数据挖掘电子商务应用

数据挖掘电子商务应用（共6篇）

篇1：数据挖掘电子商务应用

调

研

报

告

调研题目: :关于数据挖掘在电子商务中

应用得调研报告

指导老师: :

学生姓名：

学

号：

西安交通大学软件学院2016 年 年 3 3 月 月 2 2 １日

关于数据挖掘在电子商务中应用得

调研报告

摘要

电子商务正处在蓬勃发展得大好时期,它所产生得丰富得信息资源,为数据挖掘得应用开辟了广阔得应用舞台。本文通过优化企业资源、管理客户数据、评估商业信用、确定异常事件四个方面来阐述数据挖掘在电子商务中得应用,揭示了数据挖掘在电子商务中得广阔得应用前景.关键词：电子商务;数据挖掘;调查报告 目 录 一、概述

随着网络技术与数据库技术得成熟，全球传统商务正经历一次重大变革，向电子商务全速挺进。电子商务就是商业领域得一种新兴商务模式,它就是以网络为平台，以现代信息技术为手段，以经济效益为中心得现代化商业运转模式,其最终目标就是实现商务活动得网络化、自动化与智能化。电子商务得产生改变了企业得经营理念、管

理方式与支付手段,给社会得各个领域带来了巨大得变革。随着网络技术得迅猛发展与社会信息化水平得提高，电子商务显示出巨大得市场价值与发展潜力。

当电子商务在企业中得到应用时，企业信息系统将产生大量数据，并且迫切需要将这些数据转换成有用得信息与知识，为企业创造更多潜在得利润，数据挖掘概念就就是从这样得商业角度开发出来得。数据挖掘就是一种新得商业信息处理技术，其主要特点就是对商业数据库中得大量业务数据进行抽取、转换、分析与其她模型化处理，从中提取辅助商业决策得关键性数据。利用功能强大得数据挖掘技术,可以使企业把数据转化为有用得信息帮助决策,从而在市场竞争中获得优势地位。

二、数据挖掘在电子商务中得应用

1、优化企业资源

节约成本就是企业盈利得关键。基于数据挖掘技术，实时、全面、准确地掌握企业资源信息,通过分析历史得财务数据、库存数据与交易数据，可以发现企业资源消耗得关键点与主要活动得投入产出比例，从而为企业资源优化配置提供决策依据，例如降低库存、提高库存周转率、提高资金使用率等。通过对 Web 数据挖掘,快速提取商业信息，使企业准确地把握市场动态,极大地提高企业对市场变化得响应能力与创新能力,使企业最大限度地利用人力资源、物质资源与信息资源，合理协调企业内外部资源得关系，产生最佳得经济效益。促进企业发展得科学化、信息化与智能化。

例如:美国运通公司（Amerｉcan Exｐｒｅss)有一个用于记录信用卡业务得数据库,数据量达到５4 亿字符，并仍在随着业务进展不断更新。运通公司通过对这些数据进行挖掘，制定了“关联结算(Ｒｅlation ｓhip Biｌｌｉnｇ）优惠”得促销策略,即如果一个顾客在一个商店用运通卡购买一套时装,那么在同一个商店再买一双鞋，就可以得到比较大得折扣，这样既可以增加商店得销售量，也可以增加运通卡在该商店得使用率。

２、管理客户数据

随着“以客户为中心”得经营理念得不断深入人心，分析客户、了解客户并引导客户得需求已成为企业经营得重要课题。基于数据挖掘技术,企业将最大限度地利用客户资源，开展客户行为得分析与预测，对客户进行分类。有助于客户盈利能力分析,寻找潜在得有价值得客户,开展个性化服务,提高客户得满意度与忠诚度.通过 Wｅb 资源得挖掘，了解客户得购买习惯与兴趣,从而改善网站结构设计，推出满足不同客户得个性化网页。

利用数据挖掘可以有效地获得客户.比如通过数据挖掘可以发现购买某种商品得消费者就是男性还就是女性，学历、收入如何，有什么爱好，就是什么职业等等。甚至可以发现不同得人在购买该种商品得相关商品后多长时间有可能购买该种商品，以及什么样得人会购买什么型号得该种商品等等。在采用了数据挖掘后，针对目标客户发送得广告得有效性与回应率将得到大幅度得提高，推销得成本将大大降低.同时,在客户数据挖掘得基础上，企业可以发现重点客户与评价市

场性能，制定个性化营销策略，拓宽销售渠道与范围，为企业制定生产策略与发展规划提供科学得依据。通过呼叫中心优化与客户沟通得渠道,提高对客户得响应效率与服务质量，促进客户关系管理得自动化与智能化。

成功案例：美国得读者文摘(Rｅaｄer‘s Ｄiｇesｔ)出版公司运行着一个积累了 40 年得业务数据库,其中容纳有遍布全球得一亿多个订户得资料，数据库每天 24 小时连续运行，保证数据不断得到实时得更新,正就是基于对客户资料数据库进行数据挖掘得优势，使读者文摘出版公司能够从通俗杂志扩展到专业杂志、书刊与声像制品得出版与发行业务,极大地扩展了自己得业务。

３、评估商业信用

低劣得信用状况就是影响商业秩序得突出问题，已经引起世人得广泛关注。由于网上诈骗现象层出不穷,企业财务“造假“现象日益严重，信用危机成为制约电子商务发展得重要因素.利用数据挖掘技术对企业经营进行跟踪，开展企业得资产评估、利润收益分析与发展潜力预测，构建完善得安全保障体系,实施网上全程监控，强化网上交易与在线支付得安全管理。基于数据挖掘得信用评估模型，对交易历史数据进行挖掘，发现客户得交易数据特征,建立客户信誉度级别,有效地防范与化解信用风险，提高企业信用甄别与风险管理得水平与能力.4、确定异常事件

在许多商业领域中,异常事件具有显著得商业价值，如客户流失、银行得信用卡欺诈、电信中移动话费拖欠等.通过数据挖掘中得奇异点分析可以迅速准确地甄别这些异常事件，为企业采取决策提供依据，减少企业不必要得损失。

三、总结

电子商务就是现代信息技术发展得必然结果,也就是未来商业运作模式得必然选择。电子商务领域具有丰富得信息资源,为数据挖掘得应用开辟了广阔得应用舞台.数据挖掘将为电子商务提供有力得技术支持，极大地促进电子商务得发展与普及，推动电子商务得应用进程.数据挖掘技术作为电子商务得重要应用技术之一,将为正确得商业决策提供强有力得支持与可靠得保证，就是电子商务不可缺少得重要工具，有着广阔得发展前景.

篇2：数据挖掘电子商务应用

1.1数据挖掘

数据挖掘，即在数据库中的信息发现，是指在大量的、不完整的、模糊的、有噪音的和随机的数据中，提取出潜在的、不为人知的、同时又是非常有用的知识和信息的过程。数据挖掘是一项应用技术广泛的交叉学科，它聚集了众多不同领域的知识，例如人工智能、可视化、数据库、数理统计等。从始至终数据挖掘技术都是面向应用领域，不仅是对于特定数据库的简单检索查询，还包括对数据的不同层面、不同角度的统计、分析、推理和综合，以此得到问题的求解，以及发现事件之间的联系，还有对未发生活动的预测。另外数据挖掘技术在存在大量数据积累的电子商务行业有着广泛的应用，是现代商务企业发展的不二选择。

1.2数据挖掘的过程

1.2.1数据预处理

在实际情况中，企业获得的数据具有不完整性、模糊性和冗余性，所以数据挖掘技术针对的不是已得到的数据，而是潜在的数据信息，并通过预处理技术获得简洁、准确的数据。预处理的工作分为三步，数据合并、数据选择和数据清洗。先将多个数据库和文件中的数据进行合并，然后选择适合分析的数据信息集合，最后剔除无关记录，并将各个文件转换成方便数据挖掘的格式。

1.2.2模式发现

这个阶段就是利用挖掘计算技术挖掘出有用的、潜在的、新颖的、可以理解的知识和信息。像关联分析、聚类分析、路径选择、序列分析等都可以用于Web的挖掘技术。

1.2.3模式分析

这个阶段是将模式发现中没有用的模式和规则过滤掉。通过技术分析，得到有效的结论。常用关联规则、序列等手段。

2数据挖掘技术的方法

2.1关联分析

所谓的关联分析，就是利用数据间相互关联的规则进行数据挖掘，为的是挖掘数据间潜在的联系规则。比如，在进行关联分析时，能发现类似哪些产品更受客户的欢迎、为什么、产品优势有哪些、有多少客户会再次购买等问题。

2.2序列模式分析

这个过程和第一个关联分析有些类似，但主要任务是发现数据间的`前后顺序联系，比如在这段时间里，企业先销售出x产品，随后销售y产品，然后是z产品，所以就形成x-y-z的销售序列，出现频率较高，进而对其进行分析。序列模式分析工作方向是：在指定的交易数据库中，找出按照时间排布的交易集，发现其中的高频序列，从而进行下一个步骤。

2.3分类分析

假设有一个数据库和一组互相区别的标记，利用特殊标记数据库中的每一个数据，这样的数据库被叫做训练集或者实例数据库。分类分析就是利用分析标记数据库中的每一个数据，对每个类别建立分析模型或做出精准的描述或者挖掘出分析模型，然后利用分类模式对数据库中的数据进行分类分析。

2.4聚类分析

篇3：数据挖掘在电子商务中的应用

关键词：数据挖掘,电子商务,关联,聚类,分类

随着网络技术和数据库技术的飞速发展, 电子商务正显示越来越强大的生命力。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。利用数据挖掘技术可以有效地帮助企业分析从网上获取的大量数据, 发现隐藏在其后的规律性, 提取出有效信息, 进而指导企业调整营销策略, 给客户提供动态的个性化的高效率服务。

1 数据挖掘技术

1.1 数据挖掘

数据挖掘是从大量的、不完全的、有噪声的、模糊的和随机的数据中, 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。数据挖掘是一门广义的交叉学科, 它汇聚了不同领域尤其是数据库、人工智能、数理统计、可视化、并行计算等方面的知识。数据挖掘技术在金融、保险、电信、大型超市等积累有大量数据的电子商务行业有着广泛的应用, 如信用分析、风险分析、欺诈检验、用户聚类分析、消费者习惯分析等。

1.2 数据挖掘过程

数据挖掘过程可以分为3个步骤:数据预处理、模式发现、模式分析。

(1) 数据预处理。实际系统中的数据一般都具有不完全性、冗余性和模糊性。因此, 数据挖掘一般不对原始数据进行挖掘, 要通过预处理提供准确、简洁的数据。预处理主要完成以下工作:包括合并数据、选择数据、数据清洗等。

(2) 模式发现。模式发现阶段就是利用挖掘算法挖掘出有效的、新颖的、潜在的、有用的以及最终可以理解的信息和知识。可用于Web的挖掘技术有路径选择、关联分析、分类规则、聚类分析、序列分析、依赖性建模等等。

(3) 模式分析。模式分析是从模式发现阶段获得的模式、规则中过滤掉不感兴趣的规则和模式。通过技术手段, 对得到的模式进行数据分析, 得出有意义的结论。常用的技术手段有:关联规则、分类、聚类、序列模式等。

2 数据挖掘在电子商务中的应用

2.1 优化企业资源

节约成本是企业盈利的关键。基于数据挖掘技术, 实时、全面、准确地掌握企业资源信息, 通过分析历史的财务数据、库存数据和交易数据, 可以发现企业资源消耗的关键点和主要活动的投入产出比例, 从而为企业资源优化配置提供决策依据。通过对Web数据挖掘, 快速提取商业信息, 使企业准确地把握市场动态, 极大地提高企业对市场变化的响应能力和创新能力, 使企业最大限度地利用人力资源、物质资源和信息资源, 合理协调企业内外部资源的关系, 产生最佳的经济效益。

2.2 管理客户数据

随着“以客户为中心”的经营理念的不断深入人心, 分析客户、了解客户并引导客户的需求已成为企业经营的重要课题。基于数据挖掘技术, 企业将最大限度地利用客户资源, 开展客户行为的分析与预测, 对客户进行分类, 有助于客户盈利能力分析, 寻找潜在的有价值的客户, 开展个性化服务, 提高客户的满意度和忠诚度。通过Web资源的挖掘, 了解客户的购买习惯和兴趣, 从而改善网站结构设计, 推出满足不同客户的个性化网页。

利用数据挖掘可以有效地获得客户。比如通过数据挖掘可以发现购买某种商品的消费者是男性还是女性, 学历、收入如何等等。甚至可以发现不同的人在购买该种商品的相关商品后多长时间有可能购买该种商品, 以及什么样的人会购买什么型号的该种商品等等。在采用了数据挖掘后, 针对目标客户发送的广告的有效性和回应率将得到大幅度的提高, 推销的成本将大大降低。同时, 在客户数据挖掘的基础上, 企业可以发现重点客户和评价市场性能, 制定个性化营销策略, 拓宽销售渠道和范围, 为企业制定生产策略和发展规划提供科学的依据。

2.3 评估商业信用

低劣的信用状况是影响商业秩序的突出问题, 已经引起世人的广泛关注。由于网上诈骗现象层出不穷, 企业财务“造假”现象日益严重, 信用危机成为制约电子商务发展的重要因素。利用数据挖掘技术对企业经营进行跟踪, 开展企业的资产评估、利润收益分析和发展潜力预测, 构建完善的安全保障体系, 实施网上全程监控, 强化网上交易和在线支付的安全管理。基于数据挖掘的信用评估模型, 对交易历史数据进行挖掘, 发现客户的交易数据特征, 建立客户信誉度级别, 有效地防范和化解信用风险, 提高企业信用甄别与风险管理的水平和能力。

2.4 确定异常事件

在许多商业领域中, 异常事件具有显著的商业价值, 如客户流失、银行的信用卡欺诈、电信中移动话费拖欠等。通过数据挖掘中的奇异点分析可以迅速准确地甄别这些异常事件, 为企业采取决策提供依据, 减少企业不必要的损失。

3 电子商务中几种常用的数据挖掘方法

3.1 关联规则

关联规则是数据挖掘研究的主要模式之一, 侧重于确定数据中不同领域之间的关系, 找出满足给定条件下的多个域间的依赖关系。关联分析的目的是挖掘出隐藏在数据间的相互关系。关联规则用于寻找在同一个事件中出现的不同项的相关性, 比如在一次购买活动中所买不同商品的相关性。关联分析的典型例子是购物篮分析, 描述顾客的购买行为, 可以帮助零售商决定商品的摆放和捆绑销售策略。如著名的 (面包+黄油→牛奶) 例子就属于关联分析:在超市中, 90%的顾客在购买面包和黄油的同时, 也会购买牛奶。直观的意义是:顾客在购买某种商品时有多大的倾向会购买另外一些商品。找出所有类似的关联规则, 对于企业确定生产销售、产品分类设计、市场分析等多方面是有价值的。

3.2 聚类分析方法

聚类分析就是直接比较样本中各事物之间的性质, 将性质相近的归为一类, 而将性质差别较大的分在不同的类。对变量聚类计算变量之间的距离, 对样本聚类则计算样本之间的距离。它的目的是使得属于同一类别的个体之间的距离尽可能小, 而不同类别上的个体间的距离尽可能大。

聚类分析用于把有相似特性的客户、数据项集合到一起。在电子商务中, 聚类分析常用于市场细分。根据已有客户的数据, 利用聚类技术将市场按客户消费模式的相似性分为若干细分市场, 以进行有针对性的市场营销, 提供更适合、更满意的服务。如自动给一个特定的客户聚类发送销售邮件, 为一个客户聚类动态地改变一个特殊的站点等。通过对聚类的客户特征的提取, 电子商务网站还可以为客户提供个性化的服务。

3.3 分类分析

分类系统是基于遗传算法的机器学习中的一类, 它包括一个简单的基于串规则的并行生成子系统、规则评价子系统和遗传算法子系统。分类系统正在被人们越来越多地应用于科学、工程和经济领域中, 是目前遗传算法研究领域中一个非常活跃的领域。

分类分析是数据挖掘中应用最多的方法。分类要解决的问题是为一个事件或对象归类, 既可以用于分析已有的数据, 也可以用来预测未来的数据。分类通过分析已知分类信息的历史数据, 总结出一个预测模型, 预测哪些人可能会对邮寄广告、产品目录等有反应, 可以针对这一类客户的特点展开商务活动, 提供个性化的信息服务。

3.4 序列模式

序列模式挖掘就是要挖掘出交易集之间有时间序列关系的模式。它挖掘的侧重点在于分析数据间的前后或因果关系, 找到那些“一些项跟随另一些项”, 以预测未来的访问模式。序列模式分析和关联分析类似, 其目的也是为了挖掘数据之间的联系, 但序列模式分析的侧重点在于分析数据间的前后序列关系。序列模式便于进行电子商务的组织, 预测客户的访问模式, 对客户开展有针对性的广告服务或者主动推荐客户感兴趣的页面, 以满足访问者的特定要求。

4 结束语

电子商务是现代信息技术发展的必然结果, 也是未来商业运作模式的必然选择。电子商务领域具有丰富的信息资源, 为数据挖掘的应用开辟了广阔的应用舞台。数据挖掘将为电子商务提供有力的技术支持, 极大地促进电子商务的发展与普及, 推动电子商务的应用进程。数据挖掘技术作为电子商务的重要应用技术之一, 将为正确的商业决策提供强有力的支持和可靠的保证, 是电子商务不可缺少的重要工具, 有着广阔的发展前景。

参考文献

[1]Jiawei Han Micheline Kamber.数据挖掘概念与技术[M].北京:机械工业出版社, 2006.

[2]韩家炜.Web挖掘研究[J].计算机研究与发展, 2001, 38 (4) .

篇4：数据挖掘在电子商务中的应用

关键词：推荐算法；数据挖掘；用户兴趣

一、引言

1.研究背景与意义

随着网络的高速发展，现在互联网已经从个人PC向移动互联网发展。在全世界范围内，除了传统的个人PC外，互联网中有增加了大量的移动终端，如智能手机、平板电脑、智能电视、智能汽车等各种设备都连到了互联网当中。互联网中的各式终端在随时随地的获取数据的同时，也会产生新的数据。例如，刚过去的一分钟内，淘宝卖出数以万计的商品，谷歌产生几千万条的搜索查询等等，新浪和腾讯微博发送数万条微博，几万个应用程序从苹果应用商店下载，这些都是海量数据的具体体现。目前，随着移动互联网的广泛运行，产生的数据比以往任何时期都要多的多，互联网中的数据呈现出爆炸式增长的景象。大数据处理成为当今信息领域中最热门的项目之一。大数据处理通过运行新工具、系统、机器学习等，把海量动态的数据转化为有价值的知识，挖掘出数据背后隐藏的经济规律。

2.新的推荐系统

目前，个性化的智能推荐系统是当今大数据处理发展的一个重要趋势。个性化的智能推荐系统可以结合用户的历史浏览记录，分析出用户习惯、行为、兴趣爱好等，再通过建立用户兴趣模型，从而为用户推荐所感兴趣的信息。在现今这个信息大爆炸的时代，用户面对海量信息时，往往不知改如何选择，因此推荐系统得以产生并得以广泛应用。在现实中，用户在互联网上购买书籍时，推荐系统便可以可以向用户推荐感兴趣的书籍。例如，亚马逊网站会根据用户的书籍历史购买记录，向用户提供个性化的推荐服务。因为不同的人有不同的性格特点、兴趣爱好，所以，推荐系统应针对每个人提供个性化的智能推荐服务。

二、推荐系统的实现技术

1.动态推荐系统

由于用户的兴趣是动态变化，物品的属性也并非是单一的，所以推荐系统也应具备动态特性。用户的上下文，如地点、时间等，是动态推荐系统中需要考虑的重要因素。上下文的变化往往意味着用户兴趣的变化。因此，结合用户上下文的动态推荐系统能够在旅店、音乐、旅游景点等方面发挥出非常重要的作用。与传统的推荐系相比统，结合了用户上下文具体环境的动态推荐系统在评价指标：精度、错误率、召回率都要好。

动态推荐系统的关键，是要建立用戶的上下文和用户兴趣之间联系模型。在日志记录中，用户的评分作为显性的反馈数据，往往只占有很少的一部分，日志中大量的数据是用户浏览、评论等这样的隐性用户反馈数据。要建立上下文与用户兴趣之间的联系模型，必须考虑到用户评分时一些细节，像在视频网站，是陪朋友观看还是独立观看，观看时间，是否连续播放等上下文具体情境，但是有些数据描述的是现实生活中的环境，动态推荐系统往往很难取得。用户在进行评分时，是将多个环境因素考虑进去，以时间，地点等因素尤为重要。动态推荐系统应该结合多个环境因素，向用户提供与兴趣最匹配的商品。

2.推荐系统的评价指标

任何一个最终可以实际运行的系统，都绕不开评估检测。只有每项评价指标都达到了目标值时，系统才算是一个合格的系统。不同的系统有着不同的评价指标，推荐系统的评价指标主要有准确度，覆盖率，惊喜性，新颖性等。下面详细介绍一下每个评价指标。

准确度在推荐系统中是最重要的一项指标，Top-N推荐系统和预测评分推荐系统在准确度上各有各自的表现方式。Top-N推荐系统通过采用分析用户的隐性反馈行为数据，向用户推荐N个可能感兴趣的物品。在预测评分推荐系统中，采用的是平均绝对误差或者绝对均方根误差来进行计算。

覆盖率往往是用来解决推荐系统中所面临的长尾问题，可以向感兴趣的用户推荐非热卖的物品。例如，在许多电子商务网中，有一些冷门的商品评分很少，如果推荐系统向用户推荐热门的商品，那么该推荐系统的覆盖率可能就会很低。

近几年，新颖性和惊喜性越来越被人重视。惊喜性和新颖性可以反映出用户对某些事物的特定需求。例如，一个喜爱电影的用户，如果推荐的是当下热门的电影，则用户可能不会感到意外，因为用户可能已经看过这些热门电影。但是如果系统推荐了一些用户没有看过的且满足用户兴趣爱好的电影，那么用户在接受推荐时候，会有意外的感受。当然并非只有最新的物品才具有新颖性和惊喜性，在用户的认识领域当中，只要是用户没有接触的物品皆有可能为用户带来惊喜。

三、小结

在互联网蓬勃发展的背景下，信息数据也呈现出爆炸式的高速增长。可以预见的是，在以后的一段时间内向用户提供高效、精准的个性化推荐是其必然的发展趋势。（作者单位：河南财经政法大学）

参考文献：

[1]李国杰.大数据研宄的科学价值.中国计算机学会通讯，2012，8（9）：8-15.

[2]项亮.推荐系统实践[M].北京：人民邮电出版社，2012，1-9

[3]艾瑞网.2012-2013年中国移动互联网行业年度监测报告简版.2013.

[4]刘建国，周涛，汪秉宏.个性化推荐系统的研究进展.自然科学进展，2009，19（1）：1-15.

[5]曾鸣.云商业的大创想.[EB/OL]：http：//www.aliresearch.com/html/stopic/ayan13.html，March 9，2013

[6]朱郁筱，吕琳媛.推荐系统评价指标综述[J].电子科技大学学报，2012：41（2），163-169

[7]项亮.动态推荐系统关键技术研究[D].北京：中国科学院研究生院，2011，24-27

篇5：数据挖掘电子商务应用

据该报告显示，20第2季度中国网上零售市场交易规模达到1924亿元;其中服装类商品销量达到445亿元，环比增长8%，同比增长68.9%;服装作为最受用户青睐的网购产品越来越关注。

曹磊通过该报告指出，服装行业开展电子商务存在着“天然优势”，表现在：降低成本，提高效率来获取利润。时尚的变化要求服装企业实时跟踪市场行情，预见客户需求变化，迅速对客户要求做出反应;而电子商务，通过对用户兴趣度的调查和客户反馈信息的搜集，恰恰为企业实现这一目标提供了一种低成本的技术手段。

而目前，服装行业电子商务存在的主要问题也不少，如在综合B2C零售领域，主要问题是企业与品牌供应商的渠道拓展成本大。对于网络品牌零售商而言，主要问题表现在商品线单一，推广成本巨大方面。对于传统品牌网络零售商，问题表现在品牌单一、渠道建设与运营成本较高。而对于垂直B2C零售商，主要问题则为推广成本巨大，毛利非常低。

传统品牌服装企业加速了电子商务的步伐，目前仅淘宝上就有超过5000家传统服装企业通过不同形式开展网上直销。另据中国电子商务研究中心数据监测，有超过75%的品牌服装企业“触网”。

对于目前传统服装企业面临的问题，中国电子商务研究中心特约研究员、中国服装网CEO陈学军向记者透露出了几大对策，首度涉足电商的企业要做好“交学费”准备，企业应尽可能避免与现有渠道“冲突”，开发独立“网络品牌”;金兰世群应重视电子商务运营、技术等人才的投入，再则要注重分工与外包，切忌“一揽子”自己干;最后做电商要由“粗放型”向“精准型”过渡。

报告指出，中国与国外服装电子商务的差距主要表现在：信息系统的集成度不够、人才培训工作亟需加强、行业标准和规范缺乏、企业信息化资金投入严重不足、企业参与电子商务的积极性有待提高等方面。

对中国服装行业电子商务的发展看法，陈学军表示，对网民来说,主要是要识别电子商务网站真伪和诚信度,同时注意自己支付的安全性;服装企业尤其是中小企业应该抓住机遇,化被动为主动开展电子商务，中小企业一般可以先通过B2B或B2C的方式开展电商应用;而电子商务服务企业应转向“精准型”发展，用户提供专业个性化服务。

篇6：数据挖掘电子商务应用

摘要：本文以亚马逊为例，结合大数据技术及电子商务行业的发展现状，分析了大数据技术手段，并通过分析亚马逊在物流集成方面对大数据技术的应用，总结电商物流集成与大数据的关系，对大数据时代电商的未来发展提出可行性建议。大数据及电子商务发展现状 1.1大数据技术及背景

随着信息技术的发展，互联网、社交网络、物联网、移动互联网、云计算等相继进入人们的日常工作和生活中，全球数据信息量呈指数式爆炸增长之势。根据国际数据公司 IDC 发布的研究报告，预计全球数据量大约每两年翻一番，到 2020 年全球将达到 35ZB 的数据信息量，可能是 2013 年数据规模的 44 倍。由此可见，我们已进入了大数据时代。

大数据有如下定义：“大数据是由于规模、复杂性、实时而导致的使之无法在一定时间内用常规软件工具对其进行获取、存储、搜索、分享、分析、可视化的数据集合。”大数据的特点可归纳为“4V”：海量（Volume）、多样（Variety）、快速（Velocity）、价值（Value）。如今数据量级别不断加大，数据类型繁多，可分为结构化数据、半结构化数据和非结构化数据，而且数据产生速度快，具有很强的时效性。数据蕴藏着很大的价值，但是其价值密度很低，我们很难从数据的海洋中找到其中有价值的数据，需要技术手段进行数据挖掘。

大数据是继云计算、物联网之后 IT 产业又一次颠覆性的技术变革，对于企业将产生巨大的影响。如今，大数据分析已经成为行业研究的热点，大数据正在以多种方式创造着巨大的价值。市场研究公司Gartner 曾预计：大数据今年将直接或间接拉动全球960 亿美元的 IT 支出，这一数据在 2013 年将达到1200 亿美元，2016 年达到 2320 亿美元，2015 年全球将会新增 440 万个 IT 工作岗位以支持大数据。

1.2大数据背景下电子商务的发展现状

在大数据时代，未来数年数据量将会呈指数爆炸。图灵奖获得者吉姆·格雷（Jim Gray）和 IDC 公司曾预测，全球数据量每 18 个月翻一番。例如，淘宝网每日新增的交易数据达 10TB；eBay 分析平台日处理数据量高达 100PB，超过了美国纳斯达克交易所全天的数据处理量；亚马逊每、秒钟处理 72.9 笔订单。由此可见，电子商务网站的数据正是典型的大数据。

电子商务经历了三个时代：（1）基于用户数的时代，此时电子商务企业通过收取会员费、广告费等方式发展客户来赚取利润；（2）基于销量的时代，电商企业通过投放广告来实现销售量的增长，以此来提升品牌影响力和企业价值；（3）基于数据的时代，电子商务公司通过对消费者的海量数据的收集、分析、整合，挖掘出商业价值，促进个性化和精确化营销的开展。全球迎来大数据时代，数据成为越来越有用的资源，电子商务企业在开发利用大数据的市场上存在着巨大的发展前景。

随着大数据时代的到来，相对于传统的线下销售企业来说，爆炸性增长的数据已成为了电子商务企业非常具有优势和商业价值的资源，大数据将成为企业未来的核心竞争力。电商掌握了几乎最全面的数据信息，其中包括所有注册用户的浏览、购买消费记录，用户对商品的评价、在其平台上商家的买卖记录、产品交易量、库存量以及商家的信用信息等等。

电子商务与大数据的结合，是互联网时代的必然产物，两者间也存在着互惠关系。一方面，电子商务的迅猛发展，为大数据的积累拓展了可观的空间。另一方面，大数据为电子商务的更广泛开展，提供了便利条件。从管理方法到管理思维，大数据给电子商务带来革命性的变化。基于大数据的数据分析系统，将为电子商务的管理者找到更多商机和需求。同时，数据将像普通产品一样被加工和交换。电子商务的经营和管理核心，已经从对商品的管理，转移到对商品背后数据的管理和挖掘层面，而基于大数据的数据分析将为电子商务提供发展的动力。

如今，在大数据的背景下，电子商务的服务业产生了变革。例如电商可以大数据资源给用户提供个性化和精准的商品推荐；还可根据商品的购买和浏览数据进行优质产品信息的汇总；电商可以为消费者提供准确强大的信息检索服务；电商可根据消费人群的不同需求，将营销目标针对某个具体的领域，更加细化服务领域；不少互联网公司提供数据云存储服务以满足为了满足用户对数据处理、存储方面的需求。电子商务物流集成相关技术介绍

电子商务的发展需要一个完善稳定的集成平台，使得各个企业部门能够在这个环境中进行交易，尽可能地消除由于企业内部系统不同而给企业问交易带来的障碍。

2.1基于EDI的电子商务集成

EDI(Electronic Data interchange)是将业务文件按一个公认的标准从一台计算机传输到另一台计算机上去的电子传输方法。从技术上讲，EDI包括硬件与软件两大部分。硬件主要是指计算机网络。90年代之前的大多数EDI都不通过网络，而是通过租用的电脑线在专用网络上实现，这类专用的网络被称为VAN(增值网)。软件包括计算机软件和EDI标准。EDI所需要的软件主要是将用户数据库系统中的信息，翻译成EDI的标准格式以供传输交换。EDI软件主要包括转换软件、翻译软件和通信软件。除此之外还包括EDI标准。

2.2基于Web的电子商务集成

20世纪90年代中期后，网络迅速走向普及，逐步地从大学、科研机构走向企业和百姓家庭。其功能也已从信息共享演变为一种大众化的信息传播工具。从l991年起，商业贸易活动正式进入到互联网这个王国，因此而使电子商务成为互联网应用的最大热点。通过网络进行交易使很多中小企业启动电子商务成为可能。而Internet上的电了商冬集成大致经历了三个阶段：

1）Web Interaction阶段：此阶段企业主要是在网上发布一些产品和企业信息，通过这些信息客户可以对企业的情况包括它们的产品和商业重点等有个大致的了解。2）Web Transaction阶段：在这一阶段，客户可以通过web进行一些交易，比如在Web上购物、结账等。而企业的目标就是激发客户的兴趣，吸引他们的目光到自己的网站上来消费。

3）Web Collaboration阶段：第三阶段特别指的是B2B的电子商务，它的目标是帮助企业的合作伙伴完成商业过程。在这一阶段，比较重要的是企业问的协作，比如企业A可能会共享一些库存数据，或者提供一些网络服务，而这样做的目的就是方便其用户，最终更好的销售自己的产品。

2.3基于XML的电子商务集成

XML是一种格式固定，独立于平台的半结构化语言，用它来做企业的数据交互媒介是一个非常好的选择。利用XML可以准确的描述企业服务、商业流程等，很好地完成交易的自动化，所以，XML为网络提供了统一的数据传输媒介。基于XML的电子商务集成所要解决的问题是统一异构系统直接的数据表达，同时充分发挥XML的可扩展性，定义企业问的事务逻辑，保证系统的稳定，减少由于企业系统不一致而带来的程序上大的改动。在众多的标准中，ebXML和Bizta1k这两个的影响比较大的标准。

ebXML由OASIS、UN/CEFACT、NIST、W3C等组织赞助或者参与制订，旨在取代目前使用的ED l电子商务标准，因为ED I价格昂贵，操作复杂，不利于推广。ebXML是一个规范集，这些规范共同实现了模块化电子商务框架。

Bizta1k框架是微软提出的用于应用集成和电子商务的XML框架，它包括一个设计框架来实现XML大纲(Schema)和一套在应用程序问传递信息用的XML标签。它的目标是推动XML的迅速普及和应用Bizta1k框架大纲以XML形式表达企业的商业文档和消息，并在BizTa1k.Org网站注册和存档，任何个人或组织都能下载框架用以具体实现或者向网站递交XML大纲。亚马逊在物流集成中对大数据技术应用的案例 3.1 公司概况

亚马逊公司（Amazon），是美国最大的一家网络电子商务公司，是网络上最早开始经营电子商务的公司之一，位于华盛顿州的西雅图。亚马逊成立于1995年，一开始只经营网络的书籍销售业务，现在则扩及了范围相当广的其他产品，已成为全球商品品种最多的网上零售商和全球第二大互联网企业，在公司名下，也包括了AlexaInternet、a9、lab126、和互联网电影数据库（Internet Movie Database，IMDB）等子公司。

亚马逊坚持走自建物流方向，将集成物流与大数据紧紧相连。在亚马逊近二十年的历史中，自建物流不但是其发展过程中的关键环节，也与大数据挖掘结合在一起，帮助亚马逊在营销方面实现更大的价值。由亚马逊强大技术支持的智能物流系统是其价值链扩张的重要部分，使其在整条产业链上建立竞争优势。

亚马逊还将免费“物流免费”作为营销手段，其基础正是在于其对市场的把握和分析。在电子商务经营处于“高天滚滚寒流急”的危难时刻，亚马逊独辟蹊径，三次大胆地将免费送货作为促销手段，并且不断降低免费送货服务的门槛。薄利多销、低价竞争，以物流的代价去占领市场，招揽顾客，扩大市场份额。显然此项策略是正确的，因为抓住了问题的实质。当然这项经营策略也是有风险的。

亚马逊重视物流集成系统的发展。完善的物流系统是决定电子商务生存与发展的命脉。由于亚马逊有完善、优化的物流系统作为保障，它才能将物流作为促销的手段，并有能力严格地控制物流成本和有效地进行物流过程的组织运作。

3.2 公司产品与物流集成服务

亚马逊及其它销售商为客户提供数百万种独特的全新、翻新及二手商品，如图书、影视、音乐和游戏、数码下载、电子和电脑、家居园艺用品、玩具、婴幼儿用品、食品、服饰、鞋类和珠宝、健康和个人护理用品、体育及户外用品、玩具、汽车及工业产品等。公司依托物流集成服务，通过物流中心、桔子机器人、外部卖家和拣货流程等系列服务，提高产品市场率和顾客满意度。

（1）物流中心

2013年，亚马逊花费约46亿美元建设了17个物流中心，并尽其所能地从中节约每一分钱。亚马逊在美国菲尼克斯建有120万平方英尺的仓库，借助手机程序的帮助，这里的员工都可以最大程度地发挥空间利用效率，即使是1英寸的地方。尽管亚马逊去年的收入增长41%，但营业费用的增幅也高达44%，导致利润率下滑2.3个百分点，部分源于这些物流中心的庞大开支。为了扭转局势，亚马逊正在扩大产品和服务范围，以便这些巨大的仓库能够成为利润枢纽。

（2）桔子机器人

桔子机器人可以在货架下穿梭，还能搬运产品，加快订单履行速度。对物流中心的投资成为亚马逊2013年最大的一笔营业费用，在销售额中的占比达到9.5%，这也使得该公司的仓库总数达到69个。为了进一步推动物流业务的自动化进程，亚马逊斥资7.75亿美元收购仓库机器人制造商Kiva Systems。亚马逊旗下拥有Soap.com和Diapers.com两大购物网站的Quidsi已经开始使用这种设备。使用亚马逊仓库和配送服务的第三方商家也推动了该公司的扩张。

（3）外部卖家

通过亚马逊出售商品的外部卖家，给该公司带来了更高的利润率。亚马逊会从第三方商家出售的商品中抽取一定的佣金，通常约10%，这部分佣金全部计入利润。如果合作伙伴选择通过亚马逊的仓库履行订单，还要交纳一定的费用。亚马逊控制了整个体验，确保消费者可以得到始终如一的高速物流服务，而且完全没有库存风险。

（4）拣货流程

要从仓库中取出商品，首先由一组名为“充填工”的工人把商品塞进由塑料隔开的储物格内，经过电脑的计算，这些储物格的空间效率实现了最大化。亚马逊物流配送环节中，将以最高效率往来于货架之间，并将货物依次摆放到传送带上，等待打包和配送。通过先进的仓储服务，亚马逊2013年多实现了1000万美元的销售额。

3.3 亚马逊的大数据技术案例分析

3.3.1亚马逊的大数据业务

亚马逊的业务主要包括了三大方面：电商平台，包括自有产品的电子商务、第三方卖家及对一些成员的特殊服务；KINDLE、数字内容等；云服务。以电子商务起家的亚马逊，由电子书发家，由云服务推动企业更进一步发展，以企业云平台闻名于世。

由于大数据技术的日渐成熟，亚马逊慢慢变为大数据行业的排头兵。亚马逊推出过一系列大数据产品，其中包括基于Hadoop的Elastic MapReduce、DynamoDB大数据数据库以及能够与Amazon Web Services顺利协作的Redshift规模化并行数据仓储方案。3.3.2亚马逊的大数据平台开发

在亚马逊大数据计算开发的参与人员中，包括消费者、其他进驻卖家和亚马逊公司自身三大组成部分。尽管亚马逊属于整合平台的提供商，但亚马逊实际上身兼多职，涵盖了价值链的多个环节，同时担任了服务商和运输者等多个角色。亚马逊在智能物流方面的创举，对其营销能力的增强起到了辅助作用。

亚马逊凭借着对于顾客购买数据的多方位采集和挖掘，能够获得大量关于目标客户的信息。最后，在第三方卖家方面，亚马逊从数据的角度去研究商家需求，并与消费者数据相结合，同物流集成思想相结合，提高平台精准营销的能力。

亚马逊的大数据技术主要分为四个步骤：（1）收集用户行为数据

用户使用亚马逊网站上发生的所有行为都会被亚马逊记录：如搜索、浏览、打分、点评、购买、使用减价券和退货等。亚马逊根据这些数据，不断勾画出每个用户的特征轮廓和需求，并以此为依据进行精准营销。

（2）整合用户行为数据

亚马逊强大之处还在于它可以整合用户行为数据和喜好，并挖掘用户的潜在需求，善于用各种形式的活动去获取用户的喜好和需求，比较典型的活动就是投票。一旦用户投票了，其观点、倾向、或者兴趣爱好就暴露了，这个用户就被亚马逊打上了“标签”。

（3）个性化推荐营销服务

通过对所获行为信息的分析和理解，亚马逊制定对客户的贴心服务及个性化推荐。这不仅可以提高客户购买的意愿，缩短购买的路径和时间，在恰当的时机捕获客户的最佳购买冲动，降低了传统营销方式对客户的无端骚扰。

（4）统计用户行为数据

给目标用户发送邮件后，用户是否打开了邮件、是否点击了邮件中的链接浏览促销产品，这些行为都会被持续跟踪下来。整个促销推广活动而言，这样可以统计活动的效果，为下次评估类似促销的活动提供历史依据。3.3.3对亚马逊大数据技术的应用分析

亚马逊最先把大数据引入电商行业，应用大数据技术改变客户的体验，将大数据技术与智能物流、物流集成相结合。在亚马逊近二十年的历史中，物流不但是其发展过程中的关键环节，也与大数据挖掘结合在一起，帮助亚马逊在物流集成方面实现更大的价值。由亚马逊强大技术支持的智能物流系统是其价值链扩张的重要部分，使其在整条产业链上建立竞争优势。

首先，亚马逊经由以云计算为依托的电商开放平台，通过客户数据收集、目标客户甄选、营销组合设计和营销信息推送四个步骤来实现精准营销。整个过程的核心在于对目标客户的准确定位，从而在分析客户偏好的基础上有针对性地发布营销信息。其次，有了数据分析系统的支撑，智能物流也得以发展。对于亚马逊这样一家秉承“客户至上”的企业来说，其智能物流方面的创新是其他电商企业难以企及的——物流的精准实现了更高层次的消费者体验满足。

亚马逊依靠大数据技术及大型的系统运输能力作为支撑，在物流集成方面有以下创新之处。

（1）智能化预估系统。

亚马逊的预估体系，在整个物流集成管理上起到了非常关键的作用。应用云计算的设备以及管理系统，亚马逊创建了智能化预估系统，对每个物流中心进行非常特别的管理方式，对仓储空间和配送路径进行相当精细的计算。亚马逊物流中心内的存货，不单单是同品种存放在一起，它们是乱七八糟的摆在一起，货物码放乱，但是乱中有序。亚马逊依据技术投入的大数据可推知客户在买一样货物时有哪些可能同时购买的关联货物，由此，他们在供货、上架、储存的时候，会按照数据的分配相互交叉的储存，使空间得到最好的利用，同时在拿货的时候，取用最短距离。这使得亚马逊的上架效率极高，空间的利用率极高。

亚马逊的下单，每一个对季节性产品的下单都会左右其数据如何支配，以及在库存里面的各个物流中心的储备，实时的调节库存，才可能实现库房或者我们叫做物流中心，每一个空间得到最好的使用。

（2）智能化运输调拨系统。

应用大数据技术，亚马逊实行全天侯全程时时监控运输网络。通过调拨和干线运输和最后一公里运输进行智能化管理实现“还未下单货在途”。购买亚马逊的产品，可以在网上看到一个配送时间的估算，这个估算实际上是用大数据跟物流体系进行的连接，这个连接能够让亚马逊知道，根据消费者的要求在什么时间送到，这个数据是在即时的情况下，消费者下单的时候会做出核算。亚马逊在美国、加拿大商品是跨境配送的，在中国实行的是全国配送。亚马逊配备了几大物流系统，像调拨线路；亚马逊采取智能调拨系统，在库房之间进行调拨，还有干线运输、第三方合作运输等多种方式。

（3）大数据、大系统出货能力。

出货时，亚马逊也采用大数据技术、大系统的能力。通过系统进行动态订单的处理，信息化智能控制来更多拣货的路径，提高拣货效率。目前这个信息系统可以达到百分之百的送货率，而库存的准确率可以达到99%以上。

应用大数据技术，亚马逊在物流集成方面的拥有以下三点创新之处。第一，通过智能物流系统，亚马逊可根据线上的销售情况，实时记录当前库存，并以客户的偏好为依据，预测下一期的销售目标，从而使库存始终保持在一个较低的水平。

第二，除了对自身的物流管理，亚马逊大数据分析也与物流体系进行对接，将仓储物流服务与产品配送结合起来，定时或定点为消费者提供新鲜的产品和及时服务。借助终端GPS设备，送货员能够确定最优送货路线，在节省时间和财力的同时也为顾客提供了更优质的服务。

第三，亚马逊物流中心预估和调拨的体系涵盖了云计算设备和管理系统。通过大数据的分析，各类存货按照数据分配进行相互交叉的储存，对空间实现最优利用；而根据季节不同，库存系统会自动转移产品，合理利用库房。换句话来说，数据分析相关的设施建设和信息挖掘是亚马逊精准营销的前提，而物流配送方面的创新则是精准营销的效果巩固，最大层面上增强了客户体验。大数据时代电子商务的机遇与挑战 4.1大数据时代电子商务的机遇

企业可以分析和使用的数据在爆炸式增长，通过对大数据的收集、整合、分析，企业可以发现新的商机，创造新的价值，带来大市场、大利润和大发展，大数据时代蕴藏着巨大的商机。

（1）大数据有利于市场营销。

大数据技术能够帮助电商获得更多的生意，销售人员预计实施大数据战略将对销售有显著的影响。大数据时代的社会化营销重点是理解消费者背后的海量数据，挖掘用户需求，并最终提供个性化的跨平台的营销解决方案。如果电商拥有了基于大数据的技术，在寻找潜在客户上、销售时间以及预测交易成功的几率上将会得到明显改善。

（2）大数据有利于个性化和精准的商品推荐。

大数据为个性化商业应用提供了充足的养分和可持续发展的沃土。顾客的结构、流量、点击率、购买的周期以及兴趣，都会在电子商务平台上产生大量的数据，通过对大数据的收集、整合和分析，电商可以对消费者的品位和消费意愿进行准确识别，主动为其提供个性化和精准的销售产品和服务，提高销售额和利润率。

4.2大数据时代电子商务的挑战

电子商务企业在大数据时代将会迎来重大的机遇和契机，同时也面临着大数据处理能力和隐私保护等方面的挑战。

（1）拥有大数据的挑战。在大数据时代下，电子商务的竞争已经成为基于数据的竞争。当今极速爆炸的信息量远远超越了大部分企业 IT 架构和基础设施的承载能力，其实时性要求也大大超越了现有的计算能力。有大数据是利用大数据的前提条件，若不具备整合大数据收集和使用的能力，企业就很难在广告和多个营销渠道中提供真正个性化和精确的产品和服务推荐，而拥有大数据的企业则能在竞争中脱颖而出，不战而胜。

（2）处理大数据能力的挑战。据统计，82％的公司正受到处理海量信息的挑战，而且他们花很多时间对其进行研究，89％的公司因超负荷处理数据而失去销售机会。仅仅坐拥大数据并不够，对大数据的分析和挖掘能力已成为企业的核心竞争力。

（3）对隐私保护的挑战。大数据时代，网络用户在互联网的评论、图片、视频、个人信息、兴趣爱好、交易信息、访问的网站等等均被企业记录在案。如在淘宝网上交易时的真实姓名、家庭住址以及银行账号等重要的真实信息，逐渐引起了我们对个人隐私的担忧。

在大数据时代，呈爆发式增长的信息资源给电子商务企业既带来了机遇也带来了挑战，通过对数据的分析运用将带来更多服务模式的革新，可以给消费者带来更多更好的服务体验，但是如何运用技术手段挖掘出有价值的信息和如何利用好这些信息还需要不断思考和论证。参考文献：

[1]赵林度．电子商务理论与实务．人民邮电出版社.[2]柴岩兵，贾素彤．电子商务一走进数字化商务时代．产权出版社.[3]朱爱群．客户关系管理与数据挖掘．中国财政经济出版社.[4]李靖，易建湘．电予商务在中田．中国经济出版社.[5]安徽，梁春晓．电子商务应用．电子行业出版社.[6]李辉．如何响应即将到来的大数据时代．J.科技导报.2013.[7]黄浩．亚马逊：创新者的机会．J.中国信息化.2012.5.[8]刘琪．亚马逊：APP背后的秘密武器．J.IT经理时代．2012．10． [9]艾瑞斯．大数据思维与决策．2014．