商务数据分析报告

本科学生综合性实验报告

项目组长张梦瑶学号0141262

成员_________________________________

专业国际经贸班级国贸142

实验项目名称商务数据分析报告

指导教师及职称李虹来

开课学期2015 至2016学年下学期

上课时间2016 年6 月16 日

1.商业理解阶段

网上销售与传统的店面销售不同，没有售货员提供现场咨询服务。但是, 网上销售可以利用互联网的优势，为用户提供更优质的服务。由于服务器会记录用户在浏览电子商务网站时的所有行为，因此，企业很容易收集用户的浏览记录、交易信息及偏好数据。

在个性化推荐技术的关联规则分析中，最典型的例子是购物篮分析，其目标是发现交易数据库中不同商品之间的联系强度，挖掘用户潜在购买模式，并将这些模式所对应的服务或产品展示给用户，为其提供参考，从而提高用户的满意度及购买率。

2.数据理解阶段

本案例采用淘宝网的用户交易数据进行分析，每条交易记录包括记录号和顾客购买的商品，表1给出了数据集中各属性名及意义，表2为部分交易实例数据示例。

表1数据集属性信息

表2部分数据实例

ID

商品名数

量

单

价

商品

名

数

量

单

价商品名

数

量

单

价

商品

名

数

量

单

价

1 女装T

恤

2 79 短裙 2 118

休闲男

装

1 99

连衣

裙

1 35

2 女装T

恤

1 79 短裙 1 118 伞 1 15

3 女装T

恤1 79 短裙 2 55

咼跟鞋

1 63

连衣

裙

1 35

4 女装T

恤

1

11

9

短裙 1 55

咼跟鞋

1 63

5 女装T

恤2

11

9

短裙 1 45

咼跟鞋

1 63

6 女装T

恤1

11

9

短裙 1 45

咼跟鞋

2 63

洗发

水

2 85

3. 数据准备阶段

原始数据集可能包含了一些冗余的数据、空值和零值等，这种格式不能 作为关联规则分析算法的输入，需要对数据进行预处理。本案例的预处理中 包括过滤掉原始数据集中的商品数量和单价这两个属性。 同时为了保护顾客 的隐私，过滤了用户名属性，并且用交易号来唯一表示顾客的每一次交易。 处理后的数据集如表3所示。

表3部分预处理后的数据

交易 号

商品1 商品2 商品名3 商品名4

1

女装T 恤 短裙 休闲男装

连衣裙 2 女装T 恤 短裙 伞

3 女装T 恤 短裙 高跟鞋 连衣裙

4 女装T 恤 短裙 高跟鞋 5

女装T 恤

短裙

高跟鞋

6 女装T 恤 短裙 高跟鞋 洗发水

在Clementine 软件进行关联规则挖掘时，必须把数据格式转换成

Clementine 软件能处理的格式。通常有两种格式：一种是布尔矩阵形式，即 每行表示一条交易记录，列中的T/F 值表示该商品是否有在相应的交易记录 中出现，T 表示有出现，F 表示没有出现（表4列出转换后的前3条记录信 息）；一种是事务处理格式，即每行对应一个交易号和一个商品项（表 5列 出了前3个事务对应的事务处理格式）。

表4布尔矩阵格式数据集

表5事务处理格式数据集

4.数据建模

利用Clementine中的Apriori算法进行关联规则分析，设定最小支持度1%最小置信度50%输入为布尔矩阵格式的交易数据（如表4）,输出商品的关联规则及相应的支持度、置信度和提升度信息（如表6）。表中显示“高跟鞋”和“洗发水”、“童装”和“玩具”、“文具”经常被一起购买。

表6 Apriori 算法运行结果

5.模型评估

我们选取以下的关联规则向顾客进行推荐。

规则1:（玩具、文具）=＞童装

规则2:洗发水=＞高跟鞋

规则3:玩具=＞童装

规则4:地毯=＞家具

规则5：（短裙、高跟鞋）=＞女装T恤

规则6：（童装、文具）=＞玩具

再结合规则和实际经验知识，可以对规则进行进一步优化处理。在本案例中，可以对规则1｛（玩具、文具）=＞童装｝和规则3｛玩具=＞童装｝进行合并，以规则3的形式呈现。

6.模型发布

通过建模分析由得出的关联规则，企业就可以得到商品销售的一些合理搭配，进而设定相应的推荐策略。如在顾客购买了地毯后，可以向其推荐家具类商品；或者当顾客购买了童装后，可以向其推荐玩具和文具类商品；这些都可能是顾客感兴趣或需要的商品。