冲突而引起销量的降低。
四、总结
数据挖掘技术能通过挖掘各种频繁模式找到各种销售事务之间的关联，从而商家从海量数据中识别客户的购写行为特征，发现客户购写模式和趋势。它基本可以满足新形势下促销活动精确化、数据化以及战略化的要求。数据挖掘丰富的挖掘模式以及多样的分析方法还可以从另外的角度对促销活动提供帮助，甚至挖掘并延伸出更新颖的促销形式，还有待于进一步的研究和发现。
参考文献：
1.夏火松,蔡淑琴.知识管理与市场营销专家知识的分形特征[J].武汉科技学院学报,2001(1).
（作者单位：中州大学）
关键词：促销；数据挖掘；关联规则
一、促销的重要性和目前促销活动的现状
在竞争日趋激烈的商品销售中，促销活动正扮演着越来越重要的角色。促销活动一直贯穿于商品销售过程之中。合理的促销活动曾经帮助商家创下了辉煌的销售成绩，但同时不合理的促销活动也屡见不鲜。一些花样百出的促销活动，往往对于商品的宣传或销售业绩的提升并没有起到实质性的作用，并且还造成了促销成本的极大浪费。而随着时代的不断发展和消费群体及消费习惯的变化，促销活动也出现了新的特点：(一)消费人群精确化
现在的促销对象不再是针对整个大众化的人群，而是把消费对象进行进一步的细化。根据不同的消费群体的消费特征和消费习惯，设计特定促销方案，做到了精确化促销；使促销活动的宣传费用、组织实施费用发挥得更加有效，促销活动的效果也大大增强。(二)产品销售关联化
通过对消费者需求的不断分析和研究，发现越来越多的商品之间呈现较强的关联性。同时，随着互联网络的不断发展和通信平台的升级完善，即使是不相关的商品之间都能够通过庞大的信息平台实现联盟。通过厂商之间以及品牌之间的联合促销代替原来的单独促销比较，能够对市场产生更大的合力。联合促销可以对各个单独的商品资源进行重新整合，打造多赢的市场格局。(三)促销活动战略化
随着市场经济的不断发展，市场竞争日趋激烈，商家必须思考如何更合理有效地运用促销：既要对抗竞争对手，争夺市场分额，又要保证利润空间；既要有效吸引消费者，又要维护和提升品牌形象；既要保证短期局部利益，又要考虑长期整体利益。从一开始就应该制定出促销活动的整体规划。(四)促销宣传多样化
在促销方法日趋多样的同时，消费者对促销活动也会有更多的选择，这就需要商家在进行促销活动前进行充分的宣传，更需要多个部门配合进行。同时，还要根据消费者的新变化，对新的宣传媒体，比如手机短信、电子邮箱、广播电视、现场广告等综合利用，从而达到多渠道促销宣传。面对促销活动的新特点，我们需要对促销的各个方面进行详细的分析，并从整体对促销活动进行规划。
摘自：毕业论文范例www.udooo.com
面对竞争激烈的市场和日趋理性的消费者，商家应该更详细和精确化的处理促销活动的每一方面，这就要求商家用更科学的方法来获取促销信息并制定促销策略。面对收集的海量客户信息，数据挖掘技术给我们提供了发现促销关联和规则的方法，从而帮助我们进行促销策略的分析和制定。二、数据挖掘技术的功能
所谓数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的原始数据中提取隐含在其中的、事先未知的、但又是潜在有用的信息和知识的过程。通过数据挖掘技术，能够找出已有数据之间的潜在联系，从而促进信息的传递，对将来的趋势和行为进行预测，从而很好地支持人们的决策。随着数据处理工具、先进数据库技术及万维网技术的迅速发展，不断涌现出大量的形式各异、类型复杂的数据，要处理此类数据以使价值最大化，引入了Web数据挖掘。数据挖掘系统需要能够挖掘多种类型的模式，以满足不同用户的需求和应用。其中的频繁模式在商业统计分析中起到了巨大的作用。频繁模式是在数据中频繁出现的模式，包括项集、子序列和子结构三种类型。挖掘频繁模式能发现数据中的有趣的关联和相关，其常用的分析方法有以下几种：
第一，关联规则挖掘技术。Web数据挖掘中数据关联规则的发现是找到客户对网站上各种文件之间访问的相互联系。比如用户之间、页面之间以及用户浏览页面和网上行为之间的潜在关系，通过关联挖掘可以从杂乱无规则的客户信息中挖掘出隐含的有用信息，有利于企业更好地组织站点。
第二，聚类分析技术。在电子商务中，聚类多指客户群体聚类和Web网页聚类，Web网页聚类提供有针对性的网络怎么写作应用，它主要帮助是市场分析人员从客户数据仓库中发现不同购写模式的客户群，通过聚类分析可以使电子商务组织者更好的了解客户。
第三，分类分析技术。分类时建立模型的数据对象的类别是已知的，可挖掘出某些共同的特性，而这一特性可对新添加到数据库里的数据项进行分类。在Web数据挖掘中，分类技术可以得到用户、共同的访问模式以及访问某一怎么写作器文件的用户特征。
第四，统计分析方法。通过对Session文件的分析，可以对感兴趣的信息进行统计，一般包括各种统计数据，如最频繁访问的N个页面、每页平均浏览时间、路径平均访问长度等，也可能涉及一些关于限制的错误分析，如统计非法IP、无效URI和未授权访问等，这些信息对于提高系统性能，加强网站安全起到辅助决策作用。
三、使用数据挖掘技术进行促销决策
根据上面介绍的数据挖掘技术，现提出一种基于关联分析挖掘频繁模式的促销策划方案。其具体步骤如下：(一)明确促销目的
常见的促销目的有：增加铺货量；扩大销量；新品上市；处理库存；对抗竞争。概括起来促销的目的就是增加销量和推荐产品。在明确了促销目的后，待销售的商品也就随之确定。(二)锁定目标人群
由于每一类人群的购物喜好和消费习惯都不相同，商家就必须针对不同的商品锁定相应的目标人群。当明确了待促销的商品后，我们可以通过数据挖掘技术对以往的销售记录进行挖掘，找出该类商品的销售规则，从而锁定目标人群。在挖掘目标人群时，首先要根据该商品的特性设定需达到的参数，如支持度support、置信度confidence等。再由销售记录中顾客的详细信息中选取感兴趣的若干属性进行挖掘，找出与该商品相关的多维频繁项集。从得到的频繁项集中的顾客属性锁定消费人群。例如，当确定要对商品A进行促销，而感兴趣的顾客属性是顾客的年龄段age和收入income（也可根据需要选取或添加其他属性），则可把待挖掘模式设定为：age（X，value）∧income（X，value）→buy（X，A）[support，confidence]
其中，X表示顾客的姓名或ID号；value表示该属性的值；buy属性指明的是所购写的商品，这里都选定为A商品；Support为支持度，表示满足该模式的事务在所有参与挖掘的事务中所占的百分比，如上式support=10%表示100个事务中有10个满足上述条件；confidence为置信度，表示该规则的强度，如上式confidence=50%，表示满足规则左端条件时有50%的可能会同时满足规则的右端条件。
根据挖掘模式中的属性项构造销售事务的数据立方体。由于选取了age和income两个属性，所以要构造2-维立方体如图1所示（如果选取属性较多要构造相应的多维立方体）。
对每个由这两个属性划分的小立方体进行赋值，该值达到预先设定的参数的小立方体将被进行标识，根据标识的立方体的位置先进行合，简化挖掘出的规则，最终锁定对商品A满足要求的人群。锁定目标人群完成。
(三)确定促销时间
促销时间可根据两种规则模式进行挖掘，一种模式是针对待销商品A进行挖掘，找出该商源于：论文例文www.udooo.com
品的销售旺季，如季度quarter、月份month等。其挖掘模式可设定为：quarter（X，value）∧month（X，value）→buy（X，A）[support，confidence]
另一种模式是针对上面挖掘出的目标人群，挖掘其习惯的消费发生时间，如周中还是周末weekend（值yes/no），白天还是夜晚night（值yes/no），商场还是网络以及哪一个时间段time等。其挖掘模式可设定为：
weekend（X，value）∧night（X，value）∧time（X，value）→quarter（X，value）∧month（X，value）[support，confidence]
根据模式中的属性构造数据立方体，挖掘确定促销进行的时间。
(四)选取促销策略
具体的促销策略可谓五花八门，层出不穷，常用的促销策略有：打折、赠品、积分、、联合销售。总之，所有的促销策略都是变向的增加商品的附加价值。这里主要讨论赠品和联合销售。这两种促销策略都是靠除本商品外的附加商品来吸引消费者，那么赠品和搭配商品的选取就显得尤为重要。我们可以通过数据挖掘的单维关联规则模式进行挖掘。其挖掘模式可设为：
buy（X，A）→buy（X，value）。。。∧buy（X，value）[support，confidence]
其挖掘结果可能为：buy（X，A）→buy（X，B）∧buy（X，C），此规则说明购写商品A的顾客很可能同时购写商品B和C。那么如果促销目的是为了提高待销商品的销量，则可以选取商品B或C作为商品A的赠品；或者对商品A、B、C进行联合销售。通过商品B、C提高商品A的销量。如果促销的目的是推荐新产品D与A属于同一类商品，也可以根据该规则，将其作为商品B或C的赠品等方法。
(五)促销策略检验
对挖掘出来的关联规则进行相关分析，通过计算各商品之间的提升度lift来判断设计出来的策略是否合理。如果购写商品A和购写商品B这两个事件是互不影响的，则称商品A和B不依赖，即P（AUB）=P（A）P（B）；否则就称A和B是依赖的，我们用提升度lift来度量其依赖关系：lift（A，B）=P（AUB）/P（A）P（B）
若lift（A，B）=1时，说明商品A和B的销售相互之间没有影响；若lift（A，B）>1，说明商品A和B的销售是正相关，可以相互促进；而当lift（A，B）<1，说明商品A和B的销售是负相关，一种商品的销售会引起另一种销量的降低。并且，当一个商家针对多个商品进行促销时，还可通过该检验分析各促销活动之间是否会发生冲突而引起销量的降低。
四、总结
数据挖掘技术能通过挖掘各种频繁模式找到各种销售事务之间的关联，从而商家从海量数据中识别客户的购写行为特征，发现客户购写模式和趋势。它基本可以满足新形势下促销活动精确化、数据化以及战略化的要求。数据挖掘丰富的挖掘模式以及多样的分析方法还可以从另外的角度对促销活动提供帮助，甚至挖掘并延伸出更新颖的促销形式，还有待于进一步的研究和发现。
参考文献：
1.夏火松,蔡淑琴.知识管理与市场营销专家知识的分形特征[J].武汉科技学院学报,2001(1).
2.陈京民.数据仓库与数据挖掘技术[M].电子工业出版社,200
3.王萍.运用数据挖掘技术预测客户购写倾向——方法与实证研究[J].情报科学,2005(5).（作者单位：中州大学）