可以对营销策略及措施的实施结果进行分析，进而对营销活动的效果做出评估，为下一步营销决策提供参考依据。
Microsoft时序算法使用线性回归决策树方法来分析与时间相关的数据，例如，月销售额数据或年利润。饰品是一种季节性较强的产品，销售量的变化与时间成一定函数关系，因此本文借用时间序列预测模型的特点，来构建新的饰品销售预测模型。时间序列模型[5]能根据销售历史数据，对未来的饰品销售走势作有效的客观分析，避免销售预测中对历史数据的主观判断，能够根据历史销售数据实现对饰品销售的季节性、周期性和趋势性三大特点的有效模拟。由于影响销售量的因素很多，如销售区域、饰品类别、顾客的结构、季节性以及同类企业的竞争情况等，而且企业数据库每天都产生大量的销售数据，如何利用这些海量数据对销售情况进行分析，得出隐含于其中的有用模式对饰品公司来说具有重要的意义。 1.数据准备
为实现数据挖掘，需要将多个数据源的数据合并存放到同一个数据存储中即数据集成，将多个数据源中的数据进行合并处理，解决语义模糊性并整合成一致的数据存储。数据集成涉及模式集成、数据冗余处理和数据值冲突的检测与处理。
XG饰品有限公司的数据主要来源于企业内部的ERP系统和OA系统，以产品库存为例，以ERP系统数据库的饰品库存流水表、饰品生产流水表和OA系统中的物料库存表数据源，数据经过一定的预处理，合并存放到数据仓库中，其集成过程如图2所示。
图2由操作层转移到数据仓库层时数据的集成
在数据准备好以后，就可以运行接口程序，将经过清洗和转换后的数据装入到数据仓库中了。本系统采用的ETL工具是SQL Server 2005自带的Integration Services，这是SQL Server 2005的一个全新的企业级数据整合平台，可以提取和转换来自多种源(如 XML 数据文件、平面文件和关系数据源)的数据，然后将这些数据加载到一个或多个目标。通常在业务系统处在不繁忙的时候，系统自动定期进行数据加载。事实表的数据都是从ERP系统和OA系统中载入的。 2.模型的实现
本文以XG饰品有限公司2005年1月至2007年6月期间的历史销售数据来预测当年秋季项链和吊坠的销售额。用于预测的时间序列数据以月销售额为时间序列的值，用每行代表一个时间序列的方式存储在关系数据库中。
根据时间序列表中的数据，利用DMX语言创建时序模型，部分代码如下：
Create Mining Model NecklacePendantTSa( Time date key time,
Necklace long continuous predict, Pendant long continuous predict ) Using Microsoft_Time_Series
在时序模型中，不需要连接新的事例，预测的值直接由训练事例派生得出。经过挖掘算法分析处理后，可以得到如图3所示项链、吊坠的预测图表。
在图3中，实线代表实际的销售额，虚线代表预测的销售额，2007年7月之前的虚线显示的是历史预测销售额，之后的虚线表示的是今年秋季的预测销售额；竖线显示的是预测的偏差，对于将来的预测越远，则预测的偏差越大。
数据挖掘的主要目的是获取知识以支持决策，因此对结果进行解释和评价是非常重要的，从上述图表可以得到的结论有： (1) 通过历史销售预测情况可知预测数据与真实数据基本上是吻合的，所以用时序算法进行销售预测是有效的。
(2) 在有大量销售历史数据的情况下，利用数据挖掘工具对销售数据进行分析，可以从这些看似杂乱无章、毫无规律的数字中得到意想不到的结果，这些结果对企业来说可能是至关重要的决策依据、是在市场竞争中取得胜利的关键信息。
(3) 本例利用时序算法的数据挖掘工具对大量销售历史数据进行学习、分析，可得出销售额变化趋势，利用训练好的时序模型可以预测未来的销售额、销售价格、销售利润等，根据销售预测，企业可以制定相应的采购计划、库存计划、促销策略等。 图 3项链-吊坠的预测图表 三、结 论
本文提出了将数据挖掘技术应用到饰品设计，并以XG公司2005年1月至2007年6月期间的历史销售数据为例，使用Microsoft时序模型进行饰品销售预测，且验证了所采用的挖掘模型的准确性。这为饰品企业的决策提供了新的思路，有利于帮助领导更准确地进行市场定位，把握未来饰品发展趋势，具有一定的实用价值。 参考文献
[1] 刘仁桂. 数据挖掘在销售预测中的应用研究[D]. 杭州: 浙江大学, 2006
[2] 万艳敏, 陈胜, 戴淑娇. 基于时间序列和PERT的服装销售预测方法研究[J]. 研究与技术, 2006(11): 60-63
[3] 杨艳霞. 基于时序挖掘方法的汽车配件销售预测模型[D]. 武汉: 武汉科技大学, 2006
[5] 王玉荣. 商务预测方法[M]. 北京: 对外经贸大学出版社, 2003
相关推荐：
loading