浅析电子商务中数据挖掘的应用技术

张申

天津商务职业学院，天津 300221

随着计算机信息技术的快速发展以及Internet的广泛普及，电子商务获得了极大的发展。经销商通过各种商务网络平台或Internet与客户进行交易，不仅大大节省了费用，而且也节省了时间和空间。虽然如此，但是电子商务因存在数据量庞大的问题而严重影响了其本身的发展。因此，如何在大量的数据中挖掘出有意义或价值的信息已成为当前亟需解决的重要问题之一。而数据挖掘技术是一种能够有效的从大量数据中挖掘出具有价值信息的技术，它在电子商务中的应用能够很好地解决这一问题。故而，对电子商务中数据挖掘技术的应用进行分析已成为当前研究的重要课题之一。

一、数字挖掘技术概述

数据挖掘又被称之为信息发掘，它是通过利用半自动化或者是自动化的方法来对数据中隐藏的具有价值或意义的信息与规则进行挖掘。同时，这也是一个从大量的、模糊的、不完全的、随机的以及有噪声的数据中提取有价值信息的过程。与传统数据分析相比，数字挖掘的方式有很大的差异，且其所挖掘出来的信息具有可实用的、有效的以及先前未知的这三个特征。目前，数据挖掘的主要功能一般包括：通过利用概念描述来获得广义方面的知识、通过利用关联分析来获得关联方面的知识、通过利用分类和聚类的方法来获得分类方面的知识、通过利用预测方法来获得预测类型方面的知识以及通过利用偏差检测来获得偏差类型方面的知识。

当前，数据挖掘技术的类型一般包括生物信息数据挖掘、数据仓库挖掘、文本数据挖掘以及Web数据挖掘等。其中，Web数据挖掘是一门综合性学科，它集统计学、信息学、数据挖掘以及Web技术为一体。同时，Web挖掘技术是在传统数据挖掘技术的基础上发展而来的，具有复杂性以及异构性等特点。一般而言，Web数据挖掘主要包括Web内容数据、用户访问数据以及Web结构数据这三种类型。其中，Web内容数据所采用的Web挖掘模式为Web内容挖掘模式，用户访问数据采用的Web挖掘模式为Web使用模式挖掘，Web结构数据采用的Web挖掘模式为Web结构挖掘模式。

二、数字挖掘技术在电子商务中的应用

目前，我国跨境电子商务主要包括两种贸易模式，即企业对企业（business-to-business，B2B）和企业对消费者（business-to-consumer，B2C）。其中，B2B电子商务实质上仍属于传统贸易领域，现已纳入海关的一般贸易统计中。而B2C电子商务的企业直接面对国外消费者，其销售的商品以个人消费品为主，且一般采用快递、邮寄以及航空小包等物流方式，目前大部分商品都没有被纳入到海关登记之中。本文以B2C电子商务为例来具体对数据挖掘技术在电子商务中的应用进行分析，其具体内容如下：

（一）B2C电子商务的概述

B2C电子商务是我国最早产生的电子商务模式，其产生的标志是8848网上商城的正式运营。所谓“B2C电子商务”，它主要是指企业通过利用各种商务网络平台（如，阿里巴巴、慧聪商务网、买麦网以及中国商品网等）或者是Internet技术直接与消费者进行信息、服务以及产品的交换，以此来达到完成商务交易的目的。一般而言，B2C电子商务所涉及的主要行业是网络零售业，即消费者在相关商务网络平台上购买商品。这种模式不仅大大为企业和客户节市了空间与时间，而且也使得交易效率大大提高。目前，中国巨蛋、卓越亚马逊以及京东商城等是B2C电子商务模式的代表网站。

经过多年的发展，B2C电子商务模式的种类越来越多。目前，B2C电子商务模式的种类主要包括综合商城、百货商店、轻型品牌店、复合品牌店以及垂直商店等。其中，综合商城和百货商店是其最主要的两种类型。在本质上，综合商城属于传统商城。以淘宝商城为例，淘宝商城与传统商城一样，也具有完备的支付体系、庞大的购物群体、完善的诚信安全体系以及稳定的网络平台等。在实质上，淘宝并非仅仅只是出售商品，而是为消费者提供了一套较为完备的销售配套服务。而百货商店却不同，其卖家仅仅只有一个，如亚马逊。同时，百货商店还必须根据消费者的需求而不断丰富自己的产品线。此外，百货商店还自备仓库，并会将同一系列的商品库存起来，以此来为消费者提供更快的客户服务及物流配送。

（二）在B2C电子商务中常用的数据挖掘技术

经过多年的发展，数据挖掘技术已日趋成熟。目前，在B2C电子商务中，常用的数据挖掘技术主要包括四种，即序列分析、聚类分析、预测分析以及关联分析。下面来对其进行具体的分析：

1.序列分析

在数据挖掘中，序列分析的作用主要在于对不同且具有先后次序的事件之间所具有的关联性进行识别。以对消费者在不同时间段的购买行为进行分析为例，依据大量的数据研究分析显示，在本次购买香皂的消费者中，在下次购买时会有75%的消费者选择购买沐浴露。通过对消费者不同时间段的购买行为进行分析，能够有效的帮助企业做出正确的营销决策。目前，大部分目录销售公司都是运用序列分析的方法来对消费者的购买行为进行分析，以此来为下一次的商品目录设计提供必要的参考依据。

2.聚类分析

在数据挖掘中，聚类分析是指以某些属性为标准来对数据库中的元组进行划分，并划分成不同的子集或者是组别。同时，在识别属性上，每一个子集或组别的内部元组具有相似性；而不同的子集或组别的元组，则具有很大的差异性。基于此，聚类分析的作用主要在于能够对客户群进行细分。与预测分析相比，聚类分析在对元组进行划分之前没有预先设置组别，且其主要产生的是分组规则。

3.预测分析

在数据挖掘中，预测分析的设计运算是以预测分析模型为依据来实现的。在预测分析模型中，一般用因变量来表示假设的某种行为，用自变量来表示其他行为。其中，因变量随着自变量的出现而产生，且随着自变量的改变而改变。同时，两者之间存在某种稳定的数量关系。基于此，就能够通过对已知的数据进行分析来对可能发生的状况进行预测。此外，数据挖掘中预测分析模型的构建，其主要目的是为了对客户在营销活动中的反应及其反应程度来进行探测。目前，逻辑回归和决策树是能够进行预测分析的最主要的数据挖掘技术。

4.关联分析

在数据挖掘中，关联分析是其主要的功能之一，它可以在市场营销的各个领域进行应用。其中，对消费者的购买行为进行关联规则方面的分析是关联分析的主要应用之一，其目的是为了对消费者购买商品时的行为模式进行探询。通过采用关联分析方法来对挖掘数据中的关联性规则，能够帮助企业采取适当的营销方式对商品进行宣传，从而有利于促进新产品的销售。同时，这也有利于消费者发现新产品，从而进一步促进了新产品的宣传与销售。

（三）B2C电子商务的数据挖掘过程

一般而言，B2C电子商务数据挖掘的过程主要被分为三个阶段，即数据准备、数据挖掘以及结果表述和解释。其具体内容如下：

1.数据准备

在对数据进行挖掘之前，必须先对要挖掘的数据进行相关的处理，这就是数据准备阶段。通常，数据准备阶段被分为数据集成、数据选择以及数据预处理这三个子步骤。其中，数据集成是在多个数据库中合并处理所需要的数据，数据选择是对提取的数据集合进行适合的分析，数据预处理则是对数据进行筛选、清理、变换以及过滤。这既能提高数据挖掘的质量，又能更好地克服数据挖掘工具本身所具有的局限性，从而为数据挖掘提供了必要的前提。

2.数据挖掘

数据挖掘阶段的本质是进行实际的挖掘操作，它是通过根据挖掘目标来采取适当的挖掘方法的方式来获得有意义的数据模式。目前，数据挖掘的方法主要包括知识发现、统计分析以及其他可视化方法这三类。其中，知识发现是通过数据搜寻的方法（如，人工神经网络、规则推理以及决策树方法等）来发现规律的，以此来得到一个有意义的数据模式。统计分析是通过采用数学模型和统计模型来对这些规律进行解释的，其方法主要有因子分析、线性回归、非线性分析以及有线性分析等。其他可视化方法在对多变量的图形进行分析的同时，也会对多变量之间的关系进行显示。这种方法不仅能有助于对之前挖掘的数据进行分析，而且还能够提高数据挖掘的能力。

3.结果表述和解释

结果表述和解释是指在最终用户决策的基础上来分析已提取的信息，并将最有价值的信息区分离出来，且以决策支持工具的方式来将其提供给决策者。值得注意的是，这一阶段的任务除了要将结果表达出来之外，还必须过滤处理相关的信息。若决策者对其提交的信息不满意，则应重复上述的过程。

4.B2C电子商务的数据挖掘系统结构

数据挖掘能在电子商务中发挥作用，一定要把每个阶段的据转存到数据库中，提取有效数据和电子商务的各种操作相互配合。

图 B2C电子商务的数据挖掘系统结构

结束语

综上所述，伴随着电子商务的快速发展，市场竞争也日益激烈。而电子商务本身存在着数据量庞大的问题。因此，企业要在市场中获得长久、稳健、健康的发展，就必须采取合适的数据挖掘技术来对电子商务中有价值的信息进行挖掘。由于本文篇幅有限，必然存在不足之处。故而，这还需要我们进一步对电子商务中数据挖掘技术的应用进行研究和探讨。

[1]蔺莉，潘浩.Web数据挖掘技术在电子商务中的应用[J].电脑知识与技术，2010，（4）.

[2]戴菲.数据挖掘技术在电子商务中的应用[J].电脑知识与技术，2011，（21）.

[3]邱璐.基于数据挖掘技术的Web电子商务应用与研究[J].中国电子商务，2014，（4）.

[4]胡金娟.数据挖掘技术在个性化电子商务网站建设中的应用[J].漯河职业技术学院学报，2014，（5）.

[5]韩英.浅谈数据挖掘技术在电子商务中的应用[J].太原城市职业技术学院学报，2013，（4）.

[6]王晓鹏.数据挖掘技术在电子商务管理中的应用研究[J].中国新技术新产品，2013，（18）.