導語：數據挖掘技術在電子商務中的運用一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

1數據挖掘技術的來源

1.1數據挖掘的產生的緣由

人們通常會在平時的生活中遇到大大小小類似的狀況，比如商場會將具有關聯性的商品放在一起、保險公司會設計出精致的理賠條款等，這些數據信息的挖掘是傳統數據分析工具難以完成的。隨著科技的發展，信息量不斷擴大，人們希望通過對數據的挖掘獲得有價值的信息。由此數字挖掘技術便應運而生，并成為一種綜合性的數據分析技術。

1.2數據挖掘技術的功能分類

1.2.1分類方面

在對事物的具體描述工程中對描述對象的具體屬性以及主要特性等進行不同方式的組類，比如在劃分網絡上的文章的過程中，主要是根據其中內容的關鍵詞語為根本依據進行劃分、整理。

1.2.2聚類方面

針對被分析事物中所隱藏的深層內容進行有效的識別、認知，同時根據這些深層內容把被分析事物劃分為不同的類別。比如在商場對商品進行聚類的同時，要針對“用戶喜歡什么樣的促銷模式”這種問題進行全面的考量，并且將購物習慣性思維較為相近的用戶劃分在一起，依照不同的習慣性思維將商品有效的劃分為不同的類別，并且要針對不同類型的用戶所喜歡的促銷模式進行具體的深入調查和研究工作。

1.2.3關聯規則方面

在某一對象在出現某種狀況的同時會相應的引發其他對象發生相似狀況的密切聯系屬于關聯規則。比如在商場購買面包的用戶同時購買牛奶的幾率性就格外大，并且每一天購買面包的用戶里面又有幾個是同時購買牛奶的，其中所占的比例到底是多少，這些問題都是可以根據關聯規則的支持程度以及可信程度來進行實際、具體的描繪的。但是序列規則卻是縱向思維下的聯系模式，和關聯規則的聯系模式大大不同。

1.2.4預測方面

要想提高預測的高效性能就必須要對預測模型進行有效的構建。預測的主要任務在于對分析對象的發展規則進行高效的分析處理，并且能夠將其發展趨勢進行預測性的研究分析，比如針對電子商務未來的發展趨勢而做出的相關分析工作和預測工作。

1.2.5偏差的檢測工作方面

在描述分析極少數的對象和個別案例的同時，對其深層面的原因以及規則進行具體的研究分析工作。例如銀行在開展近一百萬筆的金錢交易業務中，總會個別的存在著近五百筆的金錢欺詐案例，所以銀行就需要針對業務經營的穩定性發展而采取相關的對策，針對這五百筆的金錢欺詐案例所包含的內在要素進行具體的分析發現，使得銀行在經營過程中的風險性降到最低。在這一過程中需要被關注的則是：在數據挖掘技術中的各種功能并不是單一性的存在的，其中存在著必然性的聯系，因此在開展數據挖掘的分析過程時，一定要對其中的內在聯系進行分析，進而將數據挖掘技術的高效功能進行最大程度的發揮。

2數據挖掘技術的主要工具以及運行方式

2.1數據挖掘技術運行的主要方式

第一，數據挖掘在運行過程中需要對大量的信息數據進行處理分析，同時這也是數據挖掘技術得以產生的主要原因；第二，數據的不完全性是必然存在的，其主要的特征就在于其隨機方面以及噪音方面，同時其信息數據的組織結構也是繁瑣復雜，維數過于大；第三，數據挖掘技術是各種不同領域的科學性知識的整合，其中針對數學以及計算機、統計學等各方面進行了全面系統的應用，是各個領域的交叉內容。其中普及程度最為廣泛的算法以及模型主要劃分為以下幾方面：

2.1.2傳統的統計方式

在常用的統計方式中應用程度較為普及的主要是抽樣技術，在分析處理大量的信息數據的過程中，并沒有可能以及必要性來對全部的信息數據進行具體的分析，因此要充分的結合理論性的指導內容來將抽樣技術逐漸的科學合理化。之后再對多元統計分析方式以及因子分析方式、回歸分析方式、聚類分析方式和時間序列的分析方式等進行逐一的整合，并加以應用。

2.1.3可視化技術的應用

在直觀表現信息數據主要特性的過程中充分的結合圖標的形式，尤其是直方圖的直觀表達，在這一過程中所需要應用的描述統計方式也是極其豐富多元化，其中可視化技術的高效應用現階段中的關鍵問題在于如何將高維數據實現最大程度的可視化。

2.1.4決策樹

決策樹主要是對大量的數據庫根據相關規則進行有效的歸納，將樹狀圖進行構建，一般情況下都會在分類工作和預測工作中得到高效的應用。其中CART、CHAID、ID3、C4.5、C5.O等計算方法都是在這一工作過程中應用頻率最高的。

2.1.5神經網絡方面

神經網絡技術可以針對人們的神經元功能進行高效率的模擬實現，同時針對輸入層以及隱藏層、輸出層等方面經過，使得能夠直觀的調整、計算相關的信息數據，使得其計算結果精確度能夠得到全面性的提高，常常用在分類方面以及回歸方面。

2.1.6遺傳算法方面

遺傳算法主要是根據自然進化的相關理論知識為重要基礎，進一步的優化對基因的聯合以及突變、選擇等進行高效的模擬。

2.1.7關聯規則的挖掘計算方法

關聯規則通常情況下是根據數據之間聯系的規則性內容進行具體的分析，其中對大型數據的項集進行計算和充分的利用大數據項集來將其中的關聯性規則形成，是關聯規則中主要的兩大過程。同時粗集計算方法以及模糊集合計算方法、最近鄰計算方法和BayesianBeliefNetords等也都是關聯規則挖掘算法中最為常見的計算方法。

3數據挖掘技術在電子商務中的各項應用實際案例

用戶是在進行電子商務活動中數據挖掘的主要分析對象。數據挖掘技術能夠將用戶之間的共性以及個性方面的知識進行有效的分析研究，同時能夠將其知識內容中的必然性和偶然性以及獨立性和關聯性、現實性和預測性等進行高效率的發現。并且這些知識的發現層次和概念也是完全不同的，可以從微觀層面逐一地上升到宏觀層面，并且可以對用戶的消費行為進行直觀的統計分析，尤其是在其消費心理以及消費能力、消費動機、消費需求、消費潛能等方面的統計、分析更為精確。使得電子商務的經營人員可以充分的結合這些分析內容來開展相關的決策工作，使得消費人員的需求能夠得到最大程度的滿足。

3.1分類方法和預測方法在電子商務中的高效應用

分類工作在電子商務的活動過程中占據著關鍵性的地位，同時其應用頻率也是最高的。分工工作的主要任務就是在于將分類函數以及分類模型等進行高效的構建，一般情況下都被稱為“分類器”。其中統計法以及機器學習法、神經網絡法是分類器中經常會用到的構建方法，這些不同的方法可以將信息數據庫中的相關數據項目映射到指定的類別中，增加預測工作中的便利性大大的增強，在這一基礎之上能夠對未來的信息數據進行行之有效的分析。

3.2聚類分析方法在電子商務中的高效應用

聚類可以針對組類中的個體根據類似性的規律將其進行科學合理的劃分。對于電子商務而言，針對用戶的有效聚類能夠強有力的支持市場化的細分理論規律。但是傳統模式下的市場細分理論在對市場策略的具體制定過程中依然占據著關鍵性的地位，市場細分可以借助不同類別的用戶群體進而細分市場，其主要任務就在于將同一范圍內的用戶個體以及市場進行最大程度的拉近工作，同時使得不同領域內的個體之間的區別逐漸地增大，因而能夠借助聚類分析方法來對用戶群體的主要特性進行高效的劃分，使得用戶在使用電子商務互聯網站的過程中可以享受到個性化的優質服務。其中統計法以及機器學習法、神經網絡法等都屬于聚類分析方法的具體范疇之內。

3.3數據抽取方法在電子商務中的高效應用

和傳統模式下的商務活動相比較而言，電子商務活動充斥著各種不穩定的因素。比如用戶群體的消費心理以及消費能力等方方面面，因此數據挖掘技術的關鍵任務就是在于要從海量的信息數據中尋找出有具體價值意義、有序的相關數據。其中數據抽取方法是其中的關鍵方式之一，能夠從廣泛的視角中對數據進行高效的分析整合，因此其主要的針對目標就在于電子商務活動過程中的用戶群體的信息數據化大倉庫。并且在具體的運作過程中計算量過于高，可以將其中的結果進行提前的計算并進行有效的存儲工作，增強工作過程中的工作質量。

3.4數據挖掘技術在電子商業中的具體應用案例

第一，數據挖掘技術可以應用與電子商業營銷中。市場營銷就是以對市場進行細分為基礎的，按照營銷學的相關理論可知，消費者現在的消費行為將決定他們以后的消費趨勢。因此，要收集大量和消費者行為有關的數據信息，并要對這些數據信息進行進一步的處理，主要的工序包括對數據信息進行分類、分析研究以及再加工等。首先，根據產品的銷售情況和消費者對產品需求的反饋信息對產品的生命周期進行分析；其次，是對市場進行細分。需要使用到客戶聚類分析法，找出客戶之間的關系，即有何相同的消費行為。根據客戶群對市場進行進一步的細分。然后，進行產品定價。產品定價需要使用關聯分析，主要分析消費者對于某些品牌的忠誠度、價格接受情況等。最后，就是進行營銷。根據上述的工作結果確定最終的營銷策略；第二，數據挖掘技術可以應用在電子商務廣告宣傳方面。所有瀏覽網絡廣告的客戶都有可能成為潛在的客戶，所以很多商家都選擇在網絡上做廣告。但選擇做廣告的網絡平臺就需要使用到數據挖掘技術。一方面要選擇點擊率比較高的網站，另一個方面還要選擇具有針對性的網站。而這些數據信息都被保存在數據庫中，需要利用專業的數據挖掘知識對其進行加工處理使之成為有價值的信息。

4總結

隨著現代化信息高新技術的高效發展，電子商務的出現是必然性的趨勢推動而生成的，其代表了未來的商業運作的主要形式。因此要將信息網絡化的基礎設備的建設進一步的加強，將企業中的電子商務化活動進行正確積極的推動，同時將電子商務中的安全運行機制以及物流配送的機制進行進一步的改善，使得電子商務的發展環境能夠被優化，進而將企業的管理方式進行改革創新工作，推動企業的進步發展。

作者:周穎 單位:江蘇省宜興中等專業學校