基于正相關關聯規則挖掘分析的客戶需求權重預測

潘程

（重慶交通大學 管理學院，重慶 400074）

基于正相關關聯規則挖掘分析的客戶需求權重預測

潘程

（重慶交通大學 管理學院，重慶 400074）

為預測經營活動中的客戶需求，提出一種基于正相關關聯規則的數據挖掘模型。挖掘統計數據的頻繁2_項集并對挖掘結果剪枝處理，按照特征需求重要性大小，計算得出重要客戶需求，再運用BP神經網絡進行需求權值預測。實例表明該方法可減少關聯規則數量和挖掘工作量，對需求的預測具有現實意義。

關聯規則；挖掘分析；權重預測

1　研究意義

在經營活動中，有效預測客戶需求對準確把握客戶偏好、及時準備商品和服務、提高經營收益具有重要意義。客戶需求的預測方法，一般有基于定性預測的De1phi法、用戶調查法和基于定量預測的因果模型法、時間序列模型法等。定性預測方法主觀成分較多且不能得出量化預測數據；通常采用的定量預測在分析初期常運用模糊矩陣、關聯分析等方法進行預處理［1］，降低了預測結果的魯棒性和客觀性。因此，需要創新一種定量分析方法，在客觀數據基礎上挖掘與分析客戶需求。

數據挖掘技術［2］是基于信息處理的知識發現，依據實際數據分析需求相關性，可保證輸出結果的客觀性；神經網絡算法［3］分布處理數據能力顯著且容錯性高，在經濟與市場預測方面頗具應用價值。所以，數據挖掘技術和神經網絡算法可作為客戶需求預測的有效工具。

2　實例分析

某電子產品供應商依托tma11.com平臺開設手機旗艦店，已知該手機有3個套餐類目，分別是顏色、附加產品與是否ROOT。其中顏色有黑、綠、白、黃、藍5種；附加產品選擇有5類，分別是官方標配、標配+剪卡器、8G內存卡+剪卡器、16G內存卡+剪卡器和移動電源+剪卡器。假設顏色用英文表示，附加產品分別用basic、one至four表示。現以4月份統計數據為基礎，運用正相關關聯規則挖掘客戶需求，將得出的數據在BP網絡中反復學習，進而預測5月份的需求權重。具體的操作過程如下：表1頻繁2_項集

關聯規則　置信度與提升度　關聯規則　置信度與提升度program=basic 41?ROOT=no 41　conf：（1）＜1ift：（1.35）　program=basic 41?co1or=b1ack 33　conf：（0.8）＜1ift：（1.16）ROOT=no 79?program=basic 41　conf：（0.52）＜1ift：（1.35）　co1or=b1ack 74?ROOT=no 59　conf：（0.8）＜1ift：（1.08）program=one 40?ROOT=yes 14　conf：（0.35）＜1ift：（1.34）　ROOT=no 79?co1or=b1ack 59　conf：（0.75）＜1ift：（1.08）ROOT=yes 28?program=one 14　conf：（0.5）＜1ift：（1.34）　co1or=b1ack 74?program=one 28　conf：（0.38）＜1ift：（1.01）co1or=b1ack 74?program=basic 33　conf：（0.45）＜1ift：（1.16）　program=one 40?co1or=b1ack 28　conf：（0.7）＜1ift：（1.01）

3　結論

為準確預測客戶需求，運用正相關關聯規則數據挖掘技術剪枝產生正相關頻繁2_項集，進而計算獲取產品重要特征需求。進一步運用BP神經網絡技術對各時域相關特征需求權重進行反復學習與訓練，在達到目標偏差時利用所取得的網絡連接權值與閾值進行分析預測。實例運用證明了方法在客戶需求與預測誤差方面的有效性。

10.3969/j.issn.1673-0194.2015.13.062

F272

A

1673-0194（2015）13-0100-02

2015-05-12