淺析電子商務中的ＷＥＢ數據的挖掘

[摘要]本文立足于WEB數據挖掘技術，從個性化網站的設計、CRM中的應用和推薦系統中的應用三個角度，分析了電子商務中的WEB數據挖掘應用。

[關鍵詞]電子商務WEB數據挖掘

電子商務改變了人們傳統的商務模式，同時，也改變了商家與顧客之間的關系。客戶選擇余地的擴大使得他們更加關注商品的價值，而不象以前首先考慮品牌和地理因素。因此對銷售商而言盡可能的了解客戶的愛好、價值取向，才能在競爭中立于不敗之地。數據挖掘技術可以有效地幫助銷售商理解客戶行為，提高站點的效率。在電子商務網站的設計、客戶關系管理(CRM)、網絡營銷等方面得到廣泛的應用。

一、數據挖掘在電子商務網站設計中的應用

數據挖掘可以得出諸如：什么客戶喜歡這個站點、客戶通過什么訪問路徑達成交易,以及客戶訪問站點的頻率等信息，從而優化網站的結構提高網站的訪問量，吸引更多的客戶。對于改進網站設計、定制個性化頁面、判斷站點效率有著重要幫助。

利用WEB數據挖掘技術，個性化電子商務系統的實現過程包括信息采集、信息分析和個性化服務三個主要步驟：

1.信息采集。收集客戶個人信息是提供個性化服務的基礎。收集個人信息主要有兩種方式。第一種方式是通過客戶注冊來獲得，這種方式可以得到客戶的性別、出生日期、最高學歷、家庭收入、婚姻狀況、職業等；第二種是通過客戶在網站上的行為來判斷個人的興趣愛好等特點，從而獲得客戶個人信息。如果客戶經常瀏覽某類產品或相關廣告，我們就可以知道客戶對這類產品感興趣。信息分析。一個成功和完善的個性化電子商務網站應該能夠在對客戶透明的情況下，對客戶的資料、行為進行分析，并盡量不影響客戶的頁面處理時間，對于耗時較多的分析、分類處理應放在系統相對空閑和客戶退出網站等時間處理，減少客戶等待時間。信息分析過程如下:(1)將網站客戶群進行分類，然后按照客戶群興趣特點進行內容設計，并且將內容相應歸類;(2)定義客戶類別所對應的內容，即某類客戶最需要看到什么內容;(3)分析客戶的行為和登錄資料，判別客戶所屬的類別;(4)客戶瀏覽網站不同頁面時，以及提交購買定單時，修改相應行為資料。個性化服務。根據客戶類別顯示相應的內容給客戶，達到個性化服務的目的。為了使分類更具有可信性和穩定性，對注冊時間較長，瀏覽及購買行為相對穩定的客戶優先抽樣。

二、數據挖掘在CRM中的應用

1.客戶的獲取。在大多數的商業領域中，業務發展的主要指標包括新客戶的獲取能力。企業的市場部門人員可以采用傳統的方法來發展新客戶，如開展大規模廣告活動；也可以根據所了解的目標客戶群，將他們分類，然后進行直銷活動。但是當數據量增大時，即使有豐富經驗的市場人員想要選擇出相關的人口調查屬性的篩選條件也會變得很困難，隨客戶數量不斷增長和每位客戶的細節因素增多，要得出這樣的行為模式的復雜度也同樣增大。而數據挖掘技術可以幫助完成潛在客戶的篩選工作。首先從一份潛在的客戶名單開始，列出可能對企業的產品或服務感興趣的消費者的信息，通過調查和處理對這些信息進行數據擴展，并和一些外部信息匹配，使之更適合數據挖掘分析。然后進行市場試驗活動，根據所需要預測的客戶行為在一定范圍內對客戶進行試驗，記錄下客戶的反饋，稱之為“反應行為模式”。剔除無反應行為和反應行為類別中重復的數據后，在確定細節粒度的基礎上，利用數據挖掘技術構建出N元反應行為預測模型。根據這個模型，可以將潛在的客戶排序，以便找出那些對企業的產品或服務最感興趣的客戶。客戶的保持。隨著行業中的競爭愈來愈激烈和獲得一個新客戶的開支愈來愈大，保持原有客戶的工作也愈來愈有價值。在CRM的實施中，企業通過預測，找出可能會流失的客戶，并分析出主要有哪些因素導致他們想要離開，在此基礎上，有針對性地挽留那些有離開傾向的客戶。

利用數據挖掘技術，可以通過挖掘大量的客戶信息來構建預測模型，較準確地找出易流失客戶群，并制定相應的方案，最大程度地保持住老客戶。數據挖掘技術中的決策樹技術能夠較好地應用在這一方面。客戶的細分。細分是指將一個大的消費群體劃分為一個個細分群體的動作，同屬一個細分群的消費者彼此相似，而隸屬于不同細分群的消費者被視為不同的。通過CRM的實施，將產生細分的客戶群，企業根據客戶提出的要求和實際所做的不斷地改善產品和服務，從而使企業不斷提高使該客戶群滿意的能力。

數據挖掘技術中的聚類分析技術能夠被運用來從客戶信息數據庫中發現不同的客戶群，并且用購買模式來刻畫不同客戶群的特征，達到細分客戶群的目的。根據客戶數據特點，一般可采用聚類技術中的K平均算法來進行劃分。其原理為將含原始客戶信息的數據庫劃分成K個聚簇，然后采用一定的算法使得同一簇中的對象是“相似的”，而不同簇中的是“相異的”。

三、推薦系統中的數據挖掘技術

1.貝葉斯網絡。貝葉斯網絡技術利用訓練集創建相應的模型，模型用決策樹表示，節點和邊表示客戶信息。模型的建立可以離線進行，一般需要數小時或數天，得到的模型非常小，對模型的使用非常快，這種方法適合客戶的興趣愛好變化比較慢的場合，推薦精度和最近鄰技術差不多。關聯規則。關聯規則既可用來分析商品間的參考模式，也可以向客戶推薦商品，提高交叉銷售能力。關聯規則的發現可以離線進行，隨著商品數目的增加，規則的數量呈指數增加，但通過決策者對支持度和置信度的選擇，感興趣模式以及算法的選取，也可以高效實現。推薦精度比最近鄰技術略差。聚類分析。該技術將具有相似愛好、購物興趣的客戶分配到相同的族中，聚類產生之后，根據該族中其他客戶對某商品的評價就可以得到系統對該商品的評價，聚類過程可以離線進行，聚類產生之后，性能比較好，但如果某客戶處于一個聚類的邊緣，則對該客戶的推薦精度比較低，推薦精度比最近鄰技術略差。推薦系統要兼顧準確性和實時性。一個好的系統可能是多種方法和技術的結合，取長補短。譬如，可以把聚類分析作為最臨