CN101324939A - 基于数据挖掘的新业务市场预测系统及其方法 - Google Patents

Abstract

本发明公开了一种基于数据挖掘的新业务市场预测系统及其方法，是一种通过现有产品、业务和相关的客户资源数据来预测新产品或业务的客户数量和收益的方法。其步骤是(1)根据不同行业特点，确定行业纬度；(2)根据所需纬度数据进行原有业务数据采集；(3)依据收集数据进行计算、预测，得出分析预测结果，(4)在计算分析过程中，加入经验数据调整参数，通过此参数来修正经验数据，从而提高预测的精度。该方法系统由参数确定行业维度模块、数据收集模块、预测模块、经验数据调整参数模块四个部分组成。是一种能在各个行业应用的新业务预测的方法，使企业的数据真正对新业务决策产生支撑作用。

Description

基于数据挖掘的新业务市场预测系统及其方法

技术领域：

本发明涉及数据挖掘领域及计算机辅助决策领域，也可以说是数据挖掘在计算机辅助决策领域内的应用。具体来说是一种通过现有产品、业务和相关的客户资源数据来预测新产品或业务的客户数量和收益的方法。

背景技术：

当今时代是信息技术的时代，大部分企业已经完成了经营管理的信息化，特别是在银行、保险、电信等应用信息技术较多的企业，都有了自己的客户资源管理系统，但是收集到的数据往往不能得到有效的分析，不能用于新产品的市场前景预测。这样利用数据挖掘，对设计中的新产品或新业务进行市场预测就有了需求。

目前在市场预测方面，一般使用以下两种理论：

时间序列预测法，在市场预测中，经常遇到一系列依时间变化的经济指标值，如企业某产品按年(季)的销售量、消费者历年收入、购买力增长统计值等，这些按时间先后排列起来的一组数据称为时间序列。依时间序列进行预测的方法称为时间序列预测。

回归预测法，在经济预测中，人们把预测对象(经济指标)作为因变量，把那些与预测对象密切相关的影响因素作为自变量。根据二者的历史和现在的统计资料，建立回归模型，经过统计检验后用于预测。

这两种方法对市场预测的都集中在分析市场的主要趋势上，一般适合分析持续存在的宏观指标。对新产品新业务的预测力有未逮。

本发明适用于不同行业，根据新业务与旧有业务的相似性进行市场预测，给出了计算公式，并且受执行人员影响较小。特别的，本方法通过历史统计资料调整公式参数，可以更好的适应各个行业的特点。

发明内容：

为了找到一种能在各个行业应用的新业务预测的方法，克服现存技术的障碍，使企业的数据真正对新业务决策产生支撑作用，本发明开始研究并完成。

系统分为参数确定行业维度、数据收集、预测、根据经验数据调整参数四个模块。

参数确定行业维度：通过对相似维度的定义及相似维度对新旧业务相似系数的影响来确定行业特征。例如：在电信行业可以用费用类型、消费额度、优惠比例等做为维度。

数据收集：根据所需维度数据进行原有业务数据的采集，并且收集原有业务(或产品)客户量及业务收益。

预测：实现方法模型的核心部分，负责根据收集到的数据和经验数据、参数，计算预计客户数量、收益。该部分使用以下公式：

λ＝∑(x1×y1×z1，...，xn×yn×zn)×t+λs

λ代表预测客户量；x为旧业务客户量；y为根据维度算出的新旧业务的相似率(不同行业不同业务，有不同的相似率算法)；z为定价影响系数，z＝旧产品定价/新产品定价；t为市场预测趋势系数(不乘以t时，是根据旧业务计算所得，部份选择旧业务的用户选择新业务，乘以t考虑了市场预测趋势，在具体行业中可根据宏观经济数据得到不同的值，比如行业整个市场快速增长时，这个数为大于1的常数)；λs是经验数据修正值。

ε＝λ×(∑(m1×x1×y1×z1，…，mn×xn×yn×zn)/(∑(x1×y1×z1，…，xn×yn×zn)×p+εs)

ε为预测收益；λ为上式中的预测客户量；m为旧业务的每客户平均收益；x、y、z同上；p是新业务定价与旧业务平均定价之间的比率系数，p＝新产品定价/旧产品定价的平均值；εs是收益的经验数据修正值。

经验数据调整参数：通过历史试算与实际数据、预测结果和实际发生结果的统计分析，得到上述两个经验数据修正值。

本发明以新旧业务的相似性为切入点，符合新业务推出的市场规律，并考虑了价格因素在新业务推出时的影响，能准确的预测新业务的市场反应，并可以通过经验数据修正来提高预测的精度，为新业务(或产品)的推出决策进行了最佳支撑。

附图说明：

图1：系统模块流程图

具体实施方式：

系统模块流程图如图1所示，现以在电信行业内的实施为例，对本发明进行进一步详细说明。

预测新业务——宽带(4M)计时每小时10元的用户量及收益。

步骤1：维度定义为费用项(指市话、长途等的分类)、业务类型(固话、小灵通、手机、宽带、WAP等)、计费类型、价格、平均费用。各维度影响相似系数的比率依次定义为0.3，0.2，0.1，0.2，0.2。

步骤2：通过电信计费系统和客户资源管理系统得到旧业务的各维度数据及客户数、收益。数据库中有三条旧业务数据与新业务关联。如下表所示：

业务名	费用项	业务类型	计费类型	价格	平均费用	客户数	收益(元)
								512K计时	ADSL费	ADSL512K	计时	1元/小时	50	613414	30670700
1M计时	ADSL费	ASDL1M	计时	2.5元/小时	120	34165	4099800
								2M计时	ADSL费	ADSL2M	计时	5元/小时	150	53002	7950300

步骤3：根据新业务的各维度数据计算各个旧业务与新业务的相似度，依次为0.31、0.52、0.78；定价影响系数为0.10、0.25、0.31；电信行业内得到市场趋势系数为1.13；两个经验数据修正值均为0。然后带入核心公式预测客户量和收益。

λ＝∑(x1×y1×z1，...，xn×yn×zn)×t+λs

＝(613414×0.31×0.10+34165×0.52×0.25+53002×0.78×0.31)×1.13+0

≈40988

ε＝λ×(∑(m1×x1×y1×z1，…，mn×xn×yn×zn)/(∑(x1×y1×z1，…，xn×yn×zn)×p+εs)

＝40988×((50×613414×0.31×0.10+120×34165×0.52×0.25+150×53002×0.78×0.31)/(613414×0.31×0.10+34165×0.52×0.25+53002×0.78×0.31)×10/(1+2.5+5)+0)

≈13584295

例如：得到客户量为40988，收益为13584295。

步骤4：预测后，继续收集新业务推出后实际成果，通过已经得到的预测值和实际值调整经验数据。再以后进行预测时，将使用新的经验数据。

以上所述，仅是本发明实施方案的一个例子而已，不能因此而局限本发明的权利范围，对熟悉本领域的技术人员来说，凡运用本发明的技术方案和技术构思做出其它的改变和变形，都应属于本发明权利要求的保护范围之内。

Claims (3)

1、一种基于数据挖掘的新业务市场预测系统，其特征在于系统分为如下四个模块：

参数确定行业维度模块：通过对相似维度的定义及相似维度对新旧业务相似系数的影响来确定行业特征；例如：在电信行业可以用费用类型、消费额度、优惠比例等做为维度；

数据收集模块：根据所需维度数据进行原有业务数据的采集，并且收集原有业务(或产品)客户量及业务收益；

预测模块：实现方法模型的核心部分，负责根据收集到的数据和经验数据、参数，计算预计客户数量、收益；

经验数据调整参数模块：通过历史试算与实际数据、预测结果和实际发生结果的统计分析，得到经验数据修正值。

2、一种基于数据挖掘的新业务市场预测方法，其特征在于具体包括以下步骤：

A、确定行业维度参数，根据不同行业的行业特征，来定义该行业的相似纬度，并确定相似纬度对于新旧业务的相似系数的影响；

B、数据收集，根据所需的纬度数据，来收集原有的业务数据，诸如：费用类型、业务订购量、业务收益等.

C、计算、预测。根据收集到的数据，通过核心的计算公式，计算出新业务的预计客户数量和预计收益；

D、设置经验数据调整参数，通过该设置参数来修正经验数据，从而提高预测的精度。

3、如权利要求2种所述的一种基于数据挖掘的新业务预测方法，其特征在于C、D步骤的核心计算公式和经验数据调整参数设置如下：

λ＝∑(x1×y1×z1，...，xn×yn×zn)×t+λs

λ代表预测客户量；x为旧业务客户量；y为根据维度算出的新旧业务的相似率(不同行业不同业务，有不同的相似率算法)；z为定价影响系数，z＝旧产品定价/新产品定价；t为市场预测趋势系数(不乘以t时，是根据旧业务计算所得，部份选择旧业务的用户选择新业务，乘以t考虑了市场预测趋势，在具体行业中可根据宏观经济数据得到不同的值，比如行业整个市场快速增长时，这个数为大于1的常数)；λs是经验数据修正值；

ε＝λ×(∑(m1×x1×y1×z1，…，mn×xn×yn×zn)/(∑(x1×y1×z1，…，xn×yn×zn)×p+εs)

ε为预测收益；λ为上式中的预测客户量；m为旧业务的每客户平均收益；x、y、z同上；p是新业务定价与旧业务平均定价之间的比率系数，p＝新产品定价/旧产品定价的平均值；εs是收益的经验数据修正值；

经验数据调整参数：通过历史试算与实际数据、预测结果和实际发生结果的统计分析，得到上述两个经验数据修正值。

Images