基于数据挖掘的电商销量预测研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 序言 | 第9-13页 |
| 1 绪论 | 第13-21页 |
| 1.1 研究背景与意义 | 第13-15页 |
| 1.1.1 研究背景 | 第13-14页 |
| 1.1.2 研究意义 | 第14-15页 |
| 1.2 文献综述 | 第15-18页 |
| 1.2.1 销量影响因素 | 第15-16页 |
| 1.2.2 电商销量预测 | 第16-18页 |
| 1.3 研究方法 | 第18-19页 |
| 1.4 研究内容和技术线路 | 第19-21页 |
| 2 销量预测相关理论知识 | 第21-34页 |
| 2.1 销量影响因素相关理论 | 第21-25页 |
| 2.1.1 网络消费者行为 | 第21-23页 |
| 2.1.2 营销策略 | 第23-24页 |
| 2.1.3 影响销售的因素总结 | 第24-25页 |
| 2.2 电商销量预测 | 第25-26页 |
| 2.3 数据挖掘 | 第26-28页 |
| 2.4 预测方法 | 第28-33页 |
| 2.4.1 时间序列预测 | 第28-31页 |
| 2.4.2 数据挖掘预测 | 第31-32页 |
| 2.4.3 综合预测法 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 3 基于数据挖掘的预测建模 | 第34-47页 |
| 3.1 数据挖掘软件 | 第34-35页 |
| 3.2 预测目标分析 | 第35-36页 |
| 3.3 预测数据分析 | 第36-37页 |
| 3.4 预测数据准备 | 第37-40页 |
| 3.4.1 预测数据预处理 | 第37-38页 |
| 3.4.2 选择解释变量 | 第38-40页 |
| 3.5 预测模型的构建 | 第40-42页 |
| 3.5.1 随机森林 | 第40页 |
| 3.5.2 支持向量机 | 第40-41页 |
| 3.5.3 BP神经网络 | 第41-42页 |
| 3.6 结果分析 | 第42-45页 |
| 3.6.1 模型比较策略 | 第42-43页 |
| 3.6.2 平均误差函数 | 第43-44页 |
| 3.6.3 结果总结 | 第44-45页 |
| 3.7 本章小结 | 第45-47页 |
| 4 电商销量预测应用实例 | 第47-62页 |
| 4.1 企业现状概述 | 第47页 |
| 4.2 预测目标分析 | 第47-49页 |
| 4.3 电商销量相关数据分析 | 第49-54页 |
| 4.3.1 数据获取 | 第49-50页 |
| 4.3.2 电商销量探索性分析 | 第50-52页 |
| 4.3.3 特征探索分析 | 第52-54页 |
| 4.4 电商销量数据准备 | 第54-56页 |
| 4.4.1 数据预处理 | 第54-55页 |
| 4.4.2 选择解释变量 | 第55-56页 |
| 4.5 电商销量预测模型构建 | 第56-57页 |
| 4.6 结果分析 | 第57-61页 |
| 4.6.1 结果比较 | 第57-60页 |
| 4.6.2 结果总结 | 第60-61页 |
| 4.7 本章小结 | 第61-62页 |
| 5 结论和展望 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 附录 A | 第67-74页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第74-76页 |
| 学位论文数据集 | 第76页 |
