数据挖掘技术分析及其在零售行业的应用

溺避科羧　数据挖掘技术分析及奠在零售行业的应用　一刘［摘磊吉林工商学院　要］数据挖掘技术逐渐成为研究热点，应用也越来越广泛。本文结合零售业中各种应用需求，较详细地分忻了针对不同挖　零售业算法　挖掘频繁模式导致发现数据中有趣的关联。著名的“尿布与　啤酒　的故事就是关联规则具体应用。著名的关联规则发现方法　掘任务的数据挖掘技术　并对实施中出现的问题进行了阐述，表明了改进挖掘算法和提高计算效率的　要性。　［关键词］数据挖掘一、目ｆ言　当美国学者奈斯伯特惊呼　人类正被大量数据所淹没，而知　识则极度匮乏　时，出现于２　０世纪８　０年代末的数据挖掘技术让　人们看到了发现知识的希望。　零售行业使最早利用数据挖掘技术的领域之一，随着时代的　发展，传统报表系统已经不能满足日益增长的业务需求了．企业　期待着更好地利用数据分析和数据挖掘这种新的技术来获得知识　或洞察力，促使企业做出更有利的决策．带来更大的商业价值。　这也成为企业生存发展的关键。　二、数据挖掘概念　１什么是数据挖掘。数据挖掘（ＤＭ）是指从大量数据中抽取隐　含的、不为人知的　有用的信息．．有时也把数据挖掘等同于数据　库中的知识发现（ＫＤＤ）。　从商业角度出发．数据挖掘可以描述为　按企业既定业务目　标，对大量的企业数据进行探索和分析，揭示隐藏的、未知的或　验证已知的规律性．并进一步将其模型化的先进有效的方法。　２数据挖掘及知识发现处理数据的一般过程。数据清理一数　据集成一数据选择一数据变换一汇总、聚集一数据挖掘一模式评　估一知识表示　三　零售业数据挖掘的主要技术分析　数据挖掘采用的方法综合了数据库、人工智能、统计学、模　式识别、机器学习，数据分析等领域的研究成果　１概念／类描述：特征化和区分。对含有大量数据的数据集　合进行概述性的总结并获得简明、准确的描述。　定性概念描述即数据特征化．是目标类数据的一般特性或特　征的汇总。　对比概念描述即数据区分是将目标类数据对象的一般特性与　一个或多个对比类对象的一般特性进行比较。目标类和对比类由　用户指定．而对应的数据通过数据库查询检索。例如：用户可能　希望将上一年销售增加１　０％的Ａ产品与同一时期销售至少下降　２０％的Ｂ产品进行比较。再如比较定期购买某种产品的顾客和偶　尔购买这种产品的顾客　结果描述提供顾客比较的一般轮廓　如　比较两类顾客的年龄．受教育程度．职业等等，还可以就某项深　入比较．发现两类间更多的区分特性一　两种描述使用的一些有　基于统计度量　图的简单数据汇总、　数据立方体、面向属性的归纳等。　２挖掘频繁模式、关联。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　项集是指频繁地在事务数据集中一起出现的项的集合，如牛　奶和面包。如顾客先购买ＰＣ再购买数码相机然后再购买内存卡这　样的模式是一个（频繁）序列模式。　子结构涉及不同的结构形式，如图、树或格　与项集或子序　列结合在一起。如果一个子结构频繁地出现　则称它为（频繁）　结构模式　如Ｒ　Ａｇ　ｒａｗａＩ提出的ＡｐｔｌＯｆ＂ｌ算法等　３分类知识发现。所谓分类　是把给定的数据划分到一定的类　别中。分类的关键是对数据按照什么标准或什么规则进行分类。　对于分类规则的挖掘通常有以下几种方法：决策树、朴素贝　叶斯、ｋ最近邻分类、人工神经网络、粗糙集方法和遗传算法。不　同的算法适用于不同特点的数据集合。最为典型的分类方法是基　于决策树的分类方法。　４预测型知识发现。预测型知识是根据事件序列型数据，由　历史的和当前的数据去推测未来的数据　也可以认为是以时间为　关键属性的关联知识。比如　在零售业中根据先前的销售数据　预测未来销售中每种商品的收益，这是一　（数值）预测的例子。　目前．回归分析是～种最常使用的数值预测的统计学方法．　此外还有神经网络、机器学习等多种方法。　５聚类分析。聚类分析处理的数据是无事先确定的类别归属，　是把整个数据库分成不同的群组。它的目的是要群与群之间差别　很明显，而同一个群之间的数据尽量相似。　在零售业中利用聚类可以帮助市场分析人员从客户的基本库　中发现不同的客户群，并且用购买模式来刻画不同客户群的特　征。此外．聚类分析可以作为其他算法（如特征和分类等）的预处　理步骤。聚类方法主要有两大类，包括统计方法和神经网络方法。　６离群点分析。数据集中那些不符合大多数数据对象所构成　的规律（模型）的数据对象被称为异类或离群点。　大部分数据挖掘方法很容易：　离群点视为噪声或异常而丢弃。　然而在某些特定应用场合（如商业欺诈行为的自动检测），小概率　发生的事件（数据）比经常发生的事件（数据）更有挖掘价值。　常使用异常探测方法来发现离群点，实现异常探测可以用基　于统计、基于距离、）基于偏离的方法。　四、结束语　通过研究和实际应用了解到　数据挖掘并不是万能的，在通　过数据挖掘得到一些有意思的结果之后，还要进行相应的市场分　析．用户行为分析和用户访谈　了解数据背后消费者的心理。　虽然数据挖掘在零售业中的应用有许多成功的案例（多数都　在国外），然而在具体实施中还有一些的问题　挖掘算法的改进　和计算效率提高　模型的合理性和易懂性　与其他系统的集成问　题，网络与分布式环境下的ＫＤＤ问题，个人隐私问题　数据规模　超大或太小．另外还可能有观念意识问题，基础条件不成熟问题，　这些都有待于进一步研究。　参考文献：　［１］Ｓｈｏｒｔｌａｎｄ　Ｒ．Ｓｃ＆ｒｆｅ　Ｒ．Ｄｉｇｇｉｎｇ　ｆｏｒ　Ｇｏｌｄ．ｉＥＥ　Ｐ￣ｅｖｉｅｗ．１　９９５（５）　４１．２１　５～２１　７　［２］范明孟小峰（译）：ａ　Ｔｌｊｉａｗｅｉ　ｅｔ＆ｉ．数据挖掘：概念与技术　北京：机械工业出版社．２　０　０　７　《齑场现代化　２００９年２月（下匐　总第５６７￣ｉ　６ｌ