数据挖掘技术在零售业中的应用

本文首先介绍了零售业的特点，然后指出在零售业中实施客户关系管理（CRM）的重要性，从而引出CRM的概念和CRM的核心----数据挖掘（DM）技术，最后谈一下数据挖掘在零售业中应用的广阔前景。

一．  零售业的特点：

     零售是把商品或者劳务直接出售给最终消费者的销售活动。因此零售业处于生产者与消费者或批发企业与消费者之间的中间环节，面对的对象是最广大的消费者。这一定义决定了零售业中主要有以下几个特点：

1.      就顾客而言，以个人消费者为主，这一群体数量庞大，消费水平层次不齐，主要聚集商场消费，与零售商的关系是断续的。

2.      就商品而言，除了专业的特卖店，一般零售商所包含的商品品种巨大；零售商采取的商品销售方式很多，有经销，代销，联销等。

3.      就供应商而言，涉及到商品的来源，所拥有的信息也十分庞大。

     从广大的消费者的购买行为来看，随着社会物质和财富的不断丰富，恩格尔系数不断下降，人们的生活水平逐步提高，这一期间中会经历三个阶段：（1）在理性消费的的时代中，消费者不仅重视商品的价格，还看重商品的质量，简言之消费者追求的是价廉物美。（2）随着产品质量的稳定提高以及生活水平的提高，消费者的价值选择不仅仅是性价比高的商品，他开始注重商品的形象，品牌，设计和使用的方便性。这一阶段人们称为“感觉消费”。（3）市场进一步发展，由卖方市场像买方市场转变后，各种同种商品，同种商家的出现，消费者越来越重视在购买和消费过程中心灵上的充实和满足，客户希望得到一对一的服务，这一阶段为“感情消费”。与这一过程同时，企业的管理观念也发生着相应的转变：最初，企业所处的市场环境为卖方市场，只要是生产了产品，就不愁卖不出去；后来，市场出现了竞争，企业的产品难以出售，于是企业在一边提高质量的同时，一边将经营重点有产品转向销售。结果是，销售额提高了，而利润却下降了。这并不是企业所期待的。于是，企业加强内部管理，压缩成本，减少没必要的生产销售环节（运用ERP）；但是成本并不是可以无限制的压缩，企业要想获得高利润的目的，迫使他们更加关注利润的源头——顾客。顾客的满意程度成为企业管理的核心。

     中国的零售业，特别是高档次的百货商场和购物中心，大部分的顾客的价值选择处于第三阶段，但企业方面底管理观念还处于第二层次，这必然形成两方面的“供需矛盾”。解决这一矛盾需要企业适应顾客的要求，将服务的核心放在客户关系的管理上。信息技术的发展推动着传统商业的发展，利用现代信息技术，实现企业管理的自动化、现代化，充分把信息技术运用与经营中，以最低的成本、最优质的服务、最快速的管理反应进行运作。目前，世界零售业的信息化不断前进，从销售管理系统（如电子收款机、POS系统、商店MIS），到电子数据交换（EDI）和电子订货系统（EDS），再到现在的CRM、物流管理、供应链管理等综合性的MIS，利用先进的数据库技术和数据挖掘技术，实现更为复杂的智能DSS管理。在世界企业大规模连锁化经营的背后，CRM是加强其竞争能力的有效手段。利用数据仓库、数据挖掘来了解市场、改进业务流程、加强客户服务和促进销售，可以说这是非常值得国内零售业借鉴的先进经验。

二．  客户关系管理（CRM）的内涵：

     CRM指在合适的时间、以合适的价格、将合适的产品或服务提供给合适的客户，以满足他们的需要。(如图1所示)

 

     CRM以客户为核心，旨在提高客户满意度、客户忠诚度，从而提高客户保持率并赢得更多的潜在客户，因此CRM是以客户为中心的企业营销的技术实现和管理实现。具体说来：

1．   CRM是一种管理理念：其核心思想是将客户作为最重要的企业资源。

2．   CRM是一种管理机制：将这种新型管理机制实施企业的市场营销、销售、服务与技术支持等与客户相关的领域，从而，客户能够得到更快捷和周到的服务；企业能够增加营业额和降低经营成本。

3．   CRM一种管理软件和技术：它集合了当今最新的信息技术，包括Internet和电子商务、多媒体技术、数据仓库和数据挖掘、专家系统和人工智能、呼叫中心以及其他信息技术。

三．  基于数据库技术的CRM解决方案：

CRM系统与传统的MIS系统既有联系又有区别。传统的MIS系统一般用来协助工作人员处理日常业务，减少重复劳动。而CRM系统是一个决策支持系统（DSS），需借助一定的技术和手段得以在现实中应用，如数据仓库（DW）技术、联机分析处理（OLAP）、数据挖掘（DM）等，从而为企业各个不同的管理层提供决策支持。

 

1．   DW：实现对决策主题数据的存储和综合，为DSS提供数据存储和组织的集成。它对底层数据库中的数据进行集成、转换、综合，组织成面向全局的数据视图。

2．   OLAP：实现多维数据分析。从DW中的集成数据出发，构建面向分析的多维数据模型，再使用多为分析方法从多个不同的视角对多维数据进行分析、比较。

3．   DM：挖掘DB和DW中的知识。以数据仓库和多维数据库中的大量数据为基础，自动地发现数据中的潜在模式，并以这些模式为基础自动地作出预测。

4．   模型库（MB）：实现多个广义模型的组合辅助决策。模型是为了交流认识而形成的关于客观存在问题的框架。模型库是联系决策问题、数据与模型的桥梁，它将多个模型以一定组织形式存储起来。

5．   方法库（AB）：为求解模型库提供算法，是模型应用的后援系统。方法是具有特定功能的模块化程序设计单位，具体地说是一个过程算法，它具有共享性。方法库是方法可扩充的集合。

四．  数据挖掘（DM）：

数据挖掘是一个萃取（extracting）和展现（presenting）新知识的流程。通过分析具体数据，发现确定有效的、新颖的、有潜在使用价值的、以往不为人知的、最终可理解的信息，为企业良好运营和决策部门作出重要决策提供帮助。为什么需要DM？随着数据量的急剧增长，用户很难自己根据数据的分布找出规律，并根据此规律进行分析决策。因此必须借助相应的数据挖掘工具，自动地发现数据中隐藏的规律，为用户的决策分提供智能的、自动化的辅助手段。

数据挖掘涉及的学科领域和方法很多。根据挖掘任务分,可分为分类或预测模型发现、数据总结、聚类、关联规则发现、序列模式发现、依赖关系或依赖模型发现、异常和趋势发现等等；根据挖掘方法分,可分为:机器学习方法、统计方法、神经网络方法和数据库方法。机器学习方法包括：归纳学习方法(决策树、规则归纳等)、基于范例学习、遗传算法等。统计方法包括：回归分析(多元回归、自回归等)、判别分析(贝叶斯判别、费歇尔判别、非参数判别等)、聚类分析(系统聚类、动态聚类等)、探索性分析(主元分析法、相关分析法等)等。神经网络方法包括：前向神经网络(BP算法等)、自组织神经网络(自组织特征映射、竞争学习等)等。数据库方法主要包括多维数据分析（OLAP） 方法。

DM在很多行业都可以有较好的应用。如：国外，DM已广泛应用于银行金融、零售与批发、制造、保险、公共设施、政府、教育、远程通讯、软件开发、运输等各个企事业单位。据报导，DM的投资回报率有达400%甚至10倍的事例。DM可分辨出成功的商店或分店的特性，并协助新开张的商店选择恰当的地理位置；它能分析哪种产品是最受欢迎的，这在为产品的推销、商店的布局或新产品的开发等方面制定新策略指明方向；DM能找出产品使用模式或协助了解客户行为，如正确时间销售（Right Time MarKeting）就是基于顾客生活周期模型来实施的。数据挖掘一方面，将数据转化为信息和知识，在此基础上作出正确的决策；另一方面提供一种机制，将知识融入到运营系统中，进行正确的运作。

五．  零售业中的数据挖掘：

通过条形码、编码系统、销售管理系统、客户资料管理及其它业务数据中，可以收集到关于商品销售、客户信息、货存单位及店铺信息等的信息资料。数据从各种应用系统中采集，经条件分类，放到数据仓库里，允许高级管理人员、分析人员、采购人员、市场人员和广告客户访问，利用DM工具对这些数据进行分析，为他们提供高效的科学决策工具。如对商品进行购物篮分析，分析那些商品顾客最有希望一起购买。如被业界和上界传诵的经典----Wal-Mart的 “啤酒和尿布”，就是数据挖掘透过数据找出人与物间规律的典型。在零售业应用领域，利用DW、DM会在很多方面有卓越表现：

1．   了解销售全局：通过分类信息——按商品种类、销售数量、商店地点、价格和日期等了解每天的运营和财政情况，对销售的每一点增长、库存的变化以及通过促销而提高的销售额都可了如指掌。零售商店在销售商品时，随时检查商品结构是否合理十分重要，如每类商品的经营比例是否大体相当。调整商品结构时需考虑季节变化导致的需求变化、同行竞争对手的商品结构调整等因素。

2．   商品分组布局：分析顾客的购买习惯，考虑购买者在商店里所穿行的路线、购买时间和地点、掌握不同商品一起购买的概率；通过对商品销售品种的活跃性分析和关联性分析，用主成分分析方法，建立商品设置的最佳结构和商品的最佳布局。

3．   降低库存成本：通过数据挖掘系统，将销售数据和库存数据集中起来，通过数据分析，以决定对各个商品各色货物进行增减，确保正确的库存。数据仓库系统还可以将库存信息和商品销售预测信息，通过电子数据交换（EDI）直接送到供应商那里，这样省去商业中介，而且由供应商负责定期补充库存，零售商可减少自身负担。

4．   市场和趋势分析：利用数据挖掘工具和统计模型对数据仓库的数据仔细研究，以分析顾客的购买习惯、广告成功率和其它战略性信息。利用数据仓库通过检索数据库中近年来的销售数据，作分析和数据挖掘，可预测出季节性、月销售量，对商品品种和库存的趋势进行分析。还可确定降价商品，并对数量和运作作出决策。

5．   有效的商品促销：可以通过对一种厂家商品在各连锁店的市场共享分析,客户统计以及历史状况的分析，来确定销售和广告业务的有效性。通过对顾客购买偏好的分析，确定商品促销的目标客户，以此来设计各种商品促销的方案，并通过商品购买关联分析的结果，采用交叉销售和向上销售的方法，挖掘客户的购买力，实现准确的商品促销。

总结：目前市场上有多种适用解决所有商业模式的通用的数据挖掘系统，但实际上这些系统并不好用，普通用户很难应用这些技术解决自己的商业问题。问题在于如何将数据挖掘技术与现有技术很好地结合起来，如果不能将特殊领域的商业逻辑与数据仓库技术集成起来，数据挖掘的分析效果和效益不可能达到峰值。系统的定制，软件供应商和企业互相交流，对系统功能的不断完善和扩充可以在一定程度上解决这个问题。

 

[参考文献]

1.[美]Alex Berson等著,贺岩等译. 人民邮电出版社.《构建面向CRM的数据挖掘应用》. 2000.8。

2. 朱爱群编著. 中国财政经济出版社.《客户关系管理与数据挖掘》 . 2001。

3. [加] Jiawei Han, Micheline Kamber著,范明等译. 机械工业出版社.《数据挖掘 概念与技术北京》. 2001。

4. [英]贝尔著,迟诚译. 东北财经大学出版社. 《零售学》. 2001.4。

5.周宏主编. 中央民族大学出版社. 《现代零售策划》. 1998.6。