论文部分内容阅读
[摘 要] 如果要提高销售效率，必须找对目标消费群，本文讨论了一种通过对历史数据进行特征规则挖掘的针对性营销方法，旨在为传统营销提供一点借鉴意义。
[关键词] 特征规则 属性归纳 针对性营销
一、引言
很多推销员们总在抱怨虽然他们很热情，对产品也很熟悉，甚至说很专业，但是却总会被客户拒绝。其实造成这种局面的主要的原因是他们在制定营销策略时缺乏针对性！
针对性的好处就在于，它可以缩小受众群体，尽量对最有可能购买你产品或服务的人进行营销，这无疑会减少拒绝，提高成功率。
对历史销售数据进行深入分析是提高针对性的有效方法，本文将介绍一种基于特征规则挖掘的针对性营销方法。
二、征规则概述
特征规则是数据挖掘的一个重要内容, 它是指原始数据的一些描述规则,这些规则概括了数据集中不同概念的特征。面向属性的归纳学习方法是挖掘特征规则的一个重要手段。
三、向属性归纳方法及特征规则挖掘的算法步骤
面向属性的归纳算法挖掘特征规则是针对每一个概念进行挖掘的, 通过对概念正例集POS的概括归纳出概念的特征规则。对正例集POS的概括程度可以通过规定一个阀值β来进行控制, β的含义是将符合概念定义的数据划分为β类, 算法的任务就是从数据中挖掘出每一类数据的特征规则，β的大小是用户根据决策需要确定的。
特征规则挖掘的算法步骤如下：
输入：关系数据库DB ,条件属性的概念层次表H ,阀值β,概念的定义。
步骤一:：根据概念定义将相关数据汇聚到数据集POS 中,将数据集POS 中的所有条件属性存入集中集合A 中(即A为数据集POS 的条件属性集)。
步骤二：调用属性归纳算法模块。
步骤三：将经过概括的数据表转变为特征规则。
步骤四：特征规则有效性检验。
输出：规律性的描述（即特征规则）。
四、应用示例
了解各种汽车购买者的特征对指导汽车销售具有重要的决策参考价值。我们对今年购买家庭小汽车的消费者进行了抽样调查, 样本量为1000人, 并将调查数据存储在关系数据库中, 调查内容如表1所示。其中汽车品牌有吉利、马自达、奔驰等类型, 汽车配置有低配、中配、高配三种类型。年龄, 性别, 年薪等属性的概念树通过统计方法自动生成, 其他属性的概念树由专家进行定义。
经挖掘后得到的其中一例特征规则结果如下：
例： buy car =“mazda626”→
sex = “male”and salary =“100000—200000”andown of house =“yes”andmarried =“yes”[60% ], [45% ]
or sex =“male”and salary =“200000—300000”andown of house =“yes” andmarried = ”yes”[25% ], [75% ]
or sex =“female”and salary =“150000—250000”and own of house =“no” andmarried = “no”[15% ], [65% ]
该特征规则表示如果将mazda626 汽车的买主划分为3类, 60%的mazda626汽车被年薪在100, 000元～200, 000元、拥有住房的已婚男士购买,但在本汽车市场中只有45% 的这类用户购买了mazda626 汽车. 式中[60%], [45%] 是对规则的定量描述, 从这一特征描述中, 决策者可以判断出: 这类买主是mazda626汽车的主要买主, 且这类用户群还有很大的开发潜力; 而规则中描述的第2, 3类用户群, 既不是主要用户也没有很大的开发潜力。利用特征规则, 决策者便可以作出一个正确的销售和广告宣传决策。
五、结论
特征规则挖掘方法不只在营销领域能发挥巨大作用，在其他领域的决策支持系统中同样具有广阔的应用前景。
参考文献：
[1]黄红艳:面向属性的归纳方法研究 《科技信息(学术研究)》, 2007/24
[2]陈秋双:目标市场营销决策系统的研究与设计. 《计算机工程与应用》,2001/04
[关键词] 特征规则 属性归纳 针对性营销
一、引言
很多推销员们总在抱怨虽然他们很热情，对产品也很熟悉，甚至说很专业，但是却总会被客户拒绝。其实造成这种局面的主要的原因是他们在制定营销策略时缺乏针对性！
针对性的好处就在于，它可以缩小受众群体，尽量对最有可能购买你产品或服务的人进行营销，这无疑会减少拒绝，提高成功率。
对历史销售数据进行深入分析是提高针对性的有效方法，本文将介绍一种基于特征规则挖掘的针对性营销方法。
二、征规则概述
特征规则是数据挖掘的一个重要内容, 它是指原始数据的一些描述规则,这些规则概括了数据集中不同概念的特征。面向属性的归纳学习方法是挖掘特征规则的一个重要手段。
三、向属性归纳方法及特征规则挖掘的算法步骤
面向属性的归纳算法挖掘特征规则是针对每一个概念进行挖掘的, 通过对概念正例集POS的概括归纳出概念的特征规则。对正例集POS的概括程度可以通过规定一个阀值β来进行控制, β的含义是将符合概念定义的数据划分为β类, 算法的任务就是从数据中挖掘出每一类数据的特征规则，β的大小是用户根据决策需要确定的。
特征规则挖掘的算法步骤如下：
输入：关系数据库DB ,条件属性的概念层次表H ,阀值β,概念的定义。
步骤一:：根据概念定义将相关数据汇聚到数据集POS 中,将数据集POS 中的所有条件属性存入集中集合A 中(即A为数据集POS 的条件属性集)。
步骤二：调用属性归纳算法模块。
步骤三：将经过概括的数据表转变为特征规则。
步骤四：特征规则有效性检验。
输出：规律性的描述（即特征规则）。
四、应用示例
了解各种汽车购买者的特征对指导汽车销售具有重要的决策参考价值。我们对今年购买家庭小汽车的消费者进行了抽样调查, 样本量为1000人, 并将调查数据存储在关系数据库中, 调查内容如表1所示。其中汽车品牌有吉利、马自达、奔驰等类型, 汽车配置有低配、中配、高配三种类型。年龄, 性别, 年薪等属性的概念树通过统计方法自动生成, 其他属性的概念树由专家进行定义。
经挖掘后得到的其中一例特征规则结果如下：
例： buy car =“mazda626”→
sex = “male”and salary =“100000—200000”andown of house =“yes”andmarried =“yes”[60% ], [45% ]
or sex =“male”and salary =“200000—300000”andown of house =“yes” andmarried = ”yes”[25% ], [75% ]
or sex =“female”and salary =“150000—250000”and own of house =“no” andmarried = “no”[15% ], [65% ]
该特征规则表示如果将mazda626 汽车的买主划分为3类, 60%的mazda626汽车被年薪在100, 000元～200, 000元、拥有住房的已婚男士购买,但在本汽车市场中只有45% 的这类用户购买了mazda626 汽车. 式中[60%], [45%] 是对规则的定量描述, 从这一特征描述中, 决策者可以判断出: 这类买主是mazda626汽车的主要买主, 且这类用户群还有很大的开发潜力; 而规则中描述的第2, 3类用户群, 既不是主要用户也没有很大的开发潜力。利用特征规则, 决策者便可以作出一个正确的销售和广告宣传决策。
五、结论
特征规则挖掘方法不只在营销领域能发挥巨大作用，在其他领域的决策支持系统中同样具有广阔的应用前景。
参考文献：
[1]黄红艳:面向属性的归纳方法研究 《科技信息(学术研究)》, 2007/24
[2]陈秋双:目标市场营销决策系统的研究与设计. 《计算机工程与应用》,2001/04