数据挖掘技术在B2C电子商务中的应用

［摘 要］通过对B2C电子商务概念及模式的分析,借助数据挖掘技术的多种分析方法,深入探讨了数据挖掘技术在B2C电子商务交易数据中的挖掘过程和系统结构,从而为正确应用电子商务提供科学的支持和可靠的保障.

［关 键 词］数据挖掘B2C电子商务

随着现代网络、Inter,以及数据库技术的发展和成熟,电子商务正以其迅猛的发展势头冲击着整个商业信息社会.在中国,截至2008年6月底,网络购物用户人数已达到6329万,同年12月,电子商务类站点的总体用户覆盖已经从9000万户提升到9800万户.这种商业电子化的发展趋势不仅为客户提供了便利的交易方式和广泛的选择,同时也为商家提供了更加深入了解客户需求信息和购物行为特征的可能性.与此同时,在电子商务应用系统中,相关的用户数据日益增多,如何充分合理地利用好这些数据,将其转变为对商家有用的信息,从而更有力地提高网店的怎么写作质量、赢得更多顾客地青睐,以及创造更多潜在的利润空间,是目前电子商务所面临的亟待解决的问题.

数据挖掘,是从大量数据中提取出可信、新颖、有效并能被人理解的模式的高级处理过程；从商业角度来看,数据挖掘是一种新的商业信息处理技术,对商业数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理,从中提取出辅助商业决策的关键性数据.介于电子商务活动中的数据有其自身的特点,把数据挖掘技术与电子商务进行有机的结合,不仅可以提高数据挖掘的效率,而且可以让数据挖掘更好地为电子商务怎么写作.

一、B2C电子商务的概述及模式

1.B2C电子商务概述

商家对客户的电子商务模式（BusinesstoCustomer,B2C）是中国最早产生的电子商务模式,以8848网上商城正式运营为标志.它具体是指企业与客户之间通过Inter技术或各种商务网络平台直接面向消费者进行产品、怎么写作以及信息的交换,最终完成商务交易的过程.这种模式的电子商务一般以网络零售业为主,消费者通过网络直接在网上商店购物、支付,该模式既节省了客户和企业的时间和空间,又大大提高了交易效率.目前,此模式的代表网站有卓越亚马逊、当当网、京东商城以及中国巨蛋等.

2.B2C电子商务模式

B2C模式种类繁多,主要有以淘宝商城为代表的综合商城和以亚马逊为典型的百货商店.其中,综合商城与传统商城无异,淘宝商城也有着庞大的购物群体、稳定的网络平台、完备的支付以及诚信安全体系.淘宝本身是不卖东西的,而是提供了完备的销售配套怎么写作.百货商店显然卖家只有一个,同时还需满足日常消费需求的丰富产品线.该种商店是自有仓库,会库存系列商品,以便更快的物流配送和客户怎么写作.除以上两种模式外,还有垂直商店、符合品牌店、轻型品牌店等多种模式形式.

二、B2C电子商务中常用的数据挖掘方法

数据挖掘的方法有很多种,通过归纳总结,在B2C电子商务中常用的数据挖掘方法有序列分析、关联分析、预测分析和聚类分析等.

1.序列分析

序列分析主要用于识别具有先后次序的不同事件之间的关联性.例如,分析顾客不同时间的购写行为模式.如果通过大量数据分析发现,在本次购写洗衣粉的顾客中,有70%的顾客在下次购写时会选取香皂,这种购写模式将会有助于企业的营销决策.比如,超级市场本周的特价商品为洗衣粉,则下周的特价商品就应该安排为香皂,这样就有可能吸引更多的消费者前来光顾,从而提高了特价商品的吸引力.许多目录销售公司经常使用序列关联性分析,他们会根据这次顾客购写的情况,来设计下一次商品目录.

2.关联分析

关联分析是数据挖掘的主要功能之一,可广泛用于市场营销的各个方面,其中一个主要的应用,就是对顾客购写行为做关联规则分析,探询顾客在商品购写时的行为模式.例如,在超级市场中70%购写味精和食盐的顾客,有80%的顾客同时也购写了酱油.60%的顾客在购写面包时,有70%通常也会购写牛奶.挖掘出这些关联性规则后,企业就可以有针对性地采取适当的方法,来适应顾客的购写习惯；另外偶尔打破这种购写习惯,又能促进新产品的销售.如面包和牛奶经常放在一起,顾客习惯了地方就会直接去找,可能对新产品不注意；但如果销售者将新产品与牛奶放一起,购写了面包的顾客可能会去找牛奶,这样就会发现新产品,促进了产品的宣传和销售.

3.预测分析

预测分析是根据实现设计的预测分析模型来运算进行.预测分析模型通常检测设某种行为(因变量)因其他行为(自变量)的出现而产生,或随其他行为的改变而改变,在因变量和自变量之间存在着某种稳定的数量关系,这样就可以通过已知的数据来预测可能的状况.在数据挖掘中,构建预测分析模型通常是为了探测客户对某种营销活动的反映及反映程度.能够进行预测分析的数据挖掘技术主要有逻辑回归、决策树等.

4.聚类分析

聚类分析是将数据库的元组根据某些属性划分为不同的组别或子集,每个组别内部的元组在识别属性上具有相似性,而在不同组别之间的元组则存在很大的差异性,这一功能可以用于对客户群的细分.与预测分析模型不同的是,聚类分析在将元组分成不同的小组时,事先没有预设组别；而预测分析模型基本是属于类别辨别,即根据预设的组别将不同的样本划入不同的组别.与预测分析模型相比,聚类分析主要产生分组规则,而预测性分析则根据已产生的规则将元组归入不同的组别.

三、B2C电子商务的数据挖掘过程及系统结构

1.B2C电子商务的数据挖掘过程

B2C电子商务的数据挖掘过程一般由三个主要阶段组成：数据准备、数据挖掘、结果表示和解释.

（1）数据准备：对数据进行挖掘时,一般并不是对原始的数据进行挖掘,而是先要对数据做一些预处理.该数据准备阶段一般可分成3个子步骤：数据集成、数据选择、数据预处理.数据集成将多文件或多数据库运行环境中的数据进行合并处理,解决语义模糊准备,这个阶段又可分成为处理数据中的遗漏等.数据选择是提取出适合分析的数据集合,其目的是辨别出需要分析的数据集合,缩小处理范围,提高数据挖掘的质量.预处理是筛选、清理、变换、过滤、剔除一些无关记录,将文件、图形、图像及多媒体等文件转换成可便于数据挖掘的格式等,可以更好地克服数据挖掘工具的局限性.

（2）数据挖掘：这个阶段进行实际的挖掘操作,根据不同的挖掘目标采取不同的挖掘方法,得到有意义的数据模式.主要包括以下三大类：统计分析、知识发现、其他可视化方法.统计分析：主要目的是发现数据规律,利用统计模型和数学模型来解释这些规律,常用的统计方法有线性分析、非线性分析、线性回归、因子分析,单变量曲线和双变量统计,以及时间序列分析等.通过统计分析,选择适用于数据分析的合适的数据模型,对重要页面、导航路径有向图、浏览时间等给出统计描述,揭示数据间的关系.知识发现：源于人工智能和机器学习,利用数据搜寻过程,发现规律,得到一个有意义的数据模式,具体的方法有人工神经网络、决策树方法、Apriori算法、规则推理等.其他可视化方法：可以给出多变量的图形分析,同时显示多变量间的关系,有助于分析以前挖掘的数据,进一步增强数据挖掘能力.其中值得注意的要点有：决定如何产生检测设；选择合适的工具；发掘知识的操作；证实发现的知识.

（3）结果表述和解释：根据最终用户的决策目的对提取的信息进行分析,把最有价值的信息区分开来,并且通过决策支持工具提交给决策者.因此,这一步骤的任务不仅是把结果表达出来,还要对信息进行过滤处理,如果不能令决策者满意,需要重复上述过程.

2.B2C电子商务的数据挖掘系统结构

要想真正发挥数据挖掘技术在电子商务中的效率,必须将事务处理阶段的数据转存到数据仓库中,并与电子商务行为有机的结合.B2C电子商务的数据挖掘系统结构见图.

四、B2C电子商务的数据挖掘现状及不足

随着电子商务日益蓬勃发展的势头,基于B2C电子商务下的数据挖掘将是一个非常有前景的领域.它不仅能够自动预测客户的消费趋势、市场走向,引领企业建设个性化智能网站,而且还能带来巨大的商业利润,为企业创建新的商业增长点.但是,目前面向B2C电子商务的数据挖掘中仍存在诸多亟待解决的问题,如：怎样解决分布性、异构性数据源的挖掘；如何将怎么写作器上的日志数据转化成适合某种数据挖掘技术的数据格式等等.此外,对于多媒体数据库等特殊类型数据库的数据挖掘,以及语义不一致问题的处理等技术问题也值得在今后进行更进一步的调查和研究.

五、结论

合理地将数据挖掘技术应用于B2C电子商务活动中,企业管理及工作人员便于从海量数据背后挖掘出隐藏的知识,发现商品的消费规律与客户的访问模式,帮助企业制定有效的营销策略,以及提供个性化怎么写作,从而更加充分地发挥企业独特优势,促进管理和技术创新,最终提高企业竞争实力.