李 洋

（合肥城市學(xué)院 管理工程系，安徽 合肥 230071）

我國(guó)經(jīng)濟(jì)的發(fā)展極大地促進(jìn)了汽車(chē)市場(chǎng)的發(fā)展。據(jù)報(bào)道，在2020 年，我國(guó)的汽車(chē)銷(xiāo)量占據(jù)全球汽車(chē)市場(chǎng)的32%，汽車(chē)市場(chǎng)的競(jìng)爭(zhēng)也越來(lái)越激烈。精準(zhǔn)營(yíng)銷(xiāo)是指根據(jù)現(xiàn)有資料進(jìn)行分析，進(jìn)而制定面向購(gòu)買(mǎi)可能性較強(qiáng)的客戶(hù)的策略［1］。許多學(xué)者對(duì)精準(zhǔn)營(yíng)銷(xiāo)策略的應(yīng)用進(jìn)行了深入研究，如銀行客戶(hù)的精確營(yíng)銷(xiāo)，及基于大數(shù)據(jù)分析的房地產(chǎn)銷(xiāo)售［2-3］?；诖髷?shù)據(jù)挖掘?qū)崿F(xiàn)精準(zhǔn)營(yíng)銷(xiāo)，提升市場(chǎng)服務(wù)，有利于汽車(chē)企業(yè)合理配置市場(chǎng)資源，提升市場(chǎng)競(jìng)爭(zhēng)力［4］。因此，研究基于關(guān)聯(lián)規(guī)則算法中的Apriori 算法構(gòu)建汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型，根據(jù)數(shù)據(jù)挖掘結(jié)果進(jìn)行分析，從而實(shí)現(xiàn)汽車(chē)企業(yè)的精確營(yíng)銷(xiāo)。研究結(jié)果表明：該模型具有較高的精度和實(shí)用性。

1 基于數(shù)據(jù)挖掘的汽車(chē)市場(chǎng)精確營(yíng)銷(xiāo)

1.1 基于Apriori 算法的數(shù)據(jù)挖掘模型

數(shù)據(jù)挖掘技術(shù)能夠從大量的數(shù)據(jù)中挖掘出有價(jià)值的信息，從而提高信息的利用效率。利用數(shù)據(jù)挖掘，能夠?qū)ι虅?wù)信息進(jìn)行有效處理，進(jìn)而獲取到一些容易忽略但非常重要的信息，進(jìn)而為商業(yè)決策提供數(shù)據(jù)支撐和依據(jù)［5-6］。數(shù)據(jù)挖掘的基本流程如圖1 所示。

圖1 數(shù)據(jù)挖掘的過(guò)程

目前，關(guān)聯(lián)規(guī)則算法是實(shí)現(xiàn)數(shù)據(jù)挖掘最常用的算法之一［7］。關(guān)聯(lián)規(guī)則能夠從大規(guī)模的數(shù)據(jù)集中，找到數(shù)據(jù)隱藏特征之間的相關(guān)性，進(jìn)而根據(jù)一種因素的顯現(xiàn)來(lái)預(yù)測(cè)和尋找到另一種因素的顯現(xiàn)。因此，關(guān)聯(lián)規(guī)則被廣泛應(yīng)用于購(gòu)物籃問(wèn)題，以分析顧客的消費(fèi)習(xí)慣、消費(fèi)意向以及不同商品之間的聯(lián)系［8-9］。關(guān)聯(lián)規(guī)則算法的基本步驟如下：設(shè)X={x1，x2，...，xn}為數(shù)據(jù)集中所有屬性的集合，Y={y1，y2，...，yN}則表示每一個(gè)實(shí)例的集合，且每一個(gè)實(shí)例都具有唯一性的標(biāo)示符，則任意實(shí)例yi所包含的項(xiàng)集都是X 的一個(gè)子集。其中項(xiàng)集是指屬性的集合。設(shè)A 和B 都是項(xiàng)集，且A 和B 之間有關(guān)聯(lián)，設(shè)樣本A 為先導(dǎo)，樣本B 為后繼，那么A 和B 的關(guān)聯(lián)規(guī)則蘊(yùn)含表達(dá)式可表述為A→B的形式。關(guān)聯(lián)規(guī)則的數(shù)量十分龐大，因此需要利用支持度（Support）與置信度（Confidence）來(lái)對(duì)關(guān)聯(lián)規(guī)則進(jìn)行篩選和過(guò)濾。

A→B的支持度計(jì)算方式如公式（1）所示。

式（1）可描述實(shí)例集Y 中同時(shí)包含A 和B 的實(shí)例集比例，即任意實(shí)例同時(shí)包含A 和B 的概率。A→B的支持度計(jì)算方式如公式（2）所示。

式（2）能夠表示在確定包含了A 的實(shí)例中出現(xiàn)Y 的概率。在利用關(guān)聯(lián)規(guī)則算法進(jìn)行數(shù)據(jù)挖掘時(shí)，需要預(yù)先設(shè)置兩個(gè)閾值，即最小支持度與最小置信度［10-11］。若項(xiàng)集A 滿(mǎn)足公式（3），那么A 就是一個(gè)頻繁項(xiàng)集。

在式（3）中，Min_Support表示最小支持度。在頻繁項(xiàng)集中得到的關(guān)聯(lián)規(guī)則，若滿(mǎn)足公式（4），則稱(chēng)之為強(qiáng)關(guān)聯(lián)規(guī)則。

在式（4）中，Min_Confidence表示最小置信度。在基于關(guān)聯(lián)規(guī)則的數(shù)據(jù)挖掘中，找出數(shù)據(jù)庫(kù)中的頻繁項(xiàng)集和強(qiáng)規(guī)則能夠有效地減少對(duì)數(shù)據(jù)庫(kù)的掃描時(shí)間，從而提高數(shù)據(jù)挖掘的效率。Apriori 算法是最常用的關(guān)聯(lián)規(guī)則算法之一，采用逐層搜索迭代的方法，主要包含了兩個(gè)步驟：首先是Apriori 算法通過(guò)迭代更新來(lái)尋找頻繁項(xiàng)集，且每一次迭代都會(huì)掃描數(shù)據(jù)庫(kù)，以避免頻繁項(xiàng)集的遺漏；其次，對(duì)于在迭代過(guò)程中尋找到的頻繁項(xiàng)集，通過(guò)計(jì)算找到滿(mǎn)足最小置信度的規(guī)則，即強(qiáng)規(guī)則，進(jìn)而生產(chǎn)關(guān)聯(lián)規(guī)則［12］。Apriori 算法通過(guò)掃碼數(shù)據(jù)庫(kù)中樣本的支持度，找出頻繁k-項(xiàng)集的集合K1；在下一次迭代過(guò)程中，利用頻繁項(xiàng)集集合K1 尋找（k+1）-項(xiàng)集的集合K2；依此類(lèi)推，找到頻繁項(xiàng)集集合K3、K4、...，直到?jīng)]有新的頻繁項(xiàng)集集合產(chǎn)生，則算法結(jié)束。利用這種方式，能夠避免對(duì)數(shù)據(jù)庫(kù)中所有項(xiàng)集的支持度進(jìn)行計(jì)算，進(jìn)而減少Apriori 算法對(duì)數(shù)據(jù)庫(kù)進(jìn)行掃描所消耗的時(shí)間與空間，提高了數(shù)據(jù)挖掘的效率［13］。根據(jù)上述內(nèi)容，可構(gòu)建汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型，對(duì)汽車(chē)行業(yè)的大數(shù)據(jù)進(jìn)行深度挖掘，進(jìn)而調(diào)整汽車(chē)企業(yè)的營(yíng)銷(xiāo)策略，實(shí)現(xiàn)精準(zhǔn)營(yíng)銷(xiāo)。

1.2 數(shù)據(jù)挖掘模型在精準(zhǔn)營(yíng)銷(xiāo)中的應(yīng)用

一些學(xué)者認(rèn)為，顧客的購(gòu)物行為主要受到4種因素的影響，時(shí)間、渠道、顧客及營(yíng)銷(xiāo)信息。當(dāng)上述4 種因素均達(dá)到顧客的期望值，則營(yíng)銷(xiāo)目標(biāo)的達(dá)成概率會(huì)大幅度提高?；诖?，提出精確營(yíng)銷(xiāo)的概念，基于科學(xué)管理，利用人工智能等現(xiàn)代信息技術(shù)來(lái)挖掘并分析客戶(hù)的心理、行為，從而合理地定位并細(xì)分市場(chǎng)，并針對(duì)目標(biāo)客戶(hù)群體進(jìn)行制定差異化與針對(duì)性的營(yíng)銷(xiāo)策略，以更好地增加企業(yè)效益。精準(zhǔn)營(yíng)銷(xiāo)的大致結(jié)構(gòu)如圖2所示。

圖2 精準(zhǔn)營(yíng)銷(xiāo)大致流程

在汽車(chē)行業(yè)的精確營(yíng)銷(xiāo)中，數(shù)據(jù)挖掘技術(shù)的作用有客戶(hù)消費(fèi)分析、客戶(hù)價(jià)值評(píng)估、發(fā)掘客戶(hù)的相關(guān)需求、提供相關(guān)服務(wù)和產(chǎn)品、分析并挽留流失客戶(hù)等。以某汽車(chē)公司C 企業(yè)為例，C 企業(yè)的數(shù)據(jù)庫(kù)中保存有大量的原始客戶(hù)購(gòu)車(chē)數(shù)據(jù)，這些原始數(shù)據(jù)有23 個(gè)維度，包括了客戶(hù)ID、客戶(hù)姓名、年齡、居住地、客戶(hù)類(lèi)型、客戶(hù)從事工作、消費(fèi)原因、消費(fèi)目的、銷(xiāo)售渠道、銷(xiāo)售日期、汽車(chē)型號(hào)等屬性。數(shù)據(jù)庫(kù)中的樣本數(shù)據(jù)均源于真實(shí)的購(gòu)車(chē)行為，因此根據(jù)這些樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘和精確營(yíng)銷(xiāo)具有較高的可靠性。對(duì)精確營(yíng)銷(xiāo)而言，數(shù)據(jù)庫(kù)中的樣本數(shù)據(jù)冗余信息和屬性較多，因此需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，如降噪、轉(zhuǎn)換和清理［14-15］。結(jié)合實(shí)際情況進(jìn)行分析并預(yù)處理后，樣本數(shù)據(jù)的結(jié)構(gòu)見(jiàn)圖3。

圖3 樣本數(shù)據(jù)結(jié)構(gòu)

根據(jù)圖3 所示對(duì)樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，分析樣本數(shù)據(jù)中不同維度的屬性的不同屬性值所占的比例，可獲取汽車(chē)銷(xiāo)售市場(chǎng)的地區(qū)飽和程度。將地區(qū)與其他屬性的數(shù)據(jù)進(jìn)行交互統(tǒng)計(jì)和分析，以及各地區(qū)消費(fèi)者的購(gòu)買(mǎi)因素、消費(fèi)偏好和促銷(xiāo)手段偏好等信息，進(jìn)而實(shí)現(xiàn)精準(zhǔn)營(yíng)銷(xiāo)。如將屬性值為東北地區(qū)的數(shù)據(jù)與購(gòu)買(mǎi)因素交互，可獲取東北地區(qū)消費(fèi)者的購(gòu)買(mǎi)因素占比；與車(chē)型交互，則可獲取東北地區(qū)消費(fèi)者對(duì)C 企業(yè)旗下生產(chǎn)的車(chē)型偏好。根據(jù)這些信息，可制訂合理的營(yíng)銷(xiāo)策略，實(shí)現(xiàn)精準(zhǔn)營(yíng)銷(xiāo)。

2 基于關(guān)聯(lián)規(guī)則算法的精準(zhǔn)營(yíng)銷(xiāo)效果

2.1 Apriori 數(shù)據(jù)挖掘模型的訓(xùn)練效果分析

常用的數(shù)據(jù)挖掘算法有k-means 算法、遺傳算法（Genetic Algorithm，GA）、粒子群優(yōu)化算法（Particle swarm optimization，PSO）以及Apriori 算法。研究采用Apriori 算法構(gòu)建模型來(lái)進(jìn)行數(shù)據(jù)挖掘。模型的訓(xùn)練效果，會(huì)直接影響到數(shù)據(jù)挖掘效果和效率，為驗(yàn)證Apriori 算法的挖掘性能和挖掘效率，分別利用上述算法構(gòu)建k-means 汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型、GA 汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型、PSO汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型以及Apriori 汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型。對(duì)C 企業(yè)數(shù)據(jù)庫(kù)中的樣本數(shù)據(jù)進(jìn)行預(yù)處理，將經(jīng)過(guò)預(yù)處理的樣本數(shù)據(jù)用于模型的測(cè)試，對(duì)比幾種模型達(dá)到目標(biāo)精度所需要的迭代數(shù)量。幾種模型的測(cè)試情況如圖4 所示。

圖4 幾種模型的訓(xùn)練效果

從圖4 中可看出，在采用相同的樣本數(shù)據(jù)對(duì)上述4 種模型訓(xùn)練后，Apriori 汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型在迭代了187 次后達(dá)到目標(biāo)精度；而k-means 汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型需要迭代756 次才能達(dá)到目標(biāo)精度，比Apriori 汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型多569 次；GA 汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型需要迭代697 次才能達(dá)到目標(biāo)精度，比Apriori 汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型多510 次；PSO 汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型在迭代962 次后達(dá)到目標(biāo)精度，比Apriori汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型多799 次。以上結(jié)果表明，Apriori 汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型的訓(xùn)練效率要顯著優(yōu)于其他幾種汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型，性能比其他模型更加優(yōu)秀。

2.2 Apriori 汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型的挖掘效果

汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型的數(shù)據(jù)挖掘效果，關(guān)系到汽車(chē)市場(chǎng)精準(zhǔn)營(yíng)銷(xiāo)的營(yíng)銷(xiāo)策略制訂，及精準(zhǔn)營(yíng)銷(xiāo)的效果。將經(jīng)過(guò)預(yù)處理的10000 條樣本數(shù)據(jù)，輸入到上述訓(xùn)練好的k-means 汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型、GA 汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型、PSO 汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型以及Apriori 汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型中，對(duì)比幾種模型對(duì)挖掘數(shù)據(jù)的屬性及屬性值的分類(lèi)正確率，對(duì)比幾種模型的數(shù)據(jù)挖掘效果，如表1 所示。

表1 幾種模型的數(shù)據(jù)挖掘效果對(duì)比

通過(guò)表1 可看出，Apriori 汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型對(duì)樣本數(shù)據(jù)的屬性維度分類(lèi)正確率為97.1%，總共挖掘時(shí)間為25 s，均比其他模型優(yōu)秀；而k-means 汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型對(duì)樣本數(shù)據(jù)的屬性維度分類(lèi)正確率為92.1%，比Apriori 汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型低5%，總挖掘時(shí)間為31s，比Apriori 汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型多6 s。PSO 汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型對(duì)樣本數(shù)據(jù)的屬性維度分類(lèi)正確率為91.7%，比Apriori 汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型低5.4%，總挖掘時(shí)間為35 s，比Apriori 汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型多10 s。GA 汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型對(duì)樣本數(shù)據(jù)的屬性維度分類(lèi)正確率為91.6%，比Apriori 汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型低5.5%，總挖掘時(shí)間為29 s，比Apriori 汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型多4 s。以上結(jié)果說(shuō)明，基于Apriori 算法構(gòu)建的汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型準(zhǔn)確率更高，性能更優(yōu)秀，更適用于汽車(chē)市場(chǎng)的精準(zhǔn)營(yíng)銷(xiāo)。

2.3 基于數(shù)據(jù)挖掘的精準(zhǔn)營(yíng)銷(xiāo)實(shí)證分析

將經(jīng)過(guò)預(yù)處理的樣本數(shù)據(jù)輸入到訓(xùn)練好的Apriori 汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型中，并將地區(qū)與車(chē)型兩個(gè)維度的屬性進(jìn)行交互統(tǒng)計(jì)，以進(jìn)行實(shí)證分析。地區(qū)與促銷(xiāo)手段之間的交互統(tǒng)計(jì)如表2 所示。

表2 地區(qū)與促銷(xiāo)手段之間的交互統(tǒng)計(jì)

從表2 中能看出，C 公司在華東地區(qū)的銷(xiāo)售額最多，這表明在華東地區(qū)的汽車(chē)市場(chǎng)已經(jīng)趨于飽和狀態(tài)，因此只需要維持現(xiàn)狀；而在西北地區(qū)和東北地區(qū)的銷(xiāo)售額占比極低，分別占5.1%和3.2%，這表明這兩個(gè)地區(qū)的市場(chǎng)開(kāi)發(fā)程度不夠，可以適當(dāng)投入資源開(kāi)拓市場(chǎng)?？傮w而言，促銷(xiāo)手段中的員工推銷(xiāo)手段促成的交易最多，銷(xiāo)售額占比為34.1%，其次則是老顧客介紹與推廣，分別為27.4%和24.0%、因此，C 企業(yè)需要在各個(gè)區(qū)域加強(qiáng)市場(chǎng)推銷(xiāo)。此外，還需要經(jīng)常聯(lián)系老顧客，重視顧客的意見(jiàn)。提升售后服務(wù)質(zhì)量，以提升顧客的消費(fèi)滿(mǎn)意程度，進(jìn)而使老顧客自愿介紹新顧客，最終增加銷(xiāo)售額。同時(shí)，C 企業(yè)還需要加強(qiáng)推廣手段，如電視推銷(xiāo)、海報(bào)廣告等，提升自身汽車(chē)品牌的知名度。

3 結(jié)語(yǔ)

基于汽車(chē)消費(fèi)者大數(shù)據(jù)挖掘來(lái)實(shí)現(xiàn)精準(zhǔn)營(yíng)銷(xiāo)，有利于提高顧客滿(mǎn)意度，提升汽車(chē)企業(yè)的市場(chǎng)競(jìng)爭(zhēng)力，最終提升企業(yè)的銷(xiāo)售額。結(jié)果表明：Apriori 汽車(chē)市場(chǎng)數(shù)據(jù)挖掘模型的挖掘效果較好，具有較高的實(shí)用性。研究未對(duì)營(yíng)銷(xiāo)策略進(jìn)行詳細(xì)分析，需要日后深入研究。