章 麗

(池州職業(yè)技術(shù)學(xué)院 經(jīng)濟(jì)管理系，安徽 池州 247000)

一、引言

隨著國內(nèi)外網(wǎng)絡(luò)消費(fèi)市場的不斷擴(kuò)大，實(shí)體企業(yè)和電商企業(yè)都面臨著巨大的挑戰(zhàn)和發(fā)展瓶頸，一方面互聯(lián)網(wǎng)電商企業(yè)逐漸從線上走向線下，通過對物流體系的投資和對線下門店的布局，互聯(lián)網(wǎng)電商逐漸下沉到實(shí)體經(jīng)濟(jì)中，面對勢不可擋的數(shù)字化浪潮，電商企業(yè)急需對暢銷產(chǎn)品的成因進(jìn)行研究，為自身企業(yè)發(fā)展尋找更好的前景[1-3]。

二、基于數(shù)據(jù)庫的電商企業(yè)暢銷產(chǎn)品成因調(diào)查方法設(shè)計

(一)提取用戶消費(fèi)行為數(shù)據(jù)

提取用戶消費(fèi)行為數(shù)據(jù)主要從三方面進(jìn)行，分別是用戶所持移動設(shè)備數(shù)據(jù)，與用戶移動設(shè)備MAC地址匹配的消費(fèi)信息、與商品SKU碼匹配的商品銷售數(shù)據(jù)[9]。

采集用戶所持移動設(shè)備數(shù)據(jù)主要是移動設(shè)備的WiFi數(shù)據(jù)，針對線下用戶群體，使用WiFi感應(yīng)器采集數(shù)據(jù)，通過有線或無線兩種方式將數(shù)據(jù)上傳到服務(wù)器，在安裝時，每個WiFi感應(yīng)器的MAC地址與各個探測區(qū)域形成一一對應(yīng)的關(guān)系[10]。感應(yīng)器在實(shí)際環(huán)境中的工作流程如圖1所示。

圖1 WiFi感應(yīng)器工作流程

WiFi感應(yīng)器中集成了信號采集、數(shù)據(jù)預(yù)處理和數(shù)據(jù)通信三個子模塊，通信協(xié)議中主要包含管理幀、控制幀和數(shù)據(jù)幀；信號采集模塊負(fù)責(zé)采集和判斷無線網(wǎng)絡(luò)中不同類型的幀數(shù)據(jù)，對幀數(shù)據(jù)進(jìn)行合理分類，上報至服務(wù)器；數(shù)據(jù)預(yù)處理模塊主要根據(jù)數(shù)據(jù)處理程序?qū)?shù)據(jù)幀進(jìn)行預(yù)處理操作，保證數(shù)據(jù)質(zhì)量。

WiFi數(shù)據(jù)經(jīng)過預(yù)處理和打包之后，通過通信模塊上傳到服務(wù)器中。一般情況下，WiFi感應(yīng)器的數(shù)據(jù)上報周期為3秒，中間層數(shù)據(jù)處理模塊通過對數(shù)據(jù)包的解壓縮，可以獲得WiFi感應(yīng)器的MAC地址、用戶手持移動設(shè)備的MAC地址、發(fā)送報文時的時間戳等數(shù)據(jù)。

對于會員用戶數(shù)據(jù)，主要針對注冊會員或使用過門店線上商城的基礎(chǔ)上。當(dāng)消費(fèi)客戶在移動設(shè)備注冊會員或使用門店線上商城購物時，該客戶的消費(fèi)信息將會傳輸?shù)綍T信息數(shù)據(jù)庫中。主要還是依賴移動設(shè)備的MAC地址與線上商城的匹配，具體采集流程如圖2所示。

圖2 會員客戶數(shù)據(jù)采集流程

采集產(chǎn)品銷售數(shù)據(jù)主要通過門店原有的商品進(jìn)銷存系統(tǒng)數(shù)據(jù)庫實(shí)現(xiàn)。管理員針對當(dāng)前門店的商品陳列情況，在數(shù)據(jù)庫中導(dǎo)入記錄了門店中每個商品的SKU碼的數(shù)據(jù)表，然后通過配置商品進(jìn)銷數(shù)據(jù)庫的驗(yàn)證接口實(shí)現(xiàn)對商品數(shù)據(jù)的調(diào)用[11]。商品銷售數(shù)據(jù)采集流程如圖3所示。

圖3 商品銷售數(shù)據(jù)采集流程

完成數(shù)據(jù)采集后，將其存儲在設(shè)計的內(nèi)存數(shù)據(jù)庫中。

(二)后臺內(nèi)存數(shù)據(jù)庫設(shè)計

電商企業(yè)暢銷產(chǎn)品成因分析需要用到大量網(wǎng)絡(luò)數(shù)據(jù)，原有的數(shù)據(jù)庫不能很好地適應(yīng)網(wǎng)上數(shù)據(jù)的特點(diǎn)，需要引入新的數(shù)據(jù)模型，對數(shù)據(jù)庫進(jìn)行優(yōu)化。因此，在數(shù)據(jù)庫中引入半結(jié)構(gòu)化模式，半結(jié)構(gòu)化數(shù)據(jù)存在一定的結(jié)構(gòu)，先有數(shù)據(jù)，后有模式，能夠準(zhǔn)確地描述出數(shù)據(jù)的結(jié)構(gòu)信息，但不會對數(shù)據(jù)結(jié)構(gòu)產(chǎn)生強(qiáng)制性的約束，也能隨著數(shù)據(jù)的不斷更新而時刻處于動態(tài)變化狀態(tài)[12]。

針對半結(jié)構(gòu)模式的數(shù)據(jù)庫，設(shè)計基于XML的數(shù)據(jù)管理框架，將來自各數(shù)據(jù)源的數(shù)據(jù)通過數(shù)據(jù)倉庫方法進(jìn)行集成，以XML數(shù)據(jù)的形式統(tǒng)一存儲在數(shù)據(jù)庫中[13]。具體過程是：定義XML數(shù)據(jù)模式，根據(jù)用戶的實(shí)際需求在數(shù)據(jù)庫中抽取源數(shù)據(jù)，將各個數(shù)據(jù)源的數(shù)據(jù)集成為XML數(shù)據(jù)，同時獲得XML數(shù)據(jù)的模式，統(tǒng)一數(shù)據(jù)模式。在電商企業(yè)暢銷產(chǎn)品成因分析中，與暢銷產(chǎn)品相關(guān)的數(shù)據(jù)如表1所示。

“封禁令”封住了山，封住了沙坨子，卻也禁了羊的口。老百姓的羊怎么辦？舍飼圈養(yǎng)。剛開始的時候，農(nóng)民不知怎么養(yǎng)、羊舍怎么建，也不知優(yōu)質(zhì)的種羊從哪里引進(jìn)。何況，養(yǎng)羊戶更需要一筆不大不小的啟動資金——這是農(nóng)民心里不愿說出來的話。于是，政府搭臺，肉類加工企業(yè)與農(nóng)民結(jié)成“羊?qū)ψ印?，簽訂合同，一方出資，一方出工，借羊養(yǎng)羊，養(yǎng)羊還羊，增值分成。出欄的羊全部由肉類加工企業(yè)收購，農(nóng)民沒有任何風(fēng)險，收益還能得大頭。有了新的出路，農(nóng)民對“封禁令”不再抗拒。

表1 暢銷產(chǎn)品相關(guān)數(shù)據(jù)

為了保證后臺數(shù)據(jù)的安全，在事務(wù)進(jìn)入提交狀態(tài)之前，對每個活動事務(wù)分配一個“影子內(nèi)存工作區(qū)”，將數(shù)據(jù)修改工作記錄到影子內(nèi)存工作區(qū)中，不修改真正的數(shù)據(jù)庫數(shù)據(jù)，當(dāng)工作進(jìn)入提交狀態(tài)時，根據(jù)“影子內(nèi)存工作區(qū)”中的記錄作相應(yīng)修改，即使某一事務(wù)由于某種原因夭折時，也只需要釋放其相應(yīng)的影子內(nèi)存工作區(qū)即可[14]。

半結(jié)構(gòu)模式數(shù)據(jù)的實(shí)際操作效率存在一定的不足，通過使用“影子內(nèi)存工作區(qū)”，可提高一定的數(shù)據(jù)庫操作效率。為了更好地提高工作效率，改變數(shù)據(jù)庫存儲結(jié)構(gòu)，將元數(shù)據(jù)和數(shù)據(jù)存儲在一起，使得元數(shù)據(jù)可以直接存取，減少查找元數(shù)據(jù)帶來的開銷[15]?？紤]到不同操作的并發(fā)程度不同，可能會造成資源開銷比較高，因此采用動態(tài)多粒度鎖機(jī)制適應(yīng)不同操作。當(dāng)并發(fā)程度比較高的時候，采用較小粒度的鎖；當(dāng)并發(fā)程度比較低的時候，使用粗粒度鎖。在這種機(jī)制下，既保證了并發(fā)性，又保持了較低的開銷。至此，基于數(shù)據(jù)庫的電商企業(yè)暢銷產(chǎn)品成因調(diào)查方法設(shè)計完成。

(三)挖掘成因數(shù)據(jù)

從大量與暢銷產(chǎn)品的信息數(shù)據(jù)中篩選出成因數(shù)據(jù)，主要利用事物與事物之間的關(guān)聯(lián)性和相互依存性，在成型的數(shù)據(jù)庫中挖掘出目標(biāo)數(shù)據(jù)。假設(shè)用戶行為數(shù)據(jù)庫D中有N個不同集合I={i1,i2,…,in}，數(shù)據(jù)庫D中一個事務(wù)U是一個項目子集(U?I)。支持度是項集在數(shù)據(jù)庫D中出現(xiàn)次數(shù)與數(shù)據(jù)庫D中項集總數(shù)的比。在計算之前，用戶根據(jù)自身的需求設(shè)置最小支持度閾值，當(dāng)計算的項集支持度超過最小支持度閾值，得到頻繁項集。

支持度計算公式為：

式中：X∪Y=?；M表示數(shù)據(jù)庫D中的事務(wù)總數(shù)；X和Y表示集合I中事務(wù)；support(X∪Y)表示數(shù)據(jù)庫中支持X∪Y的事務(wù)數(shù)。則信任度計算公式為：

式中：Sup(X∪Y)表示X∪Y的支持度；Sup(X)表示X的支持度。將以上公式轉(zhuǎn)換為概率計算：

Sup(X?Y)=P(X∪Y) (3)

Conf(X?Y)=P(Y/X) (4)

掃描整個數(shù)據(jù)庫D，計算數(shù)據(jù)庫中所有事務(wù)的支持度，將支持度不小于最小支持度的項目構(gòu)成集合存入到數(shù)據(jù)集中，對數(shù)據(jù)庫中的每一個事務(wù)重復(fù)上述過程，最后將支持度不小于最小支持度的潛在頻繁項集存入數(shù)據(jù)集中，最后輸出數(shù)據(jù)集，即為暢銷產(chǎn)品成因數(shù)據(jù)集。通過整理即可得到暢銷產(chǎn)品成因分析結(jié)果。

三、電商企業(yè)暢銷產(chǎn)品成因調(diào)查方法實(shí)驗(yàn)研究

(一)實(shí)驗(yàn)數(shù)據(jù)集準(zhǔn)備

在電商企業(yè)暢銷產(chǎn)品成因調(diào)查方法實(shí)驗(yàn)研究中，從Yahoo！Autos網(wǎng)站隨機(jī)抽取1000000條記錄，合成數(shù)據(jù)集MerDB，其中包括type、color、model、price、make數(shù)據(jù)集，測試數(shù)據(jù)集的總大小為1550.36 MB。

所有的實(shí)驗(yàn)均在配置Windows10的計算機(jī)和Microso SQL Serve的環(huán)境下進(jìn)行。考慮到提出的調(diào)查方法需要利用用戶的網(wǎng)絡(luò)行為，因此，從電商企業(yè)網(wǎng)站中獲取用戶網(wǎng)絡(luò)行為數(shù)據(jù)。具體內(nèi)容如表2所示。

表2 實(shí)驗(yàn)數(shù)據(jù)來源明細(xì)

依據(jù)以上數(shù)據(jù)設(shè)計對比實(shí)驗(yàn)，實(shí)驗(yàn)對象為提出的基于數(shù)據(jù)庫的成因調(diào)查方法、常規(guī)的基于Logistic回歸分析的成因調(diào)查方法和基于SEM的成因調(diào)查方法，以調(diào)查方法的可靠性為衡量標(biāo)準(zhǔn)，設(shè)計兩組對比實(shí)驗(yàn)，分別是數(shù)據(jù)清洗實(shí)驗(yàn)和網(wǎng)關(guān)壓力實(shí)驗(yàn)。

(二)數(shù)據(jù)清洗實(shí)驗(yàn)及分析

數(shù)據(jù)清洗實(shí)驗(yàn)中，使用不同的成因調(diào)查方法分析實(shí)驗(yàn)數(shù)據(jù)，在分析完成后，將得到的數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，對得到數(shù)據(jù)進(jìn)行字符數(shù)校驗(yàn)，執(zhí)行程序如圖4所示。

圖4 數(shù)據(jù)清洗reduce過程部分代碼

對比觀察處理后的數(shù)據(jù)，分析成因調(diào)查方法的實(shí)際水平。具體結(jié)果如圖5至圖7所示。

圖5 基于Logistic回歸分析的成因調(diào)查方法實(shí)驗(yàn)結(jié)果

圖6 基于SEM的成因調(diào)查方法實(shí)驗(yàn)結(jié)果

圖7 基于數(shù)據(jù)庫的成因調(diào)查方法實(shí)驗(yàn)結(jié)果

對比觀察圖中結(jié)果，圖5顯示的結(jié)果中，數(shù)據(jù)中不僅有屬性缺失的數(shù)據(jù)序列，還有異常序列的數(shù)據(jù)，異常數(shù)據(jù)序列包括歸零數(shù)據(jù)和字符長度異常數(shù)據(jù)；圖6顯示的結(jié)果與圖5中存在的數(shù)據(jù)異常相同，異常數(shù)據(jù)更多；圖7中結(jié)果顯示，數(shù)據(jù)整齊有序，不存在異常數(shù)據(jù)。綜上所述，提出的基于數(shù)據(jù)庫的電商企業(yè)暢銷產(chǎn)品成因調(diào)查方法數(shù)據(jù)質(zhì)量更好。

(三)網(wǎng)關(guān)服務(wù)壓力實(shí)驗(yàn)與分析

網(wǎng)關(guān)壓力實(shí)驗(yàn)中，使用Jmeter壓力測試工具通過編寫測試腳本模擬多個事務(wù)并發(fā)調(diào)用API請求，通過不斷提升并發(fā)API請求數(shù)量，判斷網(wǎng)關(guān)所能承受并發(fā)數(shù)量的極限值。實(shí)驗(yàn)結(jié)果如表3所示。

表3 不同成因調(diào)查方法網(wǎng)關(guān)服務(wù)壓力實(shí)驗(yàn)結(jié)果

從表3可以看出，傳統(tǒng)的兩種成因調(diào)查方法網(wǎng)關(guān)服務(wù)能力比較差，實(shí)際處理的數(shù)據(jù)請求與預(yù)期處理的數(shù)據(jù)請求相差比較大，在回歸測試中也并沒有得到校正。相比之下，提出的基于數(shù)據(jù)庫的電商企業(yè)暢銷產(chǎn)品成因調(diào)查方法抗壓能力更強(qiáng)，能夠在極短的時間內(nèi)處理所有數(shù)據(jù)請求。結(jié)合數(shù)據(jù)清洗實(shí)驗(yàn)結(jié)果可知，提出的基于數(shù)據(jù)庫的電商企業(yè)暢銷產(chǎn)品成因調(diào)查方法具有更好的可靠性，該方法優(yōu)于傳統(tǒng)的成因調(diào)查方法。

四、結(jié)語

電商企業(yè)暢銷產(chǎn)品成因調(diào)查對電商企業(yè)的發(fā)展有很強(qiáng)的推動作用，很多企業(yè)在暢銷成品調(diào)查研究中投入了大量精力。在這種背景下，本文圍繞著電商企業(yè)暢銷產(chǎn)品成因調(diào)查方法展開研究與設(shè)計，對原有的暢銷產(chǎn)品成因數(shù)據(jù)庫進(jìn)行了優(yōu)化。在調(diào)查方法設(shè)計完成后，通過實(shí)驗(yàn)對比，驗(yàn)證了提出的暢銷產(chǎn)品成因調(diào)查方法的可靠性，為電商企業(yè)發(fā)展提供理論依據(jù)與技術(shù)支撐。