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

1、隨著企業(yè)信息化的推進與發(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)走勢預(yù)測未來銷售數(shù)據(jù)的趨勢，感知市場狀況，掌握市場動向，給企業(yè)銷售決策者提供有效的銷售數(shù)據(jù)動向參考信息，為生產(chǎn)、營銷，以及判斷市場狀況提供決策依據(jù)。圍繞以上問

2、題，本文對于大數(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)市場的預(yù)測模型做了一下主要研究:
　　(1)運用Hadoop平臺存儲大數(shù)據(jù)，并且運用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)挖掘算法中對數(shù)據(jù)結(jié)構(gòu)的需求，針對數(shù)據(jù)中的不同的數(shù)據(jù)異常對數(shù)據(jù)使用不同的清洗策略進行清洗與數(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算法增加一個訓(xùn)練過程的方式讓KNN算法能夠運用于大數(shù)據(jù)環(huán)境，并且能夠快速準確地對數(shù)據(jù)進行分類，大大提升了分類算法的效率。并且通過新算法，對零售戶數(shù)據(jù)中的幾個規(guī)格卷煙的銷售詳情進行分類，統(tǒng)計其分類結(jié)果，與實際的數(shù)據(jù)進行了對比，驗證了算法的可行性與準確性。
　　(3)分析各類預(yù)測模型對于本文的研究內(nèi)容的適用性，根據(jù)本文的數(shù)據(jù)特點以及預(yù)期的預(yù)測結(jié)果數(shù)據(jù)特點選擇了適合的預(yù)測模型:差分自

4、回歸滑動平均模型(ARIMA(p，d，q))與灰色模型，作為本文的市場感知模型的基礎(chǔ)。
　　(4)以企業(yè)的零售數(shù)據(jù)為實驗數(shù)據(jù)，建立結(jié)合ARIMA差分自回歸滑動平均模型與灰色模型的市場感知模型。根據(jù)ARIMA自回歸移動平均模型能夠準確地預(yù)測未來短期的銷售數(shù)據(jù)，但是，由于隨著預(yù)測時間越長預(yù)測的準確率越低的特點，在ARIMA模型的基礎(chǔ)上使用灰色拓撲模型進行長期的銷售數(shù)據(jù)預(yù)測，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，而