商務(wù)數(shù)據(jù)分析報(bào)告

1、本科學(xué)生綜合性實(shí)驗(yàn)報(bào)告項(xiàng)目組長(zhǎng) 張夢(mèng)瑤 學(xué)號(hào) 0141262成員專業(yè) 國(guó)際經(jīng)貿(mào) 班級(jí) 國(guó)貿(mào) 142 實(shí)驗(yàn)項(xiàng)目名稱 商務(wù)數(shù)據(jù)分析報(bào)告 指導(dǎo)教師及職稱 李虹來(lái) 開(kāi)課學(xué)期 2015 至 2016 學(xué)年 下 學(xué)期 上課時(shí)間 2016 年 6 月 16 日1. 商業(yè)理解階段網(wǎng)上銷售與傳統(tǒng)的店面銷售不同，沒(méi)有售貨員提供現(xiàn)場(chǎng)咨詢服務(wù)。但是，網(wǎng)上銷售可以利用互聯(lián) 網(wǎng)的優(yōu)勢(shì)，為用戶提供更優(yōu)質(zhì)的服務(wù)。由于服務(wù)器會(huì)記錄用戶在瀏覽電子商務(wù)網(wǎng)站時(shí)的所有行為，因 此，企業(yè)很容易收集用戶的瀏覽記錄、交易信息及偏好數(shù)據(jù)。在個(gè)性化推薦技術(shù)的關(guān)聯(lián)規(guī)則分析中， 最典型的例子是購(gòu)物籃分析， 其目標(biāo)是發(fā)現(xiàn)交易數(shù)據(jù)庫(kù)中 不同商品之間的聯(lián)

2、系強(qiáng)度，挖掘用戶潛在購(gòu)買模式，并將這些模式所對(duì)應(yīng)的服務(wù)或產(chǎn)品展示給用戶， 為其提供參考，從而提高用戶的滿意度及購(gòu)買率。2. 數(shù)據(jù)理解階段本案例采用淘寶網(wǎng)的用戶交易數(shù)據(jù)進(jìn)行分析，每條交易記錄包括記錄號(hào)和顧客購(gòu)買的商品，表 1 給出了數(shù)據(jù)集中各屬性名及意義，表 2 為部分交易實(shí)例數(shù)據(jù)示例。表 1 數(shù)據(jù)集屬性信息屬性名屬性意義交易號(hào) ID唯一標(biāo)識(shí)每一次用戶的交易商品名購(gòu)買的商品名數(shù)量購(gòu)買的每一樣商品的數(shù)量單價(jià)購(gòu)買商品的單價(jià)表 2 部分?jǐn)?shù)據(jù)實(shí)例ID商品名數(shù) 量單 價(jià)商品名數(shù)量單價(jià)商品名數(shù)量單價(jià)商品名數(shù)量單價(jià)1女裝 T 恤279短裙2118休閑男 裝199連衣 裙1352女裝 T 恤179短裙1118傘

3、115?3女裝 T 恤179短裙255高跟鞋163連衣 裙1354女裝 T 恤1119短裙155高跟鞋163?5女裝 T 恤2119短裙145高跟鞋163?6女裝 T 恤1119短裙145高跟鞋263洗發(fā) 水2853. 數(shù)據(jù)準(zhǔn)備階段原始數(shù)據(jù)集可能包含了一些冗余的數(shù)據(jù)、 空值和零值等， 這種格式不能作為關(guān)聯(lián)規(guī)則分析算法的輸入， 需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。 本案例的預(yù)處理中包括過(guò)濾掉原始數(shù)據(jù)集中的商品數(shù)量和單價(jià)這兩個(gè) 屬性。同時(shí)為了保護(hù)顧客的隱私，過(guò)濾了用戶名屬性，并且用交易號(hào)來(lái)唯一表示顧客的每一次交易。 處理后的數(shù)據(jù)集如表 3 所示。表 3 部分預(yù)處理后的數(shù)據(jù)交易號(hào)商品 1商品 2商品名 3商品名

4、41女裝 T 恤短裙休閑男裝連衣裙2女裝 T 恤短裙傘3女裝 T 恤短裙高跟鞋連衣裙4女裝 T 恤短裙高跟鞋5女裝 T 恤短裙高跟鞋6女裝 T 恤短裙高跟鞋洗發(fā)水在 Clementine 軟件進(jìn)行關(guān)聯(lián)規(guī)則挖掘時(shí)，必須把數(shù)據(jù)格式轉(zhuǎn)換成 Clementine 軟件能處理的格式。 通常有兩種格式：一種是布爾矩陣形式，即每行表示一條交易記錄，列中的 T/F 值表示該商品是否有 在相應(yīng)的交易記錄中出現(xiàn)， T 表示有出現(xiàn)， F 表示沒(méi)有出現(xiàn)（表 4列出轉(zhuǎn)換后的前 3 條記錄信息） ； 種是事務(wù)處理格式， 即每行對(duì)應(yīng)一個(gè)交易號(hào)和一個(gè)商品項(xiàng) （表 5 列出了前 3 個(gè)事務(wù)對(duì)應(yīng)的事務(wù)處理格 式）。表 4 布爾矩

5、陣格式數(shù)據(jù)集交易號(hào)女裝 T 恤短裙電腦配件男裝牛仔褲休閑男裝1TTFFT2TTFFF3TTFFF表 5 事務(wù)處理格式數(shù)據(jù)集交易號(hào)女裝 T 恤1女裝 T 恤1短裙1休閑男裝2女裝 T 恤2短裙3女裝 T 恤3短裙4. 數(shù)據(jù)建模利用 Clementine 中的 Apriori 算法進(jìn)行關(guān)聯(lián)規(guī)則分析， 設(shè)定最小支持度 1% ，最小置信度 50%，輸 入為布爾矩陣格式的交易數(shù)據(jù)（如表4），輸出商品的關(guān)聯(lián)規(guī)則及相應(yīng)的支持度、置信度和提升度信息（如表 6）。表中顯示“高跟鞋”和“洗發(fā)水” 、“童裝”和“玩具” 、“文具”經(jīng)常被一起購(gòu)買。表 6 Apriori 算法運(yùn)行結(jié)果5. 模型評(píng)估我們選取以下的關(guān)聯(lián)規(guī)則向顧客進(jìn)行推薦。規(guī)則 1：（玩具、文具） =童裝規(guī)則 2：洗發(fā)水 = 高跟鞋規(guī)則 3：玩具 = 童裝規(guī)則 4：地毯 = 家具規(guī)則 5：（短裙、高跟鞋） =女裝 T 恤規(guī)則 6：（童裝、文具） =玩具再結(jié)合規(guī)則和實(shí)際經(jīng)驗(yàn)知識(shí)， 可以對(duì)規(guī)則進(jìn)行進(jìn)一步優(yōu)化處理。 在本案例中， 可以對(duì)規(guī)則 1（玩 具、文具） =童裝和規(guī)則 3玩具=童裝進(jìn)行合并，以規(guī)則 3 的形式呈現(xiàn)。6. 模型發(fā)布通過(guò)建模分析由得出的關(guān)聯(lián)規(guī)則， 企業(yè)就可以得到商品銷售的