数据挖掘的任务和方法

数据挖掘通过预测未来趋势及行为，做出前摄的、基于知识的决策。数据挖掘

的任务主要是关联分析、聚类分析、概念描述、预测、时序模式和偏差分析等。

(1) 关联分析 关联规则挖掘是由 Rakesh Apwal 等人[64]首先提出的。两个或两

个以上变量的取值之间存在某种规律性，就称为关联。数据关联是数据库中存在的

一类重要的、可被发现的知识。关联分为简单关联、时序关联和因果关联。关联分

析的目的是找出数据库中隐藏的关联网。一般用支持度和可信度两个阀值来度量关

联规则的相关性，还不断引入兴趣度、相关性等参数，使得所挖掘的规则更符合需

求。

(2) 聚类分析[12]聚类是把数据按照相似性归纳成若干类别，同一类中的数据彼

此相似，不同类中的数据相异。聚类分析可以建立宏观的概念，发现数据的分布模

式，以及可能的数据属性之间的相互关系。聚类技术主要包括传统的模式识别方法

和数学分类学。

(3) 概念描述[54] 概念描述就是对某类对象的内涵进行描述，并概括这类对象

的有关特征。概念描述分为特征性描述和区别性描述，前者描述某类对象的共同特

征，后者描述不同类对象之间的区别。生成一个类的特征性描述只涉及该类对象中

所有对象的共性。

(4) 预测。预测是利用历史数据找出变化规律，建立模型，并由此模型对未

来数据的种类及特征进行预测。预测关心的是精度和不确定性，通常用预测方差来

度量。

(5) 偏差分析。数据库中的数据常有一些异常记录，从数据库中检测这些偏

差很有意义。偏差包括很多潜在的知识，如分类中的反常实例、不满足规则的特例、

观测结果与模型预测值的偏差、量值随时间的变化等。偏差分析的基本方法是，寻

找观测结果与参照值之间有意义的差别。

目前，数据挖掘的方法有神经网络、遗传算法、支持向量机、聚类方法、决策

树、粗集方法、统计分析方法和神经模糊集方法等等[13]。

1.4.2 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

以收集到关于零售企业商品销售、客户信息、货存单位及店铺信息等的信息资料。

利用数据挖掘工具对这些数据进行分析，可以为高级管理人员、分析人员、采购人

员、市场人员和广告客户等提供高效的科学决策工具。如对商品进行购物篮分析，

分析哪些商品顾客最有希望一起购买，被业界广为传诵的经典——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。在零售业应用领域中，

数据挖掘在很多方面都有卓越表现。

1． 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，用主成份分析方法，建立商品设置的最佳结构和商品的最佳布局。

3． 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，以决定对各种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． 有效的客户关系管理：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，确定商品促销的最优目标客户群体，以此来设计各种相应的商品

促销方案，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

掘目标客户的购买力，实现准确的商品促销。

---

文章来源：《零售业供应链中的采购、库存和分销优化研究》，姚淑琥 ，上海交通大学