面向现代企业营销的数据挖掘技术研究

摘要

目前，企业所面临的市场环境变化莫测，增加了企业在经营活动中的不稳定性，企业必须根据市场内外的复杂环境制定科学的决策来抵御、弱化经营中的风险。数据挖掘技术能够从企业经营、营销活动中产生的海量的营销数据，以及影响企业经营的外部因素中发掘新的知识。本文借助于数据挖掘技术，对企业管理信息系统积累的海量历史数据进行处理、分析，最终构建一套基于数据挖掘的信息化平台，对企业经营进行科学的前瞻性预测，帮助企业制定快速、高效、科学的营销策略，解决企业经营活动中的问题。
　　文章主要研究内容如下:
　　1)采集用户信息和简化处理海量数据。设计基于卷烟企业内部业务上报的数据采集模型与基于企业外部—消费用户层面的数据采集架构。针对采集到的数据量大，数据种类繁多的问题，提出了基于MapReduce的数据降维与累加的处理过程，编制Map，Reduce实现代码，对数据进行多个维度的规约，精简后续数据模型所用数据量。
　　2)设计品牌关联度模型。研究关联分析的实现原理，通过对比选取Apriori进行品牌关联度分析，针对该算法在运算过程产生较大候选集项数的不足之处进行改进。以卷烟会员积分礼品兑换系统中产生的数据为应用背景，利用改进后的Apriori挖掘算法建立卷烟品牌关联度模型，通过分析会员的消费行为，挖掘出相关品牌之间存在关联关系。
　　3)设计业务数据挖掘方法。针对影响卷烟销量的影响因素，分析了时间序列分析法原理，并针对时间序列算法存在的问题，提出了基于多指标分析的预测模型，对卷烟销量进行了组合预测。
　　4)研究该平台的技术层面整体架构，确定了该平台的技术实现。提出了基于nginx的服务器负载设计，针对项目实施过程中的具体硬件情况，通过压力测试，进行服务器的权重分配，构建了服务层面的部署。提出营销平台所实现的功能模块，进行软件层面的实现，进行了系统功能展示。

目录

声明

摘要

第一章 绪论

1．1 研究背景、意义

1．2 现状研究

1．2．1 数据挖掘中的预测分析

1．2．2 数据挖掘在预测中实践应用

1．3 本论文章节安排

第二章 企业数据采集与处理

2．1 引言

2．2 数据采集及存储

2．1．1 内部数据采集

2．2．2 外部数据采集

2．3 海量数据简化

2．3．1 数据量分析

2．4 使用MapReduce简化海量数据

2．4．1 MapReduee计算模型

2．4．2 MapReduee工作流程

2．5 本章总结

第三章 基于品牌关联度模型构建

3．1 引言

3．2 关联规则

3．2．1 基本理论知识

3．2．2 关联规则算法研究

3．3 算法分析与优化

3．4 两种算法对比分析

3．5 本章总结

第四章 销售预测分析模型的研究与建立

4．1 引言

4．2 基于时间序列的销售预测模型

4．2．1 时间序列分析

4．2．2 ARIMA基本理论知识

4．2．3 建立基于ARIMA的销售预测模型

4．3 基于多指标分析的销售预测模型

4．3．1 影响因素分析

4．3．2 指标筛选

4．3．3 卷烟销量预测模型的建立

4．3．4 实验验证

4．4 两种预测结果对比分析

4．5 本章总结

第五章 营销平台设计与实现

5．1 平台概述

5．2 平台技术架构

5．2．1 平台架构

5．2．2 服务器负载设计

5．3 系统主要功能设计

5．3．1 数据抽取处理

5．3．2 品牌关联度

5．3．3 销量预测

5．4 系统展示

5．5 本章总结

第六章 总结与展望

6．1 全文总结

6．2 研究展望

参考文献

致谢

攻读学位期间的研究成果