数据挖掘如何提高零售业销售额

客户关系管理课程设计(论文) 题目客户关系管理在中小企业中的重要性分析学院（部）商务策划学院专业电子商务学生姓名徐宁学号2011043126年级2011级指导教师詹川职称博士2014年4月22日数据挖掘如何提高零售业销售额1引言:总部位于美国阿肯色州的世界著名商业零售连锁企业沃尔玛拥有世界上最大的数据仓库系统。

为了能够准确了解顾客在其门店的购买习惯，沃尔玛利对其顾客的购物行为进行购物篮分析，想知道顾客经常一起购买的商品有哪些。

沃尔玛数据仓库里集中了其各门店的详细原始交易数据。

在这些原始交易数据的基础上，沃尔玛利用NCR数据挖掘工具对这些数据进行分析和挖掘。

一个意外的发现是："跟尿布一起购买最多的商品竟是啤酒！"这是数据挖掘技术对历史数据进行分析的结果，反映数据内在的规律。

那么这个结果符合现实情况吗？是否是一个有用的知识？是否有利用价值？于是，沃尔玛派出市场调查人员和分析师对这一数据挖掘结果进行调查分析。

经过大量实际调查和分析，揭示了一个隐藏在"尿布与啤酒"背后的美国人的一种行为模式：在美国，一些年轻的父亲下班后经常要到超市去买婴儿尿布，而他们中有30%～40%的人同时也为自己买一些啤酒。

产生这一现象的原因是：美国的太太们常叮嘱她们的丈夫下班后为小孩买尿布，而丈夫们在买尿布后又随手带回了他们喜欢的啤酒。

既然尿布与啤酒一起被购买的机会很多，于是沃尔玛就在其一个个门店将尿布与啤酒并排摆放在一起，结果是尿布与啤酒的销售量双双增长.2 零售业概述零售商业企业是指向批发商业企业或生产企业购进商品，再将商品直接出售给最终消费者的商业企业。

其特征是：1) 销售对象是直接消费者，而不是那些进行转卖或生产加工的使用者；2) 零售商业企业的交易次数颇繁，平均每次交易额较小；3) 零售商业企业是商品流通的最终环节，零售企业的交易活动一旦成功、便意味着商品脱离了流通领域而进入消费领域，从而实现了商品价值和使用价值；4) 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，如经销、代销、联销等。

3 数据挖掘技术数据挖掘（Data Mining）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做出重要决策提供帮助。

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）。

数据挖掘在很多行业都可以有较好的应用。

如：零售业、银行金融、制造、保险、公共设施、政府、教育、远程通讯、软件开发等领域。

据报导，数据挖掘的投资回报率高达400%甚至十倍。

4 零售业中的数据挖掘在零售业应用领域，利用数据挖掘技术在很多方面都有卓越表现：4.1 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。

4.2 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，建立商品设置的最佳结构和商品的最佳布局。

4.3 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，通过挖掘分析，以决定对哪些商品货物进行增减，确保正确的库存。

4.4 市场和趋势分析利用数据挖掘工具和统计模型对零售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。

4.5 有效的商品促销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。

4.6 最优店址选择利用数据挖掘技术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。

4.7 客户群体分类通过数据挖掘技术把大量的客户分成不同的类，每个类里的客户具有相似的属性，而不同类里的客户的属性尽量不相同。

例如把所有客户分成VIP、一般客户和最差客户。

企业可以针对不同类的客户提供针对性的产品和服务来提高客户的满意度。

4.8 客户的获得与保持零售业的增长和发展壮大需要不断获得新的客户并维持老的客户。

现在各个零售企业的竞争都越来越激烈，企业获得新客户的成本正在不断上升，通常吸收一个新客户的成本是留住一个老客户的成本的6-7倍，因此保持原有客户就显得越来越重要。

通过数据挖掘技术可以帮助发现打算离开的客户，以使企业采取适当的措施挽留这些客户。

4.9 交叉销售现代零售业和客户之间的关系是经常变动的，一旦—个人或—个团体成为企业的客户，就要竭力使这种客户关系趋于完善，需要对现有的客户进行交叉销售，为原有客户销售新的产品和服务。

交叉销售是建立在双赢原则上的，对客户来讲，要得到更多更好满足其需求的服务且从中受益，对企业来讲，也会因销售额的增长而获益。

数据挖掘可以帮助分析出最优的合理的销售匹配。

4.10 客户诚信度分析数据挖掘中的差异性分析可用于发现客户的欺诈行为，分析客户的诚信度，从而获得诚信较好的客户。

5零售业中的数据挖掘：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：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。

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。

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。

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。

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。

总结:数据挖掘通过分析具体数据，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，为产品的良好销售和决策部门作出重要决策提供帮助。

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，将知识融入到运营销售系统中，进行正确的运作。

零售行业是众多行业中较为复杂的行业，有效合理的数据挖掘分析可以使零售更加智能化，同时发现零售行业中的种种规律，并驾驭规律，从而赢得未来。