基于WEFCMO算法的引导型商品营销实训辅助策略研究
2020-07-13和志强罗长玲陈萌王梦雪
和志强，罗长玲，陈萌，王梦雪
(河北经贸大学 信息技术学院，河北 石家庄 050061)
人们对于大学实践类课程教学模式的探索和改革已历经多年，但随着经济的发展及社会对人才需求的变化，目前此类课程的建设仍然存在不少短板。一是“模拟实践”依然占主导地位，学生缺乏参与真实场景的实践机会；二是“针对性弱”的不足普遍存在，缺乏对现实问题的关注和回应；三是“实效欠缺”的问题比较明显，实训效果不理想。
针对上述问题，本文以河北经贸大学市场营销专业《商业实践》课程为例开展研究，搭建了一个兼具实训实践功能的真实电商平台——“经贸购商城”，明确了经营模式并组建了师生运营团队，为学生提供实训环境支持。在实训环节中，一个重要的问题是如何能快速的实现新产品的扩散和推广[1,2]、更好地挖掘顾客的潜在价值[3]，从而提高产品知名度、创造更大的收益。为了协助学生更好地解决这一问题，更有针对性地开展实践教学并提升实训效果，本文综合运用计算机和市场营销相关理论，提出了基于WEFCMO聚类算法的引导型商品营销实训辅助策略，为参加实训的学生提供营销辅助手段和指导，帮助其在商业实践中快速提升销售业绩及营销能力。
1 引导型商品营销实训辅助策略研究
1.1 策略设计思想
引导型商品营销实训辅助策略旨在对学生营销实训进行指导，帮助学生快速地将新产品推广到市场，同时提高客单价和商品销量。它的主要思想是首先依据商品购买记录信息建立商品关联数据网络，为挖掘商品之间潜在的共同购买关系提供数据支撑；同时为降低后续聚类算法的搜索空间，对关联数据网络进行剪枝操作；然后利用WEFCMO算法对网络中具有潜在联系的商品进行聚类，得到各类的高连接度节点集合，集合的数目即为类的数目；其次依据商品新旧、类别、价格等属性划分商品档次，将每类商品划分为新商品和非新商品，同时将商品由高档到低档划分为5种档次；最后依据商品聚类及类别划分结果，为实训学生提供每类待推广商品的引导型营销次序信息，辅助其提升商品扩散范围及销售规模。
具体操作步骤如下：
Step1：建立商品关联数据网络G=
Step2：对网络G低度的商品节点进行剪枝，降低搜索空间；
Step3：利用WEFCMO算法对网络G进行聚类；
Step4：按一定规则划分商品新产品和档次类别；
Step5：依据聚类和商品档次划分结果，实训学生可以选择推广的商品。
图1为引导型商品营销实训辅助策略流程图。
1.2 构建商品关联数据网络
如上文所述，为了实现辅助策略，构建了商品关联数据网络，其过程包括以下3步:
1)设商品节点的集合为V，商品节点的数量为N，即V={v1，v2，…，vi，…vN}，vi表示第i种商品的节点，每一个商品的节点表示某一种具体的商品，比如vi表示小浣熊干脆面。
2)根据消费者购买的消费记录，来建立商品关联数据网络G=
3)Ωi是与商品vi共同购买的商品和共现权值的集合，权值dij表现的是商品vi与vj之间存在共同购买关系的强度，即商品vi与vj出现共同购买的次数。
图1 引导型商品营销实训辅助策略流程图
为叙述简单起见，这里以实训平台上实际销售的6种商品为例构建其共同购买关系网络，表1为6种商品的销售记录，其中商品序号1～6表示6种不同商品，表中打“√”表示购买了该商品。
表1 6种商品的销售记录
图2为依据销售记录构建的6种商品关联数据网络，其中数字1～6表示商品的节点，节点之间的连线表示存在共同购买关系。
Ωi获取的步骤如下：
Step1：设定当前商品节点j=1，Ωi=Ø，即设定Ωi为空集；
Step2：若j≤N，则转到Step3，否则转到Step5；
Step3：若商品节点与vj相邻，即存在购买关系，则将(vj，dij)存入到Ωi中，其中dij是vi与vj的共现次数值，否则转到Step4；
Step4：令j=j+1，转到Step2；
Step5：停止，得到Ωi。
图3为表1中商品之间共同购买关系和共现权值的集合。
图2 表1对应的商品关联数据网络
图3 表1对应的Ω集合
1.3 商品关联数据网络剪枝
为降低搜索空间并减少偶发购买关系对聚类结果的影响，对上述Ωi进行剪枝操作：
Step1：设置共现强度的阈值dc；
Step2：设定当前商品节点序号i=1；
Step3： 将Ωi中的共现节点强度小于dc的节点删去，i=i+1；
Step4：若i≤N，则转到Step3，否则转到Step5；
Step5：将Ωi中为Ø所对应的vi删掉，得到剪枝后的集合Ψ；
Step6：获得剪枝后的商品关联数据网络G′=
图4 表1剪枝后的Ω集合
图5 表1剪枝后的商品关联数据网络
1.4 商品关联数据网络聚类
本文对所有剪枝后的集合运用WEFCMO算法进行聚类。该算法考虑了每个待分析对象的类别隶属度因素，在模糊K-means聚类算法[4]的基础上，引入了权熵的概念，提出了一个新的目标函数见公式(1)，只要能满足目标函数F最小，聚类结果就是最优的[5]。
(1)
对于像F这样有多个未知参数的非线性函数，求解其最小化一般采用将整体问题转化成局部优化的方法，进而进一步求解最优问题[6]。求解目标函数最小值的步骤如下：
Step1：随机选取K个对象作为k个类的中心；
Step2：repeat
Step3：固定T和C，求解使F(T,W,C)最小的W；
Step4：固定T和W，求解使F(T,W,C)最小的C；
Step5：固定C和W，求解使F(T,W,C)最小的T；
Step6：until F(T,W,C)目标函数不再减小。
对剪枝后的节点Ωi的集合运用WEFCMO算法进行聚类，初步得到聚类结果。然后对商品进行划分，商品档次划分标准是根据商品的类别、价格等指标进行划分的，令L为商品类别集合，商品类别数目为N，则L={l1,l2,…，ln}，li表示第i类商品。每类别商品中的个数为m，根据每类商品中各商品的价格，将每组商品价格按照公式(2)进行归一化处理。
(2)
归一化的后每组中的所有商品的价格都会在(0，1)之间，由于实训平台中商品价格差价、商品类别相对较明显，故将每类商品的档次一共划分为5种，即高档产品、高中档产品、中档产品、中低档产品、低档产品，分别用1、2、3、4、5档表示。将(0，1)之间均分成5份，每份占比20%，其中商品价格处于(0，0.2]的归为低档商品，商品价格处于(0.2，0.4] 之间的划分为中低档商品，商品价格处于(0.4，0.6]之间的划分为中档商品，商品价格处于(0.6，0.8]之间的划分为中高档商品，商品价格处于(0.8，1]之间的划分为高档商品。
为了验证实训策略的有效性，本文将实训平台中某一时间段内实际流通的578种商品划分为32种类别，商品类别分组如下：
薯片、锅巴、其他膨化食品、面包、饼干、方便面、干吃面、火腿、辣条、果冻、巧克力、果脯、肉脯、矿泉水、茶饮、运动型饮料、碳酸饮料、酸奶、纯奶、雪糕、面膜、洗发水、沐浴露、卫生巾、洗衣粉、肥皂、牙膏、纸品、二手数码、二手图书、二手美妆、炒酸奶。
最后依据聚类和商品档次划分结果，以推广新产品、提高客单价为目标，为参训学生制定包含商品销售次序等信息的营销辅助策略，帮助学生提升销售业绩及营销能力。
2 实验结果与分析
本文以上述578种商品为实验对象，依据其销售情况建立了商品关联数据网络，在剪枝过程中，经过反复实验知选取的连接度阈值dc=10时聚类效果最佳，剪枝后集合节点数为69个。剪枝后的结果如下：
V′={v0,v2,v3,v5,v12,v15,v18,v19,v22,v29,v35,v38,v40,v51,v52,
v56,v61,v63,v65,v72,v75,v77,v79,v82,v90,v93,v102,v105,v106,v110,
v115,v117,v119,v130,v135,v157,v159,v163,v172,v181,v183,v189,v196,v203,v209,
v236,v239,v242,v245,v256,v258,v270,v276,v289,v291,v302,v322,v335,v356,v368,
v396,v404,v422,v445,v486,v505,v556,v568,v576}
对上述网络进行快速聚类，得到商品高连接度的节点集合，即商品属于不同类别的数目，γ=0.5，上述V′最终得到的结果是14类，结果如下：
C1={v0,v5,v12,v75,v102,v130,v181,v209,v256,v302,v322,v368,v422,v505}；
C2={v2,v15,v35,v51,v52,v93,v105,v115,v117,v172,v196,v242,v291,v335,v445}；
C3= {v18,v61,v65,v157,v236,v576}；C4= {v22,v29,v56,v82,v90,v119}
C5={v3,v72,v183,v289}；C6= {v135,v245,v396,v556}；
C7={v38,v163,v203,v276,v356}；C8= {v19,v110,v258}；C9={v63,v79,v189,v270}
C10={v40,v77,v159}；C11={v486,v576}；C12={v239}；C13={v106}；C14={v404}
在对商品进行快速聚类和档次划分后，最终引导型商品营销实训辅助策略聚类的结果如下：
T1={n0，n5,n9,n66,n90,n126,n159,n203,n256,n303,n321,n368,n420,n497}；
T2={n0,n15,n32,n35,n90,n103,n105,n159,n190,n239,n286,n323,n442}；
T3={n15,n32,n66,n159,n239,n576}；T4={n15,n35,n82,n90,n105}；
T5={n5,n66,n159,n285}；T6={n127,n239,n385,n543}；T7={n32,n159,n202,n276,n368}；
T8={n15,n105,n256}；T9={n35,n66,n159,n276}；T10={n32,n66,n159}；T11={n482,n576}
T12={n239}；T13={n105}；T14={n385}
在使用数据集进行测评时，运用成交率衡量实训学生运用实训辅助策略达到的营销效果。R(u)是实际销售数据给出的推荐列表，表示实践学生依据辅助策略对顾客u进行推送的商品，T(u)是测试集中给出的商品集，表示顾客u购买的商品。
(3)
成交率表示的是在给出的结果中有多少是发生过顾客-商品购买记录的，图6是仅运用WEFCMO算法得到的营销结果和对商品档次划分后得到的营销结果的成交率对比图，从图中可以看出，本文提出的营销辅助策略在向实训学生提供销售建议后，按照该销售建议为顾客推送的商品成交率更高，证明本文改进的算法是有效的。
图6 成交率对比图
在400份测试数据中，接受推送商品的用户有127人，没有接受推送产品的用户有283人。即有29%的用户接受并购买了推送的商品。图7是商品推送分类结果，图8是推送购买率。
图7 商品推送分类图
图8 引导型商品营销辅助策略购买率
3 结束语
引导型商品营销实训辅助策略以新产品扩散和顾客导向市场营销理论为基础，以新产品快速推广、消费者潜在价值挖掘、提高客单价为目标，旨在帮助参加课程实训的学生有效开展线上线下营销活动。引导型商品营销实训辅助策略在对商品新旧属性、价格档次进行分类的基础上，运用了WEFCMO算法，对实训学生营销行为进行引导性指导。该营销策略在课程实训过程中，为学生提供营销“工具”，方便学生更好地开展营销活动。
