基于正相关关联规则挖掘分析的客户需求权重预测

潘程

（重庆交通大学 管理学院，重庆 400074）

基于正相关关联规则挖掘分析的客户需求权重预测

潘程

（重庆交通大学 管理学院，重庆 400074）

为预测经营活动中的客户需求，提出一种基于正相关关联规则的数据挖掘模型。挖掘统计数据的频繁2_项集并对挖掘结果剪枝处理，按照特征需求重要性大小，计算得出重要客户需求，再运用BP神经网络进行需求权值预测。实例表明该方法可减少关联规则数量和挖掘工作量，对需求的预测具有现实意义。

关联规则；挖掘分析；权重预测

1　研究意义

在经营活动中，有效预测客户需求对准确把握客户偏好、及时准备商品和服务、提高经营收益具有重要意义。客户需求的预测方法，一般有基于定性预测的De1phi法、用户调查法和基于定量预测的因果模型法、时间序列模型法等。定性预测方法主观成分较多且不能得出量化预测数据；通常采用的定量预测在分析初期常运用模糊矩阵、关联分析等方法进行预处理［1］，降低了预测结果的鲁棒性和客观性。因此，需要创新一种定量分析方法，在客观数据基础上挖掘与分析客户需求。

数据挖掘技术［2］是基于信息处理的知识发现，依据实际数据分析需求相关性，可保证输出结果的客观性；神经网络算法［3］分布处理数据能力显著且容错性高，在经济与市场预测方面颇具应用价值。所以，数据挖掘技术和神经网络算法可作为客户需求预测的有效工具。

2　实例分析

某电子产品供应商依托tma11.com平台开设手机旗舰店，已知该手机有3个套餐类目，分别是颜色、附加产品与是否ROOT。其中颜色有黑、绿、白、黄、蓝5种；附加产品选择有5类，分别是官方标配、标配+剪卡器、8G内存卡+剪卡器、16G内存卡+剪卡器和移动电源+剪卡器。假设颜色用英文表示，附加产品分别用basic、one至four表示。现以4月份统计数据为基础，运用正相关关联规则挖掘客户需求，将得出的数据在BP网络中反复学习，进而预测5月份的需求权重。具体的操作过程如下：表1频繁2_项集

关联规则　置信度与提升度　关联规则　置信度与提升度program=basic 41⇒ROOT=no 41　conf：（1）＜1ift：（1.35）　program=basic 41⇒co1or=b1ack 33　conf：（0.8）＜1ift：（1.16）ROOT=no 79⇒program=basic 41　conf：（0.52）＜1ift：（1.35）　co1or=b1ack 74⇒ROOT=no 59　conf：（0.8）＜1ift：（1.08）program=one 40⇒ROOT=yes 14　conf：（0.35）＜1ift：（1.34）　ROOT=no 79⇒co1or=b1ack 59　conf：（0.75）＜1ift：（1.08）ROOT=yes 28⇒program=one 14　conf：（0.5）＜1ift：（1.34）　co1or=b1ack 74⇒program=one 28　conf：（0.38）＜1ift：（1.01）co1or=b1ack 74⇒program=basic 33　conf：（0.45）＜1ift：（1.16）　program=one 40⇒co1or=b1ack 28　conf：（0.7）＜1ift：（1.01）

3　结论

为准确预测客户需求，运用正相关关联规则数据挖掘技术剪枝产生正相关频繁2_项集，进而计算获取产品重要特征需求。进一步运用BP神经网络技术对各时域相关特征需求权重进行反复学习与训练，在达到目标偏差时利用所取得的网络连接权值与阈值进行分析预测。实例运用证明了方法在客户需求与预测误差方面的有效性。

10.3969/j.issn.1673-0194.2015.13.062

F272

A

1673-0194（2015）13-0100-02

2015-05-12