1、討論關(guān)聯(lián)規(guī)那么挖掘在汽車營銷決策中的應(yīng)用摘要:通過對汽車銷售歷史數(shù)據(jù)進展概化和總結(jié),給出關(guān)聯(lián)規(guī)那么挖掘算法,并針對詳細的事例加以分析,進展各個客戶購置屬性之間的關(guān)聯(lián)規(guī)那么的挖掘?？梢杂行У亻_掘顧客購置行為和汽車屬性之間蘊藏的內(nèi)在聯(lián)絡(luò)。此模型可以用于輔助汽車營銷決策。關(guān) 鍵 詞:交通流分析;關(guān)聯(lián)規(guī)那么;數(shù)據(jù)挖掘1 引言 2 汽車營銷分析的關(guān)聯(lián)規(guī)那么算法關(guān)聯(lián)分析的目的是找出數(shù)據(jù)庫中隱藏的關(guān)聯(lián)網(wǎng)。有時并不知道數(shù)據(jù)庫中數(shù)據(jù)的關(guān)聯(lián)函數(shù),即使知道也是不確定的,因此關(guān)聯(lián)分析生成的規(guī)那么帶有可信度2 。 在汽車營銷分析中,可用R = I1 , I2 , I3 , I n 來表示各種購置屬性的工程集合,事物T

2、可以用來表示購置同一品牌的客戶的各個屬性之間的聯(lián)絡(luò)。關(guān)聯(lián)規(guī)那么的挖掘問題就是在事務(wù)數(shù)據(jù)庫中找出等于用戶給定的最小支持度(min- sup) 和最小可信度(min -conf) 的規(guī)那么。此問題可以分解為2 個步驟: m- sup (表示最小支持度) ,數(shù)據(jù)庫中的事務(wù)集輸出:頻繁集R 以及它們的支持度Xki表示Ck 集合里面的每一個子項,包括支持度。L k 集合存放的是Ck 集合中所有滿足支持度大于m- sup 的全體項集和支持度圖1 尋找頻繁集的算法流程圖3 關(guān)聯(lián)規(guī)那么詳細實例在客戶信息數(shù)據(jù)庫中,有客戶的客戶類型、年齡、收入程度、文化程度、家庭住址區(qū)等,要研究這些客戶屬性和客戶購置的車型之間的

3、關(guān)系,需要對客戶信息進展抽象概化。 A A 1 , A 2 , A 3 , A 4 , A 5 , A 6 , A 7 , ,分別表示海淀、宣武、朝陽、豐臺、昌平、崇文、西城。根據(jù)表1 ,可以得出客戶信息數(shù)據(jù)概化。3. 2 關(guān)聯(lián)規(guī)那么算法的應(yīng)用 和關(guān)聯(lián)規(guī)那么算法,可以進展客戶的各種屬性和購置車型之間的聯(lián)絡(luò)分析 假設(shè),要研究購置車型為低檔轎車的客戶的文化程度、收入程度以及年齡之間的聯(lián)絡(luò),并且關(guān)聯(lián)規(guī)那么的支持度必須 30 % ,可信度要ge;90 %。(1) 首先尋找頻繁集的算法,得出支持度 30 %的所有頻繁集如圖2 所示。(2) 找出可信度ge;90 %的關(guān)聯(lián)規(guī)那么根據(jù)可信度的定義Confid

4、ence (A rarr;B) = P( B | A ) ,得出可信度計算結(jié)果。(1) 購置20 萬以下價位車的客戶當中,文化程度為本科的客戶年齡一般是3050 歲。(2) 購置20 萬以下價位車的客戶當中,一般是收入程度為30005000 ,年齡為3050 歲的客戶。(3) 購置20 萬以下價位車的客戶當中,收入程度為30005000 的客戶,文化程度為本科。(4) 購置20 萬以下價位車的客戶當中,收入程度為30005000 并且文化程度為本科的客戶,年齡為3050歲。得出這些規(guī)那么之后,可以進一步研究這些規(guī)那么產(chǎn)生的內(nèi)在原因。同樣,假設(shè)要分析購置高價位轎車的客戶的各個屬性互相之間有什么關(guān)

5、聯(lián)規(guī)那么。只要從事務(wù)集中找出和Z3相關(guān)的事務(wù),并進展分析,根據(jù)上述的運算規(guī)那么,就可以得出客戶屬性之間的各個關(guān)聯(lián)規(guī)那么。4 結(jié)論與展望通過對汽車銷售歷史數(shù)據(jù)進展概化和總結(jié),給出關(guān)聯(lián)規(guī)那么挖掘算法,并針對詳細的事例加以分析,進展各個客戶購置屬性之間的關(guān)聯(lián)規(guī)那么的挖掘?？梢杂行У赝诰蝾櫩唾徶眯袨楹推噷傩灾g蘊藏的內(nèi)在聯(lián)絡(luò)。此模型可以用于輔助汽車營銷決策。為了進步關(guān)聯(lián)規(guī)那么挖掘的效率和速度,可以對關(guān)聯(lián)規(guī)那么挖掘的算法進一步完善。參考文獻: 2 陳文偉. 決策支持系統(tǒng)及其開發(fā)(第二版) M . 北京:清華大學出版社,2000. 3 王珊編著. 數(shù)據(jù)倉庫技術(shù)與聯(lián)機分析處理M . 北京:科學技術(shù)出版社,1999.4 高人伯,陳文偉. 數(shù)據(jù)倉庫和數(shù)據(jù)挖掘相結(jié)合的決策支持新技術(shù)A . 計算機世界專題綜述 C ,北京:計算機世界,1997. 5 Tom Hammergren ,曹增強,王備戰(zhàn)譯. 數(shù)據(jù)倉庫技術(shù)M . 北京:中國水利水電出版社,1998. 6 朱明. 數(shù)據(jù)挖掘M . 合肥:中國科學技術(shù)出版社,2002. 7 石麗,李堅. 數(shù)據(jù)倉庫與決策支持M . 北京:國防工業(yè)出版社,2003. 8 加J