决策树在考费者外表的服装营销中的应用.docVIP

服装营销中基于消费者外表的决策树应用 摘　要:论文主要是讨论利用服装销售的决策树算法模型,分析消费者外表特征印象与消费行为的关系,以期对消费者分类,指导营销,提高效率。论文介绍了决策树算法原理；其次，讨论了消费者外表印象评价指标体系，并根据该体系由销售人员在服装店铺里进行了消费者的外表及其行为数据采集；应用了计算实例来说明服装消费者的外表营销决策树分类模型；利用工具Clementine中的决策树方法来进行营销规则的挖掘。研究表明了该应用是切实可行的。 关键词:决策树算法；服装营销；消费者外表；行为倾向；分类 服装销售人员常常根据消费者的外表特征来进行快速营销活动，以提高购买率。从数据挖掘技术的角度来探讨基于消费者外表印象的快速营销技术，以帮助营销人员快速寻找外表印象营销规则。 1引言 计算智能与数据库应用技术的快速发展,为企业的营销活动提供了新的手段,也带来了一些新的市场营销突破口。 近些年出现的客户关系管理( Customer Relationship Management ,CRM)被企业整合进企业资源规划(Enterprise Resource Planning ,ERP)以及企业管理决策系统中,以求在这个个性化时代更好地服务客户,并留住客户[1-3]。数据库营销是一种靠收集客户特征信息以及消费习惯的技术,并希望通过应用计算智能模型来进行知识挖掘,以支持管理决策。 数据挖掘技术是数据库营销的技术基础,其原理大部分都离不开数理统计方法,例如:决策树、粗糙集、神经网络、CHAID等[4-6],但也包括一些高性能的计算智能或者是混合体。数据挖掘技术近些年的应用集中在客户消费行为的信息处理[7-8],例如根据Web的访问规律来判断其喜好特征,根据消费者的个人基本资料如收入、学历、家庭结构等来分析其购买力、信用等级等,或者是收集客户Cookies信息来推荐商品,或者通过收集和处理其关联的消费信息来规划营销方式。 从实际营销的角度来看,企业的销售人员最常遇到的问题是如何将所面临的对象进行分类。特别是服装销售人员,如何快速地确定面前的消费者类型,从而判断其与目标服装之间的吻合度,在有限的时间内采取有效的推荐,以促成交易,提高服装的购买率很重要。就服装销售而言,销售人员更需要一种能通过观察消费者显露在外的特征而可预知其行为的能力或技术,这样可大大提高销售效率。而现在研究的消费行为分类一般都是从消费者的心理着手[9],或者是依赖消费内在条件[10]。从技术的角度来看,决策树是一种不错的分类方法[11],简单有效,应用广泛。 本文将讨论服装销售的决策树算法模型,通过分析消费者外表特征印象与消费行为的关系,以期对消费者分类,指导营销,提高效率。 2　决策树算法原理 2. 1　决策树分类模型 决策树模型最早由Hunt提出,他将概念表示成“属性—值”形式。例如,对消费者的描述有多种属性:性别、年龄、打扮、发型和眼神等,属性的值域可表示为: 1)属性(性别)={男,女}; 2)属性(年龄)= {儿童,少年,青年,中年,老年}; 3)属性(打扮)= {时髦,讲究,大众化,寒酸}。 概念学习系统(Concept Learning System, CLS)中的决策树节点就是决策属性,对应于待分类对象的属性,由某一节点引出的弧对应于这个属性的可能取值,叶节点对应于分类的结果。图1表示了一棵决策树。显然,决策树本身就对应着一种分类模式。 男 女 儿童 青年 寒酸 时髦 图1一棵消费者外表属性构成的消费行为树 要提高搜索树的效率,首先必须保证树是一棵理想、最优的决策树。为了提高效率,Quinlan提出了一种启发式搜索算法,称为ID3算法。它以信息熵和信息增益度为衡量标准,搜索原则是首先选择熵增益最大的节点。C4. 5、C5. 0算法对ID3进行了改进[12-13]。 2. 2　决策树ID3算法 ID3算法的基本步骤是: 1)选择属性表Attr List = {A, A,…, A,…, A},检测属性设为A; 2) A的值域Value Type(A) = {V,…,V}的S个取值把训练实例集T分为S个子集,则T =;子集T中的所有实例的属性A的取值为V; 3)T中实例分类结果组成class = {C, C,…, C,…,C}, C的实例数为e,1≤j≤m,且=, |表示训练实例集T的实例总数,实例分类结果为C的概率为P=e/; 4)求取相对信息熵： 定义训练实例集的实例信息量为式(1): 定义子集T的实例平均信息量为式(2): 子集实例数与实例总数关系如式(3): 如果选择属性A作为检测属性来