基于數(shù)據(jù)挖掘?qū)﹄娚檀黉N活動的銷量預(yù)測研究

劉帥 李相如 趙潤方 徐旭 張文杰 李艷娟

摘 要：通過研究以往電商促銷活動基本情況及歷史數(shù)據(jù)，運用數(shù)據(jù)挖掘與數(shù)據(jù)分析技術(shù)對某次促銷活動銷量進(jìn)行預(yù)測和分析，針對淘寶店是否參加這次電商促銷活動的決策問題，基于整體銷量的角度進(jìn)行決策建模分析。經(jīng)過對銷量的預(yù)測分析，可得到促銷活動對銷量增長的促進(jìn)作用是否可以達(dá)到商家的要求，是否可以幫助商家盈利或者可以獲得比不參加促銷活動更大的利潤，從而幫助商家做出正確的銷售決策。

關(guān)鍵詞： 電商促銷活動; 銷售效應(yīng);數(shù)據(jù)挖掘

【Abstract】 By studying the basic situation and historical data of previous e-commerce promotion activities， this paper forecasts and analyzes the sales volume of a promotion activity using data mining and data analysis method， and conducts decision-making modeling analysis from the perspective of overall sales volume for the decision-making problem of whether taobao stores participate in this e-commerce promotion activity. After the above forecast analysis on sales， it is feasible to learn whether the activities' promotion of sales growth can meet the requirements of the merchants， whether participating in the activities could help the business to make a profit or get a bigger profit than not to participate in the activities. Therefore， the research is helpful for ?merchants to make the right sales decisions.

【Key words】 ?e-commerce promotional activities; sales effect; data mining

0 引 言

隨著互聯(lián)網(wǎng)大數(shù)據(jù)的發(fā)展，基于數(shù)據(jù)挖掘的相關(guān)研究在電子商務(wù)中的應(yīng)用正日漸趨于廣泛，一方面呈現(xiàn)出高速增長態(tài)勢，另一方面可以預(yù)見的是其未來的研究前景也必然更加廣闊。因而近年來，已經(jīng)受到了業(yè)界眾多學(xué)者的高度重視與關(guān)注。時下，電子商務(wù)網(wǎng)站的交易量以及越來越多的使用人數(shù)也都在體現(xiàn)著電子商務(wù)的強大行業(yè)引領(lǐng)能力。毋庸諱言，其優(yōu)越性是顯而易見的。電子商務(wù)可使人們的生活購物變得便捷，可以使人們足不出戶就能買到千里之外的商品;可使人們無需跑路就能買到物美價廉的商品。然而站在電商平臺以及賣家的立場來說，就需要考慮顧客的消費心理，即如何才能賣出更多的商品，這就需要精準(zhǔn)定位消費者的購物意向?，F(xiàn)如今國內(nèi)外的電商平臺都已經(jīng)啟動了對消費者心理的精準(zhǔn)預(yù)測。比如國內(nèi)的阿里巴巴，國外的亞馬遜平臺，就都會記錄下每天在其平臺上的用戶消費記錄，憑此來預(yù)測顧客的消費習(xí)慣，同時有針對性地推出一些促銷活動，將用戶潛在所需商品精準(zhǔn)地推薦給目標(biāo)客戶，用戶也會省下搜尋各類中意商品的時間，可謂是一種雙贏之舉。但仍有研究指出，目前的各大商家競爭日益激烈，從而催生出種類多樣、良莠不齊的促銷活動。而在有些促銷活動中，活動舉辦商家并不能取得預(yù)期的利潤，甚至還會導(dǎo)致虧損?；诖?，如果能夠預(yù)先知道該類促銷活動是否會盈利，或者是否可以獲得比不參加活動更大的利潤，那么商家就可以利用這一點來判斷是否開展該類促銷活動。本次研究就是利用數(shù)據(jù)挖掘和樸素貝葉斯分類算法來進(jìn)行銷量預(yù)測，從而幫助商家盡可能獲取最大化利益。對此，擬做研究論述如下。

1 研究方法

研究發(fā)現(xiàn)，吸引客戶和商家注意力的各類指標(biāo)中，首推的2項就是商品評價和銷售量。因此，本文通過結(jié)合活動期間以及活動期外這2個方面的效應(yīng)來進(jìn)行分析。研究選用銷售量來分析銷售效應(yīng)，選用商品評價來提取客戶對商品的好壞評價數(shù)量并加以分析。綜上可得，整體效應(yīng)分析模式詳見表 1。

這里，主要采用假設(shè)性分析方法，提出如下假設(shè)：

H1： 活動銷量能夠達(dá)到日常銷量的n倍

H2： 活動銷量不能夠達(dá)到日常銷量的n倍

其中，n為商家設(shè)定的一個確定值。

2 數(shù)據(jù)準(zhǔn)備

本文主要選取某淘寶店歷史數(shù)據(jù)進(jìn)行分析。利用網(wǎng)絡(luò)爬蟲來取得所需數(shù)據(jù)，考慮到活動預(yù)期通常情況下均為2天，且所能爬取到的數(shù)據(jù)只有月銷量，所以本文將活動對應(yīng)月份作為活動期進(jìn)行標(biāo)記處理，其它月份的數(shù)據(jù)標(biāo)記為非活動區(qū)間，即日常期間。針對同一種類商品（衣服）的同一季度的不同品牌，繪出銷量對比圖，即如圖1所示。同時，研究中還以評價和折扣作為影響銷量的因素，因而將商品評價和商品折扣爬取下來，繪制后結(jié)果具體如圖2、圖3所示（圖1～3中的數(shù)據(jù)均為所選取的示例數(shù)據(jù)）。

3 數(shù)據(jù)分析

本次研究中，采用樸素貝葉斯算法作為分類算法。將評價和折扣率作為條件，活動期間銷量和日常銷量的比例作為結(jié)果，即結(jié)果為活動銷量能夠達(dá)到日常銷量的n倍和活動銷量不能夠達(dá)到日常銷量的n倍。結(jié)合示例數(shù)據(jù)，條件為好評占比90%以上和折扣率10%以上;預(yù)測結(jié)果為活動銷量能夠達(dá)到日常銷量的1.5倍和活動銷量不能夠達(dá)到日常銷量的1.5倍。

4 結(jié)束語

本文以雙十一活動為例，基于某淘寶店歷史數(shù)據(jù)對其促銷活動的效應(yīng)進(jìn)行分析。先利用網(wǎng)絡(luò)爬蟲爬取相關(guān)數(shù)據(jù)，再使用樸素貝葉斯算法構(gòu)建貝葉斯分類器。使用之前爬取的數(shù)據(jù)對分類器進(jìn)行樣本訓(xùn)練后，再用示例數(shù)據(jù)來進(jìn)行驗證。在實驗過程中發(fā)現(xiàn)商品評價和折扣率對促銷活動期間的商品銷量有著重要影響，所以將這2個因素作為特征。經(jīng)過示例數(shù)據(jù)檢驗和統(tǒng)計分析得出，經(jīng)過樣本訓(xùn)練后的樸素貝葉斯分類器，可以大概預(yù)測出活動銷量是否可達(dá)到日常銷量的n倍，這樣就能夠幫助商家擬定合理商業(yè)行為決策。此外，鑒于實際條件限制，本文主要是針對某淘寶商家進(jìn)行的小范圍研究。后續(xù)在條件允許的情況下則可以立足于平臺視角進(jìn)行長期、且大范圍的活動效應(yīng)分析。

參考文獻(xiàn)

[1]王玉珍. Web 數(shù)據(jù)挖掘的分析與探索[J].電腦開發(fā)與應(yīng)用， 2003，16（4）：73-74.

[2]朱建平. 數(shù)據(jù)挖掘的統(tǒng)計方法及實踐[M]. 北京：中國統(tǒng)計出版社，2005.

[3]周緒倩. 基于電子商務(wù)的 Web 數(shù)據(jù)挖掘系統(tǒng)架構(gòu)的研究[D]. 邯鄲：河北工程大學(xué)，2010.

[4]畢方明，張永平. 數(shù)據(jù)挖掘技術(shù)研究[J].計算機工程與設(shè)計，2004，25（12）：2242-2244.

[5]范治軍. 基于數(shù)據(jù)挖掘的入侵檢測研究[D]. 大連：大連理工大學(xué)，2012.

[6]陳京民.數(shù)據(jù)挖掘與電子商務(wù)的客戶滿意度[C]//2004中國（福州）國際電子商務(wù)學(xué)術(shù)交流大會暨2004中國國際電子商務(wù)高級學(xué)術(shù)論壇、中國國際電子商務(wù)高等教育論壇、中國國際電子商務(wù)立法研究學(xué)術(shù)論壇、中國國際電子商務(wù)應(yīng)用技術(shù)研究高級論壇. 福州：中國科學(xué)技術(shù)協(xié)會學(xué)會學(xué)術(shù)部，福建省科協(xié)，2004：36-37.

[7]國剛，楊青. 基于數(shù)據(jù)挖掘的客戶忠誠度分析[J]. 價值工程，2013（6）：140-143.

[8]譚磊. New Internet：大數(shù)據(jù)挖掘[M].北京： 電子工業(yè)出版社，2013.

[9]劉軍，呂俊.大數(shù)據(jù)時代及數(shù)據(jù)挖掘的應(yīng)用[N].國家電網(wǎng)報，2012-05-15（10）.

[10]LINDEN G，SMITH B，YORK J. Amazon recommendations：Item-to-item collaborative filtering[J].IEEE Internet Computing，2009，7（1） ：76-80.

[11]張華忠.貝葉斯算法研究[J]. 數(shù)字技術(shù)與應(yīng)用，2013（11）：102.

[12]時雷，虎曉紅，席磊. 樸素貝葉斯分類算法及其應(yīng)用研究[J]，光盤技術(shù)，2018（11）：54.

[13]趙文濤，孟令軍，趙好好，等. 樸素貝葉斯算法的改進(jìn)與應(yīng)用[J]. 測控技術(shù)， 2016（2）：143-147.