论文部分内容阅读
【摘 要】介绍了大数据的基本概念，核心和大数据挖掘，并探讨了大数据在零售业中的应用。
【关键字】大数据；数据挖掘；CRISP-DM；顾客价值主张
一、大数据
“大数据”由英文“Big Data”翻译而来，指大小超出了传统数据库软件工具的抓取、存储、管理和分析能力的数据群。究竟多大才算大数据，这个定义根据行业的不同会有所差异，目前众多行业的大数据范围可以从几十TB到数千TB。
二、大数据的核心
大数据具有数据量大、查询分析复杂等特点。在大数据时代，建立在人们的习惯思维基础上的关联分析已经不适用了，因为数据量太大而且需要考虑的因素众多。现在通过计算机就可以完成复杂的相关关系分析，建立在相关关系分析法基础上的预测是大数据的核心。相关关系分析法更准确、更快，而且不易受偏见影响，能够得到准确的预测结果。
美国折扣零售商塔吉特（Target）使用大数据的相关关系分析，找出了大概20多种关联物，使用这些关联物对顾客进行“怀孕趋势”评分，比较准确地预测预产期，在孕期每个阶段为客户寄送相应的优惠券。大数据时代，找出相关的关联物并监控它，就能够准确的预测未来。
三、大数据挖掘
从看似平淡无奇的记录资料中发现、归纳和获取有价值信息的过程，就是数据挖掘（Data mining）。大数据不仅仅只有数字，还包含大量的文本、超链接、音频和视频等信息。大数据挖掘能够帮助人们从繁杂的数据中找到最有价值的信息。
CRISP-DM是一套被广泛应用的跨行业标准流程，这个流程包含业务理解、数据理解、数据准备、建立模型、模型评估和模型发布六个阶段。
（一）业务理解：确定挖掘的内容，了解相关对象的现状，制定目标和计划。
（二）数据理解：当确定了挖掘的内容和计划，就需要考虑数据了。包括原始数据搜集、数据描述、数据探索和质量核查。通常和业务理解反复进行，确定最终的对象和数据。
（三）数据准备：顾名思义，就像装修需要对建材进行筛选、加工，原始数据中包含大量的错误、重复和不符合要求的信息，需要删除、整理和转化。数据准备相当于数据探索，对数据进行粗加工，为后续的模型建立做准备。
（四）建立模型：本阶段主要是描绘数据并建立关联，使用一定的分析方法借助数据挖掘工具进行数据的基础分析。
（五）模型评估：对于建立的模型结果，要对在第一步建立的工作目标进行评估，这将导致频繁地返回到前面的步骤。这个过程需要缓慢推进，各种的可视化分析结果、统计和人工智能工具将展现更深层次地理解数据运行的关系，帮助数据挖掘人员进行评估。
（六）模型发布：通过评估后得到模型应用于“假设检验”方法和数据库知识发现（KDD）这两种路径中，借助CRISP-DM前期步骤中发现的知识，可以获得更加健全的模型。发布的模型可以用于预测或识别关键特征，需要通过实际情况检测其变化。如果发生重大变化，模型就需要被重新制定。模型发布让从实验数据库中建立起来的模型在实践中受到检验。
四、大数据在零售业中的应用
在零售业中如何有效的利用大数据处理技术，以快速精确的支撑营销和市场决策，成为零售业寻找新的业务增长点和突破点的关键。零售业的大数据应用主要从以下几个方面考虑：
（一）分析新老顾客在消费行为方面存在的差异。通过大数据挖掘对新老顾客的消费频次、消费品类的结构变化、消费价格带的差异、价格敏感度的差异进行分析。例如结合会员卡的卡龄和顾客的实际年龄，将顾客的消费次数、频次、消费类别和消费金额等信息展示，报表数据查询，多维分析查询等，运用于促销方案的制定，并提供给公司高层做战略制定依据。通过新老顾客在商品上市后的消费时间来看季节过程中的销售侧重点。
（二）销售力和货架资源利用分析。不同的商品的销售周期长短不一，但是决定商品销量一般在刚刚上市的前几周就能看出。例如各款式商品在第一周、第二周及第三周销售力变化情况以及各款式货架资源投入产出效率的分析，就能较好的把握销售机会以及合理把握库存规模。通过货架资源利用分析，可以得到商品在货架上陈列时间与它所得到的毛利，将两者进行比较，就能得到经营过程中的货架资源利用效率。
（三）商品间的销售关联性分析。例如对顾客消费行为进行分析，能够得到有多少用户在购买了A商品后，又购买了B商品，从而得出两款商品的关联性，以帮助零售企业更好的调整货架资源，方便顾客购买，提升商品的销量。沃尔玛通过数据挖掘分析，将纸尿片和啤酒、飓风商品和蛋挞摆放在相邻货架上，实现了销量的上升。通过关联性分析反映现状，为零售企业提供了经营决策。
上述都是通过挖掘庞大的业务数据，围绕顾客的价值主张进行分析，预测顾客的消费行为，调整经营决策，优化货架资源，根据不同顾客的销售习惯，通过短信、微信和互联网向顾客推送相关的新品和促销等信息，打造个性化的服务，从而实现零售业的销量增长。
五、结束语
随着全球数据量的爆发式增长，大数据技术得到了飞快的发展，也为零售业从庞大的业务数据中获取有用信息提供了强有力的支持。但是由于数据本身的局限性，即数据无法反映每一位顾客的消费习惯。还有算法，计算效率和模型的合理性等因素的影响，如何快速的构建适合的大数据平台，精确的分析大数据中的有用信息，预测顾客的消费行为，从而支持企业的经营决策，牢牢占据市场先机，将会是零售业在激烈的市场竞争中获得胜利的关键。
参考文献：
[1]《大数据》.清华大学出版社.
[2]《大数据时代》.浙江人民出版社.
作者简介：张敏（1986-），男，福建福州人，在读硕士，主要研究方向：电子与通信。
【关键字】大数据；数据挖掘；CRISP-DM；顾客价值主张
一、大数据
“大数据”由英文“Big Data”翻译而来，指大小超出了传统数据库软件工具的抓取、存储、管理和分析能力的数据群。究竟多大才算大数据，这个定义根据行业的不同会有所差异，目前众多行业的大数据范围可以从几十TB到数千TB。
二、大数据的核心
大数据具有数据量大、查询分析复杂等特点。在大数据时代，建立在人们的习惯思维基础上的关联分析已经不适用了，因为数据量太大而且需要考虑的因素众多。现在通过计算机就可以完成复杂的相关关系分析，建立在相关关系分析法基础上的预测是大数据的核心。相关关系分析法更准确、更快，而且不易受偏见影响，能够得到准确的预测结果。
美国折扣零售商塔吉特（Target）使用大数据的相关关系分析，找出了大概20多种关联物，使用这些关联物对顾客进行“怀孕趋势”评分，比较准确地预测预产期，在孕期每个阶段为客户寄送相应的优惠券。大数据时代，找出相关的关联物并监控它，就能够准确的预测未来。
三、大数据挖掘
从看似平淡无奇的记录资料中发现、归纳和获取有价值信息的过程，就是数据挖掘（Data mining）。大数据不仅仅只有数字，还包含大量的文本、超链接、音频和视频等信息。大数据挖掘能够帮助人们从繁杂的数据中找到最有价值的信息。
CRISP-DM是一套被广泛应用的跨行业标准流程，这个流程包含业务理解、数据理解、数据准备、建立模型、模型评估和模型发布六个阶段。
（一）业务理解：确定挖掘的内容，了解相关对象的现状，制定目标和计划。
（二）数据理解：当确定了挖掘的内容和计划，就需要考虑数据了。包括原始数据搜集、数据描述、数据探索和质量核查。通常和业务理解反复进行，确定最终的对象和数据。
（三）数据准备：顾名思义，就像装修需要对建材进行筛选、加工，原始数据中包含大量的错误、重复和不符合要求的信息，需要删除、整理和转化。数据准备相当于数据探索，对数据进行粗加工，为后续的模型建立做准备。
（四）建立模型：本阶段主要是描绘数据并建立关联，使用一定的分析方法借助数据挖掘工具进行数据的基础分析。
（五）模型评估：对于建立的模型结果，要对在第一步建立的工作目标进行评估，这将导致频繁地返回到前面的步骤。这个过程需要缓慢推进，各种的可视化分析结果、统计和人工智能工具将展现更深层次地理解数据运行的关系，帮助数据挖掘人员进行评估。
（六）模型发布：通过评估后得到模型应用于“假设检验”方法和数据库知识发现（KDD）这两种路径中，借助CRISP-DM前期步骤中发现的知识，可以获得更加健全的模型。发布的模型可以用于预测或识别关键特征，需要通过实际情况检测其变化。如果发生重大变化，模型就需要被重新制定。模型发布让从实验数据库中建立起来的模型在实践中受到检验。
四、大数据在零售业中的应用
在零售业中如何有效的利用大数据处理技术，以快速精确的支撑营销和市场决策，成为零售业寻找新的业务增长点和突破点的关键。零售业的大数据应用主要从以下几个方面考虑：
（一）分析新老顾客在消费行为方面存在的差异。通过大数据挖掘对新老顾客的消费频次、消费品类的结构变化、消费价格带的差异、价格敏感度的差异进行分析。例如结合会员卡的卡龄和顾客的实际年龄，将顾客的消费次数、频次、消费类别和消费金额等信息展示，报表数据查询，多维分析查询等，运用于促销方案的制定，并提供给公司高层做战略制定依据。通过新老顾客在商品上市后的消费时间来看季节过程中的销售侧重点。
（二）销售力和货架资源利用分析。不同的商品的销售周期长短不一，但是决定商品销量一般在刚刚上市的前几周就能看出。例如各款式商品在第一周、第二周及第三周销售力变化情况以及各款式货架资源投入产出效率的分析，就能较好的把握销售机会以及合理把握库存规模。通过货架资源利用分析，可以得到商品在货架上陈列时间与它所得到的毛利，将两者进行比较，就能得到经营过程中的货架资源利用效率。
（三）商品间的销售关联性分析。例如对顾客消费行为进行分析，能够得到有多少用户在购买了A商品后，又购买了B商品，从而得出两款商品的关联性，以帮助零售企业更好的调整货架资源，方便顾客购买，提升商品的销量。沃尔玛通过数据挖掘分析，将纸尿片和啤酒、飓风商品和蛋挞摆放在相邻货架上，实现了销量的上升。通过关联性分析反映现状，为零售企业提供了经营决策。
上述都是通过挖掘庞大的业务数据，围绕顾客的价值主张进行分析，预测顾客的消费行为，调整经营决策，优化货架资源，根据不同顾客的销售习惯，通过短信、微信和互联网向顾客推送相关的新品和促销等信息，打造个性化的服务，从而实现零售业的销量增长。
五、结束语
随着全球数据量的爆发式增长，大数据技术得到了飞快的发展，也为零售业从庞大的业务数据中获取有用信息提供了强有力的支持。但是由于数据本身的局限性，即数据无法反映每一位顾客的消费习惯。还有算法，计算效率和模型的合理性等因素的影响，如何快速的构建适合的大数据平台，精确的分析大数据中的有用信息，预测顾客的消费行为，从而支持企业的经营决策，牢牢占据市场先机，将会是零售业在激烈的市场竞争中获得胜利的关键。
参考文献：
[1]《大数据》.清华大学出版社.
[2]《大数据时代》.浙江人民出版社.
作者简介：张敏（1986-），男，福建福州人，在读硕士，主要研究方向：电子与通信。