大數(shù)據(jù)環(huán)境下企業(yè)銷售數(shù)據(jù)處理方法與市場(chǎng)感知研究.pdf

1、隨著企業(yè)信息化的推進(jìn)與發(fā)展，銷售數(shù)據(jù)急聚增加，由于銷售數(shù)據(jù)在企業(yè)決策中的重要作用，挖掘銷售數(shù)據(jù)中的有用信息是亟待公司解決的問題。研究出能夠在大數(shù)據(jù)環(huán)境下挖掘銷售數(shù)據(jù)有效信息的數(shù)據(jù)處理方法，正確地使用海量數(shù)據(jù)中挖掘出來的有效信息也是企業(yè)的迫切需求。本文利用海量銷售數(shù)據(jù)中包含的銷售數(shù)據(jù)走勢(shì)預(yù)測(cè)未來銷售數(shù)據(jù)的趨勢(shì)，感知市場(chǎng)狀況，掌握市場(chǎng)動(dòng)向，給企業(yè)銷售決策者提供有效的銷售數(shù)據(jù)動(dòng)向參考信息，為生產(chǎn)、營(yíng)銷，以及判斷市場(chǎng)狀況提供決策依據(jù)。圍繞以上問

2、題，本文對(duì)于大數(shù)據(jù)環(huán)境下的企業(yè)銷售數(shù)據(jù)挖掘算法和企業(yè)市場(chǎng)的預(yù)測(cè)模型做了一下主要研究:
　　(1)運(yùn)用Hadoop平臺(tái)存儲(chǔ)大數(shù)據(jù)，并且運(yùn)用Hadoop的MapReduce抽取需要處理的數(shù)據(jù)，并導(dǎo)入到關(guān)系型數(shù)據(jù)庫中，根據(jù)數(shù)據(jù)挖掘算法中對(duì)數(shù)據(jù)結(jié)構(gòu)的需求，針對(duì)數(shù)據(jù)中的不同的數(shù)據(jù)異常對(duì)數(shù)據(jù)使用不同的清洗策略進(jìn)行清洗與數(shù)據(jù)規(guī)范，再將處理后的數(shù)據(jù)交付給關(guān)系型數(shù)據(jù)庫。
　　(2)針對(duì)傳統(tǒng)的大數(shù)據(jù)挖掘算法存在的問題，本文提出了基于分塊后重疊k

3、-means聚類的KNN分類算法，算法通過給傳統(tǒng)KNN算法增加一個(gè)訓(xùn)練過程的方式讓KNN算法能夠運(yùn)用于大數(shù)據(jù)環(huán)境，并且能夠快速準(zhǔn)確地對(duì)數(shù)據(jù)進(jìn)行分類，大大提升了分類算法的效率。并且通過新算法，對(duì)零售戶數(shù)據(jù)中的幾個(gè)規(guī)格卷煙的銷售詳情進(jìn)行分類，統(tǒng)計(jì)其分類結(jié)果，與實(shí)際的數(shù)據(jù)進(jìn)行了對(duì)比，驗(yàn)證了算法的可行性與準(zhǔn)確性。
　　(3)分析各類預(yù)測(cè)模型對(duì)于本文的研究?jī)?nèi)容的適用性，根據(jù)本文的數(shù)據(jù)特點(diǎn)以及預(yù)期的預(yù)測(cè)結(jié)果數(shù)據(jù)特點(diǎn)選擇了適合的預(yù)測(cè)模型:差分自

4、回歸滑動(dòng)平均模型(ARIMA(p，d，q))與灰色模型，作為本文的市場(chǎng)感知模型的基礎(chǔ)。
　　(4)以企業(yè)的零售數(shù)據(jù)為實(shí)驗(yàn)數(shù)據(jù)，建立結(jié)合ARIMA差分自回歸滑動(dòng)平均模型與灰色模型的市場(chǎng)感知模型。根據(jù)ARIMA自回歸移動(dòng)平均模型能夠準(zhǔn)確地預(yù)測(cè)未來短期的銷售數(shù)據(jù)，但是，由于隨著預(yù)測(cè)時(shí)間越長(zhǎng)預(yù)測(cè)的準(zhǔn)確率越低的特點(diǎn)，在ARIMA模型的基礎(chǔ)上使用灰色拓?fù)淠Ｐ瓦M(jìn)行長(zhǎng)期的銷售數(shù)據(jù)預(yù)測(cè)，讓企業(yè)能夠看到的不僅僅是未來半年或者一年內(nèi)的銷售數(shù)據(jù)的預(yù)測(cè)，而