商務(wù)數(shù)據(jù)分析報(bào)告

1、本科學(xué)生綜合性實(shí)驗(yàn)報(bào)告工程組長(zhǎng)張夢(mèng)瑤 學(xué)號(hào) 0141262成 員專(zhuān)業(yè) 國(guó)際經(jīng)貿(mào) 班級(jí)國(guó)貿(mào)142實(shí)驗(yàn)工程名稱(chēng)商務(wù)數(shù)據(jù)分析報(bào)告指導(dǎo)教師及職稱(chēng)李虹來(lái)開(kāi)課學(xué)期 2021至2021學(xué)年 下 學(xué)期上課時(shí)間2021 年 6 月 16 日1 .商業(yè)理解階段網(wǎng)上銷(xiāo)售與傳統(tǒng)的店面銷(xiāo)售不同,沒(méi)有售貨員提供現(xiàn)場(chǎng)咨詢效勞.但是,網(wǎng)上銷(xiāo)售可以利用互聯(lián) 網(wǎng)的優(yōu)勢(shì),為用戶提供更優(yōu)質(zhì)的效勞.由于效勞器會(huì)記錄用戶在瀏覽電子商務(wù)網(wǎng)站時(shí)的所有行為,因 此,企業(yè)很容易收集用戶的瀏覽記錄、交易信息及偏好數(shù)據(jù).在個(gè)性化推薦技術(shù)的關(guān)聯(lián)規(guī)那么分析中,最典型的例子是購(gòu)物籃分析, 其目標(biāo)是發(fā)現(xiàn)交易數(shù)據(jù)庫(kù)中不同商品之間的聯(lián)系強(qiáng)度,挖掘用戶潛在購(gòu)置模

2、式,并將這些模式所對(duì)應(yīng)的效勞或產(chǎn)品展示給用戶, 為其提供參考,從而提升用戶的滿意度及購(gòu)置率.2 .數(shù)據(jù)理解階段本案例采用淘寶網(wǎng)的用戶交易數(shù)據(jù)進(jìn)行分析,每條交易記錄包括記錄號(hào)和顧客購(gòu)置的商品,表1給出了數(shù)據(jù)集中各屬性名及意義,表2為局部交易實(shí)例數(shù)據(jù)例如.表1數(shù)據(jù)集屬性信息屬性名屬性意義交易號(hào)ID唯一標(biāo)識(shí)每一次用戶的交易商品名購(gòu)置的商品名數(shù)量購(gòu)置的每一樣商品的數(shù)量單價(jià)購(gòu)置商品的單價(jià)表2局部數(shù)據(jù)實(shí)例ID商品名數(shù) 量單 價(jià)商品 名數(shù)量單價(jià)商品名數(shù)量單價(jià)商品 名數(shù)量單價(jià)1女裝T恤279短裙2118休閑男 裝199連衣 裙1352女裝T恤179短裙1118傘1153女裝T恤179短裙255高跟鞋163連衣

3、 裙1354女裝T恤1119短裙155高跟鞋1635女裝T恤2119短裙145高跟鞋1636女裝T恤1119短裙145高跟鞋263洗發(fā) 水2853 .數(shù)據(jù)準(zhǔn)備階段原始數(shù)據(jù)集可能包含了一些冗余的數(shù)據(jù)、空值和零值等,這種格式不能作為關(guān)聯(lián)規(guī)那么分析算法的輸入,需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理. 本案例的預(yù)處理中包括過(guò)濾掉原始數(shù)據(jù)集中的商品數(shù)量和單價(jià)這兩個(gè) 屬性.同時(shí)為了保護(hù)顧客的隱私,過(guò)濾了用戶名屬性,并且用交易號(hào)來(lái)唯一表示顧客的每一次交易. 處理后的數(shù)據(jù)集如表 3所示.表3局部預(yù)處理后的數(shù)據(jù)交易號(hào)商品1商品2商品名3商品名41女裝T恤短裙休閑男裝連衣裙2女裝T恤短裙傘3女裝T恤短裙高跟鞋連衣裙4女裝T恤短裙高

4、跟鞋5女裝T恤短裙高跟鞋6女裝T恤短裙高跟鞋洗發(fā)水在Clementine軟件進(jìn)行關(guān)聯(lián)規(guī)那么挖掘時(shí),必'須把數(shù)據(jù)格式轉(zhuǎn)換成Clementine軟件能處理的格式.通常有兩種格式：一種是布爾矩陣形式,即每行表示一條交易記錄,列中的 T/F值表示該商品是否有 在相應(yīng)的交易記錄中出現(xiàn),T表示有出現(xiàn),F表示沒(méi)有出現(xiàn)表 4列出轉(zhuǎn)換后的前 3條記錄信息；種是事務(wù)處理格式,即每行對(duì)應(yīng)一個(gè)交易號(hào)和一個(gè)商品項(xiàng)表5列出了前3個(gè)事務(wù)對(duì)應(yīng)的事務(wù)處理格式.表4布爾矩陣格式數(shù)據(jù)集交易號(hào)女裝T恤短 裙電腦配件男裝牛仔褲休閑男胃麥1TTFFT2TTFFF3TTFFF表5事務(wù)處理格式數(shù)據(jù)集交易號(hào)女裝T恤1女裝T恤1短裙1休

5、閑男裝2女裝T恤2短裙3女裝T恤3短裙4 .數(shù)據(jù)建模利用Clementine中的Apriori算法進(jìn)行關(guān)聯(lián)規(guī)那么分析,設(shè)定最小支持度1%,最小置信度50%,輸入為布爾矩陣格式的交易數(shù)據(jù)如表4,輸出商品的關(guān)聯(lián)規(guī)那么及相應(yīng)的支持度、置信度和提升度信息如表6.表中顯示“高跟鞋和“洗發(fā)水、“童裝和“玩具、“文具經(jīng)常被一起購(gòu)置.1 6 Apriori算法運(yùn)行結(jié)果5 .模型評(píng)估我們選取以下的關(guān)聯(lián)規(guī)那么向顧客進(jìn)行推薦.規(guī)那么1：玩具、文具=童裝規(guī)那么2:洗發(fā)水= 高跟鞋規(guī)那么3:玩具=童裝規(guī)那么4:地毯=家具規(guī)那么5:短裙、高跟鞋=女裝T恤規(guī)那么6:童裝、文具=玩具再結(jié)合規(guī)那么和實(shí)際經(jīng)驗(yàn)知識(shí),可以對(duì)規(guī)那么進(jìn)行進(jìn)一步優(yōu)化處理.在本案例中,可以對(duì)規(guī)那么1玩具、文具=童裝和規(guī)那么3玩具.童裝進(jìn)行合并,以規(guī)那么 3的形式呈現(xiàn).6 .模型發(fā)布通過(guò)建模分析由得出的關(guān)聯(lián)規(guī)那么,企業(yè)就可以得到商品銷(xiāo)售的一些合理