文摘
随着信息时代的到来,数字营销模式已经开始得到关注和应用程序在许多行业。虽然数字营销模式已经成为世界上销售热点,数字营销的研究仍有不够的。为了优化品牌数字营销内部和外部安全控制基于机器学习的分类算法,本文运用模糊系统理论进行模糊分析研究各种实验数据,将其转换成一个模糊集,得到相关函数的模糊的解决方案,建立相关模型的机器学习分类算法,并识别和收集相关的实验数据以一种聪明的方式,节省了数据收集的时间。本文收集了客户特征、客户敏感性,品牌推广,品牌和品牌的收入在7天;然后使用分类算法和收集的数据来预测和分析未来数据结果;使用机器学习的分类算法模型公式解决相关函数。最后的实验结果表明,在数字营销模式,网络营销给品牌带来75%的收益,这是最高的在四个数字营销模型,它有最好的品牌宣传水平,45%。与此同时,客户对品牌网络营销模式下达到50%。
1。介绍
1.1。背景意义
在信息时代,互联网的迅速发展导致的人工智能技术被广泛应用于社会生活。人工智能技术发挥了巨大的作用在国家政治、军事、技术、以及人们的生产和生活。然而,人工智能技术仍处于探索和发展的阶段。如果你不了解技术本身的缺陷,然后对未来没有明确计划的发展技术。在高科技时代的道德风险是不确定和复杂的。从这个词的概念可以看出风险,风险本身是不确定的,人的认知能力是有限的,他们不能完全理解产生的新兴技术在高科技时代,特别是网络安全问题基于机器学习的分类算法(1]。
智能技术的应用已经渗透到人们的日常生活的方方面面,也对社会的发展产生了深远的影响。随着技术的发展,人类的生活方式和生产方式将被深深地印机。在经济影响方面,机器学习算法不仅方便人们的日常生活,但也给人带来巨大的经济效益2]。这也要求人们更加注重网络安全管理和控制问题的前提下,追求经济效益。
1.2。相关工作
许多学者在学术世界数字营销进行了研究。De Pelsmacker el人调查的数字营销策略(例如,制定数字营销计划,应对客人的评论,以及监测和跟踪在线评论信息)直接或间接地通过中介效应影响酒店入住率的房间号码和价格(3),但这种方法太麻烦来收集数据。Ateeq el人旨在调查的经验使用数字营销平台,促进互联网健康百科全书在沙特阿拉伯4),但本研究中的数据是不准确的,结果是不可信的。Fawaid想知道使用数字的影响销售系统出售羊奶Etawa和区别传统销售和数字营销系统(5),但这种方法的成本太高了。Merilainen重点研究旅游中小企业的数字营销能力(6),但研究太片面了。Centobelli el人分析了基于网络的应用程序领域的技术支持公司数字营销(7),但研究的操作太繁琐了。Lekhanya的研究的目的是建立一个对数字营销的理解,其使用的中小型企业在南非的农村地区,其使用的范围,和影响其使用的因素及其影响8),但这项研究的成本太高了。Sulaksono旨在增加在数字营销的知识和技能(尤其是社交媒体)来帮助中小企业(SME)商人增加销售额和利润(9),但本研究中的数据太大。丽兹el人旨在研究小企业参与数字营销和整合DIY行为模型和技术接受模型(TAM)探索这种参与的动机和预期结果(10),但研究的操作步骤过于复杂。Vaculikova el人的目的是探讨当代的数字营销策略和工具用于工艺品村庄(11),但这项研究的数据是不准确的。根据以往学者的研究经验,我们提出一个数字营销方法在本文中基于机器学习的分类算法。该方法可以有效地提高研究效率,节省实验时间。
1.3。本文的创新
本文使用机器学习分类算法来分析品牌数字营销的背景下,智能城市和收集并计算相关数据获得最终结果。本文的创新主要体现在以下几个方面:(1)研究在智能城市的背景下进行的,通过智能方法和数据收集,如互联网,这节省了数据挖掘和数据收集的时间。(2)使用机器学习分类算法进行数据计算提高研究的效率。(3)研究品牌数字营销与时俱进,符合时代的发展,宣传和销售,具有一定的研究价值。
2。数字营销基于机器学习的分类算法在智能城市的背景下
2.1。模糊系统
模糊系统是一个系统基于知识或规则,其核心是模糊规则组成的知识库。美国洛杉矶德自动控制专家曾提议模糊子集的概念。自那时以来,模糊系统理论。模糊系统是一个系统,它定义了输入、输出和状态变量在一个模糊集,是一个确定性系统的泛化。从宏观的角度来看,模糊系统捕获人类大脑思维的模糊性质,优势在描述高级的知识。它能模仿人类全面的结论来解决模糊信息问题,很难解决用传统的数学方法和计算机应用扩展到复杂的系统,如人文和社会科学。它可以更好地解决非线性问题,已广泛应用于自动控制、模式识别、决策分析、时间信号处理和人机对话系统、信息系统、医疗诊断系统、地震预测系统、天气预报系统等领域。
模糊系统是现在使用最广泛的工具之一在人工智能领域的系统(12]。随着数字计算机的发展方向的智能机器,将会出现越来越多的模糊系统。模糊系统的优点是,它可以集成到专家的经验,和它的多功能性是影响较小的数据。由于系统和有效地利用专家经验的形式语言,模糊结论系统可能需要输入精确值和模糊集到应用程序在同一时间时应用。然而,现有的模糊系统不是很好;进行这样的操作,它需要改进和完善。在模糊系统的建设,在/的分离空间和相关函数及其参数的确定主要是根据个人的经验,这通常需要反复试验,具有很大的主观性和不确定性。模糊系统的类型包括纯模糊逻辑系统、Takagi-Sugeno型模糊逻辑系统,和Mamdani类型模糊系统。
第一类模糊系统主要由fuzzer,模糊推理引擎,模糊规则库,defuzzifier。具体结构如图1。
类似于1型模糊系统,2型模糊系统由2型fuzzer 2型推理规则组,2型模糊推理引擎,和defuzzer,如图2。
已经不到50年来模糊系统理论,提出了,但发展非常迅速。它有许多重要的研究成果在各方面如模糊理论和算法,模糊推理、工业控制应用程序和稳定性研究。然而,仍有许多缺陷在模糊系统中,这主要体现在以下几点:(1)模糊建模的非线性复杂系统的模糊控制应用程序中;(2)正确建立模糊控制规则;(3)确定去模糊化方法;(4)模糊控制的精度;(5)讨论模糊控制的稳定性理论;(6)自学习模糊控制策略和智能系统结构及其实现;(7)与模糊推理简单实用的模糊函数集成芯片的开发和应用,模糊控制设备,和一般的模糊控制系统。
2.2。网络安全
在互联网诞生的时刻,人们无法想象它可能给世界带来多少惊喜。随着社会经济的不断进步,科技进步迅速。毫无疑问,互联网已经成为基础设施建设的基础。除了国家战略对人们的生活,互联网已经成为必要。人们从网络上获取知识,丰富他们的生活,和理解环境。互联网是不可替代的。特别是,软件和硬件技术的发展,越来越多的企业和机构已经开始他们的内部网建设13,14,越来越多的服务器出现,越来越多的网络服务。单位和个人从网络中受益,他们也受到越来越多的网络安全问题的威胁。网络就像一把双刃剑。更广泛的覆盖网络,安全问题更加突出;特别是,内部网络安全一直是网络安全威胁的焦点问题之一15]。因此,企事业单位增加了他们的内部网络安全投资,购买的路由器和交换机与多层保护功能,并部署安全产品,如防火墙、入侵检测、防病毒系统(16,17]。这些措施确保保护。网络边界的安全有所改善,但不能真正解决内部网络的安全问题。
目前,泄露秘密的一般方式在企业内部网主要集中在内部人员,使用内部网络管理疏忽和偷窃公司数据通过重复。十多年,内部网安全的诞生以来,它经历了多个发展阶段。除了政府的公司合规要求,企业和机构本身也意识到严格的网络管理内部网络的重要性。目前,内部网安全不再仅仅关注技术风险。安全的重点是逐步过渡从系统和网络基础设施层保护应用程序级别的安全保护问题,和保护是更灵活18,19]。
内部网络安全监控和管理系统定义了两个角色:管理员和数据管理员配置。配置管理器管理网络设备和设备配置信息通过网络管理模块和可以执行的功能定义关键字和远程禁用/启用主机的USB,印刷、红外和蓝牙端口。数据管理器可以查看网络信息和USB监控信息。系统由四个模块组成:网络管理、移动存储设备监控、远程端口控制、系统管理。
2.3。机器学习
机器学习是提高性能的分支理论和方法的研究。机器可以模拟人类学习活动,通过这些理论和方法获取知识和技能。机器学习的目的是建立一个学习机器根据现有的经验,用它来进一步分类或预测未知数据,在这个过程中,不断完善和构建它。机器学习(ML)是人工智能的一个分支基于生物学习过程(20.),是一种最有前途的人工智能工具。机器学习领域的目标是开发可以提高经验的计算机算法。它预计将使电脑帮助人们分析大型和复杂的数据集(21]。机器学习在各种应用程序的成功导致了机器学习系统的需求不断增加。
机器学习是学习函数的重要概念和风险。假设的变量和满足某种未知的依赖关系,我们联合概率分布 。机器学习是基于独立同分布样本: 。在一组预测功能 ,一个最优的函数 计算来评估这种依赖性,减少预期的风险。预期风险的计算公式如下: 在哪里广义预测函数的参数和吗 是指时造成的损失 用作预测功能,在哪里 被称为学习机器,预测功能,或学习功能。在实际问题中,通常使用“经验风险最小化原则”而不是期望风险最小化。定义的经验风险如下:
机器学习的学习过程是最小化经验风险的过程。ERM是最新的基础机器学习和模式识别方法,可以估计整个样本的期望风险。学习的结果是通过EMP最小化,的概率实际的风险和预期风险之间满足一定的关系,及相关公式如下: 在哪里是函数的VC维组和吗是样品的数量。这一结论在理论上表明机器学习的实际风险由经验风险和置信区间。公式(3)可以被转换成
这表明这台机器学习过程必须考虑减少信心范围同时最小化经验风险。用不同的机器学习方法,要解决的主要问题是如何构建更好的学习功能,可以尽可能减少风险,同时减少系统消耗。
机器学习(ML)是计算机科学中发展最快的领域(22]。根据不同的学习任务,机器学习方法大致可以分为三个类别:监督学习、无监督学习和强化学习。监督学习学习特性从一个给定的训练数据集。当新的数据输入时,它可以预测结果基于函数。监督学习的设置应包括输入和输出,也可以视为特性和目标。训练集的目标可以由个人。无监督学习常被用来找到可能的结构数据,如聚类分析。此外,非监督学习还可以探索模式的数据,大部分的数据输入转换成简洁紧凑的输入,和狭窄的范围学习模型。学习强化是用来让机器学习如何根据环境(23]。机器将逐渐调整其行为随着环境的变化和评估反馈是否收到每次行动是积极的还是消极的。
2.4。数字营销
数字营销通常是指使用数字通信渠道的营销活动,促进产品和服务。不仅包括网络沟通渠道,而且手机通信和户外数字广告。数字营销是一个面向数据的高级市场营销活动,使用互联网作为一个平台,在互联网上使用大量的数据,并使用数字媒体渠道来实现精确营销,实现可量化的营销效果。数字营销有五个特点:形式多样,没有空间限制,没有时间限制,交互性和经验,和娱乐。数字营销的影响是知之甚少24]。它涵盖了各种数字营销的概念和主要用于有效协调物流、资本流动和信息流动。数字营销的方法有很多,包括网络营销、移动营销、多媒体营销和户外营销。在数字营销的实践,网络分析和关键性能指标可以而且应该发挥重要作用在制定营销策略25]。
数字营销策略被认为是一个最具影响力的营销策略,为企业产生最大的影响(26]。数字营销符合当前经济发展趋势,可以帮助企业逐步建立自己的在激烈的市场竞争优势。数字营销是一个快速增长的领域,营销人员带来新的挑战。它改变了组织和他们的品牌与客户联系方式和处理问题的方法27]。广泛使用先进的计算机网络技术和信息处理技术的营销活动提供了方便企业和客户买卖。数字营销变得越来越重要的在各领域的经济活动(28]。数字营销在新经济社会是一个不可避免的趋势,因为新经济是一个由信息技术和知识经济和网络经济的创新是其核心。新经济时代要求企业采用兼容的营销模式,以促进他们的发展和增长。
数字营销有很大的区别,传统的营销模式:根据传统的营销模式,企业沟通更基于传统媒体沟通的工具和手段,但传统媒体通信是单向信息传播,没有互动。数字营销的传播主要是基于数字搜索引擎和社交媒体。它的宣传是非常人性化的,其良好的互动效果可以帮助公司迅速调整内容和传播策略,并产生重大影响的产品更新。
3所示。机器学习分类算法的建模和预测
3.1。机器学习分类算法建模
机器学习分类算法是监督学习的核心内容。机器学习分类算法的目标是通过培训学习现有的类标签的样本模型,该模型可以预测每个输入样本的类。在机器学习分类算法中,所有可能的输入值的集合称为输入空间。所有可能的输出值的集合称为输出空间。输入和输出空间可以是一个有限的集合元素或整个欧几里得空间。一般来说,输出比输入空间空间会小的多。我们设置了输入量和输出量 。每个特定的输入单元是一个样本,样本信息和属性由属性向量,和空间属性向量存在属性空间的地方。
在样例特征空间中,每个维度对应于一个样本的特性。输入属性向量通常表示为 在哪里代表了我th样本输入和代表了jth的特点我示例输入。机器学习分类算法学习训练的模型或目标函数示例和测试的内存类别测试例子。培训的集合通常表示为例子
输出变量输入变量的类别值吗 。输入变量和输出变量可以是连续的或离散的。机器学习分类算法的映射模型可以表示为一个概率模型或非概率模型。机器学习分类算法包括学习创建一个共同的目标映射函数和基于实例学习。当学习创建一个广义目标映射函数,将使用一组训练的例子学习操作的映射模型,然后将使用映射模型来预测类别测试的例子。模型的学习过程可以分为两个部分,学习系统和预测系统,如图3。
3.2。模型预测
第一,提供了训练样本集,所示(6); 是输入样本的特性和特征空间,然后呢 是输出类别的价值和类别空间。训练样本数据和测试样本数据 都是独立根据联合概率分布。在学习过程中,学习系统使用训练样本集来获得一个映射模型,可以用条件概率分布和决策函数 。输入样本数据预测的预测系统,通过模型及其概率分布是什么
决策函数
相应的分类预测结果 。
模型的假设空间包含所有涉及的条件概率分布和决策功能。假设空间为代表 。假设空间的设置形式 在哪里是一个家庭的功能取决于参数向量:
参数向量来自于n维空间 。
4所示。数字营销模式下的机器学习分类算法
4.1。客户特点下的数字营销模式
为了分析一定的消费品牌的7天内,我们的基本特征进行了统计分析,该品牌的顾客在7天内。收集数据从四个方面:性别、婚姻状况、年龄、和教育客户。首先,客户的比例根据性别和婚姻状况如表所示1。
从男女的比例和数量的已婚和未婚的客户一定品牌表1,可以看出品牌数字营销模式可以吸引更多的女性顾客和未婚客户。这些数据表明,女性顾客或未婚的人更感兴趣的营销活动,他们有更多的自由时间。为了更直观地看到的趋势数据,我们改变了表数据为观察线形图,如图4。
然后,我们分析了客户的年龄和受教育程度,计算客户的数量21岁和60岁之间来显示他们的教育水平。最终结果如图5。
根据图5之后,我们可以知道:从教育水平的角度来看,品牌客户的数量在高中和大学更重要的是,和客户在四个年龄组的平均比例约为7.5%。从年龄的角度来看,品牌的比例在51-60岁至少,这表明一些人在这个年龄段可以接受新的营销模式,但他们的数量仍然太小,他们接受新事物的能力太慢了。
4.2。品牌下的收入数字营销模式
一个品牌的收入很大程度上取决于品牌的宣传度,而间接影响客户的熟悉和对品牌的敏感性。增加程度的品牌宣传,其宣传模式尤为重要。因此,在这一部分中,我们分析的好处不同品牌的宣传方法和灵敏度的客户找到更有利的宣传品牌的方法。图6显示了客户对品牌、品牌宣传的程度,和品牌的销售收入在不同的销售模式。
客户相关数据的敏感性,品牌宣传度,和品牌收入在图6可以看出,在不同的数字营销模式,网络营销品牌带来了75%的收入,这是最高的在四个数字营销模式。此外,它的品牌宣传度也是最好的,是45%。与此同时,在网络营销模式下,客户对该品牌的敏感度达到50%。户外营销模式方面不如其他营销模型客户敏感度、品牌宣传和盈利能力。其客户的敏感性是3%,品牌宣传是5%,和品牌收益是3%。
4.3。数字营销的预测分析模型下的分类算法
我们分析和计算在7天内品牌的相关数据来预测顾客的总数的品牌数字营销模式在接下来的几天里,顾客会购买该品牌,以及客户敏感度和品牌收入。根据提取的数据机器学习分类算法在本文和分类算法用于预测和分析数据集,最后的结果如表所示2。
根据预测结果表2,在接下来的七天,客户的品牌是非常客观的。客户的数量将在周末最大的。根据前面的分析顾客的年龄段,可以看出最大数量的客户在周末的原因是,大多数的顾客是学生或上班族,他们在周末度假。为了直观地观察表中的数据,我们将表中的数据转换成条形图如图7。
在接下来的七天,客户和买家的数量的敏感性最高的品牌将在周末。因此,可以推断,品牌可以获得更好的利润适当宣传其产品或释放一些活动在周末,宣传的程度将会变得更高。
比较不同的方法使用机器学习分类算法的结果,再分类,随机森林等表中可以看到3。
5。结论
数字营销模式是新时代发展的产物在互联网的发展和智能城市建设,这对企业和品牌具有重要的商业价值。与传统营销模式相比,数字营销模式节省了企业和品牌宣传的时候,只需要把产品通过互联网,它可以完成产品宣传,减少人力和物力资源的浪费。其销售模式的变化,不仅方便了企业和品牌,但也为客户。数字营销模式下的交易模式也改变;客户和品牌可以在互联网上工资和收钱,这比传统的交易方式更方便。
本研究使用机器学习的方法来分析品牌数码销售智能城市和过程的上下文中数码销售相关数据分类算法。本文的客户数量、客户特点、程度的品牌宣传、品牌收入数字营销的品牌七日内进行收集和分析。通过机器学习分类算法的建模,品牌的相关数据预计在接下来的七天。通过多次实验数据计算,我们可以得到的数据预测品牌数字营销在未来七天。
本研究通过电子商务数据分析数字营销。虽然研究已经取得了一些进展,仍存在一些不足,需要进一步改进。本文中的数据采集更多的关注客户的相关属性,没有实际意义,因此它需要选择其他的方法。此外,本研究的数据处理由内存是有限的,所以它只能相应地简化操作。为了获得更全面、准确的数据和结果,大量的实验和综合比较各种算法的性能是必要的。
数据可用性
的数据支持本研究的发现可以从相应的作者在合理的请求。
的利益冲突
作者宣称没有利益冲突。