李宗霖

关键词：大数据挖掘;商品营销;影响

1、目前大数据的应用和发展

1.1大数据分析和数据挖掘在商业上的应用

近年随着移动互联网和智能移动设备的兴起，为消费品大数据收集、分析、数据挖掘提供了环境基础，每个消费者在外购买行为和信息都可以有效地及时搜集，让商品营销公司可以更好地从数据中做出分析，并快速处理供销存关系，从而高速推动大数据的分析行业发展。

1.2数据存储方式的演进

目前数据的存储方式由关系数据库向非关系数据化演进。数据载体服务器集群，负载均衡，到分布给各个地方的服务器CDN加速，全世界不同地区数据同步收集要求在增高，云服务提供商的出现，让商业企业特别是需要大数据分析的营销企业初期节省了很多部署成本。

1.3数据挖掘方式的变化

十多年前数据都只是单纯地非关联地存储或单节点，数据存储量有限。目前可以很轻松存储上万GB的数据，并且成本不高。随着科技的进步，诞生了不少专门针对大数据分析的工具和计算机语言（R，python等），对上百TB的数据进行分析变得比以前更为方便，通过大量的设备集群对数据进行机器训练（MachineLearning，DataTraining），使得挖掘技术更为精准。随着时代的发展，数据挖掘算法从简单的线性回归，到逻辑回归和二项式回归，再到更新的智能神经网络算法，处理数据更海量更智能。

2、企业营销数据挖掘的概念

2.1关联分析法

关联分析法指的是从所储备的数据中能够找出某些数据在某一事件中存在的关联性。采用这种分析法需要先确定关联规则，发现某一事件中不同数据是否存在关联性，而这种关联性与企业管理或销售存在着怎样的关系，从而据此对企业管理或销售计划做出调整。

2.2序列分析法

这种分析法与关联分析法的规则类似，但是它寻找的是某一事件中数据之间在时间上的关联性。这种分析法对于发现潜在用户具有明显作用，能够广泛应用到医疗、工程等领域的企业当中。

2.3分类和预测分析法

一般而言，分类与预测分析法是由两个过程实现的，首先是先确定一个模型描述，描述出指定的数据类型和概念集，进行分类划分，然后使用这个分类进行预测分析。这种分类预测分析法能够对特定消费习惯的用户进行有效分析，从而推断出消费习惯和下一步的消费行为。

最后一种就是聚类分析法，这种分析法是专门针对缺乏数据描述的情况而采用的。例如，在聚类分析之前，数据特征等都是未知的，进行聚类分析时就能够将数据库内的信息进行相似性最大化处理，这样就能够帮助企业了解出哪些是较为典型性的用户，哪些是忠实用户，哪些是流失用户等，从而有助于企业根据不同用户的消费特征制定出不同的营销策略。

3、良好数据挖掘对企业营销策略的影响

3.1有助于优化产品布局，为营销策略提供参考

从某种意义上讲，企业产品是企业最真实的代表，因此，需要在产品生产以及销售的过程中对收集来的数据进行有效分析。主要包括两个方面，一是在产品生产过程中成本价格浮动数据。用最通俗的例子来表述，就是当某一个较为畅销的产品的成本价格上升时，仅仅靠提升产品价位，来巩固销售额不是最好的办法，而是需要考虑调整产品布局，对该畅销产品进行组合销售、范围销售、带动销售的情况下，来获得更好的利润。这些营销策略需要在严密、准确、全面的数据挖掘情况下进行，否则就增加了企业的运营风险。二是产品在销售过程中的销量数据浮动。假如产品在某一区域的销量逐渐上升或逐渐下降，就需要对这类事件进行充分数据挖掘，在进行这类数据挖掘时可以采用聚类分析法和分类与预测相结合的方法，从而制定相应的营销策略，抓住企业的各类用户，并对忠实用户进行巩固。

3.2有助于管理用户类别，为营销策略提供支撑

根据真实有效的数据来进行分析挖掘是企业用户管理的基础，是企业营销策略落实的关键。首先，数据挖掘可以帮助企业将用户类别标准进行明晰，使企业能够根据不同用户群的需求来制定营销策略。其次，数据挖掘时可以通过分类预测分析法对潜在用户进行吸纳，使企业在维护好原有用户的基础上将潜在用户归纳到现有类别当中。同时还可以根据已经掌握的用户资料，根据性别、年龄、区域以及洽谈手段进行归类分析，从而了解不同用户的合作趋向，为用户提供更好的服务。

3.3有助于实现营销数据管理科学化，提高营销策略制定时效性

通过对营销数据挖掘与分析，能够为企业决策者提供更加精准地市场分析，为摆正企业发展目标，准确开展市场营销活动，提供强有力的支撑，在实际落实中则大大增加了营销策略制定的时效性。企业在进行数据挖掘时能够对用户对产品的使用情况进行及时掌握，快速做出反应，为企业调整、拟定营销策略提供可靠依据，大大提升了营销策略的制定速度，缩短了从制定到落实的时间差，为企业发展、产品销售赢得了宝贵时间。比如，制定交叉销售策略时，企业可以快速利用现有老用户的信息及其所在社会层次制订老客户带动新客户的营销方案，大大提升了寻找新用户、掌握新用户信息的速度，不仅能够有效开展富有个性化的交叉销售，还能够在一定程度上保证了营销策略有效落实。

4、总结

大数据应用通过对消费行为的细分及用户属性归纳，依托大数据算法进行线性分析、概率分析、关系分析以及其他智能分析，形成消费模型，从而指导销售、生产、原材料提供等环节，降低成本，提高各环节经济效益。随着大数据应用的广度及深度的延伸，特別是近年来计算机神经网络计算的兴起，对商品供销存关系的影响也会越来越大，会对商品营销的价值链重构产生直接影响。作为大数据应用核心的大数据模型及算法，也将会是下一个研究应用的风口。