数据挖掘在电子商务中应用探讨.docx

数据挖掘在电子商务中应用探讨摘要：伴随着现代科技的不断发展商业信息和数据在不断的增加而怎样通过这些信息来服务于商业经营是电子商务未来发展的一个棘手的问题。本文立足于分析商业信息和数据的内在联系为解决电子商务的应用问题提出一些建议。关键词：数据挖掘；电子商务一、数据挖掘产生的原因人们在日常生活中经常会遇到这样的情况商场的经营者希望将经常被同时购买的商品放在一起以增加销售；银行想知道申请了购房贷款的客户一般具有哪些特征；保险公司的精算师希望从已有的成千上万份病历中找出患某种疾病的病人的共同特征从而设计出最合理的理赔条款。对于这些问题传统的数据分析工具无法满足人们的需求。因为对于基于传统的数据库系统的信息管理系统无论是查询、统计还是报表其处理方式都是对指定的数据进行简单的数字处理而不能对这些数据所包含的深层的内在的信息进行提取。随着信息量的增加和信息管理系统的广泛应用人们希望能够提供更高层次的数据分析功能从而更好地对决策工作提供支持。正是为了满足这种需求数据挖掘（DataMining）技术得到了长足的发展。所谓数据挖掘我们可以理解为从大量数据中提取出隐藏在其中的有用信息将机器学习应用于大型数据库的一种综合的信息处理技术。数据挖掘也称为数据库中的知识发现是从大量数据中提取出可信、新颖、有效并能被人理解的模式的高级处理过程。KDD一词是在1989年8月举行的第11届国际联合人工智能学术会议上提出的。数据挖掘是一种综合了各个学科技术的信息处理方法具有多种功能其主要功能如下：（一）分类按照被分析对象的属性、特征建立不同的组类来描述事物。例如：将网上的每一篇文章按关键字分为不同的类别。（二）聚类识别出被分析对象的内在规则按照这些规则把对象分成若干类。例如：对“顾客最喜欢什么样的促销方式”这样的问题按照顾客的购买习惯进行聚类将购物习惯相近的顾客分在一起不同的类别表明不同的购买习惯然后分别调查了解每一类顾客最喜欢的促销方式。（三）关联规则关联是某种事物发生时其他事物会发生的一种联系。例如：每天购买牛奶的人也有可能购买面包其中买牛奶的人有多少一定要买面包比重有多大这可以通过关联的支持度和可信度来描述。与关联不同序列是一种纵向的联系。（四）预测有效的预测需要建立预测模型。预测目的是把握分析对象发展的规律对未来的趋势做出预见。例如：对电子商务行业未来发展做的判断。（五）偏差的检测对分析对象的少数的、极端的特例的描述揭示内在的原因。例如：在银行的100万笔交易中有500例的欺诈行为银行为了稳健经营就要发现这500例的内在因素减小以后经营的风险。需要注意的是：数据挖掘的各项功能不是独立存在的在数据挖掘中互相联系发挥作用。二、数据挖掘在电子商务中的应用实例数据挖掘在电子商务中占有重要的地位发挥着不容忽视的作用在电子商务中数据挖掘的来源主要是客户。通过数据能够清楚的发现客户的共性与个性从而能够对未来商业的发展进行科学的预测。不仅如此利用数据还可以对客户的消费心理和消费水平等等进行分析和预测这样才能为商业的发展指出明确的方向。这样既有利于电子商务的发展又有利于满足客户的需求。（一）分类与预测分类和预测在电子商务活动中发挥着重要的作用所谓的分类是指利用不同的方法把数据划分为不同的类型通过这些类型来进行深入的数据分析只有较为细致的划分数据才能使数据更好的为我们服务才能科学的进行预测。可以说分类是预测的前提和条件因此只有详细的分类才能做到正确的预测。鉴于分类的重要性现在的电子商务活动在进行数据整理时一般都进行分类然后进行预测从而使商业活动健康有序的开展。（二）聚类分析所谓的聚类是指在进行分类的基础上把相同的或者相似的类型聚合在一起。就电子商务而言聚类是最有利的统计数据的方法传统的市场细分理论在一定程度上对电子商务活动是有帮助的。所谓的市场细分是指根据消费者的不同来划分市场这样就会使电子商务在进行客户定位时节省时间与空间。聚类的主要作用是缩小同一类别的消费者之间存在的差距根据不同聚类的客户电子商务可以为他们提供不同类型的个性服务。聚类的主要方式方法大致分为三种：一种是统计一种是机器学习另一种是神经网络。统计是主要方式是把大致相同的数据统计在一起这种方法是较为全面的一种方法基本上能够涵盖各种不同的消费者的特征因为只有综合消费者的各种不同的消费特征才能够进行统计。统计的数据必定是客观存在的不能主观任意的进行加改。统计方法在电子商务中是经常运用的因为在电子商务的活动中会存在着诸多的数据而这些数据有大都是有较高的价值和意义的所以利用统计的方法来进行