数据挖掘技术在电子商务客户关系中的应1.docVIP

数据挖掘技术在电子商务客户关系中的应用 【摘要】 市场竞争的加剧和日益个性化的需求使消费者的意见和反馈在企业生产、管理、营销等各个方面占据的位置越来越重要。客户资料数据的庞大与复杂要求一种新的方式来管理和处理。计算机技术特别是数据挖掘技术的成熟则满足了这一要求。本文就阐述一下数据挖掘技术在电子商务客户关系中的应用。 【关键词】 市场需求 数据挖掘技术概述 一、市场需求： 　随着因特网的出现，电子商务大潮正在全球范围内急速改变传统的商业模式，传统企业管理的着眼点往往在后台，ERP系统帮助他们实现了这种内部商业流程的自动化，提高了生产效率。而对于前台，往往重视的不够，面对诸如:哪种产品最受欢迎、原因是什么、有多少回头客、哪些客户是最赚钱的客户、售后服务有哪些问题等，大部分企业还只能依靠经验来推测。作为专门管理企业前台的客户关系管理为企业提供了一个收集、分析和利用各种客户信息的系统，帮助企业充分利用其客户管理资源。 如何有效的处理海量客户信息，从中挖掘判断出客户的消费趋向，实施个性换的服务成为摆在电子商务企业面前的一大问题。将数据挖掘技术用于电子商务的客户关系管理几乎是从数据挖掘诞生起就注定的。电子商务企业在与客户接触时，采用的亦多是网络手段，这也决定了商家对客户的管理以及保持不能再依靠传统人际营销，而是更加依赖于对客户的消费习惯以及个人偏好的把握，而使得商家能够做出准确判断的。 二、数据挖掘技术概述： 　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。还有很多和这一术语相近的术语，如从数据库中发现知识、数据分析、数据融合以及决策支持等。数据挖掘是一门交叉学科，它把人们对数据的应用从低层次的简单查询，提升到从数据中挖掘知识，提供决策支持。常用的数据挖掘技术主要有以下几种： 1.1人工神经网络 　　仿照生理神经网络结构的非线性预测模型，主要由“神经元”的互联，或按层组织的节点构成，通常由输入层、中间层和输出层三个层次组成，在每个神经元求得输入值后，再汇总计算输入值；由过滤机制比较输入值，确定网络的输出值。 1.2决策树 　　决策树是一个类似流程图的树型结构，其中每个内部节点表示在一个属性上的测试，每个分枝代表1个测试输出，而每个树叶点代表类或类分布。树的最顶层节点是根节点。目前，在数据挖掘中使用的决策树方法有多种，典型的在国际上影响较大的决策树方法是Quinlan研制的ID3算法。 1.3遗传算法 　　遗传算法是模拟生物进化过程的计算模型，是自然遗传学与计算机科学相互结合渗透的计算方法。遗传分析应用搜索技术，先找出两个合适的父样本，通过“交叉”“变异”等带有生物遗传特点的操作产生下一代样本，对子样本反复“交叉”“变异”操作直到子样本收敛为此，再找另外两个合适的父样本重复上述过程，就能得到下一代的样本集。由此得到当前样本集较可能的发展方向。 1.4近邻算法 　　用该方法进行预测的基本概念就是相互之间“接近”的对象具有相似的预测值。如果知道其中一个对象的预测值后，可以预测其最近的邻居对象。 1.5规则推导 　　根据统计意义上对数据中的规则“如果条件怎么样、怎么样，那么结果或情况就怎么样”，对给定的一组项目和一个记录集合，通过分析记录集合，推导出项目间的相关性。 1.6聚类方法 　　聚类分析方法按一定的距离或相似性测度将数据分成系列相互区分的组，它是不需要预定义知识而直接发现一些有意义的结构与模式。可采用拓扑结构分析、空间缓冲区及距离分析、覆盖分析等方法，旨在发现目标在空间上的相连、相邻和共生等关联关系。 1.7可视化技术 可视化技术在数据挖掘过程中的数据准备阶段是非常重要的，它能够帮助人们进行快速直观地分析数据。利用可视化方法，很容易找到数据之间可能存在的模式、关系和异常情况等。 3 Web数据挖掘在电子商务中的应用 3.1数据抽取方法在电子商务中的应用 与传统商务活动相比，电子商务具有更多的虚拟和不确定的因素：如客户购买的心理、动机、能力、欲望等。Web数据挖掘要解决的问题就是如何从零散的无规则的网络数据中找到有用的和有规则的数据和知识，基本方法之一就是进行数据抽取，以期对数据进行浓缩，给出它的紧凑描述，如方差值等统计值或用直方图等图形方式表示，从数据泛化的角度讨论数据总结，把最原始、基本的信息数据从低层次抽象到高层次，以便于 企业 决策。 3.2 基于Web数据挖掘的智能化搜索引擎 电子商务企业在活动过程中面临的问题之一是如何通过Internet全面、准确、及时地收集到企业内、外部的环境信息，尤其是一些隐性的、关系到企业经营成