“互聯(lián)網(wǎng)+”背景下零售企業(yè)客戶知識獲取研究

摘 要：信息技術(shù)時(shí)代，海量的數(shù)據(jù)呈現(xiàn)爆炸式增長。網(wǎng)購已逐漸成為人們購物的主要方式，特別是在“互聯(lián)網(wǎng)+”戰(zhàn)略推動(dòng)下，營銷模式也發(fā)生了重大的轉(zhuǎn)變，新零售模式逐步興起并得到發(fā)展。這就對企業(yè)的營銷策略提出了更高的要求，為了能夠全面了解消費(fèi)者需求、消費(fèi)者購物習(xí)慣，從而實(shí)現(xiàn)個(gè)性化營銷和精準(zhǔn)營銷，更加需要企業(yè)掌握和利用好大數(shù)據(jù)。通過闡述互聯(lián)網(wǎng)時(shí)代，依托粗糙集，以消費(fèi)者的大量行為軌跡數(shù)據(jù)挖掘出客戶的隱性知識，從而能夠更好地為企業(yè)的營銷服務(wù)提供助力。

關(guān)鍵詞：互聯(lián)網(wǎng);隱性知識;新零售

中圖分類號：F27? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? 文章編號：1673-291X（2019）20-0081-02

引言

信息技術(shù)時(shí)代，知識管理已經(jīng)成為更多企業(yè)來謀求競爭優(yōu)勢的重要手段。知識管理理論認(rèn)為，企業(yè)能夠獲得持續(xù)競爭力的前提是能夠?qū)ψ约含F(xiàn)有知識進(jìn)行有價(jià)值的知識創(chuàng)新。Polanyi認(rèn)為，知識可以分為顯性知識（Explicit Knowledge）和隱性知識（Tacit Knowledge），相比顯性知識來說，隱性知識因其極強(qiáng)的主體承載性、不可替代性和稀缺性更具有創(chuàng)造性。因此，企業(yè)在進(jìn)行知識創(chuàng)造時(shí)，可以從大數(shù)據(jù)中挖掘出難以格式化描述、難以編碼的隱性知識，從而挖掘出消費(fèi)者的隱性知識，使企業(yè)更好地利用這些知識，快速地應(yīng)對日益加劇的激烈的市場競爭環(huán)境。

一、理論基礎(chǔ)

（一）新零售的內(nèi)涵

馬云在2016年杭州云棲大會上提出了“新零售”的概念[1]。2018年4月《2018“美好生活”智慧零售白皮書》中曾提到，我國正在進(jìn)行著一場以技術(shù)為驅(qū)動(dòng)，線上線下一體化的變革。2017年《中國“家·生活”用戶消費(fèi)行為專題分析報(bào)告》中指出，消費(fèi)者不再單純地滿足于購買產(chǎn)品或服務(wù)，產(chǎn)品或服務(wù)所帶來的心理效益開始占據(jù)越來越重要的位置。因此，越來越多的企業(yè)開始采用體驗(yàn)式營銷模式，注重開展各種溝通活動(dòng)，增強(qiáng)顧客體驗(yàn)感受，使消費(fèi)者在物質(zhì)上和精神上得到雙重滿足，促進(jìn)消費(fèi)者做出購買決策。未來的十年將是新零售時(shí)代，互聯(lián)網(wǎng)技術(shù)能夠很好地運(yùn)用大數(shù)據(jù)、云計(jì)算等，逐步去發(fā)掘出客戶的需求，傾聽客戶內(nèi)心的聲音，保持并且持續(xù)改進(jìn)與消費(fèi)者的關(guān)系，進(jìn)而對消費(fèi)者實(shí)施精準(zhǔn)營銷、有效營銷才是未來零售企業(yè)制勝之道。

（二）粗糙集

1982年波蘭學(xué)者創(chuàng)立了粗糙集（Rought Sets，RS）理論，它是用來進(jìn)行數(shù)據(jù)挖掘和分析的一種軟件計(jì)算方法。自創(chuàng)立以來，越來越得到更多的關(guān)注，尤其是人工智能的興起[2]。RS以收集到的原始數(shù)據(jù)的分類能力為基礎(chǔ)，然后對樣本數(shù)據(jù)進(jìn)行分析，從而去發(fā)現(xiàn)其中所隱藏的規(guī)則知識。這種計(jì)算方法不需要任何的先驗(yàn)知識，能夠處理不完整（Incomplete）、不精確（Imprecise）、不一致（Inconsistent）的[2]數(shù)據(jù)，并且操作起來簡單、方便。目前，已經(jīng)在許多領(lǐng)域得到了廣泛的應(yīng)用，如地震預(yù)報(bào)、機(jī)器學(xué)習(xí)、人工智能、臨床醫(yī)療診斷、故障診斷、模式識別、圖像處理等。

粗糙集的知識表達(dá)系統(tǒng)（Knowledge Representation System， KRS）可以表示為：四元組，其中：

二、消費(fèi)者隱性知識獲取的過程

新零售實(shí)質(zhì)上是利用大數(shù)據(jù)和互聯(lián)網(wǎng)重建人、貨、場，在互聯(lián)網(wǎng)上，消費(fèi)者的瀏覽記錄和消費(fèi)記錄等形成了龐大的數(shù)據(jù)庫，哪怕一個(gè)微小的行為都會影響著大趨勢[3]。由于網(wǎng)民越來越多、基數(shù)越來越大，我們正處于海量的數(shù)據(jù)之中。大數(shù)據(jù)本質(zhì)就是通過某些特定的計(jì)算方法和技術(shù)，將收集到的顧客的消費(fèi)數(shù)據(jù)進(jìn)行匯總、整理、分析，從而判斷出消費(fèi)者的消費(fèi)趨勢，喜歡哪一類產(chǎn)品，即將會有什么樣的產(chǎn)品需求，總結(jié)起來即是對消費(fèi)者數(shù)據(jù)進(jìn)行分析。互聯(lián)網(wǎng)技術(shù)的高速發(fā)展為我們獲取消費(fèi)者隱性知識提供了很多的便利條件?；ヂ?lián)網(wǎng)是一個(gè)動(dòng)態(tài)地、分布式、大規(guī)模的，囊括了多種數(shù)據(jù)（結(jié)構(gòu)化、非結(jié)構(gòu)化、異構(gòu)數(shù)據(jù)）的信息源。基于粗糙集理論的數(shù)據(jù)挖掘可以從爆炸式增長的海量數(shù)據(jù)中挖掘出消費(fèi)者行為和企業(yè)潛在顧客之間聯(lián)系的規(guī)則知識，有效地去指導(dǎo)企業(yè)的一些措施和方案。

（一）數(shù)據(jù)預(yù)處理

粗糙集能夠處理多種類型的數(shù)據(jù)，但在具體的應(yīng)用過程中是以等價(jià)關(guān)系為基礎(chǔ)的，處理對象是離散化數(shù)據(jù)。因此，需要對原始數(shù)據(jù)進(jìn)行規(guī)范化處理。在互聯(lián)網(wǎng)上搜集到的數(shù)據(jù)可能并不規(guī)范，因而，在數(shù)據(jù)預(yù)處理階段，需要多搜集到的數(shù)據(jù)進(jìn)行規(guī)范化處理，對原始數(shù)據(jù)中一些缺失數(shù)據(jù)、不一致數(shù)據(jù)、噪聲數(shù)據(jù)等進(jìn)行清理;在互聯(lián)網(wǎng)收集到的客戶知識中不僅有離散性數(shù)據(jù)，而且還存在連續(xù)性數(shù)據(jù)，要對連續(xù)性數(shù)據(jù)進(jìn)行離散化。本文使用信息熵的離散化方法對連續(xù)性數(shù)據(jù)離散化，它是對原始數(shù)據(jù)的屬性本身進(jìn)行劃分，來使信息熵的減少和區(qū)間數(shù)達(dá)到最小，以尋求熵?fù)p失和適度區(qū)間數(shù)的平衡，使離散值最佳[4-5]。經(jīng)過數(shù)據(jù)預(yù)處理以后，使數(shù)據(jù)更加完整、干凈、具有針對性。

2.屬性約簡

在搜集到的數(shù)據(jù)中，有些屬性對決策是沒有用的，冗余屬性的的存在會增加系統(tǒng)的數(shù)據(jù)量，一方面使計(jì)算機(jī)計(jì)算速度變慢，另一方面會產(chǎn)生更多的規(guī)則，影響最后的決策[6]。屬性約簡的前提是不影響原有信息表，剔除一些不相關(guān)屬性，最后得出的就是最小屬性集，計(jì)算起來運(yùn)行速度加快，相應(yīng)的挖掘出來的無用規(guī)則就少了，規(guī)則獲取的速度就提高了。文中使用遺傳算法對離散化后的屬性值進(jìn)行約簡，我們想要得到最準(zhǔn)確、精簡的規(guī)則集，就必須使屬性值最少。使用遺傳算法進(jìn)行約簡可以降低復(fù)雜性，提高運(yùn)行效率。

（三）提取規(guī)則知識

建立決策系統(tǒng)DT=〈U，A，V，f〉，使用RS生成規(guī)則，這時(shí)令？琢表示c（c∈C）的描述合取，？茁表示決策表，D決策屬性，粗糙集計(jì)算結(jié)果得出的規(guī)則表明條件屬性和決策屬性之間關(guān)系，可以用“IF-THEN”的形式表示。此時(shí)得出的規(guī)則，并不能作為最終的規(guī)則集，需要去粗糙集得出的眾多規(guī)則進(jìn)行篩選，篩選指標(biāo)為支持度和精確度。

1.規(guī)則的精確度Accuracy（α→β）可以表示為[6]：

2.規(guī)則的支持度

其中，決策表為DT=〈U，A，V，f〉，A=C∪D，U表示論域，U中對象的總數(shù)目為N;生成的規(guī)則是dr;xC是滿足這個(gè)規(guī)則前件的對象數(shù)目。

Accuracy值越大，正確得出決策對象的個(gè)數(shù)越多;Support反映的是論域中可以與規(guī)則集中規(guī)則匹配的比例大小，Support越大，表明示例數(shù)據(jù)在實(shí)際應(yīng)用中出現(xiàn)頻率就越大，也即是規(guī)則應(yīng)用型強(qiáng)。

三、算例分析

用一個(gè)例子來說明本文隱性知識獲取的過程。首先，通過各種平臺收集客戶數(shù)據(jù)，并基于所收集到的客戶數(shù)據(jù)集，假定收集到的客戶數(shù)據(jù)為：條件屬性為3個(gè)方面構(gòu)成、決策屬性由1個(gè)方面組成，分別記為C={I1，I2，I3}和D=j5i0abt0b，建立知識表達(dá)系統(tǒng)KS=（U，A，V，f），如表1所示。

本算例中數(shù)據(jù)較少，使用離散化算法以后依然是原來表達(dá)系統(tǒng)，上圖所示，然后用遺傳算法進(jìn)行屬性約簡，結(jié)果如表2所示。

屬性約簡的支持度為100，約簡后得到兩個(gè)決策表，根據(jù)這兩個(gè)決策表生成規(guī)則，結(jié)果如表3所示。

在生成規(guī)則以后，如果規(guī)則過多，可以用精確度和支持度兩個(gè)指標(biāo)對規(guī)則進(jìn)行篩選，經(jīng)過篩選以后的規(guī)則精確度和支持度都很高，在實(shí)際應(yīng)用中通過這些規(guī)則進(jìn)行預(yù)測時(shí)準(zhǔn)確率會比較高，篩選以后的規(guī)則就形成了規(guī)則集。如表3所示，I2特征為1，I3特征值為1時(shí)就可以做出決策為D2。

結(jié)語

信息技術(shù)高速發(fā)展的時(shí)代，作為電子商務(wù)企業(yè)一定要緊跟時(shí)代的步伐，根據(jù)企業(yè)自身性質(zhì)，利用好消費(fèi)者數(shù)據(jù)特征，從大數(shù)據(jù)中挖掘出對企業(yè)競爭有力的信息，為企業(yè)的持續(xù)發(fā)展奠定基礎(chǔ)。本文介紹了從消費(fèi)者大量數(shù)據(jù)中獲取隱性知識的方法，通過對原始數(shù)據(jù)進(jìn)行清理、離散化、屬性約簡，然后生成規(guī)則，最后用一個(gè)算例來驗(yàn)證方法的可行性。由于算例數(shù)據(jù)較少，可能會影響結(jié)果的精確性，后續(xù)會用案例來進(jìn)行說明消費(fèi)者隱性知識獲取的過程。

參考文獻(xiàn)：

[1]? 朱春曉.新零售模式下電子商務(wù)的現(xiàn)狀及趨勢分析[J].現(xiàn)代營銷：經(jīng)營版，2019，（6）：133.

[2]? 曹悅.電子商務(wù)背景下客戶隱性知識獲取機(jī)制研究[D].鄭州：鄭州大學(xué)，2017.

[3]? 袁佳玲，王海盈，陳麗媛，秦旖旎，張穎.“新零售”發(fā)展前景及關(guān)鍵問題研究[J].現(xiàn)代商貿(mào)工業(yè)，2019，（15）：53-55.

[4]? 周凡程.粗糙集理論在數(shù)據(jù)離散化中的應(yīng)用研究[D].長沙：中國人民解放軍國防科學(xué)技術(shù)大學(xué)，2012.

[5]? 王舉范，陳卓.基于信息熵的粗糙集連續(xù)屬性多變量離散化算法[J].青島科技大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，（4）：423-426.

[6]? 趙茜.自動(dòng)化技術(shù)、計(jì)算機(jī)技術(shù)[J].中國無線電電子學(xué)文摘，2011，（5）：167-246.