数据挖掘技术在电子商务中的运用

导语：数据挖掘技术在电子商务中的运用一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

1数据挖掘技术的来源

1.1数据挖掘的产生的缘由

人们通常会在平时的生活中遇到大大小小类似的状况，比如商场会将具有关联性的商品放在一起、保险公司会设计出精致的理赔条款等，这些数据信息的挖掘是传统数据分析工具难以完成的。随着科技的发展，信息量不断扩大，人们希望通过对数据的挖掘获得有价值的信息。由此数字挖掘技术便应运而生，并成为一种综合性的数据分析技术。

1.2数据挖掘技术的功能分类

1.2.1分类方面

在对事物的具体描述工程中对描述对象的具体属性以及主要特性等进行不同方式的组类，比如在划分网络上的文章的过程中，主要是根据其中内容的关键词语为根本依据进行划分、整理。

1.2.2聚类方面

针对被分析事物中所隐藏的深层内容进行有效的识别、认知，同时根据这些深层内容把被分析事物划分为不同的类别。比如在商场对商品进行聚类的同时，要针对“用户喜欢什么样的促销模式”这种问题进行全面的考量，并且将购物习惯性思维较为相近的用户划分在一起，依照不同的习惯性思维将商品有效的划分为不同的类别，并且要针对不同类型的用户所喜欢的促销模式进行具体的深入调查和研究工作。

1.2.3关联规则方面

在某一对象在出现某种状况的同时会相应的引发其他对象发生相似状况的密切联系属于关联规则。比如在商场购买面包的用户同时购买牛奶的几率性就格外大，并且每一天购买面包的用户里面又有几个是同时购买牛奶的，其中所占的比例到底是多少，这些问题都是可以根据关联规则的支持程度以及可信程度来进行实际、具体的描绘的。但是序列规则却是纵向思维下的联系模式，和关联规则的联系模式大大不同。

1.2.4预测方面

要想提高预测的高效性能就必须要对预测模型进行有效的构建。预测的主要任务在于对分析对象的发展规则进行高效的分析处理，并且能够将其发展趋势进行预测性的研究分析，比如针对电子商务未来的发展趋势而做出的相关分析工作和预测工作。

1.2.5偏差的检测工作方面

在描述分析极少数的对象和个别案例的同时，对其深层面的原因以及规则进行具体的研究分析工作。例如银行在开展近一百万笔的金钱交易业务中，总会个别的存在着近五百笔的金钱欺诈案例，所以银行就需要针对业务经营的稳定性发展而采取相关的对策，针对这五百笔的金钱欺诈案例所包含的内在要素进行具体的分析发现，使得银行在经营过程中的风险性降到最低。在这一过程中需要被关注的则是：在数据挖掘技术中的各种功能并不是单一性的存在的，其中存在着必然性的联系，因此在开展数据挖掘的分析过程时，一定要对其中的内在联系进行分析，进而将数据挖掘技术的高效功能进行最大程度的发挥。

2数据挖掘技术的主要工具以及运行方式

2.1数据挖掘技术运行的主要方式

第一，数据挖掘在运行过程中需要对大量的信息数据进行处理分析，同时这也是数据挖掘技术得以产生的主要原因；第二，数据的不完全性是必然存在的，其主要的特征就在于其随机方面以及噪音方面，同时其信息数据的组织结构也是繁琐复杂，维数过于大；第三，数据挖掘技术是各种不同领域的科学性知识的整合，其中针对数学以及计算机、统计学等各方面进行了全面系统的应用，是各个领域的交叉内容。其中普及程度最为广泛的算法以及模型主要划分为以下几方面：

2.1.2传统的统计方式

在常用的统计方式中应用程度较为普及的主要是抽样技术，在分析处理大量的信息数据的过程中，并没有可能以及必要性来对全部的信息数据进行具体的分析，因此要充分的结合理论性的指导内容来将抽样技术逐渐的科学合理化。之后再对多元统计分析方式以及因子分析方式、回归分析方式、聚类分析方式和时间序列的分析方式等进行逐一的整合，并加以应用。

2.1.3可视化技术的应用

在直观表现信息数据主要特性的过程中充分的结合图标的形式，尤其是直方图的直观表达，在这一过程中所需要应用的描述统计方式也是极其丰富多元化，其中可视化技术的高效应用现阶段中的关键问题在于如何将高维数据实现最大程度的可视化。

2.1.4决策树

决策树主要是对大量的数据库根据相关规则进行有效的归纳，将树状图进行构建，一般情况下都会在分类工作和预测工作中得到高效的应用。其中CART、CHAID、ID3、C4.5、C5.O等计算方法都是在这一工作过程中应用频率最高的。

2.1.5神经网络方面

神经网络技术可以针对人们的神经元功能进行高效率的模拟实现，同时针对输入层以及隐藏层、输出层等方面经过，使得能够直观的调整、计算相关的信息数据，使得其计算结果精确度能够得到全面性的提高，常常用在分类方面以及回归方面。

2.1.6遗传算法方面

遗传算法主要是根据自然进化的相关理论知识为重要基础，进一步的优化对基因的联合以及突变、选择等进行高效的模拟。

2.1.7关联规则的挖掘计算方法

关联规则通常情况下是根据数据之间联系的规则性内容进行具体的分析，其中对大型数据的项集进行计算和充分的利用大数据项集来将其中的关联性规则形成，是关联规则中主要的两大过程。同时粗集计算方法以及模糊集合计算方法、最近邻计算方法和BayesianBeliefNetords等也都是关联规则挖掘算法中最为常见的计算方法。

3数据挖掘技术在电子商务中的各项应用实际案例

用户是在进行电子商务活动中数据挖掘的主要分析对象。数据挖掘技术能够将用户之间的共性以及个性方面的知识进行有效的分析研究，同时能够将其知识内容中的必然性和偶然性以及独立性和关联性、现实性和预测性等进行高效率的发现。并且这些知识的发现层次和概念也是完全不同的，可以从微观层面逐一地上升到宏观层面，并且可以对用户的消费行为进行直观的统计分析，尤其是在其消费心理以及消费能力、消费动机、消费需求、消费潜能等方面的统计、分析更为精确。使得电子商务的经营人员可以充分的结合这些分析内容来开展相关的决策工作，使得消费人员的需求能够得到最大程度的满足。

3.1分类方法和预测方法在电子商务中的高效应用

分类工作在电子商务的活动过程中占据着关键性的地位，同时其应用频率也是最高的。分工工作的主要任务就是在于将分类函数以及分类模型等进行高效的构建，一般情况下都被称为“分类器”。其中统计法以及机器学习法、神经网络法是分类器中经常会用到的构建方法，这些不同的方法可以将信息数据库中的相关数据项目映射到指定的类别中，增加预测工作中的便利性大大的增强，在这一基础之上能够对未来的信息数据进行行之有效的分析。

3.2聚类分析方法在电子商务中的高效应用

聚类可以针对组类中的个体根据类似性的规律将其进行科学合理的划分。对于电子商务而言，针对用户的有效聚类能够强有力的支持市场化的细分理论规律。但是传统模式下的市场细分理论在对市场策略的具体制定过程中依然占据着关键性的地位，市场细分可以借助不同类别的用户群体进而细分市场，其主要任务就在于将同一范围内的用户个体以及市场进行最大程度的拉近工作，同时使得不同领域内的个体之间的区别逐渐地增大，因而能够借助聚类分析方法来对用户群体的主要特性进行高效的划分，使得用户在使用电子商务互联网站的过程中可以享受到个性化的优质服务。其中统计法以及机器学习法、神经网络法等都属于聚类分析方法的具体范畴之内。

3.3数据抽取方法在电子商务中的高效应用

和传统模式下的商务活动相比较而言，电子商务活动充斥着各种不稳定的因素。比如用户群体的消费心理以及消费能力等方方面面，因此数据挖掘技术的关键任务就是在于要从海量的信息数据中寻找出有具体价值意义、有序的相关数据。其中数据抽取方法是其中的关键方式之一，能够从广泛的视角中对数据进行高效的分析整合，因此其主要的针对目标就在于电子商务活动过程中的用户群体的信息数据化大仓库。并且在具体的运作过程中计算量过于高，可以将其中的结果进行提前的计算并进行有效的存储工作，增强工作过程中的工作质量。

3.4数据挖掘技术在电子商业中的具体应用案例

第一，数据挖掘技术可以应用与电子商业营销中。市场营销就是以对市场进行细分为基础的，按照营销学的相关理论可知，消费者现在的消费行为将决定他们以后的消费趋势。因此，要收集大量和消费者行为有关的数据信息，并要对这些数据信息进行进一步的处理，主要的工序包括对数据信息进行分类、分析研究以及再加工等。首先，根据产品的销售情况和消费者对产品需求的反馈信息对产品的生命周期进行分析；其次，是对市场进行细分。需要使用到客户聚类分析法，找出客户之间的关系，即有何相同的消费行为。根据客户群对市场进行进一步的细分。然后，进行产品定价。产品定价需要使用关联分析，主要分析消费者对于某些品牌的忠诚度、价格接受情况等。最后，就是进行营销。根据上述的工作结果确定最终的营销策略；第二，数据挖掘技术可以应用在电子商务广告宣传方面。所有浏览网络广告的客户都有可能成为潜在的客户，所以很多商家都选择在网络上做广告。但选择做广告的网络平台就需要使用到数据挖掘技术。一方面要选择点击率比较高的网站，另一个方面还要选择具有针对性的网站。而这些数据信息都被保存在数据库中，需要利用专业的数据挖掘知识对其进行加工处理使之成为有价值的信息。

4总结

随着现代化信息高新技术的高效发展，电子商务的出现是必然性的趋势推动而生成的，其代表了未来的商业运作的主要形式。因此要将信息网络化的基础设备的建设进一步的加强，将企业中的电子商务化活动进行正确积极的推动，同时将电子商务中的安全运行机制以及物流配送的机制进行进一步的改善，使得电子商务的发展环境能够被优化，进而将企业的管理方式进行改革创新工作，推动企业的进步发展。

作者:周颖 单位:江苏省宜兴中等专业学校