数据挖掘在服装领域的应用分析

邵芬娟,侯真威

(1.上海出版印刷高等专科学校 印刷包装工程系,上海200093;2.东华大学 服装与艺术设计学院,上海200051)

随着入网设备价格的降低以及网络速度的提升,互联网的覆盖人群日渐增加,相应的,人们在互联网上活动所产生的数据数量也不断增多。大数据是指通过非传统技术对数据集进行有效地寻找获取、存储管理、分析利用的统称[1]。在这样的大数据时代背景之下,数据挖掘技术在各行各业中便油然而生[2]。现如今数据挖掘技术已经应用在能源、教育、科研、制造、金融、电子政务、企业经营管理、信息管理等多个领域,同时数据挖掘技术在服装行业的应用也有了很大的进展。

服装行业作为我国优势产业和民生产业,涉及范围广,供应链繁杂,参与人员也较多,互联网早已潜移默化的渗入到服装行业中,在国内经济中占据不可动摇的地位。工业4.0时代的到来,为服装快速发展提供了重大机遇。目前,服装产品已从“单一简单化”向“多元多方式、高效率高品质”的数字化生产方式发展。而“O2O、O2B、B2B、B2C、C2C”等互联网方式正如火如荼地应用在服装行业中,由此服装在生产、包装、调度、销售、管理、库存等各个过程中,都产生了大量数据[3]。

因此,为了充分利用这些数据,用挖掘技术对服装行业各个领域存在的潜在数据信息进行挖掘,创建各个环节数据库数据集,以最小的时间成本,价格成本、运输成本达到“供需、多方”的服装行业实现共赢。文中对国内外相关文献进行综述,分析了数据挖掘在服装的生产制造、销售管理、客户关系维护以及库存管理4个方面的应用,以期为后续服装行业对数据挖掘技术的应用提供依据,提高企业的经济效益。

1 数据挖掘

数据挖掘[4](Data Mining,简称DM)就是从大量的、不完善的、模糊不清的、随机乱序的数据中,对大家预先不了解,但存在有用信息且形成潜在知识规律数据的一个提取与发掘的过程。数据挖掘过程一般分为3步(图1):第一步为数据的准备;第二步为数据的挖掘;第三步为结果的表达和解释。不同领域根据行业特征不同,数据挖掘展现出来的技术、过程、方法也会有所差异。因此服装行业中涉及的不同问题,挖掘技术也会随之改变,研究过程也会因其变化[5]。

图1 数据挖掘过程

其中数据挖掘任务主要分为描述型和预测性两大类。前者主要包括预估预测、关联分析、K-means聚类分析和概念分析;后者包括时序模式、回归分析、偏差分析和归纳分类。

2 数据挖掘在服装生产中的应用

2.1 基于数据挖掘技术的服装号型体系制定

GB/T 1335-2008《服装号型》中将服装号型划分成了5·4和5·2系列。号型是服装企业大批量生产的依据与前提,而服装号型归档是企业和消费者订制生产的桥梁,根据现代人体号型数据进行服装号型分档,才会有针对性的对消费者所需样板进行输出,使企业处于JIT(Just In Time)状态中。

根据目前国内对各区域人体数据收集表明,国内各区域人体尺寸不尽相同,国标中间体型是根据全国人体数据类型而制定的,不一定对国内其他区域都适合,经调查国标中人体体型划分符合比例仅接近60%,甚至有的区域体型符合比例不到50%。而且,随着国民经济的提升,出现了一些特殊群体,现行的国标体型数据,已不能完全覆盖我国各地区体型规律[6]。在一定程度上国家制定的号型标准无法全满足服装企业在实际生产中的要求,因此企业会依据实际生产情况对服装号型标准进行适当调整或细化,从而形成自己的“企业号型表”。服装企业批量生产中,服装号型是根据某一地区或者企业标准进行推挡、放码进而投入生产,主观性较强,仍然无法满足国民体型规律,会在销售过程中导致服装断码、堆积的现象,影响企业效益[7]。因此利用数据挖掘技术,制定“少号型、大覆盖”的服装号型系列,实现MTM(Made to Measurement)生产模式,可以降低生产成本,提高企业收入,提高服装企业的快速生产能力,实现大批量订制。

到目前为止,数据挖掘技术在服装号型体系制定上的应用一般采用以下思路。

2.1.1 人体数据的采集

人体数据采集是制定服装号型体系的第一步,而进行大量人体数据的采集则是数据挖掘技术应用的前提。量体数据是服装企业非常重要的数据信息资源[7]。对于数据挖掘技术而言,尽管理论上数据量越多越好,但考虑到设备处理能力的限制,不可能对每个人都进行测量,因此一般采用分层抽样的方式进行数据采集工作,在保证数据特征可靠的同时,又能使采集数量可控。

2.1.2 数据的预处理

在进行数据挖掘之前,要先对人体尺寸的各项数据进行预处理,保证数据挖掘出来的信息是有价值的。数据预处理目标就是尽可能消除噪声数据,提高所选数据质量,进而把大量的数据集成知识价值仓库,被人们利用或为服装企业提供有价值的信息。数据预处理主要应用数理统计理论来研究数据特征,同时借助现代化信息技术,通过计算机软件辅助数据分析,例如采用SPSS统计软件可以分析数据位置特征、分散程度、分布形态等,是后续数据挖掘的基础。

2.1.3 人体尺寸模型的建立

有学者[8]利用灰色系统模型的优势结合数据挖掘技术,以人体的各项尺寸建立灰色其他人体尺寸预估模型,运用已建立的模型随其他人体尺寸部位进行预估,然后对整个样本的推荐号型结果进行总体分析,从而为企业不同号型的投产决策提供指导性建议;有学者[7]利用数学模型建立地域性服装号型表,为服装投产号型提供技术方案。目前构建的体型判别模型可大致归为3 类:一是以贝叶斯判别以及基于核方法的Fisher判别等的统计判别模型;二是基于核方法的支持向量机KSVM 两类浅层学习模型;三是基于浅层神经网络构造的判别模型。

2.1.4 模型的验证

结合数据挖掘技术的聚类分析方法,探究服装号型与人群体型数量配比规则并结合服装企业号型进行归类,建立起人体特征数据-服装号型-服装生产决策之间的定量关系,进而制定科学合理的服装号型表。然后采用定性评价法将理论分析的推荐号型和企业实际的推荐号型进行比较,从而检验模型的合理性。

可见,数据挖掘技术在服装号型体系制定上的应用已经初步形成体系,具有一定的理论基础,这预示着数据挖掘技术在这一领域将有很大的用武之地。但在当前阶段,这些模型多偏向于理论化和理想化,与实际情况有一定的偏差,还很难大规模进行推广应用。一些有条件的企业尽管借助数据挖掘技术完成了一些服装号型的匹配计算,但由于数据量大,计算速度还无法满足实用化的要求。一些学者在人体体型的细分和服装号型的推荐上取得了阶段性成果,但并未延伸至企业号型配比投产决策环节。

这一阶段的课程目标在保留“双基”的基础上增加了“过程与方法”及“情感态度与价值观”。“一维”到“三维”的变化体现了对“双基”的继承与发展，“三维”目标不仅强调知识与技能的获取，更强调获取知识与技能的途径与方法，同时强调在过程中培养学生的学习兴趣，激励、调动学生学习的动机，完善学生的价值判断，培养其形成科学的认知态度。

2.2 基于数据挖掘技术的服装制作标准工时制定

GB/T 14163-2009《工时消耗分类、代号和标准时间构成》中对服装制作中基本时间、辅助时间、作业宽放、休息时间、车间管理时间等进行了规定。企业中标准工时是整个生产流水线的生命线,也是考核工作人员的重要指标。但在实际操作中,员工的技术能力、服装结构差异、工艺复杂度、工作环境等都会影响生产工时,从而标准工时在实际生产中具有一定的不完整性[9]。此时面对庞大工时数据,使用数据发掘的方法对其剖析,探索影响生产工时的其他因素,提出标准工时制定中不完善的情况,可使其更加科学合理,增强企业营业能力。

当前,服装制作标准工时的制定一般都是以传统的GSD(General Sewing Data)为基础的,GSD 的基本思路是将某工序细分为若干基础动作,并对各个基础动作进行标准工时计算,最后再进行总的加和运算,得到工序级别的标准工时预测值。该方法在制衣行业得到广泛应用。然而,实践证明,GSD 也有着很多缺陷,主要是因为它预先为每个操作预设了时间标准而非直接观测,在员工熟练度不同、预设标准不一致、生产工艺不同的情况下,很容易得出脱离实际的数据。

在此背景下,许多学者开始探索利用大数据分析的方法来提高标准工时计算的合理性,通过对大量原始数据进行挖掘分析,探究生产工时的影响因素并提出恰当的修正方法,提高标准工时的准确性。通过大量的文献分析,总结出数据挖掘技术在服装制作标准工时制定中的一般应用思路如下。

首先,以大型服装制造企业为研究对象,获取大量的生产工时数据;然后采用数理统计的方法对这些数据进行挖掘分析,建立一套理论预测模型。模型的构建也有许多思路,其中最经典的是基于神经网络的预因素按照重要程度进行排序;然后,为了分析因素之间的内在关系,再运用大数据分析技术,建立一套基于关联规则的分析模型,对标准工时进行修正。经过理论分析、实际对比、模型修正之后得到的标准工时数据将更加科学合理。

数据挖掘技术在服装制作标准工时制定中已经取得一定的应用成效,对实际生产起到了一定的指导作用。但是,由于大数据技术本身仍不成熟,各种数学理论和分析工具也处于频繁的更新中,因此数据挖掘要想在服装制作标准工时制定中得到真正客观、合理、准确的数据,仍任重道远。

3 数据挖掘在服装销售管理中的应用

拉尔夫和罗伯特在《销售管理》中一致认为销售管理是对人员推销活动的计划决策、组织指挥和控制监督[10]。服装不同于其他产品,有些商品销售可以一年四季款式不变、型号不变,而服装产品季节性比较强,受穿衣指数、气候以及人们审美观等影响,变化非常大,而且销售形势在南北方也会有差异。针对这样的情况,服装企业就会出现供大于求或者供不应求的情况。流行预测、市场预测等方法得出的数据都不能有效指导企业的生产,而且准确性也无法得到保证。利用计算机技术和功能强大的数据挖掘技术对企业销售数据进行分析,可以为企业整理出更多有价值的信息,从而帮助企业决策者进行服装销售决策,使服装企业根据市场需求进行生产,有效降低库存服装积压,科学合理地将服装产品按照时间、区域、季节等进行销售调配,使企业的利润最大化。

图2 服装销售数据挖掘流程图

数据挖掘技术在服装销售的应用过程如图2 所示。对服装销售系统中的历史数据进行整理,整理成为一个数据库,按照不同的维度选取数据;对数据库中不规范、格式不对的数据进行剔除或将其合理化,转换成符合数据挖掘标准的数据;选择合适的数据挖掘算法,将数据库中的数据进行分析,从而对挖掘结果进行综合评价,判断结果的合理性,最终传递给服装企业。同时,销售管理系统根据各类用户的需求,在销售数据的基础上,统计出许多与销售相关的数据报表,系统可以根据各自的需求查询及生成数据报表,以用作分析[11]。包括简单的产品单日销售分析、季度销售、年度销售及业务员销售分析等[12],嵌入数据挖掘的算法找出其中的关联规则,帮助企业制定销售策略,可以了解客户的购物习惯,增加服装的销售量。

4 数据挖掘在客户关系管理中的应用

现如今,国内经济快速发展,产业经济结构也在不断发生变化,服装企业的竞争焦点已从产品技术层面中成本竞争、物流竞争转移到客户关系层面的客服竞争、创新竞争。从消费者看来,他们追求的不再仅仅是商品的品质,更多顾客看重商家为其提供服务的态度、质量与及时程度。Patricia B Seybold提出“客户经济时代”[20]已经到来,他认为以客户经济为轴心的三大原则是支撑企业长久生存之道。早在30年前,客户关系管理的概念就被Gartner Group提出,客户关系管理就是对客户遇到的所有问题,系统针对性的进行处理与解决[21-22]。为吸引更多的新顾客,留住老客户,通过提高服务质量,为企业带来更多利润。

数据挖掘技术可以对客户需求进行研究,将处理客户所遇问题进行深度解析,如客户细分、客户维持、客户消费、客户来源等[23-25]。有学者[26]将数据挖掘与CRM(Customer Relationship Management)系统结合,针对性解决中小型企业CRM 存在的问题,并对数据挖掘几种经典的决策树分类算法进行了详细分析,通过比较与深入研究,提出了新的优化算法;有学者[27]基于数据挖掘模型的八大功能模块设计并应用多种算法对服装电子客户关系管理系统进行改进,达到数据挖掘效率大大提高的效果;还有学者[28]在客户关系产品营销方案中应用数据挖掘技术进行研究,针对男装终端客户关系管理提出了相关优化建议。

5 数据挖掘在库存管理中的应用

服装业库存产生的主要原因为:(1)信息数据获取的非共享性和非时效性,导致企业不能全面彻底了解市场动向,造成企业决策迟缓,造成供应链上的“牛鞭效应”;(2)服装行业流行周期短、受天气、价格、宣传等因素影响,时常导致库存堆积。因此企业需要利用数据挖掘技术,预测市场需求,及时投入生产,降低库存成本,提高企业竞争力[29-30]。

因此,可利用数据挖掘技术中的BP 神经网络方法,结合企业积累的历史销售数据,找到市场需求与国民经济间数据关系,运用科学信息搜集方法,收集行业供应链间生产、调度、销售、库存和物流等信息,通过模型计算预测结果,使企业实现快速反应,为企业决策层提供及时、可靠、高效的库存管理系统。

6 结语

数据挖掘技术在服装制造领域已经得到了较为广泛的应用,取得了一定的理论和应用成果。当前研究主要集中在服装号型体系制定、服装制作标准工时制定、客户关系管理和库存管理等方面,这些应用都有着一定的理论基础,形成了初步的理论体系,例如Kmeans聚类、关联分析、神经网络、灰色系统模型和贝叶斯方法等。不同的理论从不同的侧面对服装行业的大数据进行分析,可以为服装行业的发展提供有价值的指导,为服装企业创造更大效益。但我国大多服装企业信息化技术起步不久,数据挖掘技术应用还不够成熟,数据挖掘结果的准确性仍有待提升,离实用化还有一定的距离。因此,数据挖掘技术在服装领域有着广阔的应用前景。