新版基于会员制的零售业数据挖掘系统解决方案探讨汇编：F713文献标识码：A内容摘要：本文根据现实情况指出国内中小企业营销面对的四个基本问题，并据此提出一个基于会员制的数据挖掘系统解决方案。此方案由Logistic模型、RFM聚类分析、事件触发模型和关联规则这四种数据挖掘技术构成。在介绍其中各技术的基本原理和建模方法的同时，给出一个应用事例。通过运用会员制策略收集顾客相关资料并利用数据挖掘技术加以分析，制定具有目标指向性的营销活动，以提高企业的营销水平。关键词：会员制数据挖掘RFM聚类分析关联规则现阶段，国内广大中小型企业正面临着自身发展的瓶颈。在围绕增加销售收入所设计的营销策略中，企业倾向于把重点放在开发新客户方面，而忽略了对旧客户的维护。这种情况导致企业难以培养有忠诚度的顾客，大量流失潜在的优质客户，从而陷入对客户不断开发、不断流失的恶性循环。部分企业借鉴外国同行经验，采取会员制策略，但其数据库只收集最基本的会员资料，营销手段单一，如分发广告信息、消费打折等活动，而忽略了对会员本身的分析，如人口和心理特征、消费行为等，造成了浪费企业执行成本、不恰当的信息令顾客与企业关系恶化等后果。同样利用会员制收集信息的便利性，在北美和欧洲，基于数据挖掘技术的数据库营销已经发展日趋成熟，大小企业都先后加入到这一行列中（罗茂初等，202x）。本文提出一套基于会员制的数据挖掘系统解决方案，通过运用相应的数据挖掘技术解决营销活动中的四个基本问题，加深企业对顾客的认识，从而有针对性地制定营销策略。会员制信息的数据挖掘方案（一）营销活动的四个基本问题在为会员制定营销手段的过程中，必须回答以下四个基本问题：一是什么是影响会员对营销手段做出回应的显著因子？如何寻找出最可能对营销手段做出回应的会员？二是企业所拥有的会员可以分为哪几类？每个种类的会员的特征有什么不同？三是哪些事件（或日子）能联系会员与企业的产品，成为营销活动开始的契机？四是会员的消费习惯和购物次序如何？只有完整回答以上问题，企业才算得上了解自己的会员，营销手段才能做到有的放矢，切实地提高企业的营销能力。（二）系统实现框架为了解决上述问题，系统由四种数据挖掘技术构成。其中Logistic回归模型用于寻找影响回应率的显著因子。RFM聚类分析通过提取会员新鲜度、消费频率和消费金额三个指标值进行聚类分析，划分会员种类。而事件触发模型是企业寻找特殊营销事件开展的重要工具。关联规则挖掘通过分析会员的购物篮寻找出各商品之间潜在的关系。企业可以据此决定商品的摆设、捆绑销售策略和优惠销售策略等营销手段等。系统框架结构如图1所示。（三）建模方法1.Logistic回归模型。由于Logistic回归分析所建立的预测模型是根据过去的营销数据记录计算获得，因此有一定的滞后性。具体做法是：从上一次营销活动记录中选取出所有可能影响会员做出回应的变量为自变量，用会员是否回应的结果作为因变量，用0表示没有回应，1表示有回应。这样通过Logistic回归计算所得的结果是一个会员对于营销活动做出回应的概率。筛选出通过显著性检验的变量，所获得的预测模型则可用于实践。2.RFM聚类分析。RFM具体定义：R―新鲜度，指会员最近一次交易是在多久以前。时间距离越近，企业和会员的关系就越“新鲜”。通常按天数划分最近一次交易时间。F―消费频率，指会员在一定时间间隔内和企业交易次数。时间间隔一般取半年或一年。M―消费金额，指会员每次平均消费金额。RFM的指标各项数据通过营销记录表定期（如每半年）自动生成。然后应用于聚类分析。此处选择K-Meanclustering，即直接---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---聚类，该聚类分析算法如下（辛爱莉、衣龙海、张林，202x）：设要把数据库中所有会员分为K组。第一步为任意选择K位成员，以他们指标下的各项数据作为每一组的中心；第二步为计算其他成员指标下的各项数据与每个组的中心的合成距离。合成距离的计算取几何距离公式：，一个会员离Ki组的中心越近，他就属于该组。第三步为将所有成员根据距离分配到各个组后，重新...