- 相關推薦
決策樹在基于消費者外表的服裝營銷中的應用
摘 要:服裝銷售人員常常根據消費者的外表特征來進行快速營銷活動,以提高購買率。從數據挖掘技術的角度來探討基于消費者外表印象的快速營銷技術,以幫助營銷人員快速尋找外表印象營銷規則。介紹了決策樹算法原理;其次,討論了消費者外表印象評價指標體系,并根據該體系由銷售人員在服裝店鋪里進行了消費者的外表及其行為數據采集;應用了計算實例來說明服裝消費者的外表營銷決策樹分類模型;利用工具Clementine中的決策樹方法來進行營銷規則的挖掘。研究表明了該應用是切實可行的。
關鍵詞:快速營銷;服裝供應鏈;決策樹算法;數據挖掘;外表印象
0 引言
計算智能與數據庫應用技術的快速發展,為企業的營銷活動提供了新的手段,也帶來了一些新的市場營銷突破口。
近些年出現的客戶關系管理( Customer RelationshipManagement,CRM)被企業整合進企業資源規劃(EnterpriseResourse Planning,ERP)以及企業管理決策系統中,以求在這個個性化時代更好地服務客戶,并留住客戶[1-3]。數據庫營銷是一種靠收集客戶特征信息以及消費習慣的技術,并希望通過應用計算智能模型來進行知識挖掘,以支持管理決策。
數據挖掘技術是數據庫營銷的技術基礎,其原理大部分都離不開數理統計方法,例如:決策樹、粗糙集、神經網絡、CHAID等[4-6],但也包括一些高性能的計算智能或者是混合體。數據挖掘技術近些年的應用集中在客戶消費行為的信息處理[7-8],例如根據Web的訪問規律來判斷其喜好特征,根據消費者的個人基本資料如收入、學歷、家庭結構等來分析其購買力、信用等級等,或者是收集客戶Cookies信息來推薦商品,或者通過收集和處理其關聯的消費信息來規劃營銷方式。
從實際營銷的角度來看,企業的銷售人員最常遇到的問題是如何將所面臨的對象進行分類。特別是服裝銷售人員,如何快速地確定面前的消費者類型,從而判斷其與目標服裝之間的吻合度,在有限的時間內采取有效的推薦,以促成交易,提高服裝的購買率很重要。就服裝銷售而言,銷售人員更需要一種能通過觀察消費者顯露在外的特征而可預知其行為的能力或技術,這樣可大大提高銷售效率。而現在研究的消費行為分類一般都是從消費者的心理著手[9],或者是依賴消費內在條件[10]。從技術的角度來看,決策樹是一種不錯的分類方法[11],簡單有效,應用廣泛。
本文將討論服裝銷售的決策樹算法模型,通過分析消費者外表特征印象與消費行為的關系,以期對消費者分類,指導營銷,提高效率。
1 決策樹算法原理
1. 1 決策樹分類模型
決策樹模型最早由Hunt提出,他將概念表示成“屬性—值”形式。例如,對消費者的描述有多種屬性:性別、年齡、打扮、發型和眼神等,屬性的值域可表示為:1)屬性(性別)={男,女};2)屬性(年齡)= {兒童,少年,青年,中年,老年};3)屬性(打扮)= {時髦,講究,大眾化,寒酸}。
概念學習系統(Concept Learning System, CLS)中的決策樹節點就是決策屬性,對應于待分類對象的屬性,由某一節點引出的弧對應于這個屬性的可能取值,葉節點對應于分類的結果。一棵決策樹。顯然,決策樹本身就對應著一種分類模式。
一棵消費者外表屬性構成的消費行為樹要提高搜索樹的效率,首先必須保證樹是一棵理想、最優的決策樹。為了提高效率,Quinlan提出了一種啟發式搜索算法,稱為ID3算法。它以信息熵和信息增益度為衡量標準,搜索原則是首先選擇熵增益最大的節點。C4. 5、C5. 0算法對ID3進行了改進[12-13]。
1. 2 決策樹ID3算法
ID3算法的基本步驟是:1)選擇屬性表AttrList = {A1, A2,…, Ai,…, An},檢測屬性設為Ai;2)Ai的值域ValueType(Ai) = {V1,…,VS}的S個取值把訓練實例集T分為S個子集,則T =∪Sk=1T(i)k;子集T(i)k中的所有實例的屬性Ai的取值為Vk;3)T中實例分類結果組成class = {C1, C2,…, Cj,…,Cm},Cj的實例數為ej,1≤j≤m,且∑mj=1ej=|T |, |T |表示訓練實例集T的實例總數,實例分類結果為Cj的概率為Pj=ej/|T |;4)求取相對信息熵。
定義訓練實例集T的實例信息量為式(1):I(T) =-∑mj=1PjlbPj=-∑mj=1ei|T |lbej|T |=-(∑mj=1ejlbej|T |) /|T |(1)定義子集T(i)k的實例平均信息量為式(2):I(T(i)k) =-(∑mj=1e(i)jlbe(i)j|Tik|) /|T(i)k|(2)子集實例數與實例總數關系如式(3):∑mj=1e(i)j=|T(i)k|(3)如果選擇屬性Ai作為檢測屬性來將訓練實例集T分為S個子集后,可以由各實例子集的實例總信息量| T(i)k|·I(T(i)k)之和對實例集T的實例總數|T |的平均值來表示實例集T的實例平均信息量,相對信息熵由式(4)確定:I(T,Ai) =(∑sk=1|T(i)k|·I(T(i)k)) /|T |(4)5)搜索的啟發式如式(5),稱為熵增益原理。
GI(T, Ai) = I(T) -I(T, Ai)(5)ID3選擇信息量最大的屬性Ai作為檢測屬性來劃分實例集,達到分類的目的。
2 外表特征印象營銷與決策樹模型
現在企業人員想通過了解詳細的個人隱私來掌握消費者消費行為規律的做法遇到了強大阻力,人們對市場調研已經構筑了一道道心理防線,而且研究人員無法避免受訪者的應付行為。為了獲得消費者在自然狀態下的消費行為特征、對流行元素的感應規律,本文放棄了傳統的調查研究法,而是通過營銷人員對消費者外表特征的觀察和評價,在自然狀態下跟蹤和記錄消費者對指定款式服裝的感應和行為變化;再利用決策樹算法模型來建立客戶印象類型與服裝消費規則模型,并使用決策樹挖掘工具進行實例分析。
2. 1 實驗方法與步驟
在廣州選擇了一家大型商場,指定了一款新的針織時尚衫,從8月底秋季上市,由銷售人員一直觀察記錄了3個多月。
觀察記錄內容包括2個表,銷售人員在消費者走后,進行現場回憶,在1~2min內完成消費者的購物行為與外表特征記錄工作。一個表是該款服裝的銷售日志,按時間與訪問順序記錄每天訪問的每個消費者行為類型,共分三種: a表示觀察和咨詢、b表示比劃和試穿但沒購買、c表示購買。另一個表是消費者的外表特征,包括:身高、體型、衣著打扮、氣質等體現人的消費心理和習慣的因素。對這些可觀察的外表特征進行了分類和索引。表1是消費者外表特征評價指標體系。銷售人員只需要在消費者走后,進行現場回憶,就可在1~2min內完成消費者的外表特征記錄工作。每張表對應一條日志記錄。在本銷售季節結束后,將數據輸入到數據庫中,然后根據決策樹模型由研究人員進行數據處理。此方法稱為消費者外表印象分析。
消費者外表印象與消費行為評估指標體系指標選擇項性別(I1) A:男; B:女年齡(I2)A: 12~17; B: 18~24;C: 25~34;D: 35~49;E: 50~64; F: 65歲以上身高(I3)A: 1. 4米以下; B: 1. 4~1. 5米;C: 1. 51~1. 6米;D: 1. 61~1. 7米;E: 1. 71~1. 8米; F: 1. 8米以上體型(I4) A:很瘦; B:比較瘦;C:勻稱;D:比較豐滿;E:很豐滿衣褲(I5)A:高檔; B:有點檔次;C:大眾化;D:比較低檔; E:非常低檔服飾(I6)A:非常精致; B:比較淡雅;C:大眾化;D:比較有個性;E:非常獨特打扮(I7)A:很合體; B:比較合體;C:大眾化;D:比較有個性;E:非常獨特發型(I8)A:很流行; B:有修飾、簡潔;C:自然、普通;D:刻意、新潮;E:非常獨特文化(I9)A:很有知識; B:比較知識;C:大眾化;D:比較少文化;E:很少文化氣質(I10) A:高貴; B:文雅;C:大眾化;D:大方;E:急躁行動(I11)A:小心謹慎; B:有點保守;C:一般; D:比較隨意;E:率直臉譜(I12) A:很有活力; B:陽光;C:一般;D:刻板;E:低沉眼神(I13)A:非常靈活; B:比較靈活;C:一般; D:比較專注;E:非常專注言談(I14)A:喜歡交談; B:能交談;C:一般;D:少言語;E:沉默不語2. 2 數據預處理表2和表3是指定的女式長袖針織時尚衫的消費者消費行為統計表,銷售季節為8月底到12月初,其5折價為250元。廠家給此產品的定位為25~34歲、溫柔典雅型、中等收入的白領女性。
各特征各類別分布情況
特征A B C D E F總計性別3 402— — — —405年齡9 65 220 82 17 12 405體型6 105 180 102 12—405衣褲20 143 215 27 0—405服飾12 159 177 54 3—405打扮37 156 182 30 0—405發型15 165 198 24 3—405文化8 222 148 27 0—405氣質0 107 187 98 11—405行動15 66 165 144 15—405臉譜42 69 243 15 36—405眼神15 126 174 81 9—405言談30 150 183 31 11—405表3 各特征各類別的購買分布情況特征A B C D E F總計性別3 78— — — —81年齡3 12 42 15 6 3 81體型0 24 39 15 3—81衣褲0 33 43 5 0—81服飾0 24 49 8 0—81打扮3 36 36 6 0—81發型0 24 51 6 0—81文化0 39 39 3 0—81氣質0 21 36 24 0—81行動7 16 32 17 0—81臉譜7 18 44 10 2—81眼神0 24 41 13 3—81言談7 29 34 13 0—81實驗中共記錄了405位女性的特征,未排除重復訪問的女性。表2為消費者特征分布表,表3為對應的購買情況分布表。405條消費行為記錄中購買記錄有81條,其他為未購買記錄。
2. 3 決策樹模型與分類實例
經過上面的數據預處理后,可以利用信息熵來分析廠商產品營銷定位是否準確,也可通過最后規則的建立來為銷售人員提供推銷策略,以集中精力對付那些猶豫不決的人。下面分別給出面向“性別、年齡和打扮”的信息熵增益情形�？梢钥闯�,性別的增益最大,這說明,廠商首先必須按“性別”進行分類,其次是“年齡”,然后是“打扮”。這說明廠商的分類基本上是正確的。這樣可得到一條營銷規則:如果對象為女性,其年齡為25~34歲,打扮合體,則可能會購買該服裝。通常推銷人員會根據廠商的指導意見來進行營銷,但是還需要加入更多的元素。推銷人員可進一步根據上面的分類方法來進行分類,包括發型、氣質與眼神等特征,從而可鎖定對象,重點應對,在有限時間內推銷給更多合適的顧客,提高購買率(目前統計的結果未超過20% )。
分類屬性信息量與增益(“消費行為”信息總量I0=1.28750)如下。
1)基于“性別”的分類:“性別”A的信息量IA= 0;“性別”B的信息量IB= 1. 274 31;“性別”平均信息量I=1. 26487;“性別”信息增益GI = I0-I= 0. 02263;2)基于“年齡”的分類:“年齡”A的信息量IA=0. 918296;“年齡”B的信息量IB= 1. 494919;“年齡”C的信息量IC= 1. 249884;“年齡”D的信息量ID= 1. 486566;“年齡”E的信息量IE= 1. 584963;“年齡”平均信息量I= 1. 5;“年齡”信息增益GI = I0-I= 0. 2125;3)基于“打扮”的分類:“打扮”A的信息量IA=1.29574;“打扮”B的信息量IB= 1. 54302;“打扮”C的信息量IC=1.39605;“打扮”D的信息量ID= 1. 485 48;“打扮”平均信息量I= 1.44963;“打扮”信息增益GI = I0-I=0.16213。
3 服裝消費的外表印象決策樹挖掘實例
第2章中的分類過程計算繁瑣,在大數據量情況下,必須借助于計算機技術。決策樹的程序化實現也比較簡單,目前各大數據庫提供商如微軟提供的AnalysisManager(數據分析與聯機分析器)里有決策樹工具, SPSS提供的強大的數據挖掘軟件Clementine也有決策樹工具。本研究利用Clementine10. 1來進行基于消費者外表印象特征的消費行為挖掘,并給出分析結果。Clementine中的決策樹算法C5. 0可生成樹圖和規則集。
試穿行為規則集
分析結果顯示了31條規則,包括只看或詢問(a)、比劃和試穿(b)、購買(c)等三種行為的分類規則。每一類規則包含若干子規則。圖2顯示了分析后生成有3類規則集, a類行為規則包含14個子規則, b類行為規則包含9個子規則, c類行為規則包含8個子規則。
下面給出a類行為規則的
14個子規則。a類行為是“非購買”行為,只詢問或查看,營銷人員無需對這部分人群分出注意力。
基于顧客印象的“非購買”規則集如下:Rule 1: if I1=B∩I5=B∩I7=A then action=aRule 2: if I8=C∩I12=A∩I13=B then action=aRule 3: if I9=A∩I11=C then action=aRule 4: if I2=C∩I11=D∩I14=E then action=aRule 5: if I2=C∩I8=B∩I11=D∩I13=E then action=aRule 6: if I2=E∩I8=B then action=aRule 7: if I8=E then action=aRule 8: if I2=C∩I4=C∩I8=B then action=a…c類行為是“購買”行為,這部分來到店鋪基本上有購買意向,取決于服裝對其吸引力。營銷人員的主要任務是培養其忠誠度。
基于顧客印象的“購買”規則集如下:Rule 1: if I8=B∩I12=A then action=cRule 2: if I4=C∩I6=C∩I12=C∩I14=B then action=cRule 3: if I2=C∩I11=A then action=cRule 4: if I8=B∩I13=D then action=cRule 5: if I8=C∩I14=A then action=cRule 6: if I2=B∩I14=D∩I8=B then action=cRule 7: if I2=D∩I7=B∩I8=B∩I11=D then action=cRule 8: if I8=C∩I12=D then action=c對于營銷人員來說,最重要也最需要花時間精力應對的就是b類用戶,這部分用戶中有部分人有購買傾向,因此,營銷人員必須采用適當的手段,包括:價格或促銷性優惠、重點推薦、說服與對比以及其他策略。這些方法的應用必須根據具體的消費者特征來實施。圖2是對比劃、試穿行為規則的展開,顯示了4條規則。例如:規則3表示如果客戶的年齡在24~35歲,體型勻稱,而服飾比較淡雅,能交談,但行動比較隨便,則客戶的行為通常是比劃或試穿,不購買。比劃或試穿這說明客戶有需求意向,但最后未買。原因可能是價格問題,也可能是一些服裝特征如尺碼、款式風格、細節部件或者顏色等不符合消費者需求,如果是尺碼問題回旋余地小,但其他問題應該可能得到解決。
從數據挖掘的結果來看,對于該款服裝的分類應該從性別、年齡著手,然后是打扮、言談、臉譜,這說明廠商的分類大范圍內是恰當的,而銷售商還需要進一步細分才能提高銷售效率。
4 結語
建立這種消費行為與客戶外表特征印象關聯模型的好處是為營銷人員提供一些經驗規則,以指導銷售人員在有限的時間內把握客戶,把b型客戶盡量轉化為c型客戶,從而創造更大的銷售量,供應鏈的上游成員也可因此獲得更大的訂單而獲利。從另一個角度來說,生產商可根據消費群體的喜好特征、群體密度來開發有針對性的產品,從而幫助實現小批量生產、個性化地開展快速營銷活動。決策樹算法的數據挖掘技術,計算速度快,實現起來比較容易,而且現在很多的數據庫廠商的產品中都提供了這種功能,容易為一般操作人員使用。要嵌入到自己的小商業系統中,則需自己建立挖掘模型。
未來的工作是將服裝按性別、年齡、款型分類,然后進行實地跟蹤和觀察,集中進行規則挖掘,構成服裝消費者的外表特征印象與消費行為關聯規則庫,指導銷售人員的營銷。
參考文獻:
[1] 許多頂.網絡數據庫營銷[J].商業研究, 2002(18): 121-123.
[2] 唐曉宇.個性化消費需求下的網絡數據庫營銷的競爭優勢[J].
商業研究, 2002(4): 94-95.
[3] 歐陽鐘輝,王歡.客戶關系管理與數據庫營銷體系[J].統計與決策, 2008(18): 165-167.
[4] LI S T, SHUE L Y, LEE S F. Business intelligence approach tosupporting strategy-making of ISP service management[J]. ExpertSystem withApplication, 2008, 35(3): 739-754.
[5] APTE C, WEISS SM. Dataminingwith decision trees and decisionrules[J]. FutureGeneration ComputerSystems, 1997, 13(2): 197-210.
[6] 何田中,程從從.基于Rough集的規則抽取技術[J].南昌大學學報:工科版. 2007, 29(1): 91-94.
[7] 羅后平.數據挖掘在市場營銷中的應用[J].商業研究, 2003(23): 143-14.
[8] WENW. A knowledge-based intelligentelectronic commerce systemfor selling agricultural products[J]. Computers and Electronics inAgriculture, 2007, 57(1): 33-46.
[9] 張紅霞,黃建軍.消費者個人特征對其超市購買頻率的影響[J].商業研究, 2005(13): 35-41.
[10] 王國順,權明富,李小文.基于客戶消費行為細分的營銷決策分析[J].南開管理評論, 2005, 8(1): 52-56.
[11] SAFAVIAN SR, LANDGREBE D. A survey ofdecision tree classi-fiermethodology[J]. IEEE Transactionson System, Man andCyber-netics, 1998, 22(5 /6): 660-674.
[12] 李強.創建決策樹算法的比較研究———ID3, C4. 5, C5. 0算法的比較[J].甘肅科學學報, 2006, 18(4): 84.
[13] 黃梯云.智能決策支持系統[M].北京:電子工業出版社, 2001.
【決策樹在基于消費者外表的服裝營銷中的應用】相關文章：
基于BP網遙感影像分類研究與應用08-10
服裝營銷的開題報告范文10-21
目標規劃及其在經濟中的應用05-11
氣管插管在院前急救中的應用05-29
物理教學中多媒體的應用論文11-02
基于客戶關系管理談石油化工產品營銷08-25
談基于互聯網新模式的企業網絡營銷方法08-25
精益生產在企業管理中的應用05-26