大数据时代本土零售业精确营销探讨(2)

　　关联规则挖掘是由RakeshApwal等人首先提出的，两个或两个以上变量的取值之间存在某种规律性，就称为关联。数据关联是数据库中存在的一类重要的、可被发现的知识。关联分为简单关联、时序关联和因果关联。关联分析的目的是找出数据库中隐藏的关联网。

　　（二）分类分析

　　分类是最常见的数据挖掘方法之一，是基于一个可预测属性或特征把事物分成多个类别，每个类别包含一个或多个其它属性，其中有一个可以预测的属性。分类是通过对当前数据集合的描述以识别未知数据的归属，针对数据库中的每一类数据，挖掘出关于该类数据的描述或模型。

　　（三）聚类分析

　　聚类是把各不相同的个体分割成更多相似性的子类的工作，类似于对象细分工作。聚类与分类的区别在于聚类不依赖于事先定义的值。聚类中的一组属性是平等对待的，同一聚类中的对象或多或少具有相同的属性值。应用聚类技术能发现不同顾客群并刻画出顾客群的特征，据此制定营销策略和顾客服务策略。

　　（四）估值与预测

　　估值与分类类似，不同之处在于，分类描述的是离散型变量的输出，而估值处理连续值的输出；分类的类别是确定数目的，估值的量是不确定的。预测是通过分类或估值起作用的，也就是说，通过分类或估值得出模型，该模型用于对未知变量的预测。从这种意义上说，预测其实没有必要分为一个单独的类。预测的目的是对未来未知变量的预测，并且需要时间进行验证。

　　基于数据挖掘与精确营销的本土零售业核心竞争力提升策略

　　（一）实现零售业客类管理以达到客群精准定位

　　客类管理是将企业的顾客进行分类，把大群体拆分为小群体，在每个群体中的顾客特征是相似的。应用数据挖掘的分类分析和聚类分析可以实现这一管理过程，对顾客的销售数据进行传统的市场细分和顾客超细分，根据菲利普·科特勒的相关理论，以盈利能力为标准为顾客打分，将较多的注意力分配给较有价值的顾客，由此形成根据顾客盈利能力细分的顾客金字塔，如图1所示，即铂金、黄金、钢铁、重铅四层顾客群。铂金层盈利能力强，一般占顾客总数的20%，却为企业创造80%的价值；黄金层为企业提供一定价值的同时也在不同企业间选择消费，比铂金层顾客忠诚度低；钢铁层占全部顾客数量的比重较大，顾客盈利能力较差，关注商品价格折扣并耗费企业大量营销资源；重铅层不能带给企业盈利，甚至产生负毛利，一般多是问题顾客，是企业要放弃的顾客群。由此可以针对不同顾客群制定更有效的营销策略。

　　通过应用数据挖掘进行客类管理以后，针对不同客群进行精确营销管理。把偶尔光顾的顾客转变为经常光顾的顾客，把非会员顾客转变为会员顾客，使精确营销成为“盈利中心”元素。在顾客金字塔中，可以按顾客盈利能力高低划分层级，发现零售商需求的是铂金层顾客，通过精确营销保持黄金层顾客，改善钢铁层顾客关注，提高钢铁层顾客购买方式，适当放弃重铅层顾客，是提高本土零售经营业绩的有效方式。因此，顾客分类成为企业实现高销售和盈利的战略方式之一。在争夺客源的过程中，商品同质性导致商品价格营销不再是顾客唯一的关注点，只有对顾客进行客类管理基础上的精确营销才能提高顾客贡献度。顾客群体之间的差别让企业必须重新划分其拥有的顾客，基于企业价值和顾客盈利性标准进行顾客分类，按顾客的消费额、企业实现利润额、消费频次、企业广告成本付出等进行分析，从而达到本土零售业客群精准定位。

　　（二）改进商品销售管理以促进交叉销售

　　本土零售业每天产生大量销售数据，应用数据挖掘对累积的销售数据进行深层次分析，可以获取各种商品的销售状况，从而合理制定各种商品的整体战略，如对各个商品品类进行管理，实施产品配置计划（ProductsAssortmentPlan，PAP），综合分析商品的直接收益能力和间接收益能力，从而为零售业货架确定最优的产品组合，以及对零售各种商品的定货、库存进行合理的控制等。

　　同时，在对商品进行销售管理的基础上，通过应用数据挖掘中的关联规则，可以对顾客的购物篮进行商品销售相关性分析，分析商品在被购买时的相关性，挖掘经常被顾客一同购买的商品之间隐含的规则，从而辅助商家进行经营决策，通过对历史销售数据进行分析，可以挖掘用户的消费模式。其效果体现在顾客一次的购买行为中和不同时间顾客多次采购活动中，前者称为交叉销售的即时效果，后者称为交叉销售的延时效果。所谓商品的交叉销售效果是指一种商品的销售在多大程度上促进了其它商品的销售。商品的收益能力既表现为商品本身的销售所带来的直接收益，也体现在该商品通过交叉销售而获得的间接收益。通过应用数据挖掘中的关联规则和聚类分析等方法，可以改进商品销售管理，促进交叉销售，从而优化本土零售商场货架布局、协助商品定价和制定营销计划等。

　　（三）优化促销商品配置以体现针对性促销