《数据挖掘在电子商务的应用》.docVIP

数据挖掘在电子商务的应用 调研分析报告 [摘 要] 在信息爆炸的电子商务时代，处理海量信息的时候显得力不从心，数据挖掘技术的出现与发展很好地处理了这一难题，数据挖掘是一门交叉学科的技术，它有助于发现业务发展的趋势，帮助企业做出正确的决策，使企业处于更有利的竞争位置。数据挖掘中应用的技术包括经典的统计、近邻、聚类，也包括最新发展起来的决策树、神经网络和关联规则等一些较新的方法。当实际开发一个数据挖掘系统时，究竟应该选择哪种数据挖掘技术，往往是一件很困难的事情。本文结合数据挖掘技术在电子商务中的应用,提出选择数据挖掘技术的两个重要依据，[关键词] 数据挖掘 电子商务　关联分析　分类　聚类 电子商务的发展促使公司内部收集了大量的数据，并且迫切需要将这些数据转换成有用的信息和知识，为公司创造更多潜在的利润，数据挖掘概念就是从这样的商业角度开发出来的。数据挖掘涉及的学科领域和方法很多，其核心技术历经了数十年的发展，其中包括统计、近邻、聚类、决策树、神经网络和规则等。今天，这些成熟的技术在电子商务中已进入了实用阶段，并取得了良好的效果。但数据挖掘作为一个新兴领域，在实际应用当中仍存在许多尚未解决的问题。其中最困难的往往在于决定什么时候采用哪种数据挖掘技术。 1数据挖掘的概念 　　 数据挖掘（Data Mining）就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘是通过挖掘数据仓库中存储的大量数据，从中发现有意义的新的关联模式和趋势的过程。从商业的角度定义，数据挖掘是一种新的商业信息处理技术，其主要特点是对商业数据库中的大量业务数据进行抽取、转换、分析和其它模型化处理，从中提取辅助商业决策的关键性数据。数据挖掘最吸引人的地方是它能建立预测模型而不是回顾型的模型。利用功能强大的数据挖掘技术，可以使企业把数据转化为有用的信息帮助决策，从而在市场竞争中获得优势地位。 2.1.2数据挖掘常见的提供的模型 （1）分类发现模型。 分类的目的是学会一个分类函数（分类器），通过分类器把数据库中的数据项映射到给定类别中的某一个。分类器的构造方法有统计方法、机器学习方法、神经网络方法、粗糙集方法等。 （2）聚类模型。 聚类是把一组个体按照相似性归成若干类别，使得属于同一类别的个体之间的距离尽可能的小，而不同类别上的个体间的距离尽可能的大。聚类方法包括统计方法、机器学习方法、神经网络方法和面向数据库的方法。 （3）关联规则模型。 关联规则反映一个事件和其他事件之间依赖或关联的知识。如果两项或多项之间存在关联，那么其中一项的属性值就可以依据其他属性值进行预测。最为著名的关联规则发现方法是R.Agrawal提出的Apriori算法。 （4）预测型知识模型。 它是根据时间序列型数据，由历史的和当前的数据去推测未来的数据。时间序列预测方法有经典的统计方法、神经网络和机器学习等。 （5）偏差型知识模型。它是对差异和极端特例的描述，揭示事物偏离常规的异常现象，如标准类外的特例，数据聚类外的离群值等。  2.2 数据挖掘在电子商务中的应用由于数据挖掘能带来显著的经济效益，它在电子商务中（特别是金融业、零售业和电信业）应用也越来越广泛。在金融领域，管理者可以通过对客户偿还能力以及信用的分析，进行分类，评出等级。从而可减少放贷的麻木性，提高资金的使用效率。同时还可发现在偿还中起决定作用的主导因素，从而制定相应的金融政策。更值得一提的是通过对数据的分析还可发现洗黑钱以及其它的犯罪活动。在零售业，数据挖掘可有助于识别顾客购买行为，发现顾客购买模式和趋势，改进服务质量，取得更好的顾客保持力和满意程度，提高货品销量比率，设计更好的货品运输与分销策略，减少商业成本。电信业已经迅速地从单纯的提供市话和长话服务演变为综合电信服务，如语音、传真、寻呼、移动电话、图像、电子邮件、计算机和WEB数据传输以及其它的数据通信服务。电信、计算机网络、因特网和各种其它方式的通信和计算的融合是目前的大势所趋。而且随着许多国家对电信业的开放和新型计算与通信技术的发展，电信市场正在迅速扩张并越发竞争激烈。因此，利用数据挖掘技术来帮助理解商业行为、确定电信模式、捕捉盗用行为、更好的利用资源和提高服务质量是非常有必要的。分析人员可以对呼叫源、呼叫目标、呼叫量和每天使用模式等信息进行分析，还可以通过挖掘进行盗用模式分析和异常模式识别，从而可尽早发现盗用，为公司减少损失。　　 面向电子商务的数据挖掘过程可以分为以下3个步骤。 　　 (1)准备数据。进行数据挖掘的时候，一般并不是对原始的数据进行挖掘，而是先要对数据作一些预处理，包括合并数据，将多个文件或多个数据库中的数据进行合并处理；选择数据，