數據挖掘技術在電子商務中的應用

郭澤穎 張斐斐

【摘要】電子商務是時下熱門的現代商業模式，數據挖掘是大數據背景下先進的信息處理技術。隨著用戶信息和商業需求的急劇增加，個性化服務的需求與日俱增。本文基于現今電子商務領域特別是客戶關系管理中對數據挖掘的應用情況進行了研究與總結，并分析了數據挖掘的功能和應用流程，探討了數據挖掘在電子商務中應用中可能存在的一些問題及其發展前景。

【關鍵詞】數據挖掘;電子商務;客戶關系管理

1.引言

現代化科技飛速發展，商業模式也在不斷融入新技術以擴大企業盈利。因此具備智能化需求的電子商務也應運而生。對電商企業而言，用戶的消費行為、購買習慣等信尤為重要的。在大量的用戶信息中抽取出隱含的、具有潛在價值的規律，分析用戶對產品的潛在偏好，這是數據挖掘的研究目的。如今，電子商務與數據挖掘的結合應用已成為一大研究熱點。本文針對數據挖掘在電子商務中的應用情況，對相關技術進行介紹，分析其可行性，討論發展過程存在的一些問題，并闡述數據挖掘在該領域的發展前景。

2.電子商務與客戶關系管理

電子商務是傳統商業活動各環節的電子化、網絡化。交易雙方不需要見面就能夠進行各種商貿活動、交易活動、金融活動和相關的綜合服務活動。其中，客戶關系管理（簡稱 CRM）是企業活動面向長期的客戶關系，以求提升企業成功的管理方式，其目的之一是要協助企業管理銷售循環。

3.數據挖掘技術

數據挖掘，就是從大型數據庫中抽取有意義的（非平凡的，隱含的，以前未知的并且是有潛在價值的）信息或模式的過程。它融合了數據庫、人工智能、機器學習、統計學等多個領域的研究內容。目前與商業問題相關的數據挖掘算法很多，比較典型的有關聯分析、聚類分析、分類分析、時間序列模式分析、回歸分析等。

4.數據挖掘技術在電子商務中的應用

4.1 電子商務中數據挖掘過程

數據挖掘在電子商務中的運用過程中大致需要以下幾個階段：

4.1.1 業務對象的確定與問題定義

在電子商務領域中運用數據挖掘技術，首先企業應聯系實際，準確定義業務中存在的問題，確定在客戶關系管理（CRM）中的操作對象和所期望的商業目標，在此基礎上收集數據，進行預處理工作，為后期建立預測模型夯實基礎。

4.1.2 數據準備

數據準備是非常重要的一步，數據質量至關重要。這個過程包括數據收集、處理及轉換。1）數據收集：數據的選取階段目的是確定業務問題所涉及的操作數據對象。根據用戶需要從原始數據庫抽取與業務對象相關的數據，并能夠及時和完整的訪問來自多個異構數據源的數據對象。2）數據預處理：消除噪音，遺漏數據處理，重復數據刪除，目的是為了克服現有的數據挖掘技術和工具的局限性，對信息過濾清理和規范化，驗證其真實性、有效性及完整性。3）數據轉換：從初始特征中篩選出真正與挖掘任務相關聯的特征，將數據轉換成元數據模型。一個針對數據的數據挖掘算法建立的元數據模型決定了數據挖掘的成功與否。

4.1.3 建立數據挖掘模型

這是數據挖掘操作的核心步驟，包括學習算法的選擇，建立適當的數據挖掘模型等。企業根據業務需求和結構、數據特點等綜合考慮多方面的因素以有效達到商業目標。通過選擇合適的挖掘算法、預測實例和訓練數據，確定數據分析工具，應用統計、事例推理、決策樹，甚至神經網絡、遺傳算法等不同方法處理信息，得出有用的分析結果。

4.1.4 解釋和評價模型

這個過程是將數據挖掘的結果以易理解、執行的方式展示，并評判該數據挖掘的質量。通常用支持度和可信度做為評估指標，前者驗證實用性，后者驗證準確性。若評估結果不佳則可能需要重新進行模型的訓練和測試，整合數據或重新修正原有的模型，直至得到令人滿意的挖掘模型及測試集為止。

數據挖掘是不斷循環的動態過程，需要反復修正。原先建立的模型可能由于數據變動和系統等原因失效，需要重新建立。另外，電商企業商業目標的變化可能會產生新的數據挖掘應用，因此數據挖掘在電子商務中的運用會根據客戶信息和業務需求的變動而改變。

4.2 數據挖掘在電子商務中的模式

4.2.1 關聯分析（Association）

關聯分析就是從大量數據中發現其間的聯系。在客戶關系管理的應用中，它通過發現消費者消費的不同商品之間的聯系來分析其購買習慣，了解商品的購買頻率，這種關聯的發現與分析可以幫助賣家制定營銷策略。如在美國，年輕的父親去超市為嬰兒購買尿布時，總會順便為自己購買啤酒，這就出現啤酒與尿布這兩件看上去不相干的商品經常會出現在同一個購物籃的現象。而沃爾瑪超市通過發現這一規律來改變商品銷售策略，從而獲得了很好的商品銷售收入。這就是著名的“啤酒與尿布”的故事。

4.2.2 聚類分析（Clustering）

從統計學的角度講，聚類分析是一種通過數據建模簡化數據的方法;從機器學習的觀點看，簇相當于隱藏模式。聚類是搜索簇的無監督學習過程。這種探索性分析在分類的過程中，無需事先人為地給出分類的標準，它能夠以樣本數據為基礎，自動進行分類。而這個過程中使用方法的不同也會得到不同的結論，因而所得到的聚類數未必一致。

聚類分析在客戶關系管理的應用中，需要根據目標群體的年齡、消費水平和地區等來區分不同層次的目標群體，提高用戶體驗的針對性，以便于開展“一對一”營銷和個性化服務。

4.2.3 分類分析（Classification）

分類分析不同于聚類分析的觀察式學習過程，它的實例和操作的數據對象是有事先定義好的類別標記的。這種有監督的學習過程，通過分析已有數據來為每個類作出準確描述并建立數據分析模型，總結出分類規則，并將這個規則用到其他數據庫中。這些數據庫中的記錄都有一個類別的標記。

用于分類分析的技術有很多，典型方法有統計方法的貝葉斯分類、機器學習的決策樹歸納分類、神經網絡的后向傳播分類等。

4.3 數據挖掘技術在電子商務的應用現狀

在電子商務的運用中，各種不同的分析方法互相支持、融合運用便能夠獲得系統中數據的分布狀況和特征，并可集中做進一步地分析。在電商企業對用戶的個性化需求管理中，它能分析客戶瀏覽和購物等習慣，這樣可以幫助電商企業及時調整企業網站的頁面展示及服務策略。同時，這也有利于對客戶更有效提供智能服務。

4.4 電子商務中數據挖掘應用中可能存在的弊端、缺陷

4.4.1 數據挖掘涉及私有數據與信息安全

在大量的用戶數據中進行分析則必然存在著數據私有性與信息安全性的問題。電子商務領域中的信息包括了用戶消費、支付等相關數據，這給數據挖掘中的信息處理帶來一定的困難，也要求數據分析人員應當具備必要的職業操守，以防用戶信息的泄露。

4.4.2 數據趨勢的預測隱含不確定性

數據庫中的記錄到達一定的數量級時，就會顯露出其中隱含的變化趨勢。對電商企業而言，把握趨勢的預測即掌握了市場的先機。但現在并沒有為這些趨勢定義一個標準來準確的判斷某個趨勢的合理性，數據挖掘過程中大量的數據信息格式未被標準化，這些都是應用過程中存在的問題。

針對這一問題，可以應用前文提到的聚類分析方法，把相似行為的用戶集中成簇進行詳細分析，為不同特點的用戶簇進行業務、站點的動態改變，從而更靈活準確地預測數據趨勢。

4.4.3 數據模型的可靠性尚未成熟

數據模型包括概念數據模型、邏輯數據模型、物理模型，目前數據挖掘的模型也玲瑯滿目，但這些模型均并不成熟。上文討論過，數據模型相異、應用方式的不同都可能產生截然不同的結果，這就涉及到數據可靠性的問題。因此，我們需要確保數據在處理過程中的準確性與實時性，從而保障挖掘結果的準確度。

5.數據挖掘技術在電子商務中應用的前景

現在的數據挖掘技術在當前大數據時代的數據倉庫環境中已經進入切實可用的階段，并在完善中走向成熟。其中，客戶關系管理顯得格外重要。

強烈的市場需求是數據挖掘技術在電子商務應用中的必然結果，隨著Web技術的發展，各類電子商務網站風起云涌，電子商務業務的激烈競爭也與日俱增。每天電商網站用戶的在線交易量呈爆炸式增長，產生了大量數據記錄。要提高企業的競爭力，就要進行相關的數據挖掘與分析，為客戶提供周到的個性化服務，這要求企業不斷完善自身網站建設與應用的優化。由此，電子商務中數據挖掘的應用地位就變得舉足輕重。

6.結束語

良好的客戶關系管理是電子商務活動能夠更好地進行的基礎，通過選擇恰當的數據挖掘技術和建立合適的數據模型來獲取有價值的信息，可建立企業的競爭優勢，取得商業先機。同時，數據挖掘帶來的極大便利也使客戶稱為最大的贏家。隨著數據挖掘技術在電子商務應用領域的不斷發展與完善，將會使得電商的用戶體驗越來越完美，對企業而言也意味著更為可觀的發展。

參考文獻

[1]王劍.數據挖掘技術在CRM中的應用[J].北京信息科技大學學報（自然科學版），2010（2）.

[2]曹先明.WEB數據挖掘在電子商務中的應用[J].科技傳播，2012（14）.

[3]曹麗君.基于電子商務的數據挖掘探究[J].商場現代化，2008（5）.

[4]魏宏昌.淺析Web數據挖掘在現代企業中的應用[J].世界家苑，2012（10）.

[5]Weiyang Lin，Sergio A.Alvarez.Carolina Ruiz，Efficient Adaptive-Support Association Rule Mining for Recommender Systems Data Mining and Knowledge Discovery.2002，1，1：45-78.

[6]劉三榮.數據挖掘技術在電子商務中的應用[J].科技信息，2006（4）.

作者簡介：

郭澤穎，（1993—），女，大學本科，現就讀于四川大學軟件學院。

張斐斐（1994—），女，大學本科，現就讀于四川大學計算機學院。