数据挖掘技术在电子商务营销拓展中的应用

摘 要 随着互联网时代的到来，传统的粗放的营销模式受到了剧烈的冲击，而与之相对的是日益繁荣的个性化电子商务市场，其中依托与商务平台的各大网商企业，也在大数据时代下蓬勃发展。因此，传统企业要积极改陈旧理念，采取精细化的营销方式来提高顾客的消费体验。以下本文主要叙述的是，大数据背景下数据挖掘技术在电子商务营销中的实践应用，文章同时针对网商企业运营模式的研究，提出了一些建议和策略。

【关键词】数据挖掘 电子商务 营销拓展

随着网络信息技术的快速发展，互联网+的战略已经被应用到各个行业，目前，我国的电子商务平台的网商企业已经成为了促进经济发展的新生力量。但是随着网商行业的竞争加剧，利润空间被严重的压缩，各个网商之间不断的创新方法来吸引顾客，政府出台了电子商务的规范政策之后，一些粗放盈利式的网商企业正在面临生存问题，因此，精细化个性化的营销方式已经成为了未来的发展趋势。

1 数据来源与样本结构

本文开展研究的数据，源自与淘宝电子商务平台的某网商企业在2017年1月至2017年11月的销售数据。该网商的企业名称为FL食品，主要经营休闲食品类的物品，面包、薯片、花生、饼干、巧克力等。采集的数据量为1535288，每一项数据都含有消费者的ID、性别、年龄、地址、交易金额、付款方式、评价等详细的数据。通过对消费数据的分析，显示出购买休闲食品的男性比例为46%，女性比例为54%，基本接近持平的状态。说明休闲食品的销售不受顾客性别因素的影响；在对该店铺的消费者机构年龄的调查中显示：

20-30岁的群体消费记录最高，其次是30岁～40岁的顾客，排末的为40岁以上的消费群体。说明该店铺受年龄结构的影响较大，主要还是以年轻人为主；网店企业的消费记录区域结构显示，东部地区的消费比例最高、其次是中部、排末的为西部地区，主要原因是东部地区的经济较好，消费群体的思想也较为先进，已经习惯于网上购买商品。另一点是因为东部的物流交通发达，邮费的成本较低；消费记录的评价信息显示，自动好评的比例最高，其次为主动好评，说明的消费者都是被动的认可，店铺企业还需要进一步优化经营模式；消费者付款方式的数据显示，信用卡付款的比例最高，其次为平台资金付款。说明消费者群体非常依赖于信用卡与平台资金购买商品。

2 数据挖掘分析

2.1 数据挖掘购买集中度分析

数据挖掘购买集中度分析具体是指，消费数量与消费金额之间的关系，以此来分析网店企业的销售特征。购买集中度高说明是少数顾客贡献的销售额度，属于店铺的忠诚顾客，需要采取精心维护的对策。如果集中度低，说明顾客的贡献比例较为平均，需要采取适当的维护对策。通过对FL店铺的数据分析显示，消费额度前10%的的顾客为3%，消费额度前10%～30%的顾客为10%，消费额度前30%～50%的顾客为14%。通过数据来看店铺的忠诚客户购买力非常强。店铺需要采取精心维护的方式，采取促销等方式来维护的优质顾客群体。

2.2 数据挖掘商品支持度和商品置信度分析

数据挖掘商品的支持度与与置信度分析，主要是针对商品之间的关系研究，这样就可以分析出最受欢迎的商品组合。店家就可以采取有效的组合营销方式。我们需要先假设W产品对S产品的支持度，支持度反映在顾客同时购买两种产品的概率，而W产品对S产品的置信度则是反映在顾客购买W产品之后，购买S产品的概率。在对店家统计数据分析之后得出以下结果，商品支持度的分析显示：W产品对S产品支持度与S产品对W产品的支持度是一致的。而商品置信度的分析结果显示：W产品对S商品的支持度与S商品对W商品的支持度是不同的。从店铺的商品支持度分析结果来看，巧克力与花生的组合是最高的，其次是薯片与奶酪组合、薯片与瓜子组合、薯片与虾条组合等。商品置信度数据结果来看，话梅与酸角糕最高为78.89%，其次是酸角糕与话梅为75.42%，话梅与松子组合、鱼片与肉干组合、相互之间的置信度比较高。该结果的分析，话梅与酸角糕、鱼片与肉干之间存在较强的依赖关系，如果商家对这几种商品组合进行促销，肯定会取得很好的效果。

3 数据挖掘高频次购买者行为分析和高价值购买者行为分析

3.1 高频次购买者行为分析

高频次购买者行为分析采用回归分析法，被解释变量为顾客分类汇总销售次数为（Y）。解释变量为顾客性别（X1）、顾客年龄（X2）、顾客地区（X3）、顾客信用（X4）、注册时间（X5）、线上时间（X6）、好评率（X7）。顾客性别（X1）为分类离散变量，1为男性2为女性；顾客地区（X3）为分类离散变量，1为东部、2为中部、3为西部；顾客信用（X4）亦为分类离散变量，1至5个等级，数字越大，信用越好。为了消除数据的异方差性，并对数据实施标准化处理。从分析数据来看，女顾客的高频次购买更多；顾客年龄（X2）系数为负，说明年轻顾客高频次购买行为更多；顾客地区（X3）系数为负，东部高频次购买行为最多；顾客信用（X4）系数为正，说明高信用顾客群体，高频次购买行为相对更多；注册时间（X5）系数显示顾客注册时间与高频次购买行为没有影响；在线时间（X6）系数显示，线上时间长顾客的高频次购买行为最多；好评率（X7）系数显示，对高频次购买行为没有影响。通过以上分析可看出，信用度高、线上时间长、东部地区、年轻女性的高频次购买行为最多。

3.2 高价值购买者行为分析

高价值购买者行为分析方法与高频次购买者行为分析法一致，从数据显示上看：信用度高、线上时间长、东部地区、年轻女性的高价值购买行为最多。从数据挖掘的分析中，得出了结果，高价值购买者与高频次购买者为同一群体。通过之前的数据挖掘购买集中度的分析中看出，店铺的产生的销售额度主要集中在忠诚客户群体，因此店铺要对这一部分优质的忠诚客户采取精心维护的策略，同时结合商品支持度与商品置信度分析数据的商品组合开展促销活动，肯定会获取较好的效果。

4 結语

综上所述，以上本文主要叙述的是，大数据背景下数据挖掘技术在电子商务营销中的实践应用，通过对店铺的销售记录分析可以看出，年龄与地区消费是影响顾客消费的主要原因，文章通过对顾客高频次购买行为与高价值购买行为的分析中得出结果，东部年轻女轻为消费最多的群体，因此店铺要采取优先维护的策略，为优秀顾客推出挖掘数据分析的最优组合商品的优惠活动，以提高顾客的忠诚度。

参考文献

[1]李勇，张敏，刘浩等，数据挖掘与应用统计现状及趋势研究—第八届国际数据挖掘与应用统计研究会年会学术综述[J].会计之友，2016（22）：24-26.

[2]张维亚，严伟，汤澍.基于数据挖掘的旅游者消费行为数字足迹特征分析[J].商业经济研究，2016（18）：65-68.

[3]盛夏，李斌，张迪.基于数据挖掘的上市公司信用评级变动预测[J].统计与决策，2016（15）：159-162.

作者简介

付利军（1979-），男，山西省忻州市人。硕士学位。现为山西运城农业职业技术学院讲师。研究方向为数据库、数据挖掘、软件开发。

作者单位

山西运城农业职业技术学院 山西省运城市 044000