基于亞馬遜連衣裙銷售策略的商務智能研究

王志慧 王夢華 李森

摘 要：眾所周知，連衣裙受到女性追捧。連衣裙不僅在夏季流行，而且在其他季節都成為時尚，占據了主要市場。文章旨在利用數據挖掘技術挖掘連衣裙數據，從而產生關于連衣裙數據的真知灼見，提供有價值的商業信息進行商務智能研究。首先，采用聚類方法尋找最佳連衣裙銷售策略。其次，運用統計方法研究連衣裙屬性之間的關系。例如，連衣裙的風格和銷售之間存在的關系，最后，分類模型將被用來指示顧客是否可以推薦一件連衣裙。

關鍵詞：數據挖掘;商務智能;分類模型

中圖分類號：F713.50 ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A ? ? ? ? ? ? ? 文章編號：1008-4428（2018）03-74 ?-03

一、數據獲取與預處理

（一）問題提出

在信息化時代，企業數據量正在飛速增長。作為企業的寶貴資源的數據庫，卻沒有被大多數企業充分深入地利用。商務智能幫助企業利用數據，將數據轉換為有價值的信息，從信息中獲得知識，做出更明智的決策。

分析這一主題對設計師和賣家具有重要意義，我們將使用來自www.ics.uci.edu的二手數據分析銷售數量和不同屬性之間的關系，具體如下：多種屬性中，什么屬性最有助于銷售？客戶會推薦什么樣的裙子？

在本課題中，數據挖掘目標包括：

A1：使用聚類來找出哪些屬性對銷售貢獻最大。

A2：使用統計方法總結變量，找出一些重要變量之間的關系。

B：使用決策樹、回歸和神經網絡來確定這條裙子是否會被推薦。

（二）數據描述

該數據集包含關于裙子的兩個文檔，這兩個文檔結合的獨特功能是裙子ID。一份列出了不同日期的銷售金額，另一份是裙子的不同屬性。我們將這兩個文檔合并為一個數據集。因此，形成 14個獨立變量，分別是款式、價格、等級、尺碼、季節、領口、袖扣、腰圍、材質、制作、裝飾、圖案類型、銷售和推薦。

二、商品屬性分析

（一）利用聚類分析方法進行屬性分析

我們可以利用數據進行分割現有數據，不同的屬性可以提供更廣闊的視野。聚類分析是我們分割數據的有用工具。在商店的主頁上推薦這些裙子，或者在購物中心里放置模特，吸引女性的注意力。

1. 數據處理

對于“哪些屬性對銷售貢獻最大”的問題，我們創建了數據源并刪除了一些無用的屬性：評級、季度、大小和推薦，這些都與銷售有正相關關系。我們把銷售額設為目標，輸入數據集的變量的統計特性。在這一步中生成的結果將給我們一個在這個數據集最有用的預測目標響應。

因此，我們使用StatExplore節點和MultiPlot節點來幫助我們探索數據集。

2.分析結果

然后我們使用SAS Enterprise Mining進行集群，集群的數量自動設置為8。

根據結果，我們發現，自然的腰線、休閑的款式、無袖的袖衫、O領口和棉質裙子在第六部門中都有更好的銷售。然而，在第一部分，高腰圍、休閑風格和O領口賣得更多。而在第五部分，可愛款式、肩帶裝飾和立體款式都賣得更好。

（二）利用統計理論進行屬性關聯分析

使用統計方法，我們尋找裝飾與銷售、材料與銷售、領口與銷售、款式與銷售、腰圍與銷售、袖長與銷售、款式與銷售、價格與銷售之間的關系。

三、模型建立與結果分析

在分類分析方面，將使用決策樹、回歸和神經網絡三種模型來預測問題“是否推薦一件衣服”。

（一）決策樹模型

1.數據選擇與決策樹生成

我們首先將建議設定為目標，并設置角色為序數，并拒絕評級和銷售。通過數據分區節點將原始數據劃分為培訓和驗證集。添加數據分區的值，訓練結果和驗證結果為65和35，測試結果為0。我們注意到，2、4個葉片錯誤率最低，4個葉片均為最小均方誤差。因此，我們使用了4的最大分支數。

2.結果分析

從決策樹，根據季節、風格、袖長和面料類型將首先被顧客考慮是否推薦。

決策樹描述了模型分析輸出結果，分析是通過分裂的方式進行的。在圖的上部是決策樹模型的根結點，包含了所有的可能的觀測數據，根結點中處于中間列出了訓練數據總共為324個，41.98%可信任（推薦），而58.02%不可信任（不推薦），處于右側的數據是驗證數據結果，共有20個驗證數據，其中42.08%可信任（推薦），而57.92%不可信任（不推薦）。在過程的進一步，數據被分成了兩組——是否是春天，根據變量級別值，這個變量是最能區分的變量。如果是春天，左側觀測數據78條記錄中有58.97%的記錄是可信的;如果是夏天、秋天或者冬天，右側246條觀測記錄中36.59%的客戶記錄是可信的。接著對于選用變量VALUE，進行下一步劃分。以DELINQ變量進行下一步劃分。如果春天下風格可愛，右側100%可信任（推薦）;其他風格看第三層左側，52.24%可信任（推薦）。第三層第二個結點在這一步停止。第二層第二個節點——夏秋冬，對袖長屬性進行劃分，屬性為無袖或者長袖或者其他的，180個觀測值中有41.67%可信任;如果是短袖，66個觀測值中有22.72%可信任（推薦）。如果是短袖，繼續分類，如果是織物類型，19個觀察值有12.82%可信任;如果是雪紡類型的，27個27.04%可信任，觀測值最終到達葉子結點。

（二）回歸分析的概述

選擇回歸節點，檢查屬性并選擇stepwise作為選擇模型。

我們可以得出結論，最重要的是季節和價格。此外，春季和中期價格也同樣被認為是很重要的推薦依據。嘗試不推薦的季節和價格變量中，比較哪些貢獻對推薦的產品有重要影響，我們發現風格是非常值得推薦的依據，建議如下結果：

（三）神經網絡

分析樹模型后，我們使用了節點模型來比較它們的性能。概要統計信息比較：

由于這種情況下的預測類型是決策，所以錯誤分類應該作為模型性能指標。如上述分析結果所示，回歸對驗證和訓練數據的誤分類率最低。因此，回歸模型是基于誤分類率的最佳模型。

四、 結論

基于以上模型分析，我們可以解決提出的兩個問題：自然的腰身、休閑的款式、無袖款、O領口、棉料、純色型和均價位的裙子比其他的裙子賣得多。而春季和中等價位的裙子比其他的裙子更受推薦。這樣的推薦有助于吸引更多的顧客，提供更大的銷量。

商務智能（BI）作為一種概念和工具，在學科領域，尤其在戰略管理學科以及信息管理學科被廣泛地重視和強調。BI是獲取和分析從多個渠道所收集的數據的一種應用工具和過程，使用BI工具還能夠通過管理組織企業業績來提高企業利潤以及通過整合過去的成功經驗來獲得競爭優勢。

隨著大數據時代的到來，存儲技術的提高，相關終端營銷的數據會越來越多，目前的商務智能技術和數據倉庫的構建將無法滿足大數據時代的數據處理要求，需要更多的擴展研究。

參考文獻：

[1]魏慧娟，戴牡紅，寧勇余.基于最近鄰居聚類的協同過濾推薦算法[J].中國科學技術大學學報，2016，46（09）：736-742.

[2]楊鳳萍. 基于神經網絡集成和用戶偏好模型的協同過濾推薦算法研究[D].華中師范大學，2016.

[3]PHUSIT KANCHANATRIPOP（羅邦弘）. 商務智能與大數據的系統化文獻調研[D].廣西師范大學，2016.

[4]黃濤. 基于神經網絡的個性化推薦算法研究與設計[D].重慶大學，2016.

[5]孟婷婷. 終端營銷系統中的商務智能與市場感知[D].浙江理工大學，2016.

[6]高輝. 幾類常用非線性回歸分析中最優模型的構建與SAS智能化實現[D].中國人民解放軍軍事醫學科學院，2012.

[7]張玉嵐，曹慧敏，蔣玉潔，蔡忠民.SAS軟件在果樹試驗數據系統聚類分析中的應用[J].遼寧農業職業技術學院學報，2009，11（3）：8-10.

[8]趙華生. 基于SAS數據挖掘的C2C信用評價研究[D].西南財經大學，2009.

[9]Moro S， Cortez P， Rita P. Business intelligence in banking： A literature analysis from 2002 to 2013 using text mining and latent Dirichlet allocation[J]. Expert Systems with Applications， 2015， 42（3）：1314-1324.

[10]Bodislav D A. Transferring business intelligence and big data analysis from corporations to governments as a hybrid leading indicator[J]. Theoretical & Applied Economics， 2015， XXII.

作者簡介：

王志慧，女，江蘇泰州人，南京財經大學管理科學與工程學院碩士，研究方向：管理信息系統;

王夢華，女，河南周口人，南京財經大學管理科學與工程學院碩士，研究方向：管理信息系統;

李森，男，江蘇淮安人，南京財經大學管理科學與工程學院碩士，研究方向：管理信息系統。