基于數據挖掘理論的網購顧客關聯產品購買意向分析

李東輝　舒煜

隨著互聯網的全國性普及，物流業的蓬勃發展，網絡購物以其更加低廉的價格、更多的商品選擇等優勢漸漸代替了實體購物。作為網絡店鋪主體，揣測消費者對關聯產品的購買意向，在很大程度上能幫助網絡商家進行更好的網絡營銷。本文基于大數據背景，充分結合數據挖掘理論中的相關技術，利用對以往顧客進行網絡購物時的關聯產品購買數據，進行數據信息挖掘，擬判斷顧客的相關產品購買意向。本文僅僅以示例的形式從數據挖掘角度進行顧客購買意向的預判，并未進行大量實體驗證，因此，文章所列內容只作為供參考的理論基礎。

數據挖掘/關聯產品/購買意向

一、前言

隨著信息技術的普及、互聯網的迅速發展、網絡覆蓋度的大幅提升，中國已經進入了網絡時代。同時，中國實體營銷也向網絡營銷邁出了長遠的一步，網上宣傳、網上策劃以及網上促銷等等一些列商家活動，都獲得了很大的成功。網絡支付方便快捷，網上產品豐富多彩，網上價格更加優惠，這些因素也成功吸引了購物者的眼球，使更多的人參與到網購行列中來。網上店鋪的風靡與大批量現存及潛在的網購顧客成功開辟了市場營銷的第二條路徑，并且發展迅猛。

但是，網絡商家間的競爭卻也日益激烈，除了以更好的品質、低廉的價格、優質的服務來贏得更多的忠誠顧客外，還應對顧客的購買意向進行較為深入的感知與挖掘。在本文中，核心針對網絡商品的關聯產品網購意向進行舉例式數學模擬分析（即以手機配件、屏幕保護膜及耳機等作為手機的關聯商品，進行分析），并由此對一般性網絡商品的關聯產品的營銷提出相關策略。

二、相關理論基礎

（一）數據挖掘

數據挖掘（Data mining）是數據庫知識發現中的一個步驟，是一個逐漸演變的過程，通過這個過程，可以把商業經驗以及生活中的知識與海量數據進行對應結合，使得人們將抽象復雜的問題通用簡單數字信息表現出來。利用數據挖掘技術，可以使人們更準確的認識問題，更深入的發現市場機遇，也可以做出更明智的決策。

商業活動中的數據挖掘可以這樣理解：數據挖掘作為一種商業信息的處理方法，通過數據挖掘中諸多方法中的可適用方法，來進行商業信息數據的深層次剖析，從而進行抽取、轉換、分析以及運用其他一些模型化處理方法，目的是獲取能輔助進行商業決策的重要關鍵數據和關鍵的依托關系等重要隱含信息。

（二）關聯規則

數據挖掘中的關聯規則，也通常可以稱作關聯模式，它是單向的，是指某類項目或特征與另一類項目或特征間所存在的單向影響關系[1]。關聯規則挖掘技術用于發現數據庫中的屬性之間的隱含聯系，這和傳統的生產方式規則不同，關聯規則可以有一個或多個輸出屬性，同時，一個規則的輸出屬性可以同時是另一個規則的輸入屬性[2]。由關聯分析方法的性質可以看出，該方法非常適合類似于購物籃類問題的分析解決。

以關聯的角度來進行分析，能挖掘大量數據信息中隱藏起來的聯系，這種被挖掘出來的聯系就可以用關聯規則來表示。即通過對以往數據信息進行匯總，將其作為數據挖掘的數據倉庫，并利用數據挖掘類軟件進行操作，便可得出相應的關聯規則，再將挖掘出來的關聯規則經過解釋和評估，驗證其可靠性，最后得出結果并應用。

三、關聯產品的數據挖掘處理流程

鑒于網絡市場的獨有性質，對于客戶的訪問、消費、回饋等信息都能夠很好的進行統計和存儲，因此，網購顧客數據進行挖掘更加方便，應用更加高效。

當網購顧客訪問某一個購物網站的時候，網絡商家通過相應合理的數據統計工具對顧客的可統計信息進行數據類匯總，形成一個大型的顧客信息數據庫。其中，針對本文所研究涉及的領域與內容，進行初步的數據篩選，獲得具有針對性的初級數據源，為接下來的數據挖掘做好準備。

由于數據挖掘需要標準的數據來進行操作，因此，還需要對已經進行過初次篩選的數據整理，統一標準后才可以形成能進行數據挖掘操作的數據倉庫。然后，對數據倉庫運用數據挖掘技術進行深層次挖掘，獲得更為重要的信息或關聯規則。接下來對這些挖掘結果進行合理的解釋評估，得到數據挖掘結果。數據挖掘結果不能直接作為數據挖掘模型終端，在進行結果應用的同時，要進行應用效果反饋，以持續調整數據挖掘算法，爭取獲得更為優化的數據挖掘算法，使挖掘成效最大化。鑒于以上描述，可以構建一個具體的據挖掘處理模型（如圖1），通過模型中的步驟逐步進行數據分析與處理，最后預判網購顧客對關聯產品的購買意向。

圖1 關聯產品購買意向的數據挖掘處理模型

四、關聯產品購買意向的具體應用案例

關聯規則作為本文中的一項重要規則，與傳統的分類規則不同，關聯規則中的各個屬性可以重復出現在下一輪規則聯系中。因此，在網購顧客購買任意產品或產品組合時，可以利用這一規則推斷其關聯產品的購買可能性和意愿強度。

經調研某專賣移動設備的網絡商家發現，其產品主要可以分為手機和手機配件系列兩大模塊。其中，手機可以分為高端手機和普通手機，手機配件系列在本文中僅以手機護具和耳機作為主要案例資料。手機護具主要分為手機膜和手機防護外殼。以該商家的某月購物顧客訪問后具體購買數據為例，獲得其初步篩選后的數據表如下：

購買產品 成交次數 購買產品 成交次數

高端手機 150 高端手機、手機膜、

手機防護外殼 150

普通手機 200 普通手機、手機膜、

手機防護外殼 50

手機膜 300 高端手機、耳機 280

手機防護外殼 80 普通手機、耳機 200

耳機 120 高端手機、手機膜、

耳機 100

高端手機、手機膜 250 普通手機、手機膜、

耳機 60

普通手機、手機膜 150 高端手機、手機防護外殼、耳機 50

高端手機、手機防護外殼 100 普通手機、手機防護外殼、耳機 40

普通手機、手機防護外殼 120 高端手機、手機膜、手機防護外殼、耳機 10

合計總交易次數：2410

備注：為便于計算，以十位為最小單位，四舍五入保存數值

從上表中的數據及信息看起來比較混亂，因此，整理成較為直觀同時更容易理解的二維交叉表形式，見下表：

Y

X 手機Y1 單獨購買 合計

高端手機Y11 普通手機Y12

手機

配件

系列 耳機X1 440 300 120 860

手機護具系列X2 手機膜X21 510 260 300 1070

手機防護外殼X22 310 210 80 600

單獨購買 150 200 總交易數：2410

合計 1410 970

根據交叉表中的數據，可以挖掘出很多關聯規則，例如：手機膜和高端手機之間的關系（X21——Y11）。關聯規則有著兩個重要的屬性：支持度和置信度。

（1）支持度（support）：某項目集的支持度就是指在所有事物集數據庫中，包含該項目集的所有事物占整體所有事物的比例。因此，手機膜與高端手機關聯規則的支持度可以按如下計算：

Sup（X21——Y11）=X21、Y11同時出現次數/事件總數=P（X21Y11）=21.16%。

（2）置信度（confidence）是指在事物數據庫中，購買了一類商品，同時又購買了另一類商品的交易概率，可以按照概率統計中的條件概率進行計算：

Conf（X21——Y11）=P（Y11/X21）=P（X21Y11）/ P（X21）=X21、Y11出現次數/X21出現次數=47.66%。

根據以上關聯規則的計算方法，可以通過SAS Enterprise Miner等軟件獲得大量的關聯規則。以本例中高端手機對各類手機配件關聯規則的支持度和置信度數據表格，如下表：

組合 關聯規則 支持度% 置信度%

高端手機—耳機 Y11—X1 18.25 51.16

高端手機—手機膜 Y11—X21 21.16 36.17

高端手機—手機防護外殼 Y11—X22 12.86 21.98

根據表格中計算的數據，可以明顯看出，高端手機與手機膜關聯規則的支持度最高，說明消費者在該網絡店家上進行選擇產品的時候，選擇高端手機和手機膜進行搭配購物的人最多。同時，高端手機與耳機關聯規則的置信度最高，為51.16%，說明與表中三個組合相比，到該網絡商家購物的顧客購買耳機或者高端手機中任意一種，都有更高的可能性購買另一種產品，這種具有剛相關聯的對應產品可以進行匹配型推銷。

五、基于數據挖掘技術的關聯產品網絡營銷策略

基于關聯規則的數據挖掘方法，可以對網購顧客的關聯產品購買意向進行深層次的剖析，因此，可以將這一理論應用在具體的網絡營銷中，提出相應實用的網絡營銷策略。

（一）以支持度為核心的網絡營銷策略

通過關聯規則數據挖掘可知，一個購物組合支持度的高低，表明在所有購物搭配中，該組合被選中出現的概率高低。因此，通過進行大量的數據挖掘，可以在網絡店鋪所有購物數據中，將各種組合的支持度按照從高到低的次序排列。借助這個可以獲知的排序，來安排產品搭配促銷策略，一捆綁銷售的模式提高產品的銷售量。這樣做還可以大大縮減購物者單獨購買而產生的額外附加費用，如二次物流費、人工費、包裝費用等等。對于購買者而言，還可以享受獨有的購物組合優惠。總之，以支持度為核心的網絡營銷策略可以實現網絡店鋪與購物者之間的雙贏。

（二）以置信度為核心的網絡營銷策略

在網絡店鋪中，置信度表示的是購買店鋪內任意產品后，購買另一產品的交易概率，也可以理解成為購物者對置信度高的關聯產品購買意向更加強烈。因為網絡店鋪往往都是一些相關產品或者是替代產品的集群，產品之間存在著或多或少的互補或搭配的關系，所以對于置信度較高的關聯產品組合來說，更容易受到消費者的青睞。

經過數據挖掘分析，某關聯產品組合的置信度高，即當購物者購買某一種產品時，立即自動推送與其相關聯的高置信度產品。在對店鋪內的所有產品銷售數據進行數據挖掘后，關聯規則中的置信度排序也呈現出來，那么消費者購買任意產品，都可以按照置信度從高到低排序，推送產品。這種信息推送方式就徹底顛覆了原有了同類替代產品信息推送模式，因為原有的替代品推送模式僅僅能在選擇的時候提供多一種選擇，究其根本對銷售量沒有提高，而以置信度為核心的網絡營銷策略卻能大大提高銷售量。

（三）綜合支持度和置信度營銷策略

在沒有進行關聯產品銷售數據挖掘的網絡店鋪，對于店鋪內的產品的融合度并不十分了解。對于某一產品，假如與任何產品關聯組合的支持度和置信度都較低（不同店鋪內高低水平不同，需具體參照），且該產品獨自銷售的概率或者利潤偏低，那么該產品可以被視為該店鋪內的不融合產品，在進行產品更新的時候，可以首選作為淘汰對象。

這種更新店鋪重塑銷售產品的方法也可以作為一種營銷策略，作用不在于擴大銷售，而在于提高店鋪整體的銷售效率和質量，是一種戰略型營銷策略。

以上三種營銷策略是基于數據挖掘理論對網購顧客關聯產品購買意向進行分析后，所得出的具有針對性的主要營銷策略。這些策略充分利用了網絡店鋪信息數據獲取易、產品信息推送方便、產品更新便捷等優勢，同時結合數據挖掘關聯規則的可應用性。但對于這些策略的具體成效還待檢驗，暫時僅僅為可執行的參考性營銷策略。

六、結束語

在本文中，利用數據挖掘技術在網絡銷售方面的應用空間，重點將關聯規則應用于網絡關聯產品是否購買的預判，進而有效幫助網絡商家采取針對性的銷售策略和產品推薦。

鑒于本文篇幅有限，雖然以一個具體案例進行驗證說明，但并沒有專門針對大型網絡店鋪數據庫進行數據挖掘，因此需要實踐者，應用所構建的關聯產品數據處理模型中的調整數據挖掘算法的循環步驟，不斷優化數據挖掘算法以及逐步剔除數據庫中的雜質數據，使得數據挖掘結果更加可靠。同時，也希望更多學者對本文理論及思想進行不斷的拓展和補充，獲得更多的研究價值。

參考文獻：

[1]安建華.數據挖掘技術在零售業中的應用研究[D].東北財經大學，2005年12月.

[2]Richard J.Roiger，Michael W.Geatz著.翁敬農譯.Data Mining A Tutorial-Based Primer[M].北京：清華大學出版社，2003年11月.

[3]廖芹，郝志峰，陳志宏.數據挖掘與數學建模[M].北京：國防工業出版社，2012年2月.

[4]Xindong Wu，Vipin Kumar著.李文波，吳素研譯.數據挖掘十大算法[M].北京：清華大學出版社，2013年5月.

[5]歐陽圣，數據挖掘在消費行為分析中的應用[D]，湖南大學，2011年4月.

作者簡介：李東輝，男，1989年5月，貴州師范大學經濟與管理學院，管理科學與工程，研究方向：信息系統與電子商務。

舒煜，貴州師范大學經濟與管理學院，管理科學與工程，研究方向：信息系統與工程。