论文部分内容阅读
随着近年来互联网的发展与其在企业中的应用,不仅加速了各个新兴产业的发展,也为各个企业带来了机遇与挑战。企业拥有大量的营销数据和客户信息,这些信息的累积并对其挖掘为企业提供了有效的营销途径。随着时间的推移,企业的营销数据日益庞大,已经达到TB级别。企业最初搭建的硬件设备和软件并不具有存储和处理海量数据的能力,这样会就导致有价值的信息无法提取出来。利用这些营销数据建立模型可以挖掘出企业经营关心的有用信息,企业再根据这些信息来制定营销策略。销售预测是根据历史销售情况推测未来,是企业确定生产量,保证商品供销平衡的工具,可以帮助企业做出正确的经营决策使其实现利润最大化。本文构建了基于Hadoop的企业营销系统,实现海量数据的存储、清洗和处理,并且研究了企业销售预测模型,在ARIMA模型和BP神经网络模型的基础上建立了组合预测模型,将其应用到企业营销系统中,为企业提供营销策略支持。具体研究内容如下:1)针对企业营销数据具有数据结构复杂,数据规模庞大,数据间关联性大等特点,提出了构建企业Hadoop数据处理平台,设计并实现了Map Reduce计算模型对关系型数据的并行计算,解决了企业对海量数据的分布式存储和处理的问题。2)由于企业营销数据来源多样,海量数据中存在很多缺失,错误,不一致和冗余数据,本文分析其产生原因和存在形式,设计了针对系统中“脏数据”的清洗方法,并对Bloom Filter算法进行改进,提出并实现了基于树形结构的Bloom Filter算法对重复数据进行清洗。3)为了进一步提高销售预测的精度,本系统集成了多个销售分析模型,并提出了基于ARIMA和BP神经网络模型的组合预测模型,并用MAE、RMSE和MAPE预测评价标准对组合预测模型与单一的ARIMA预测模型和BP神经网络模型的预测效果进行对比分析,证明组合预测模型优于单一模型。4)根据企业营销的实际情况,结合本文研究的销售预测模型,设计、实现并部署了基于Hadoop的企业营销系统,使企业销售分析不再依托于SAP或ERP系统,拥有专业的营销系统进行销售分析,为企业决策提供有效的信息支持。