一带一路旅游市场的价值判断.docxVIP

? ? “一带一路”旅游市场的价值判断 ? ? 　　数据挖掘是一种信息技术，可以通过人工智能、数据仓库，统计方法从大量的数据中抽取有用但很难发现的信息和知识。随着大数据技术的不断成熟，许多产业的数据营销成为企业重要的利润增长点，例如保险、医院、银行、邮购、传播业，零售业多年应用数据挖掘技术解决业务问题。而对于旅游产业，目前的研究主要侧重于网页文本的挖掘和酒店顾客的研究。Morrison等通过挖掘顾客的信用卡数据用RFM模型预测有价值的酒店顾客；Pyo等表明数据库的知识挖掘在旅游目的管理中的重要性；Magnini等阐述了酒店业如何用数据挖掘技术提出促销战略实现利润最大化；Dursun等利用RFM分析了酒店有价值客户；Chen用卡方自动交互检测挖掘偏好旅游目的地游前推荐的旅游者的社会属性和特征、旅游偏好。数据挖掘技术用于研究中国旅游市场的文献很少。另外，虽然中国的旅游产品虽然丰富多样，但旅游消费者的品牌转换频率很高，忠诚度较低，导致旅游市场开拓发展遇到了瓶颈。因为随着旅游者不断成熟，他们不再仅仅是一个消费者，而是一个思想和灵魂的结合体，变得更加个性和不确定。因此，了解旅游者的行为规律成为中国旅游市场开拓发展的突破口。 　　一、研究发展 　　本文的研究理论主要包括三部分内容：第一部分主要讨论有价值旅游者的判断标准；第二部分讨论数据挖掘的功能，利用决策树细分旅游市场，购物篮分析实现交叉销售的旅游目的地选择；最后一部分主要介绍决策树和购物篮分析的算法。文献回顾也从这三方面进行了综述。 　　(一)有效价值客户的判断标准 　　客户价值是企业在未来一段时间内主要利润增长点。换句话说，有价值客户带来的利润超过了客户边际成本。尽管每个客户对企业会产生不同的价值，但旅行社评价有价值客户有着共同的标准。研究者提出许多模型用于评价客户价值，本研究采用RFM模型来评价顾客价值，RFM模型不同于其他模型，它是建立在数学统计基础上，仅仅需要简单数据，例如顾客的购买记录、消费金额和购买频率来评价顾客价值。RFM模型可以方便快捷地综合顾客数据进行顾客行为分析，已经广泛应用于客户关系管理。RFM模型主要应用三个变量进行顾客价值评价，这些变量包括最近使用时间(Recency)，最近使用频率(Frequency)和消费金额(Monetary)。 　　为了解决RFM模型中使用频率和消费金额两个变量的共线性问题，本文采取Marcus的建议用平均消费金额代替总体消费金额。由于RFM模型中数据收集的便利性，在许多行业得到不同程度的应用。在旅游行业，Morrision等用RFM模型构建了一个酒店三种不同类型的顾客价值模型；Hughes提出识别有价值客户的具体步骤；Dursun等利用RFM分析了酒店有价值客户。具体步骤如下： 　　第一步：每一位顾客最近购买日期、购买频率和消费金额进行排序；第二步：所有的顾客根据R，F，M进行平均分组；第三步：对每一组进行编码，最近购买日期的编码数据越小，表示购买日期距离现在时间越短，对于消费金额和购买频率，数字越高越好。总体来说，RFM模型的数据越高越好，例如(R，F，M)=(5，5，5)的客户价值要高于(R，F，M)=(1，1，1)。 　　本文主要根据Hughes的R，F，M值判断标准，以平均值为参考点，二分法。如果每个R，F，M的值都超过了平均值，则编码为“1”，否则编码为“0”，具体编码标准详见表1。两组不同的R，F，M分数将会组成8个不同的顾客价值组(见表2)。本文对每个变量的值进行求和，获得值作为顾客价值的分数，如果分数等于0或1，则顾客价值低，如果等于2或3，则顾客价值高。本文使用简单易懂的模型，目的是方便旅行社在实践中进行应用。 　　 　　1.数据挖掘功能和应用技术 　　数据挖掘是探索性分析方法，用于在大量的数据中发现有用的模式和规律。在本研究，用数据挖掘技术构建顾客购买模型，这个模型是一种连接数据输入和输出的算法或一组规则。利用回归、人工神经网路，决策树和其他的数据挖掘技术来构建模型。数据挖掘不仅是一种技术，更是整合不同计算机技术的软件应用。总之，数据挖掘首先从大量的非结构化或结构化数据中挖掘隐含知识。 　　数据挖掘的主要功能包括分类、估计、预测、关联分组、聚类和描述等，每个功能都需要不同的技术支持(见表3)。数据挖掘技术是指传统的统计技术和人工智能算法连个部分，但狭义的理解就是人工智能算法。 　　 　　2.数据挖掘技术在细分市场的应用 　　细分市场的方法有事前和事后分析方法，描述和预测方法。事前分析的分法主要研究者事前对细分市场的类型和数量进行分类，事后分析依据数据分析结果确定分组数量。描述性分析在不区分自变量和因变量的情况下，分析不同组之间的相关性，例如聚类分析。另一方面，预测性分析主要验证因变量和自变量之间的关系。