1、從海量的零售信息中提取有意義的數(shù)據(jù)為企業(yè)營銷創(chuàng)造價值是眾多企業(yè)共同需要解決的問題，然而面對海量數(shù)據(jù)如果僅僅采用傳統(tǒng)的統(tǒng)計方法來分析不僅無法滿足大數(shù)據(jù)環(huán)境下高效處理的要求，而且往往很難得到想要的結果，同時由于海量數(shù)據(jù)中存在的模糊性與不確定的表達將使得數(shù)據(jù)建模變得更加困難，也就無從開展精準推送營銷，基于此本文從海量的零售數(shù)據(jù)中提取衡量客戶價值的RFM模型指標，通過RFM模型指標提取客戶特征屬性構建用戶畫像標簽，對用戶畫像標簽的模糊性與不確定

2、性通過云模型和本體思想來構建用戶畫像模型，從而實現(xiàn)面向消費市場的精準推送。具體研究內容如下:
　　(1)數(shù)據(jù)預處理:如何從海量的零售信息中提取用戶的共同特征，本文從海量的零售信息數(shù)據(jù)庫中按照分層抽樣的思想隨機抽取具有代表性的樣本數(shù)據(jù)，在保證抽樣數(shù)據(jù)符合標準格式要求的前提下，重點研究了在海量數(shù)據(jù)環(huán)境下如何實現(xiàn)最優(yōu)分配以及如何對抽樣性能評估，保證樣本數(shù)據(jù)在一定條件下能夠反映全量數(shù)據(jù)的整體全貌。
　　(2)用戶畫像標簽處理:從抽樣

3、數(shù)據(jù)中提取RFM模型指標，針對抽樣數(shù)據(jù)中該類指標的不確定性與模糊性的特點，本文引入云模型理論和本體技術，通過高斯云發(fā)生器將RFM指標轉換為基于云模型的RFM指標（時間間隔云模型、消費頻率云模型、消費金額云模型）來構建群體價值畫像標簽體系，通過本體思想對用戶屬性進行表示、解釋和推理來構建用戶個體畫像標簽體系。
　　(3)用戶畫像建模:用戶畫像力求借助用戶個性化的標簽來反映用戶信息全貌，標簽的選取直接影響用戶畫像的建模的成功與否，本文

4、基于云模型的RFM指標構建用戶價值畫像模型，同時通過用戶個體屬性來構建個體用戶畫像模型。為了對云模型領域的用戶畫像聚類分析，本文對傳統(tǒng)的K-Means聚類算法進行改進，設計了基于云模型的聚類算法。在該算法的基礎上可以根據(jù)具體的業(yè)務場景得到不同的用戶畫像模型。
　　(4)精準推送階段:通過云模型畫像聚類對客戶群體進行價值分類，建立群體與服務之間的關聯(lián)，通過本體推理對零售戶建立個體與產(chǎn)品之間的關聯(lián)，實現(xiàn)由服務（群體）到產(chǎn)品（個體）的二