商務數據分析報告

1、本科學生綜合性實驗報告工程組長張夢瑤 學號 0141262成 員專業(yè) 國際經貿 班級國貿142實驗工程名稱商務數據分析報告指導教師及職稱李虹來開課學期 2021至2021學年 下 學期上課時間2021 年 6 月 16 日1 .商業(yè)理解階段網上銷售與傳統(tǒng)的店面銷售不同,沒有售貨員提供現(xiàn)場咨詢效勞.但是,網上銷售可以利用互聯(lián) 網的優(yōu)勢,為用戶提供更優(yōu)質的效勞.由于效勞器會記錄用戶在瀏覽電子商務網站時的所有行為,因 此,企業(yè)很容易收集用戶的瀏覽記錄、交易信息及偏好數據.在個性化推薦技術的關聯(lián)規(guī)那么分析中,最典型的例子是購物籃分析, 其目標是發(fā)現(xiàn)交易數據庫中不同商品之間的聯(lián)系強度,挖掘用戶潛在購置模

2、式,并將這些模式所對應的效勞或產品展示給用戶, 為其提供參考,從而提升用戶的滿意度及購置率.2 .數據理解階段本案例采用淘寶網的用戶交易數據進行分析,每條交易記錄包括記錄號和顧客購置的商品,表1給出了數據集中各屬性名及意義,表2為局部交易實例數據例如.表1數據集屬性信息屬性名屬性意義交易號ID唯一標識每一次用戶的交易商品名購置的商品名數量購置的每一樣商品的數量單價購置商品的單價表2局部數據實例ID商品名數 量單 價商品 名數量單價商品名數量單價商品 名數量單價1女裝T恤279短裙2118休閑男 裝199連衣 裙1352女裝T恤179短裙1118傘1153女裝T恤179短裙255高跟鞋163連衣

3、 裙1354女裝T恤1119短裙155高跟鞋1635女裝T恤2119短裙145高跟鞋1636女裝T恤1119短裙145高跟鞋263洗發(fā) 水2853 .數據準備階段原始數據集可能包含了一些冗余的數據、空值和零值等,這種格式不能作為關聯(lián)規(guī)那么分析算法的輸入,需要對數據進行預處理. 本案例的預處理中包括過濾掉原始數據集中的商品數量和單價這兩個 屬性.同時為了保護顧客的隱私,過濾了用戶名屬性,并且用交易號來唯一表示顧客的每一次交易. 處理后的數據集如表 3所示.表3局部預處理后的數據交易號商品1商品2商品名3商品名41女裝T恤短裙休閑男裝連衣裙2女裝T恤短裙傘3女裝T恤短裙高跟鞋連衣裙4女裝T恤短裙高

4、跟鞋5女裝T恤短裙高跟鞋6女裝T恤短裙高跟鞋洗發(fā)水在Clementine軟件進行關聯(lián)規(guī)那么挖掘時,必'須把數據格式轉換成Clementine軟件能處理的格式.通常有兩種格式：一種是布爾矩陣形式,即每行表示一條交易記錄,列中的 T/F值表示該商品是否有 在相應的交易記錄中出現(xiàn),T表示有出現(xiàn),F表示沒有出現(xiàn)表 4列出轉換后的前 3條記錄信息；種是事務處理格式,即每行對應一個交易號和一個商品項表5列出了前3個事務對應的事務處理格式.表4布爾矩陣格式數據集交易號女裝T恤短 裙電腦配件男裝牛仔褲休閑男胃麥1TTFFT2TTFFF3TTFFF表5事務處理格式數據集交易號女裝T恤1女裝T恤1短裙1休

5、閑男裝2女裝T恤2短裙3女裝T恤3短裙4 .數據建模利用Clementine中的Apriori算法進行關聯(lián)規(guī)那么分析,設定最小支持度1%,最小置信度50%,輸入為布爾矩陣格式的交易數據如表4,輸出商品的關聯(lián)規(guī)那么及相應的支持度、置信度和提升度信息如表6.表中顯示“高跟鞋和“洗發(fā)水、“童裝和“玩具、“文具經常被一起購置.1 6 Apriori算法運行結果5 .模型評估我們選取以下的關聯(lián)規(guī)那么向顧客進行推薦.規(guī)那么1：玩具、文具=童裝規(guī)那么2:洗發(fā)水= 高跟鞋規(guī)那么3:玩具=童裝規(guī)那么4:地毯=家具規(guī)那么5:短裙、高跟鞋=女裝T恤規(guī)那么6:童裝、文具=玩具再結合規(guī)那么和實際經驗知識,可以對規(guī)那么進行進一步優(yōu)化處理.在本案例中,可以對規(guī)那么1玩具、文具=童裝和規(guī)那么3玩具.童裝進行合并,以規(guī)那么 3的形式呈現(xiàn).6 .模型發(fā)布通過建模分析由得出的關聯(lián)規(guī)那么,企業(yè)就可以得到商品銷售的一些合理