本文關(guān)鍵詞：基于海量數(shù)據(jù)的企業(yè)營(yíng)銷資源優(yōu)化研究與分析　出處：《浙江理工大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 品牌生命周期 資源分配模型 Hadoop HDFS AR模型 BP神經(jīng)網(wǎng)絡(luò)

【摘要】：營(yíng)銷資源的分配與企業(yè)未來的發(fā)展戰(zhàn)略密切相關(guān)。但是,當(dāng)前營(yíng)銷資源分配中個(gè)人主觀判斷因素過重,需要增加市場(chǎng)因素,提供科學(xué)決策支撐。本文提出了基于企業(yè)海量市場(chǎng)數(shù)據(jù)的采集與分析系統(tǒng)的架構(gòu),根據(jù)采集到的全國市場(chǎng)的信息,包括產(chǎn)品的銷量,結(jié)構(gòu),地區(qū)等,完成對(duì)市場(chǎng)數(shù)據(jù)的存儲(chǔ)和處理,提取營(yíng)銷資源分配的決策變量,與企業(yè)客戶分類結(jié)合,以品牌全生命周期管理為核心,建立營(yíng)銷資源的分配模型,以效益、市場(chǎng)趨勢(shì)等為評(píng)價(jià)依據(jù),尋求到最優(yōu)方案,科學(xué)分配營(yíng)銷資源,支持企業(yè)的精細(xì)化管理和動(dòng)態(tài)化決策。具體研究?jī)?nèi)容如下:1)感知市場(chǎng)數(shù)據(jù)信息,通過市場(chǎng)走訪,定時(shí)錄入,終端采集等多種途徑完成企業(yè)海量數(shù)據(jù)的采集。通過內(nèi)部填報(bào)能夠采集到的數(shù)據(jù)包含計(jì)劃數(shù)據(jù),訂單數(shù)據(jù),客戶數(shù)據(jù)等;通過外部數(shù)據(jù)可以采集到零售訂單數(shù)據(jù),物流數(shù)據(jù),庫存數(shù)據(jù),其他業(yè)務(wù)數(shù)據(jù)等。在完成海量數(shù)據(jù)采集的基礎(chǔ)上,構(gòu)建企業(yè)的數(shù)據(jù)體系結(jié)構(gòu),進(jìn)行數(shù)據(jù)的分析、處理和展現(xiàn)。2)在營(yíng)銷資源分配過程中,影響因素有很多,包括市場(chǎng)因素,地理因素,企業(yè)定位因素等。在影響營(yíng)銷資源分配的因素中,采用隨機(jī)森林提取出影響企業(yè)營(yíng)銷資源分配的決策變量。結(jié)合企業(yè)數(shù)據(jù)規(guī)模大,時(shí)效性強(qiáng)的特點(diǎn),提出基于層次聚類和k-means聚類的客戶分類方法,進(jìn)一步進(jìn)行區(qū)域市場(chǎng)的細(xì)分。3)解析品牌的生命周期,包括進(jìn)入期、成長(zhǎng)期、成熟期、衰退期四個(gè)階段。根據(jù)產(chǎn)品所處的不同生命周期的階段的資源需求,結(jié)合企業(yè)的營(yíng)銷體系結(jié)構(gòu),構(gòu)建了營(yíng)銷資源分配模型。針對(duì)不同的區(qū)域市場(chǎng),通過資源的差異化投入,達(dá)到營(yíng)銷戰(zhàn)略的目標(biāo),為品牌贏得更多的客戶數(shù)量和客戶訂單量,最大程度上延長(zhǎng)產(chǎn)品的生命周期,增加企業(yè)的利潤(rùn),提升企業(yè)的效益和競(jìng)爭(zhēng)力。4)驗(yàn)證資源投入的科學(xué)合理性,通過銷量預(yù)測(cè)實(shí)現(xiàn)對(duì)營(yíng)銷資源配置模型的修正與驗(yàn)證。在銷量預(yù)測(cè)的過程中,分別搭建線性回歸,AR模型和BP神經(jīng)網(wǎng)絡(luò)三種銷量預(yù)測(cè)模型,通過對(duì)預(yù)測(cè)結(jié)果的分析比較,選取精確率高的預(yù)測(cè)模型,進(jìn)行營(yíng)銷資源配置模型的系數(shù)修正。5)搭建企業(yè)的營(yíng)銷資源集中平臺(tái),將營(yíng)銷資源配置模型投入實(shí)際使用。通過與傳統(tǒng)營(yíng)銷資源分配模式的效率的對(duì)比,證明基于海量數(shù)據(jù)的營(yíng)銷資源配置模型能夠幫助企業(yè)優(yōu)化營(yíng)銷資源配置流程,提高營(yíng)銷資源使用效率,提高企業(yè)的銷售利潤(rùn)。
【學(xué)位授予單位】：浙江理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：F274;TP311.13

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳麗芳;王云;張奉;;粗決策樹動(dòng)態(tài)規(guī)則提取算法研究及應(yīng)用[J];計(jì)算機(jī)應(yīng)用;2015年11期

2 王玉雷;李玲娟;;一種密度和劃分結(jié)合的聚類算法[J];計(jì)算機(jī)技術(shù)與發(fā)展;2015年09期

3 陶子泉;;隨機(jī)抽樣法在卷煙市場(chǎng)監(jiān)管中的應(yīng)用[J];現(xiàn)代商貿(mào)工業(yè);2015年09期

4 陳曉;趙晶玲;;大數(shù)據(jù)處理中混合型聚類算法的研究與實(shí)現(xiàn)[J];信息網(wǎng)絡(luò)安全;2015年04期

5 Nan Zhu;Xue Liu;Jie Liu;Yu Hua;;Towards a Cost-Efficient MapReduce:Mitigating Power Peaks for Hadoop Clusters[J];Tsinghua Science and Technology;2014年01期

6 羅剛;;基于HADOOP的數(shù)據(jù)挖掘平臺(tái)分析與設(shè)計(jì)[J];電子世界;2013年18期

7 吳岳忠;周訓(xùn)志;;面向Hadoop的云計(jì)算核心技術(shù)分析[J];湖南工業(yè)大學(xué)學(xué)報(bào);2013年01期

8 張洪強(qiáng);劉光遠(yuǎn);賴祥偉;;隨機(jī)森林算法在肌電的重要特征選擇中的應(yīng)用[J];計(jì)算機(jī)科學(xué);2013年01期

9 王虎;張建友;李冰;;網(wǎng)格環(huán)境下汽車營(yíng)銷資源配置及其效率評(píng)估[J];武漢理工大學(xué)學(xué)報(bào)(信息與管理工程版);2012年06期

10 葛新;董朝陽;梁小江;;基于OSGi面向服務(wù)的軟件體系架構(gòu)[J];計(jì)算機(jī)技術(shù)與發(fā)展;2012年10期

，

本文編號(hào)：1337143