Ağ arama verilerine dayalı olarak marka otomobil satışlarını tahmin etme araştırması
Xie Tianbao, Cui Tian
(Xi'an Teknoloji Üniversitesi, Xi'an, Shaanxi 710054)
Özet: Büyük veri çağının ortaya çıkmasıyla birlikte, ağ verilerine dayalı uygulama araştırması bir sıcak nokta haline geldi. Marka otomobil satış tahminini amaçlamak, geleneksel korelasyon analizini LASSO tabanlı özellik seçim yöntemleriyle birleştirmek, ilgili markalar için web arama verilerinin temel özelliklerini seçmek ve ardından LASSO doğrusal regresyon oluşturmak, vektör regresyonunu ve rastgele ormanı desteklemek için üç tür makine öğrenimi Modeli tahmin edin ve geleneksel ARIMA modeliyle karşılaştırın ve analiz edin. Deneysel sonuçlar, rastgele orman modelinin ortalama tahmin hatasının ARIMA modelinden 12,2 puan daha düşük olan% 6,4 olduğunu göstermektedir Tahmin sonuçları, otomobil şirketlerinin üretim planlama ve pazarlama planları için etkin karar desteği sağlayabilir.
İnternet arama verileri; araba satış tahmini; LASSO özellik seçimi; makine öğrenimi algoritması
Çin Kütüphanesi Sınıflandırma Numarası: F272.1; TP181 Belge tanımlama kodu: Bir DOI: 10.19358 / j.issn.2096-5133.2018.08.012
Teklif biçimi: Xie Tianbao, Cui Tian İnternet Arama Verilerine Dayalı Marka Otomobil Satış Tahmin Araştırması J. Bilgi Teknolojisi ve Ağ Güvenliği, 2018, 37 (8): 50-53.
Ağ arama verilerine dayalı marka araç satış tahmini üzerine araştırma
Xie Tianbao, Cui Tian
(Xian Teknoloji Üniversitesi, Xian 710054, Çin)
Öz: Büyük veri çağının gelişiyle birlikte, ağ verilerine dayalı uygulama araştırması sıcak bir nokta haline geldi.Marka araba satış tahminini amaçlayan bu makale, web aramasının temel özelliklerini seçmek için geleneksel korelasyon analizini LASSO özellik seçim yöntemiyle birleştirdi. ilgili markaların verilerini ve daha sonra ceza doğrusal regresyon, destek vektör regresyon ve rastgele orman olmak üzere üç makine öğrenimi tahmin modeli oluşturmuş ve geleneksel ARIMA modeliyle karşılaştırılmıştır.Deneysel sonuçlar, rastgele orman modelinin ortalama tahmin hatasının% 6,4 olduğunu, ARIMA modelinden% 12,2 daha düşük olan tahmin sonuçları, otomobil üretim işletmelerinin üretim planlaması ve pazarlama planı için daha etkin karar desteği sağlayabilir.
Anahtar kelimeler: ağ arama verileri; araç satış tahmini; LASSO özellik seçimi; makine öğrenimi algoritması
0 Önsöz
Son yıllarda, Çin'in otomobil üretimi ve satışları hızlı bir büyüme gösterdi ve toplam üretim ve satışlar tekrar tekrar rekor seviyelere ulaştı.Çin Otomobil Üreticileri Derneği'nin istatistiklerine göre, Çin'in otomobil üretimi ve satışı 2016'da 28 milyonu aşarak sekiz yıl üst üste dünyada ilk sırada yer aldı [1]. Sahibinin ana web sitesinden sağlanan verilere göre, Çin'in satış hacminde ilk on marka 2009'dan 2016'ya% 55,84'tü. Çinli otomobil tüketicileri için marka etkisi çok önemli. Bununla birlikte, otomobil üreticilerinin ölçek ekonomilerini takip etmede belirli bir ölçüde körlüğü var ve bu da kapasite fazlası sorununun giderek daha belirgin hale gelmesine neden oldu. Otomobil üreticileri, ağır koşullar altında gelecekteki pazar talebini ve olası değişen eğilimleri dikkatlice analiz etmeli, üretim planlarını makul bir şekilde planlamalı ve satışlara dayalı üretim stratejileri benimsemelidir. Bu nedenle, satışların nasıl doğru bir şekilde tahmin edileceği, otomobil üreticilerinin pazar koşullarını incelemesi ve üretim ve yönetim stratejilerini zamanında ayarlaması için son derece önemlidir. Yapay zekanın ortaya çıkması ve ağ verilerine dayalı tahmin araştırmalarının yaygınlaşmasıyla birlikte, ağ arama verilerinin otomobil satışlarının tahminine uygulanması bir araştırma odağı haline geldi.
Geleneksel otomobil satış tahmin araştırmalarında kullanılan ana yöntemler gri sistem teorisi [2], zaman serisi modeli [3] ve yapay sinir ağı [4] vb. Bununla birlikte, bu çalışmalarda kullanılan veri zaman tanecikliği nispeten büyüktür ve araştırma nesneleri çoğunlukla Çin'de yoğunlaşmıştır. Araştırma sonuçlarını toplam yıllık otomobil satışları tahminine uygulamak ve tanıtmak zordur. Literatür [5], çevrimiçi anahtar kelime arama verilerinin ve otomobil satışlarının teorik çerçevesinin oluşturulmasına, anahtar kelimeleri seçmek ve anahtar kelime sentezini gerçekleştirmek için otomatik öneri teknolojisini kullanmaya ve ardından farklı fiyat aralıklarında otomobil satışlarını ve karşılık gelen sentetik endeksleri modelleyip tahmin etmeye dayanmaktadır. Ortalama mutlak hata yüzdesi% 4'ü geçmez, ancak aynı fiyat aralığında birçok farklı marka modeli vardır ve tahmin sonuçları değerli karar desteği sağlayamaz; literatür [6] ve literatür [7] Volkswagen Tiguan ve BMW'nin satışları hakkında tahmin araştırması yapar. Ağ verileri için anahtar kelimeleri manuel olarak seçerek, Baidu anahtar kelimelerini açıklayıcı değişkenler olarak ekleyen modelin, geleneksel ARMA modeline kıyasla tahmin doğruluğunda belirli bir iyileşme sağladığı bulunmuştur; literatür [8] ekonomik değişkenleri ve Google'ın çevrimiçi arama verilerini kullanır Aylık otomobil satış verilerini tahmin etmek için çok değişkenli bir model oluşturuldu. Sonuçlar, Google arama verilerini içeren modellerin, tahmin alanındaki çoğu geleneksel modeli istatistiksel olarak aştığını gösterdi. Literatür [9], arama verilerinin temel özelliklerini seçmek için bir yöntem önerdi, ancak Sonuç olarak, bu seçim yöntemi, kaçınılmaz olarak etkili bilgi kaybına neden olacak en ilgili anahtar özelliği korur.
Özet olarak, mevcut araştırma problemleri, araştırma nesnelerinin yanlış seçimini ve zaman ayrıntı düzeyini, ağ veri özelliği analizi ve seçimi için bilimsel bir sistem henüz oluşturulmamıştır ve geleneksel model tahmin performansının sınırlamaları vardır. Bu makale, ağ arama verilerini temel almayı, araştırma nesnesi olarak marka otomobil satışlarını almayı, zaman ayrıntı düzeyini aylık olarak seçmeyi, geleneksel korelasyon analizini LASSO tabanlı özellik seçim yöntemiyle birleştirmeyi, en uygun temel özellik verilerini taramayı ve ardından birden çok makineyi uygulamayı amaçlamaktadır. Öğrenme algoritması, daha hedefli, daha doğru ve daha değerli bir marka otomobil satış tahminine ulaşmak için marka otomobil satışları için bir tahmin modeli oluşturur.
1 Web arama verilerinin temel özelliklerinin seçimi
Bu makale, araştırma nesneleri olarak "Volkswagen", "Honda" ve "Audi" üç temsili markayı seçiyor ve her markanın Ocak 2011'den Aralık 2017'ye kadar aylık satış verilerini toplıyor. Tüketicilerin satın alma karar sürecine göre, tüketicilerin araba satın alma ihtiyaçları olduktan sonra, çoğu otomobil alıcısı ihtiyaç duydukları bilgileri arama motorları aracılığıyla internetten hızlı bir şekilde elde edecekler Anahtar kelime arama, çevrimiçi bilgi arama için en yaygın kullanılan stratejidir. Web arama verilerinin temel özelliği olarak kullanıcı arama anahtar kelimelerini kullanın. Bu makale, çevrimiçi arama anahtar kelimelerinin veri kaynağı olarak yerel olarak en yaygın kullanılan Baidu arama motorunun Baidu Endeksini seçmektedir. Aşağıda, ayrıntılı açıklama için örnek olarak "Volkswagen" marka bir araba verilmiştir.
1.1 Anahtar kelime seçimi ve genişletme
Bu belge, Volkswagen marka otomobillerle ilgili haberler, forum makaleleri, incelemeler, paylaşımlar ve alışverişler gibi İnternette arama yapmak ve bilgi toplamak için otomobil markası, sıcak satış model bilgileri, model yapılandırma indeks verileri vb. Gibi bilgilerin çeşitli yönlerini birleştiren metin madenciliği yöntemini benimser. Bazı gereksiz bilgileri kaldırdıktan sonra, NLPIR Çince kelime segmentasyon sistemi, bir anahtar kelime listesi ve ağırlıkları elde etmek için orijinal metinden anahtar kelimeleri çıkarmak ve "Volkswagen", "Volkswagen 4S mağazası" ve "Volkswagen SUV" için daha yüksek ağırlıkları seçmek için kullanılır. "," Volkswagen POLO "," Volkswagen Ticari Araç "vb. İlk anahtar kelimelerdir. Daha sonra, seçilen ilk anahtar kelimelerin etrafında, daha fazla sayıda anahtar kelimeyi genişletmek için uzun anahtar kelime genişletme yöntemi, web yöneticisi araçları ve web ile ilgili arama önerileri kullanıldı. Yinelenen veya belirsiz anahtar kelimeleri hariç tuttuktan sonra, 276'lık bir dizi oluşturuldu. Bir anahtar kelimenin ilk sözlüğü.
1.2 Anahtar kelime arama indeksinin korelasyon analizi
İlk olarak, aynı zaman diliminde ilk eşanlamlılar sözlüğündeki her bir anahtar kelimenin aylık arama verilerini elde etmek için web gezgini aracını kullanın ve anahtar kelime arama verilerini önceden işleyin (eksik verileri olan anahtar kelime verilerini 6 aydan fazla kaldırın veya arama dizini çok düşük) ve son olarak Gereksinimleri karşılayan 118 anahtar kelime için arama verileri. Ancak her anahtar kelime arama verisi gerçek satışlarla ilgili değildir. Bu nedenle, bu makale ilk olarak her bir anahtar kelime arama verisinin ve Volkswagen marka otomobil satışlarının Spearman sıra korelasyon katsayısını belirlemek için geleneksel korelasyon analizi yöntemini uygular ve korelasyon katsayısı 0,5'ten büyük (önemli ölçüde ilişkili), toplamda 37 anahtar kelimeyi seçer. Daha sonra, bir önceki adımda seçilen anahtar kelime arama indeksinin ve Volkswagen marka otomobil satışlarının gecikme süresinin 1 ila 3 adım aralığında olduğunu belirlemek için zaman farkı korelasyon analizini kullanın (İnternet arama davranışı anlık bir davranıştır ve araba satın almak önemli bir şeydir) Ekonomik kararlar, tüketiciler genellikle bir satın alma kararı vermeden birkaç ay önce ilgili bilgileri aramaya başlarlar).
Mevcut araştırmanın genellikle korelasyon analizinin sonuçlarıyla başa çıkmak için iki yöntemi vardır: birincisi, tek açıklayıcı değişken olarak doğrudan en ilgili olanı seçmektir; ikincisi, sentezlenmiş anahtar indeksini açıklayıcı değişken olarak kullanmak için dizin sentezi yöntemini kullanmaktır. Her iki yöntem de kaçınılmaz olarak etkili bilgi kaybına yol açacaktır. Bununla birlikte, tüm açıklayıcı değişkenler tutulursa, açıklayıcı değişkenler arasında çoklu bağlantı da olabilir.Bu nedenle, bu makale özellikleri daha fazla analiz etmek ve seçmek için korelasyon analizi temelinde LASSO algoritmasını uygular [10].
1.3 LASSO'ya göre özellik seçimi
Yüksek boyutlu veri değişken seçim yöntemlerinin araştırma alanında, Tibshirani, 1996 yılında sıradan doğrusal model altında En Az Mutlak Küçültme ve Seçme İşlemi (LASSO) algoritmasını önermiştir. LASSO algoritması, kayıp fonksiyonundan sonra bir ceza terimi (yani L1 normal terimi) ekler. , L1 normal terimi denklemin seyrekliğini sınırlayabilir ve bu seyreklik özellik seçimine uygulanabilir.Geleneksel algoritmalarla karşılaştırıldığında, bu yöntem sürekli değişkenleri seçerken model parametresi tahminini gerçekleştirebilme avantajına sahiptir [11] . Dahası, LASSO algoritması açıklayıcı değişken çoklu bağlantı problemini etkili bir şekilde çözebilir, böylece daha sonra oluşturulan modelin istikrarlı bir performansa sahip olması sağlanır.
Önceki bölümdeki korelasyon analizi sonuçlarına göre, anahtar kelime arama verilerini analiz etmek ve özellikleri seçmek için glmnet paketinin R dilinde uygulanan LASSO algoritması kullanılmaktadır. Modelin Lambda çözüm yol diyagramını analiz ederek, ceza arttıkça daha fazla değişken katsayıların 0'a sıkıştırılacağı ve Lambda daha büyük olduğunda hala sıfır olmayan katsayılara sahip olan değişkenlerin daha önemli olduğu görülebilir. Değişkenleri açıklama [12-13]. Bu çalışmada, değerlendirme indeksi olarak ortalama mutlak hata (MAE) seçilmiştir ve çapraz doğrulama yoluyla optimal Lambda değeri elde edilmiştir.Model MAE ve Lambda arasındaki ilişki Şekil 1'de gösterilmiştir.
Şekil 1'de soldaki noktalı çizgi, MAE modeli en düşük olduğunda Lambda değeri olan en iyi Lambda değeridir (lambda.min = 0.143065). Şu anda, sıfır olmayan katsayılara sahip değişkenlerin sayısı önceki 37'ye kıyasla sadece 12'dir. Anahtar kelime özelliği verileri büyük ölçüde azaltıldı. Katsayı parametrelerine bakılarak modelin Kesişimi 5.630547963 olarak elde edilebilir. 2. Seçilen anahtar kelime değişkenleri ve bunlara karşılık gelen parametre tahminleri Tablo 1'de gösterilmiştir.
Bu noktada, bu makale önce anahtar kelimeleri seçer ve genişletir, ardından arama verileri anahtar kelime seçimini uygulamak için geleneksel korelasyon analizini LASSO tabanlı özellik seçimi ile birleştirir ve son olarak "Volkswagen" marka otomobiller için 12 İnternet arama veri anahtarını seçer. özelliği. Aynı yöntem kullanılarak "Honda" ve "Audi" marka otomobillere karşılık gelen İnternet arama verilerinin temel özellikleri sırasıyla 12 ve 13 olacak şekilde filtrelenmiştir.
2 Deneysel analiz ve tartışma
LASSO algoritmasının uygulanması, açıklayıcı değişkenlerin çoklu bağlantı problemini etkin bir şekilde çözer.Aynı zamanda, özellik seçimi sürecinde LASSO doğrusal regresyon modelinin parametre tahmini de elde edilir.Bununla birlikte, model ve mevcut araştırmalar çoğunlukla en küçük kareler yöntemine dayalı doğrusal regresyon kullanır. Model, değişken varyans ve açıklayıcı değişken ile açıklanan değişken arasındaki doğrusal olmayan ilişkiyi çözemez, bu da katsayı tahmininin varyansını artıracak, kararsız katsayı tahmini ile sonuçlanacak ve aykırı değerlere çok duyarlı, bu da regresyon çizgisini ciddi şekilde etkileyecektir. , Sonuçta tahmin edilen değerin doğruluğunu etkiler [14]. Bu nedenle bu makale, modeller oluşturmak ve ayrıntılı karşılaştırmalı analiz yapmak için iki doğrusal olmayan makine öğrenimi algoritması seçmektedir.
Bu makale, eğitim seti olarak Ocak 2011'den Aralık 2016'ya kadar olan verileri ve test seti olarak 2017'nin 12 ayını seçmektedir. R dili, "Volkswagen", "Honda" ve "Audi" marka otomobiller için satış tahminlerini oluşturmak için kullanılır. Destek vektör regresyon modeli ve rastgele orman modeli benimsenmiştir ve model parametrelerini minimum MAE değeri ilkesine göre optimize etmek için grid arama yöntemi (GridSearch) kullanılır.Aynı zamanda, geleneksel zaman serisi tahmin modeli-otoregresif integral hareketli ortalama model ( ARIMA) kapsamlı bir karşılaştırmalı analiz yapmak için. Farklı modellerin tahmin yeteneklerini etkili ve sezgisel olarak ölçmek için, bu makale tahmin sonuçlarını değerlendirmek için iki gösterge, kök ortalama kare hatası (RMSE) ve ortalama mutlak yüzde hatası (MAPE) seçer.Her model test setinin tahmin sonuçları Tablo 2'de gösterilmiştir.
Tablo 2'den hem RMSE hem de MAPE'nin makine öğrenme modelinin tahmin etkisinde önemli avantajlara sahip olduğu görülmektedir.Geleneksel zaman serisi ARIMA modeli ile karşılaştırıldığında, tahmin doğruluğu büyük ölçüde iyileştirilmiştir ve MAPE gösterge sonuçlarından, ARIMA modelinin farklı otomobil satış markalarının tahminlerinde çok büyük farklılıkları vardır (Audi, Honda'dan yaklaşık% 15 daha yüksektir) ve makine öğrenimi modelinin tahmin performansı nispeten sabittir. Tüm modeller arasında en iyi performans, ARIMA modelinden yüzde 12,2 puan daha düşük olan ortalama tahmin hatası% 6,4 olan rastgele orman modelidir. Literatür [15] ve [16] ile karşılaştırıldığında, aynı markanın Volkswagen ve Audi otomobillerinin aylık satışlarının MAPE tahmini Sırasıyla% 2,81 ve% 4,63 oranında azaltılan tahmin doğruluğu önemli ölçüde iyileştirildi. Esasen, çevrimiçi arama verileri ile karşılık gelen otomobil markalarının satışları arasındaki ilişki tamamen doğrusal bir ilişki değildir.Doğrusal olmayan ilişkinin derecesi doğrusal ilişkinin derecesinden daha büyük olmalıdır. Bu nedenle, iki doğrusal olmayan makine öğrenimi modelinin tahminleri daha doğrudur. .
Şekil 2'de gösterildiği gibi her model test setinin tahmin edilen değeri ile gerçek değeri arasındaki karşılaştırmayı göstermek için örnek olarak "VW" yi alın. LASOO doğrusal regresyon modelinin (Şekil (b)) ve destek vektör regresyon modelinin (Şekil (c)) tahmin doğruluğunun ARIMA modelinden (Şekil (a)) önemli ölçüde daha iyi olduğu görülebilir (Şekil (a)) ARIMA modeli satışların temel eğilimini tahmin edebilmesine rağmen, Bununla birlikte, genel tahmin etkisi nispeten zayıftır ve yukarıdaki üç modelin tepe hassasiyeti düşüktür, yani tepe tahmin hatası nispeten büyüktür. Rastgele orman modeli (şekil (d)) ile karşılaştırılarak, rastgele orman modelinin diğer modellere kıyasla en yüksek tahmin doğruluğunda önemli bir farka sahip olduğu açıkça ve sezgisel olarak görülebilir. Açıkçası, rastgele orman modelinin tepe noktası ve genel tahmin sonuçları Her ikisi de daha kesin. Araba markası tanesinin aylık satış tahmini problemi için, web arama verilerinin temel özelliklerine dayalı rastgele bir orman modeli oluşturmanın pratik bir çözüm olduğu sonucuna varılabilir.
3 Sonuç
Bu makale, anahtar kelimelerin seçimi ve genişletilmesi yoluyla araştırma nesnesi olarak marka otomobil satışlarını alır, korelasyon analizini LASSO tabanlı özellik seçimi ile birleştirir ve son olarak, farklı otomobil markaları için web arama verilerinin temel özelliklerini tarar ve çoklu doğrusallığı çözer ve Aşırı uydurmanın azaltılması temelinde en etkili veriler korunur ve ardından sırasıyla geleneksel zaman serisi modeli ve üç makine öğrenme modeli oluşturulur.Deneysel sonuçların analizi sonucunda makine öğrenimi modelinin tahmin etkisinin önemli avantajlara sahip olduğu bulunmuştur. Model, en iyi performansı öngörür. Bu yazıda önerilen web arama verilerine dayalı tahmin yöntemi, sonraki otomobil satışlarını tahmin etmek için önceki web arama verilerini kullanabilir ve ilgili markanın otomobil üreticileri, tahmin sonuçlarına göre işletmenin üretim ve pazarlama stratejilerini zamanında ayarlayabilir. Modelin güvenilirlik testi ve yaygınlaştırılması bir sonraki araştırma yönüdür.
Referanslar
[1] Çin Otomobil Üreticileri Birliği. Çin Otomobil Endüstrisinin Geliştirilmesine İlişkin Yıllık Rapor (2016) [M]. Pekin: Sosyal Bilimler Literatürü Basını, 2016.
2 Huang Qi. Gri Teorisine Dayalı Otomobil Satış Tahmin Araştırması J. Makine İmalatı, 2013,51 (4): 78-80.
3 Hu Yanjun ARIMA modelinin otomobil satış tahmininde uygulanması ve SAS J 'nin gerçekleştirilmesi Hebei Enterprise, 2012 (4): 11-12.
[4] Wang Xutian, Çin'in otomobil satışlarının BP sinir ağına dayalı tahmini ve analizi D Shanghai. Şangay: Donghua Üniversitesi, 2016.
[5] Yuan Qingyu, Peng Geng, Liu Ying, vb. İnternet Anahtar Kelime Arama Verilerine Dayalı Otomobil Satış Tahminine İlişkin Araştırma J Management. Management Scientist (Academic Edition), 2011 (1): 12-24.
[6] Kong Lingding İnternet Arama Hacmine Dayalı Volkswagen Tiguan Otomobil Satış Tahmin Araştırması J. Times Finance, 2015 (30): 222,226.
[7] Wang Shouzhong, Cui Dongjia, Peng Geng Web arama verilerine dayalı BMW otomobil satış tahminleri üzerine araştırma J. Economist, 2013 (12): 22-24, 26.
8 FANTAZZINI D, TOKTAMYSOVA Z. Google verilerini ve çok değişkenli modelleri kullanarak Alman otomobil satışlarını tahmin etmek J. International Journal of Production Economics, 2015,170: 97-135.
[9] Li Yi, Wen Rui, Yang Licheng İnternet Arama Endeksi ve Otomobil Satışları Arasındaki İlişki Araştırması Metin Madenciliğine Dayalı Anahtar Kelime Edinimi J. Modern Bilgi, 2016, 36 (8): 131-136, 177.
[10] Zhao Dongbo Doğrusal regresyon modelinde çoklu bağlantı üzerine araştırma D Jinzhou: Bohai Üniversitesi, 2017.
[11] Li Feng, Gai Yujie, Lu Yiqiang.Ölçüm hatası modelinin uyarlanabilir LASSO değişken seçim yöntemi üzerine araştırma J. Science in China: Mathematics, 2014, 44 (9): 983-1006.
12 Liu Xiaoning.Lasso özellik seçimine dayalı yöntemlerin karşılaştırılması J. Journal of Anhui Meslek Yüksek Okulu Elektronik ve Bilgi Teknolojisi, 2014, 13 (1): 26-30.
[13] Li Chunhong, Wu Ying, Qin Chaoyong LASSO değişken seçim yöntemine dayalı çevrimiçi reklam tıklama oranının tahmin modeli üzerine araştırma J. Matematiksel İstatistik ve Yönetim, 2016,35 (5): 803-809.
[14] Guo Pi, Wang Li, Hao Yuantao. LASSO regresyon modeline ve Baidu arama verilerine dayanan grip salgın tahmin sistemi J. Çin Sağlık İstatistikleri, 2017, 34 (2): 186-191.
[15] Cui Dongjia Büyük veri çağının arka planı altında marka otomobil satış tahminleri üzerine ampirik araştırma [D] Kaifeng: Henan Üniversitesi, 2014.
[16] Tian Ruifeng Audi'nin Çin'deki satışlarını sezonluk bir sürüş modeli ile tahmin ediyor J. İstatistik ve Yönetim, 2016 (8): 70-71.
(Geliş Tarihi: 2018-04-03)
Yazar hakkında:
Xie Tianbao (1966-), erkek, doktora, doçent, ana araştırma yönü: veri madenciliği, e-ticaret ve karar desteği.
Cui Tian (1991-), muhabir yazar, erkek, yüksek lisans öğrencisi, ana araştırma yönü: veri madenciliği, e-ticaret. E-posta: 328348221@qq.com.
