數據挖掘技術在電子商務領域的應用研究

宋大為 侯婷婷 顧松敏 趙相楠

摘 ?要：隨著互聯網技術的發展，電子商務應運而生且越來越多的交易活動從傳統的線下式交易轉到線上交易。而隨著交易量和時間的累計，相關的交易數據則越來越多。面對如此浩大的數據，如何從中提取有價值的信息，受到了廣大電子商務商家以及電子商務平臺的重視。文章針對電子商務這一領域，結合數據挖掘相關技術，闡述了如何利用數據挖掘技術針對電子商務中存在的問題以及需求進行解決。

關鍵詞：數據挖掘;電子商務;知識發現

1 概述

電子商務（E-Commerce）是一種在互聯網發展的背景下出現的一種新的商業模式。是對傳統的商務交易模式的一種互聯網化的運作。其主要將傳統商務中的操作流程進行互聯網化而產生的產物。具體是指在互聯網環境下，基于瀏覽器/服務器的方式，商家與消費者進行跨地域虛擬的商務活動，實現網上購物、網上交易、在線支付和物流配送等一系列的綜合服務活動的一種新型商業運營模式。其具有以下特點：

（1）普遍性。商品交易充斥著人們的日常生活，衣食住行，柴米油鹽均無不和商品交易掛鉤。電子商務作為一個新興的商業運營模式，它不是一個完全的新生事物，其主要是利用互聯網將我們平時的商品交易行為放到了網絡上。

（2）跨地域性。傳統商品交易，消費者需要到商家的實體店鋪中進行選購和消費，往往受到地域的限制。而電子商務，通過互聯網解決了地域性的問題。通過互聯網，身處海南的人可以毫不費力的購買到來自內蒙古甚至西藏的商品。

（3）虛擬性。與傳統的商品交易不同，電子商務中消費者無法直觀的感受到商品的優劣及好壞。其因為網絡的虛擬性，對商鋪中所提供的消費品缺少直觀的感受。

（4）協調性。一個普通的交易是多個環節環環相扣的結果，從消費者進入網站選購商品，到消費者確認購買，通過網上銀行支付貨幣，商家通過物流環節將消費品送到消費者手中。往往要經歷4-5個環節的操作。

數據挖掘（Data mining）是在數據大量存儲的背景下應需求而產生的一個技術。它融合統計學、機器學習、模式識別、計算機科學等諸多領域相關技術，解決在大量數據中挖掘有價值信息的問題。與諸多的學科誕生的過程一樣，市場的需求催生新領域的探索，新領域的探索產生新的學科和技術。數據挖掘應用領域十分廣泛，如銀行、電信、保險、交通、零售等領域。這類領域均存在大量的數據存儲，并亟待從存儲的大量數據中發現有價值的信息，以用到實際的銷售與決策中。隨著互聯網的發展，新興產業伴隨互聯網而生，互聯網用戶的廣泛性促使了大量的數據積累，大量的網上日志類數據的積累成為了數據挖掘在互聯網環境下應用的溫床。而電子商務作為互聯網大環境下的一個典型且有競爭力的行業，其與數據挖掘技術的結合最為迫切。

2 數據挖掘的主要方法

數據挖掘是多個學科的結合，其中主要包括統計學、機器學習、數據庫、計算機科學等多個領域。其主要方法及技術也多是幾個領域中的典型方法。其中比較常用的數據挖掘方法有關聯分析、分類分析、聚類分析和異常檢測等。

2.1 關聯分析

關聯規則分析用于發現數據集中高頻繁出現的記錄之間的關系。最初的提出動機是針對商品銷售中的購物籃分析問題提出的。其主要過程分為兩個階段：第一個階段先從數據集中挖掘出高頻繁同時出現的記錄組，第二個階段再從這些記錄組中發現關聯規則。

2.2 分類分析

分類分析是數據挖掘中一種常用技術，可用于預測或者描述二元和標定類型的數據集。實際上就是通過分析樣本數據中的數據，確定每個類別，并對每個類別做出精確的描述或建立分類分析模型，然后利用該模型對其他給定的數據進行分類。因為在算法中需要有標定數據，故其屬于有監督學習。

2.3 聚類分析

與分類類似，聚類分析同樣是對待測定數據集進行歸類。但是與分類分析不同的是，聚類分析沒有標定數據，其利用數據記錄間的關系來對待測定數據進行歸類。其不需要標定數據，往往需要專業領域的行業經驗來確定分類的數量等相關參數。

2.4 異常檢測

數據集中常存在著少數的記錄，他們與其他數據的行為或者趨向不一致，這些數據被稱為異常點或者離群點。數據集中的異常點往往包含重要信息，對數據集的了解以及特定的問題領域有著重要的研究價值。例如，銀行業中的欺詐行為檢測，就是其在具體領域極其重要的應用。

3 電子商務背景下的數據挖掘

數據挖掘在傳統行業的應用十分廣泛，能解決的典型問題包括數據庫營銷（DatabaseMarketing）、客戶群體劃分（Customer Segmentation & Classification）、背景分析（Profile Analysis）、交叉銷售（Cross-selling）、客戶流失性分析（Churn Analysis）、客戶信用記分（Credit Scoring）和欺詐檢測（Fraud Detection）等。

針對電子商務行業的特點，數據挖掘在其領域可以有以下幾個主要方面的應用：

3.1 尋找潛在的客戶群體

客戶是企業的根本，電子商務中同樣需要積累大量的客戶。因此如何不斷挖掘出新的客戶，增大其客戶量是其為生的根本。利用消費者的注冊以及消費傾向可以幫助電子商務平臺吸引更多的消費者群體。常用的方法，有客戶分類，并根據消費者的信息來將其歸類。并對其按類別進行管理和營銷。主要應用方法：分類分析，聚類分析。

3.2 推薦系統

電子商務平臺容納了大量的商品，消費者往往在琳瑯滿目的商品中無法選擇一個適合自己的商品，陷入了選擇危機的境地。電子商務平臺出于用戶體驗良好的原則，應該為消費者解決此類問題。針對不同消費者歷史的消費信息并結合消費者注冊信息以及最近的店鋪推銷手段，電子商務平臺可以利用挖掘技術從上述特征中挖掘出哪些商品適合指定的消費者，并將其按照不同消費者的需求合理推薦給不同消費者。主要應用方法：關聯分析，聚類分析。

3.3 欺詐檢測

欺詐問題不單單是銀行業及保險業中常見的問題，在新興的電子商務領域此問題也成為了一個大大阻礙行業發展的不利因素。因為電子商務的跨地域性和虛擬性的特點，消費者無法了解商品質量的優劣，僅能通過其他購買過該商品的消費者對商品的評價來間接斷定商品的好壞。很多商家針對此特點，雇傭網絡水軍對其所銷售商品進行不實的評論，來隱藏其商品中的缺點夸大其質量。對此行為的視而不見會造成電子商務平臺信譽和聲譽的下降，進而阻礙產業發展。主要應用方法：異常檢測，聚類分析。

4 結束語

文章對電子商務的相關發展和數據挖掘的主要方法進行了介紹，并針對電子商務行業的特點結合數據挖掘的技術，對數據挖掘技術在電子商務領域的應用做了簡要分析。電子商務是現代信息技術發展的必然結果，也是未來商業運作模式的發展方向。企業數據量的日益增大，利用數據挖掘技術針對其行業中存在的問題進行解決是必不可少的選擇。

參考文獻

[1]韓治.數據挖掘技術及其應用研究[J].信息通信報，2013（6）.

[2]錢賀斌.數據挖掘一大數據時代的重要工具[J].2013，10.

[3]陳娜.數據挖掘技術的研究現狀及發展方向[J].電腦與信息技術報，2006，2.

[4]楊智明.數據挖掘技術的研究方向及其常用方法[J].科技信息報，2006.

[5]范文廣.數據挖掘技術的研究[J].佛山科學技術學院學報，2011，11.