数据挖掘技术在企业货源投放系统中的应用研究

邵涛　何湘竹　张智志

摘要：以XX市烟草公司为例，探讨了数据挖掘技术在企业货源投放系统中的应用。“行政区划”作为企业零售客户的属性之一，在以往货源投放中一直未得到很好利用。本文首先应用相关性分析和回归分析技术，挖掘出“行政区划”对应的人口和经济与客户数量及客户规模之间的关系，之后采用K-Means算法从货源投放的角度建立新的“行政区划”分类模型，聚类后的“行政区划”属性作为货源投放的一个重要指标，可以指导企业实现合理货源投放。

关键词：数据挖掘；相关性分析；回归分析；聚类算法；货源投放

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2015）27-0182-02

1 引言

合理货源投放对于企业维持市场稳定，提高客户满意度和服务水平至关重要[1]。但某市烟草公司货源投放系统存在以下问题：其一，“棋盘式”货源投放指标庞杂无法实现自动投放因而实用性不强。其二，星级货源投放方式因指标的设定人为主观过多、缺乏科学依据，投放效果也不理想。

本研究发现，目前“行政区划”仍采用区域划分方式，在货源投放系统中未很好利用。采用数据挖掘技术进行相关性和回归分析后发现，“行政区划”对应的人口、经济和该区域零售客户的数量和规模十分相关，若能从货源投放的角度重新分类，会对货源投放有重要指导意义。

因此，本文首先对该市原有“行政区划”过滤，之后采集乡镇一级的人口、经济、客户数量和客户规模数据，并对其进行相关性和回归分析，找到影响该区域货源投放的重要属性，最后采用K-Means聚类算法建立新的“行政区划”分类模型。

2 数据挖掘技术

2.1 相关性分析和回归分析

相关性分析是研究两变量线性相关程度强弱的常用方法，常通过计算Pearson样本相关系数r来对连续变量之间是否存在显著线性关系进行检验。Pearson样本相关系数计算如式所示，其中N为样本个数，xi和yi为两个检测变量的值，r为相关系数[2]。

回归分析是探索变量之间规律性的数据挖掘方法，若变量为数值型，则回归模型可有效揭示因变量和自变量之间的变化规律，首先假定已知函数拟合样本数据，尔后采用误差分析法选择与目标数据拟合最好的函数。但当因变量为分类型变量时，则無法直接借助回归模型进行研究，常采用Logistic回归分析法[3]。

2.2 K-Means聚类算法

聚类是数据挖掘技术重要应用之一，目的是将数据对象划分为若干类，使同一类中的对象相似度较大，而不同类中的对象尽可能不同[4]。与分类不同，由于聚类前类别的个数未知，因此聚类实际上是通过度量相似性，使对象聚成若干簇的过程，而相似性的度量一般通过距离来实现，距离越小说明两个对象间越相似，常用距离类型有四种：欧氏距离，曼哈顿距离，切比雪夫距离和马氏距离[2]。

K-Means是典型的聚类算法，核心思想是：把对象划分为X类，使每个类中的对象到该类中心点的距离平方和为最小。其中，聚类中心通过计算聚类点的均值获得，类的个数X在开始时未知，可在多次尝试之后，选一个使得距离平方和最小的值作为类别数[5]，算法流程见图1。K-Means算法在对象密集且对象簇之间的差异较为显著的情况下聚类效果较好，且一般适用于连续变量的聚类分析，鉴于此特点与本文中数据对象特性吻合，因此选择该算法来对“行政区划”进行聚类分析。

3 基于数据挖掘技术的分类模型研究

3.1 数据准备

XX市现有行政区划取值十分离散，对货源投放无任何指导价值，将其过滤为76个乡镇。采集到的样本数据包括辖区面积、人口数量、工业总产值、财政收入、人均总产值、经济实力、客户个数等7个属性。

3.2 相关性分析和回归分析

3.2.1相关性分析

各指标之间的相关性见表1，分析可知，人口数量很大程度决定客户个数，且人口数量和经济实力相关性很强。

3.2.2人口数量和客户个数回归分析

（1）人口数量与客户个数的关系

以人口数量和客户个数为坐标对其拟合，当采用二次函数可达到最好效果，拟合方程如式所示。

[y=2.2808x2+16.5648x+0.2321]

以上分析说明：某一“行政区划”客户个数与人口数量成正比关系。由此可从市场角度推断，人口基数越大，卷烟需求总量越大。

（3）客户个数与人口及经济的回归分析

以人口数量和经济实力为输入，以客户个数为结果，建立回归模型，拟合方程如式所示。

[z=0.3067+9.2899x-0.0136y+0.0376xy]

式中，x代表人口数量，y代表经济实力，z代表客户个数。由回归方程可知：人口数量和经济实力可以决定客户个数。

4 K-Means聚类算法建立分类模型

4.1 属性选取

以客户个数为输出，对其他各属性按相关系数从大到小排列（表2）。

考虑到聚类变量间不应有较强的线性相关性，最终选取的属性为“人口数量”，“工业生产总值”和“人均面积”。

4.2 聚类结果

采用SPSS Clementine工具[6]，选取K-Means聚类算法，多次尝试后将聚类数目设置为2。

聚类后的两类“行政区划”，其样本数量及各变量的均值如表3所示。

分析可知，类别1特点为人口数量较少且工业总产值也较小，人均面积较大，属于人口较少经济相对落后的乡镇。类别2特点是人口数量较多，人均面积虽小但工业总产值较大，属于人口比较集中，经济较为发达的城镇。

为了验证聚类效果，将类别2的“行政区划”和企业销售数据比对后发现聚类结果是可行和有意义的。

5 结论

“行政区划”在企业货源投放中未得利用，本文应用数据挖掘技术，首先采用相关性和回归分析，挖掘出“行政区划”对应的人口和经济对于该处货源需求有直接影响。之后采用K-Means算法，从货源投放的角度建立了“行政区划”分类模型，聚类后的“行政区划”作为货源投放一个重要指标，可指导企业科学合理地投放货源。

参考文献：

[1] 彭晖，何刚，魏小波.巴中烟草货源投放最新探索与实践[J].技术与市场，2013，20（12）：258-259.

[2] 元昌安等. 数据挖掘原理与 SPSS Clementine 应用宝典[M].子工業出版社，2009.

[3] 孟晓东， 袁道华， 施惠丰. 基于回归模型的数据挖掘研究[J].机与现代化，2010（1）：26-28.

[4] 贺玲， 吴玲达， 蔡益朝. 数据挖掘中的聚类算法综述[J].算机应用研究，2007，24（1）：10-13.

[5] 张建萍，希玉.于聚类分析的 K-means 算法研究及应用 [J].算机应用研究，2007，4（5）：166-168.

[6] 薛薇，欢歌.基于 Clementine 的数据挖掘[M].国人民大学出版社，2012.