數據挖掘在微信用戶消費行為分析中的應用

唐永平

摘 要：在互聯網應用日益廣泛的當下，微信成為手機端使用頻率最高的社交工具之一。高使用頻率使微信生成了數量龐大的真實內容與有效信息。該文基于所得信息對數據進行深入分析與細致挖掘，并將其運用到客戶、關系鏈的管理與協調中，可助力于線下商家的實時搜索功能，使其就數據智能化的分析結果而達成更為有效的客戶推薦與決策指導。

關鍵詞：數據挖掘 微信用戶 消費行為

中圖分類號：F74 文獻標識碼：A 文章編號：1672-3791（2019）01（a）-00-02

當前，第三產業在國家經濟的比重有所增加，這要求企業需巧妙運用知識、滿足客戶的服務要求。然而大量有效知識信息往往以原始狀態存在并保留下來，現階段數據庫所進行的錄入、統計與查詢過程，并未對原始數據實現有效的二次加工。日趨龐大、爆炸化的信息內容停留于初級階段，并未形成有效化的知識體系。這就意味著，應用某一方法將實用信息從巨額數據中挖掘出來在當前的知識體系建構中很有必要。

1 數據挖掘方法

1.1 統計方法

傳統統計學為統計數據提供了多樣化道德判別與分析方法，如貝葉斯推理、回歸分析、方差分析等。貝葉斯推理是知曉新信息后進行數據集概率分布的修正工具，對于數據中的分類問題有著較強的應用能力。而回歸分析則致力于尋找到輸入變量和輸出變量關系的最佳模型，如有的以某一變量與其他變量的變化趨勢作為分析對象；有的則以某些事件的發生進行概率建模行為、實現預測變量集關系的線性回歸。方差分析則多用于回歸直線性能、自變量這些因素對最終回歸的影響估值與分析。上述分類分析方式能夠有效服務于數據挖掘具體操作與運用流程。

1.2 關聯規則

作為一類使用范圍極光的分析手段，關聯規則以其有效性作用于某事物的屬性探討與規律掌握。基于此，關聯原則在大型數據集的運用與探討過程中有著廣泛的應用。由于較少受到單一化變量這一要素的限定，它的運用范圍極廣。在實際的算法發掘過程中，它可以實現對基礎化、體系化數據庫全面有效地進行分析探討，廣泛服務于數據庫的后續應用。但這并不意味著所有已關聯規則所發現的屬性都具備實際化的應用性價值，在運用過程中負責人需形成較強的規則評判力、篩選出有意義的關聯規則。

1.3 聚類分析

聚類分析有其特定選取的樣本空間，并以一定的關聯性特征作為衡量手段進行小組式劃分，并以此有效保證了樣本本身的有效性程度。聚類分析的常用技術主要有分裂算法、凝聚算法、劃分聚類法和增量聚類法等。聚類方法在樣本內部關系的探討過程中有著較高的使用度，對樣本內部結構有著較強的評判能力；同時聚類分析對于孤立點的檢測也較為適用。不過聚類分析算法的有效性也有其特定的范圍，在聚類算法的運用前期需對數據本身的聚類趨勢實施較為規范的檢驗工作。

1.4 決策樹方法

決策樹學習以根結點至葉結點為其特殊的排布方式，且各葉子結點即為實例的分類依據，講求以迫近離散值目標函數的方式來實現學習過程。決策樹中各結點的分布結果顯示了具體案例中的屬性情況，結點后續分支則分別對應了其可能的屬性值。決策樹在分類實例炭疽方面，以樹木根部結點為起始部位，并沿樹枝蔓延情況完成對數據的后續分析與探究，以此完成對某一屬性值的合理化測視。這一方法在數據挖掘的實際案例中的運用有著極為廣泛性和普遍化。

1.5 神經網絡

神經網絡以龐大的基礎數據庫作為核心對象，并以自學式的數學模型作為其依托，基于此對人類個體乃至于計算機的腦部神經進行了運行模范的有效抽離與發展趨向的先行描摹。神經網絡在具體表現上可以是有指導的學習也可以是物質導聚類，但神經網絡的數值輸入都以數值形式體現出來。人為化的神經元網絡主要就人類個體的腦部神經元進行了抽象化、虛擬化的結構處理，可分為三大類別，其中又涵納了非線形映射特性、信息分布存儲、信息并行處理及全局集體等多維度、多方面的職能與功用，是有著高度自學性、自組織、自適應能力的龐大功能庫。

2 微信數據挖掘的應用

2.1 客戶關系管理

微信公眾平臺在實際生活中能夠對較低端的小型商家實現初步的客戶關系梳理即CRM。商家可依托于第三方公司進行微網站建設，完成相應的會員卡制作、客戶信息收集與統計，這將有效提升商家客戶管理的效率。依托于微信公眾平臺的保存方式，能夠有效避免實體會員卡的丟失、遺忘問題。

2.2 關系鏈管理

作為微信的主體功能，微信通信錄集結了親朋好友、客戶同事等各類社交關系網絡、社會人際關系鏈，此外微信群聊、公眾平臺、通過“搖一搖”所添加的陌生人等也對有一定社會關系承擔能力。在進行數據挖掘時，應重視對上述社交關系網絡、社會人際關系鏈的有效挖掘，這也是數據統計工作的應有之義。

2.3 數據智能分析和決策指導

現階段，淘寶主動為店鋪賣家提供數據分析功能，以使賣家更好地完成對銷售情況的掌握。而微信用戶的數據引入，則能從更為細致、深入的維度輔助于商家的經營決策過程。實際上，這一改變于無形成強化了人工智能在商業行為中的應用能力，是對微信數據的有效利用。

2.4 實時的線下商家搜索

現有微信版本的附近人查找已具備微信會員卡的商家查找功能，對于實現線上與線下兩平臺的互通有無效用極佳。在微信應用范圍日趨廣大的態勢下，平臺本身的開放性也已達成。如微盟等載體便以規范化、秩序化標準對具體流程的管理、實際金額的支付等各大環節進行了二次更新，使微信以豐富多彩、秩序井然的面貌出現于使用者視野之中。這這也意味著，微信這一社交軟件必然演變為國內影響力最大的O2O媒介之一。

2.5 基于用戶行為分析的精準推薦

一些商用信息本身是有著商業價值的，但卻往往因用戶不需要而蓋上“垃圾短信”“垃圾郵件”的帽子。而當微信公眾平臺自身對用戶進行了量化數據分析之后，商家可有選擇、有目的地完成信息發送行為。當信息接收者與信息需要者的身份達成一致，短信本身的預期效果也得以達到最佳。

3 現階段微信平臺的數據統計與分析功能

3.1 用戶訪問量的統計

微信的用戶分析功能集中于用戶增長量與用戶屬性兩個維度。前者多以圖標等量化數據形式關注公眾平臺的用戶數量的浮動變化，而后者則以地區、性別、于語言等類型化標準對關注用戶進行細致化的數據分類處理。

3.2 圖文閱讀量的統計

圖文分析是現階段微信不可忽視的功能類別之一，主要涵括了兩大內容：一是所推送文章在一定時間段內的閱讀額與轉發量，時間單位為某一階段；二是當日原文的翻閱額與具體轉發量，時間單位為1天。

3.3 消息分析功能

消息分析功能是微信長期以來都具備的數據統計功能，用戶數量之浮動為其基礎化的內容。而本次版本更新則以1天作為基本時間單位、實現了對用戶數量與所發出信息量進行了更為詳盡化、細致化的量化考察。現有版本的數據統計功能則基于已有功能，呈現出了對原有統計功能的大幅度增強。早前的公眾平臺無法對推送賬號的實際打開數據進行全面統計，所得數據基本以內容質量及關注用戶為基礎、反向推算所得。這就意味著所得數據并不能為營銷服務的品質高低提供清晰明確的量化數據。而此次公眾平臺功能優化與升級的根本意義在于，平臺內部的原有功能得到了更為透明的公開與更為細致的量化。這意味著以微信為核心的代理式運維、推廣式營銷等各類業務將不得不轉變原有理念以適應上述變動的發生。

4 結語

現階段，互聯網以其高速化、迅猛化的發展苗頭對人類日常生活產生了不可忽視的影響，大數據時代的到來已成必然。這也意味著，人類行為幾乎已成為可預測的內容之一。而微信也以其不可忽視的普及化程度，呈現出不可忽視的商貿化價值。

參考文獻

[1] 朱建平，來升強.時態數據挖掘在手機用戶消費行為中的應用[J].數理統計與管理，2008（1）：42-53.

[2] 胡暢. 用戶行為分析系統設計[D].湖北工業大學，2011.