服装营销过程中数据挖掘算法分析

摘要：当今信息化发展速度惊人，大数据、云计算、人工智能技术应用于各行各业，给社会的发展带来了很多便利，也为我国经济的快速发展注入了新的血液。在服装行业中，我国是一个纺织服装生产大国，又是一个纺织服装消费与出口大国，将大数据技术应用于纺织服装生产与销售中可以给纺织服装产业带来更大的利润，本文主要研究在众多的数据挖掘算法中，适合服装营销的挖掘算法。

关键字：服装营销；数据仓库；数据挖掘；算法分析

近年来，大数据技术成为各行各业走向信息化的一个标志，很多企业都采用大数据技术来规范自身的管理，大数据技术也给企业带了新的发展机遇，使企业具有更多的赢利点。在服装销售中，往往出现生产的服装因不流行而卖不出去，有的产品因为生产量过小而市场上缺货，这种局面不是服装企业想要的。服装企业要想有很大的盈利空间，必须按照市场的发展规律来生产销售，也就是说市场需要啥我们就生产啥，需要投放多少件，我们就投多少件。这样库存积压就不会出现过多，企业的资金链才能快速流转，从而盈利。我们利用服装销售系统中历史数据搭建一个数据仓库，通过对数据仓库中的数据进行挖掘分析，最终获得隐藏才数据仓库中的知识，能够帮助企业进行决策。那么要进行数据挖掘，数据挖掘的算法非常之多，针对服装销售数据仓库中的数据进行挖掘分析哪种算法合适呢？这就是本文研究的一个课题。

1服装销售数据仓库的特点

在信息化世界里，服装企业已经实现通过服装销售系统进行在线预订服装，在线购买服装，在线对订单的管理以及客户的管理，通过服装销售系统中顾客交易的历史数据记录，搭建数据仓库，通过对数据仓库中的数据进行挖掘分析，最终得出来对我们有用的信息，帮助服装企业进行服装生产和销售决策。在服装销售过程中，要在数据仓库中选择三个主题进行分析，这三个主题分别是：服装、顾客、时间。第一、使用一个数据仓库，就要面向主题。根据事物的判断方向，对数据进行分析，挖掘。将一些数据进行组合，并按照要求进行分析，分析出的内容可以帮助企业进行决策。第二、将不完整的垃圾数据和重复的数据，对我们没有价值的数据都统统删除，重新整理。第三、收集一些可靠的数据，比较稳定的。这些数据如果真的保存到数据仓库中，那不是一天两天就删除了，恐怕要保存相当长的时期。最后，在数据仓库里，要是能够发现数据之间的规律，还是历史数据有效。所以我们在对待历史数据收集的问题上应该保持安全、可靠、稳定。

2算法的选取

在数据仓库中，算法是非常多的，有聚类算法、相似度算法、回溯算法等。在服装销售系统中，搭建数据仓库进行数据挖掘分析，要根据服装销售的特点进行搭建数据仓库。在服装销售系统中，服装收季节影响比较大，所以我们要根据时间维度进行划分，每一个季节中有分为很多个周，在一周中又分为周内或者周末周内的销售情况就没有周末好，在周末中是周六销售的好还是周天销售的好，周上午还是下午，上午那几个时间段、下午那几个时间段。对服装维度来说，那种色系、那种颜色、那种品牌卖的比较好，在那个区域卖的比较好，我们要通过这些进行细分。对顾客来说就是人群，消费者年龄层次，是年轻人还是年龄大的中老年人，我们要根据人群年龄结构梯队进行分析研究，最终通过分析建立立方体模型，通过算法对立方体模型中的数据进行分析，最得到我们想要的信息。从而很好的指导服装销售和生产。那么对于服装数据仓库的特点，我们选择相关性算法比较占优势，因为服装销售中主题比较多，而且相对比较复杂，所以我们选择微软的相关性算法可以实现算法的分析。数据挖掘算法有：回归分析算法、聚类算法、数据变小的分类算法、关联规则算法、神经网络算法、Web数据挖掘算法等，我们使用的算法就是关联规则算法，该算法适合维度相对较多，比较复杂的情况下。

3结束语

算法的选择，要根据研究对象的特点进行，在服装销售系统数据仓库中进行数据挖掘，可以使用的算法是非常的多，但是服装数据仓库中要选择的维度相对比较多，要研究的相对其它产品也比较复杂。我们将9中算法进行比较对比发现微软的相关性算法适合维度比较多的情况进行分析研究。所以我们就在对数据仓库中国的数据进行分析挖掘时，采用了微软的相关性算法，该算法实现起来比较简单，操作难度不是很大，比较适合针对服装销售数据仓库中的数据挖掘分析。

参考文献：

[1]郝建军，翟岁兵，刘冬，等.数据挖掘技术识别可疑洗钱交易行为模式研究[J].电脑知识与技术，2016，12（14）:204-205.

[2]郝建军，刘斌.基于数据挖掘的服装销售决策系统研究[J].信息与电脑（理论版），2018（1）.

[3]郝建军.数据挖掘在服装客户关系管理中的运用——评《服装市场营销》[J].印染助剂，2018（2）.

[4]万铮.基于数据仓库的OLAP系统的设计与实现[D].西南交通大学，2015.

[5]任天亮.数据挖掘在现代服装行业中的应用[J].山东纺织科技，2016，50（4）:40-42.

[6]刘小燕.数据挖掘算法基于关联规则的分析和应用[J].课程教育研究，2017（11）.

[7]张凯斐，刘继华，张菊芳.大规模高维数据集中局部异常数据挖掘算法[J].微电子学与计算机，2018（3）.

作者：郝建军 单位：陕西服装工程学院