基于零售信息挖掘下面向消費(fèi)市場(chǎng)的精準(zhǔn)推送模型設(shè)計(jì)與研究.pdf

1、從海量的零售信息中提取有意義的數(shù)據(jù)為企業(yè)營(yíng)銷創(chuàng)造價(jià)值是眾多企業(yè)共同需要解決的問(wèn)題，然而面對(duì)海量數(shù)據(jù)如果僅僅采用傳統(tǒng)的統(tǒng)計(jì)方法來(lái)分析不僅無(wú)法滿足大數(shù)據(jù)環(huán)境下高效處理的要求，而且往往很難得到想要的結(jié)果，同時(shí)由于海量數(shù)據(jù)中存在的模糊性與不確定的表達(dá)將使得數(shù)據(jù)建模變得更加困難，也就無(wú)從開(kāi)展精準(zhǔn)推送營(yíng)銷，基于此本文從海量的零售數(shù)據(jù)中提取衡量客戶價(jià)值的RFM模型指標(biāo)，通過(guò)RFM模型指標(biāo)提取客戶特征屬性構(gòu)建用戶畫像標(biāo)簽，對(duì)用戶畫像標(biāo)簽的模糊性與不確定

2、性通過(guò)云模型和本體思想來(lái)構(gòu)建用戶畫像模型，從而實(shí)現(xiàn)面向消費(fèi)市場(chǎng)的精準(zhǔn)推送。具體研究?jī)?nèi)容如下:
　　(1)數(shù)據(jù)預(yù)處理:如何從海量的零售信息中提取用戶的共同特征，本文從海量的零售信息數(shù)據(jù)庫(kù)中按照分層抽樣的思想隨機(jī)抽取具有代表性的樣本數(shù)據(jù)，在保證抽樣數(shù)據(jù)符合標(biāo)準(zhǔn)格式要求的前提下，重點(diǎn)研究了在海量數(shù)據(jù)環(huán)境下如何實(shí)現(xiàn)最優(yōu)分配以及如何對(duì)抽樣性能評(píng)估，保證樣本數(shù)據(jù)在一定條件下能夠反映全量數(shù)據(jù)的整體全貌。
　　(2)用戶畫像標(biāo)簽處理:從抽樣

3、數(shù)據(jù)中提取RFM模型指標(biāo)，針對(duì)抽樣數(shù)據(jù)中該類指標(biāo)的不確定性與模糊性的特點(diǎn)，本文引入云模型理論和本體技術(shù)，通過(guò)高斯云發(fā)生器將RFM指標(biāo)轉(zhuǎn)換為基于云模型的RFM指標(biāo)（時(shí)間間隔云模型、消費(fèi)頻率云模型、消費(fèi)金額云模型）來(lái)構(gòu)建群體價(jià)值畫像標(biāo)簽體系，通過(guò)本體思想對(duì)用戶屬性進(jìn)行表示、解釋和推理來(lái)構(gòu)建用戶個(gè)體畫像標(biāo)簽體系。
　　(3)用戶畫像建模:用戶畫像力求借助用戶個(gè)性化的標(biāo)簽來(lái)反映用戶信息全貌，標(biāo)簽的選取直接影響用戶畫像的建模的成功與否，本文

4、基于云模型的RFM指標(biāo)構(gòu)建用戶價(jià)值畫像模型，同時(shí)通過(guò)用戶個(gè)體屬性來(lái)構(gòu)建個(gè)體用戶畫像模型。為了對(duì)云模型領(lǐng)域的用戶畫像聚類分析，本文對(duì)傳統(tǒng)的K-Means聚類算法進(jìn)行改進(jìn)，設(shè)計(jì)了基于云模型的聚類算法。在該算法的基礎(chǔ)上可以根據(jù)具體的業(yè)務(wù)場(chǎng)景得到不同的用戶畫像模型。
　　(4)精準(zhǔn)推送階段:通過(guò)云模型畫像聚類對(duì)客戶群體進(jìn)行價(jià)值分類，建立群體與服務(wù)之間的關(guān)聯(lián)，通過(guò)本體推理對(duì)零售戶建立個(gè)體與產(chǎn)品之間的關(guān)聯(lián)，實(shí)現(xiàn)由服務(wù)（群體）到產(chǎn)品（個(gè)體）的二