电子商务与数据挖掘.pptVIP

电子商务与数据挖掘 基于WEB日志的用户访问模式挖掘 电子商务与数据挖掘——完美结合 在电子商务中进行成功的数据挖掘得益于： 电子商务提供海量的数据 如果一个电子商务网站平均每个小时卖出五件物品，那么它一个月的平均点击量是160万次。 丰富的记录信息 良好的WEB站点设计将有助于获得丰富的信息 干净的数据 从电子商务站点收集的都是电子数据，无需人工输入或者是从历史系统进行整合 研究成果容易转化 在电子商务中，很多知识发现都可以进行直接应用 投资收益容易衡量 电子商务为数据挖掘提供海量数据 “点击流”（Clickstreams）将会产生电子商务挖掘的大量数据 Yahoo!在2000年每天被访问的页面数是10亿，如此大的访问量将会产生巨大的Web日志（记载页面访问的情况），每个小时产生的Web日志量就达到10GB！ 即便是一个小的电子商务站点，也会在断时间内产生进行数据挖掘所需的大量数据 计算一下，如果你的站点一个小时卖出5件物品，一个月会有多少页面访问： 5件×24小时×30天/％2（转化率，表示访问的人中买东西的人的比率）×9页面（平均买一件物品要访问9个页面）＝1,600,000页面 丰富的记录信息 如果你的电子商务站点设计的好，你将可以获得各种商务的或者是用户访问的信息： 商品和商品的属性 商品的归类信息（当同时展示多种商品是，归类信息是非常有用的） 促销信息 关于访问的信息（比如：访问计数） 关于客户额信息 （可以通过登陆/注册来获得） “干净的数据” 信息直接从网站上提取 无需从历史系统中集成，避免很多错误 可以通过良好的站点设计，直接获得跟数据挖掘有关的数据 而不是再来分析、计算、预处理要用的数据 直接收集的电子数据——可靠 无需人工数据输入，避免了很多错误 可以通过良好的站点设计，良好的控制数据采样的颗粒度 颗粒度控制在客户级别或者是session级别，而不是页面级别 有趣的“生日现象” 一个银行通过对客户数据统计发现，它的5％的客户都是在同一天出生的（同年同月同日）！ 为什么？ 如何解释？ 研究成果容易转化 历史上的数据挖掘研究有过许多的知识发现，但是这些知识发现却很少在实际的商业应用中产生什么效果 要应用这些发现的知识可能意味着要进行复杂的系统更改、流程更改或是改变人们的办事习惯，这在现实中是非常困难的。 在电子商务中，很多知识发现都可以进行直接应用 改变站点的设计（改变布局，进行个性化设计等） 开始有目标的促销 根据对广告效果的统计数据改变广告策略 可以很容易的提供捆绑销售 投资收益容易衡量 使用数据挖掘成果的革新带来的收益如何衡量？ 在传统的商业中衡量投资收益需要长期的测量和观察，Paco Underhill在《购物的科学》一书中提及，一个超市为了衡量他们的促销策略带来的投资收益，每年要花14,000个小时查看录像带。 在电子商务中，衡量革新的投资收益是非常容易的 销售变化的报表可以自动产生 客户对电子邮件和电子调查的反馈都可以在几天内得到，而不必等个几个月 电子商务乃至整个互联网都是传统商业的理想试验室。 对电子商务网站的Web数据挖掘 通常在一个电子商务网站上应用的数据挖掘技术是Web数据挖掘。 我们可以在一个电子商务网站挖掘些什么东西？ 内容挖掘 (Web Content Mining) 结构挖掘 (Web Structure Mining) 使用挖掘 (Web Usage Mining) Web Content Mining 对Web页面内容进行挖掘，从Web数据中发现信息。 自动地从数以百万计的Web站点和在线数据库中搜索和获取信息和资料; 尽管人们可以直接从网上通过抓取建立索引，实现检索服务来获得资源，但是大量的“隐藏”信息只能通过内容挖掘来自动挖掘。 Web Structure Mining Web Structure Mining是对Web页面之间的结构进行挖掘。 在整个Web空间，有用的知识不仅包含在页面的内容中，而且也包含在页面的结构中。 Web结构挖掘主要针对的就是页面的超链接结构，如果有较多的超链接指向它，那么该页面就是重要的，发现的这种知识可用来改进搜索路径等。 Web Usage Mining 与Web Content Mining和Web Structure Mining不同的是，Web Usage Mining的挖掘对象是用户和网络交互过程中抽取出来的二手数据，这些数据主要是用户在访问Web时在Web日志里留下的信息，以及其它一些交互信息， 日志信息包括访问日期、时间、用户IP地址、服务器IP地址、方法、所请求URL资源、服务器响应状态、用户代理、发送字节等。 Web Usage Mining就是对系统日志信息，以及用户的注册数据等进行挖掘，以发现有用的模式和知识。 Web