数据挖掘技术在电子商务中的应用研究 三亿文库
数据挖掘技术在电子商务中的应用研究
时在线地进行页面推荐或商品推荐。 根据电子商务推荐系统所采用的推荐技术，目前的电子商务推荐系统主要分为以下几类：（1）基于内容过滤的推荐系统；（2）基于协同过滤技术的推荐系统；（3）混和型推荐系统；（4）基于数据挖掘技术的推荐系统。 （三）数据挖掘在个性化电子商务中的表现形式 电子商务个性化推荐服务的关键在于它能收集用户兴趣资料并根据用户兴趣偏好为用户主动做出个性化信息推荐。当用户每次输入用户名和密码登录电子商务网站后，推荐系统就会按照目标用户偏好程度的高低推荐用户最喜爱的N个商品，而且系统给出的推荐是实时更新的，即当系统中的商品信息资料和用户兴趣特征发生改变时，给出的推荐序列会自动改变，为用户提供了更多的检索便利，提高企业的服务水平。 个性化电子商务主要是通过在线推荐系统表现出来的。如图2所示。电子商务网站的推荐系统可以针对不同的访问者进行页面推荐或商品推荐。推荐系统是基于对用户的历史浏览行为和购买行为进行分析，产生用户群体的浏览模式和购买模式。识别出当前的用户，将用户匹配到具有不同的浏览模式和购买模式的用户群体中，实时在线地进行页面推荐或商品推荐。 数据 准备 发现用户模式 识别当前用户 当前用户与模式进行匹配 生成推荐页面或商品集
图2 个性化电子商务推荐系统 通过分析可知个性化推荐系统都可抽象成四个层次，即首先收集用户信息，然后根据用户信息对用户进行建模，在构建的用户模型的基础上提供个性化的服务策略和服务内容： （1）在个性化推荐服务体系结构中，数据准备模块是个性化服务系统的基模块。用户的信息包括了用户的个人基本资料、购买的历史记录及浏览记录等。个人基本资料可以从用户注册表单中获得；购买的历史记录主要存放于电子商务网站的后台交易数据库中，包含了每位用户以前历次购物的详细情况记录，如购物时间、商品清单、价格、折扣等，同时也可以收集用户放入购物篮而未购买的商品记录，以及用户过去浏览过的商品的信息等。当然要收集用户的行为信息，日志文件是必不可少的，如要收集服务器日志，则要在服务器端获取，抽取出特定用户的访问记录；如要收集用户浏览的页面和浏览行为，则既可以在用户端获得，也可以在服务器端从用户记录中获得。 （2）个性化推荐服务系统收集到用户信息后，提交给用户建模来进行处理，其目的是构建反映用户兴趣特征的用户模型，回答消费者具有何种特征，他们分别有什么样的喜好以及他们各自的购买习惯和行为特性等问题，作为个性化推荐模块的用户数据基础。 （3）个性化推荐模块根据用户的兴趣偏好，按一定的推荐算法，对特定用户计算出两种推荐结果――客户对任意项的兴趣度及前Top-N推荐集，相应地，个性化推荐模块将产生按兴趣度由大到小的信息项推荐集或兴趣度大于某一给定阈值的信息项的推荐序列，并以某一特定的形式呈现给特定用户。 （4）个性化推荐是指根据用户的兴趣特点，向用户推荐其感兴趣的页面和商品集。其原理是根据用户模型寻找与其匹配的信息，或者寻找具有相近兴趣的用户群，然后相互推荐浏览过的信息。
三、数据挖掘技术在个性化电子商务系统中的应用研究
在这里我们用关联规则和聚类算法中比较经典的k-means算法和Apriori算法进行应用研究。 （一）利用聚类算法实现电子商务中的用户聚类 1．k-means算法介绍 1967年，MacQueen在伯克利第五届数理统计年会上提出k-means算法。它是一种基于样本间相似性度量的聚类方法，是一种非监督学习的方法。此算法以k为参数，把n个对象分为k个聚类，以使聚类内具有较高的相似度，而且聚类间的相似度较低。它是一种较典型的逐点修改迭代的动态聚类算法，其要点是以误差平方和为准则函数。 误差平方和e2的公式为：
e=??2j?1i?1knjx(j)i?y2j 其中x(j)i表示第i个用户的第j个属性的值，表示第yj价聚类 的中心，nj表示第j个聚类中共有nj个用户。 2．k-means算法的流程及其在电子商务中的应用研究 在这里我们就协同过滤推荐的聚类算法在个性化服务中的应用进行具体的说明。（流程图为图3）
(1)随机选择k个用户(种子结点)作为初始聚类中心，将k个用户的兴趣值作为初始的聚类中心。 (2)对剩余的用户集合，计算每个用户与k个聚类中心的相似性，将用户分配到相似性最高的聚类中。 (3)对新生成的聚类，计算聚类中所有用户兴趣值的平均分，生成新的聚类中心。 (4)重复(2)、(3)直到误差平方e2和收敛于某个值。 生成聚类之后，下面的工作主要有两个部分组成：
(l)虚拟用户集生成 根据不同的聚类生成对应的聚类中心，聚类中心与聚类中其他用户的距离之和最小，每一个聚类产生的聚类中心代表该聚类中用户对页面的典型兴趣值。将所有的聚类中心作为虚拟的用户集合。 (2)推荐产生 在虚拟的用户集合上使用各种相似性度量方法搜索当前用户的若干最近邻居，然后根据最近邻居对页面的兴趣值产生对应的推荐结果。
图3 k-means算法工作流程
开始 随即选择k个用户作为初始聚类中心， 将k个用户的兴趣值作为初始的聚类中心。 对剩余的用户集合，计算每个用户与k个聚类中心的相似性，将用户分配到相似性最高的聚类中。 对新生成的聚类，计算聚类中所有用户兴趣值的平均分，生成新的聚类中心。 聚类中心改变 N 结束 Y 3．k-means算法的应用说明 下表是某购物网站的客户访问数据，然后随机抽取部分用户访问某购物网站的时候所计算出来的对各商品的兴趣值。 表1用户对各商品的兴趣值
用户id 1 2 3 4 5 6 化妆品 0.50 0.20 0.45 0.33 0.18 0.31 服饰 0.30 0.60 0.20 0.51 0.50 0.46 日用品 0.15 0.15 0.30 0.00 0.30 0.20
取k=2，则算法的执行步骤为： (1)第一次迭代 随机选择两个用户(比如选择用户3和用户4)作为种子，分别搜寻距离两点最近的用户产生两个聚类，分别是{1，2，3}和{4，5，6}。 表2第一次迭代 聚类id 1{1，2，3} 2{4，5，6} 化妆品 兴趣平均值 0.38 0.27 服饰 兴趣平均值 0.37 0.49 日用品 兴趣平均值 0.20 0.17 (2)第二次迭代 利用欧式距离公式计算各用户对聚类1和聚类2兴趣值(分别是{0.38，0.37，0.20}和{0.27，0.49，0.17})的相似性，重新调整两个聚类中用户，使得聚类内各用户的差异性降低、聚类间用户的差异性增大。经计算得出用户对两个聚类的相似性如表所示。 表3 各用户对两个聚类的中心的相似性(距离) 用户id 1 2 3 4 5 6 聚类1{0.38，0.37，0.20} 0.8 0.1 0.0 聚类2{0.27，0.49，0.17} 0.4 0.9 0.4 调整后的聚类1和聚类2分别是{l，3，5}和{2，4，6} 表4 第二次迭代 聚类id 1{1，3，5} 2{2，4，6} 化妆品 兴趣平均值 0.38 0.28 服饰 兴趣平均值 0.33 0.52 日用品 兴趣平均值 0.25 0.12
(3)第三次迭代 方法和第二次迭代类似。分别得到表5和表6。 表5 各用户对两个聚类的中心的相似性(距离) 用户id 1 2 3 4 5 6 聚类1{0.38，0.33，0.25} 0.3 0.4 0.3 聚类2{0.28，0.52，0.12} 0.7 0.0 0.9 服饰 兴趣平均值 0.33 0.52 日用品 兴趣平均值 0.25 0.12 表6 第三次迭代 聚类id 1{1，3，5} 2{2，4，6} 化妆品 兴趣平均值 0.38 0.28 将以上的迭代结果分别用图4、图5和图6来表示。注：图中的数字代表用户的ID。 图4选择了用户3和用户4作为种子结点，并随机将两个聚类赋值为{1，2，3}和{4，5，6}。 图4随机选择两个种子、随机组成两个聚类
图5是经过第二次迭代后的结果，1、3、5组成一个聚类，2、4、6组成一个聚类。 图5经过第二此迭代后的结果
图6是经过第三次迭代后的结果，和第二次迭代后的结果一样。 图6经过第三此迭代后的结果
由于第三次迭代完成时，各聚类的用户集和第二次没有发生变化，并且误差e平方和收敛，所以程序结束。此时，可以将{0.35，0.33，0.25}和{0.28，0.52，0.12}分别代表两个虚拟用户的值。 4．应用研究结论 以后当有新的用户访问时，计算其和虚拟用户的相近程度，如果和第一个虚拟用户比较临近，则将第一个虚拟用户所感兴趣的商品集推荐给这个新用户。虽然实现了个性化推荐，但是在k-menas算法中，k个中心的选取一般为随机选取或依赖于领域知识，为了更好的选取k个中心以提高聚类的质量，需要以后对k-menas算法进行更好的改进。 2（二）利用关联规则实现电子商务中的商品推荐 1． Apriori算法介绍 Apriori是挖掘关联规则的一个重要方法。基本思想是：生成特定规模的候选项目集，然后扫描数据库并进行计数，以确定这些候选项目集是否是大的。在第i趟扫描的过程中，对Ck进行计数。只有那些大的候选集被用于生成下一趟
联系客服：cand57</&nbsp&&&>基于电子商务背景的智能挖掘技术及其应用研究
基于电子商务背景的智能挖掘技术及其应用研究
编号:5-315353 | doc 格式 | 32.50K |
Ta 们刚刚下载了...博客访问： 1376
博文数量： 1
注册时间：
ITPUB论坛APP
ITPUB论坛APP
APP发帖 享双倍积分
IT168企业级官微
微信号：IT168qiye
系统架构师大会
微信号：SACC2013
分类： 数据仓库与数据挖掘
数据挖掘在电子商务领域应用现状及前景分析
【摘要】伴随着因特网的越来越普及大众化，电子商务的发展也越来越受到很多研究人员、学者的注意，并希望能够借着这股东风，能够充分的发挥它的优势，从而来获得更多的经济效益。可以说网络已经成为了企业开展电子商务的基础了。如今的数据挖掘思想的方法应用到电子商务中去，能够帮助电子商务的经营者从繁多的信息当中得到自己想要的有价值意义的信息和知识，从而来引导他们任何进行决策。那么怎样才能够不被网上的信息所淹没呢？只有将数据的挖掘技术同网络相结合起来，进行数据的挖掘。在这样的背景下，web数据的挖掘就这样诞生了。在这个背景下，本文通过对数据挖掘技术在电子商务领域的应用现状进行调研，通过数据和调研资料的呈现，让更多的人关注数据挖掘技术，了解数据挖掘技术，进而实时应用数据挖掘给企业带来经济效益，促进社会的发展。
【关键词】数据挖掘技术&
电子商务& 现状调研& 应用前景
电子商务已然成为了信息时代的国际通行的一个商务模式了，它的深入发展已经引发了自工业革命以来的在经济领域中的一次最最深刻、广泛的变革。这些年来，我国的电子商务发展势头良好，很多的企业都意识到了“若是不开展电子商务，以后就无商务”，工作的热情度高了，并且也越发的务实了，努力地进行着企业信息网的建设工作，可以说电子商务的推广到普及是中国企业发展以及提高各项竞争力的必然趋势。
Web的数据挖掘在电子商务中的研究和应用，已经受到了学术界以及实业界的越来越多的重视和关注，它的前景广阔，势头良好。并且经过各类电子商务网站的实践以及经验的证明，电子商务的优点突出，它不仅价格低廉，而且交易方便，它吸引着无数的消费者。就拿亚马逊、阿里巴巴这类世界著名的电子商务网站来说，它的每天的网上顾客流量就非常之高，当然了若是商家能够依据用户的行为，从而来了解到用户的意图以及个人爱好的话，那就能够依据这些来推出比较实惠的套餐，从而开展各类能够吸引到顾客的促销活动，与此同时，也能够大大的降低人们的时间和精力。对于电子商务网站来说，要了解到顾客的购买意向、吸引顾客的活动、了解顾客的购物行为心理。这些都是当前需要研究的问题。
决这一问题的关键其实就在于数据的挖掘，通过数据的挖掘技术的应用，我们就能够从海量的数据信息当中提取出那些相对来说比较有用的信息，从而来帮助商家对客户进行进一步的理解，从而才能够推出更多更为实惠的商业服务。并且通过数据的挖掘，我们能够瞄准一个客户群体，通过一些比较特殊的信息手段来进行一次宣传工作，以此来更大的对广告的预算以及增加收入进行减少，从而让这一切都能够自行完成。
此次我实践队伍通过将近二十几天的努力，走访厦门软件园二期各大公司如厦门吉联科技有限公司、厦门邦初等公司，完成了对数据挖掘技术在电子商务领域的应用现状的深入调研、另外我们还走访了软件园外的其他地区了解厦门市在其他领域对数据挖掘的应用，同时查询了多类资料，经组员间的一系列的归纳与总结。现得出如下报告：
一、数据挖掘过程
电子商务中的数据挖掘的过程一般由3个主要的阶段组成：数据准备、数据挖掘、结果解释和评价。
1、数据准备
数据准备数据准备又可分为数据选取、数据预处理。数据选取的目的是确定发现任务的操作对象。即目标数据，是根据用户的需要从原始数据库中抽取的一组数据。数据预处理一般包括消除噪声、推导计算缺值数据、消除重复记录、完成数据类型转换f如把连续型数据转换为离散型数据，以便于符号归纳；或是把离散性数据转换为连续型数据，以便于神经网络计算)以及对数据降维f即从初始特征中找出真正有用的特征以减少数据挖掘要考虑的变量个数)。
2、数据挖掘
数据挖掘阶段首先要确定数据挖掘的目标和挖掘的知识类型。确定挖掘任务后，根据挖掘的知识类型选择合适的挖掘算法；最后实施数据挖掘操作，运用选定的挖掘算法从数据库中抽取所需的知识。
3、结果解释和评价
结果的解释和评价数据挖掘阶段发现的知识，经过评估，可能存在冗余或无关的知识，这时需要将其剔除：也有可能知识不满足用户的要求，需要重复上述挖掘过程重新进行挖掘。另外，由于数据挖掘最终要面临用户．因此。还需要对所挖掘的知识进行解释，以一种用户易于理解的方式(如可视化方式)供用户所用。
可以看出，以上整个数据挖掘过程是不断地循环和反复的，因而可以对所挖掘出来的知识不断求精和深化。最终达到用户所满意的结果。
二、数据挖掘在电子商务中的作用
　　数据挖掘技术之所以可以服务电子商务，是因为它能够挖掘出活动过程中的潜在信息以指导电子商务营销活动。在电子商务中其作用有4个方面：
　　1、挖掘客户活动规律，针对性的在电子商务平台下以提供“个性化”的服务。
　　2、可以在浏览电子商务网站的访问者中挖掘出潜在的客户。
　　3、优化电子商务网站巾的信息导航，方便客户浏览。
4、通过电子商务访问者的活动信息的挖掘，可以更加深入的了解客户需求。
三、 数据挖掘在电子商务中的应用
　　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,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。促进企业发展的科学化、信息化和智能化。
　　例如:美国运通公司(American
Express)有一个用于记录信用卡业务的数据库，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
Billing)优惠”的促销策略，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，就可以得到比较大的折扣，这样既可以增加商店的销售量，也可以增加运通卡在该商店的使用率。
　　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,有什么爱好,是什么职业等等。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。通过呼叫中心优化与客户沟通的渠道，提高对客户的响应效率和服务质量，促进客户关系管理的自动化和智能化。
　　成功案例:美国的读者文摘(Reader‘s
Digest)出版公司运行着一个积累了40年的业务数据库，其中容纳有遍布全球的一亿多个订户的资料，数据库每天24小时连续运行，保证数据不断得到实时的更新，正是基于对客户资料数据库进行数据挖掘的优势，使读者文摘出版公司能够从通俗杂志扩展到专业杂志、书刊和声像制品的出版和发行业务，极大地扩展了自己的业务。
　　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。
　　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
四、数据挖掘在电子商务中的应用现状分析
电子商务正在企业和商贸领域占据着越来越多的市场份额，数据挖掘主要用于商品的市场定位和消费分析，以辅助制定市场策略，还可以用来分析购物模式，预测销售行情，现在世界上的主要数据厂商，纷纷开始把数据挖掘功能集成到自己的产品中，IBM和Microsoft等大公司都在自己的产品或相应产品上增加了在线分析处理。IBM公司开发的QUEST和Intelligent
系统可以挖掘客户的购物行为模式。Microsoft公司过一个基于XML的数据访问协议，该协议能够使开发商为各类客户和开发平台提供数据分析。随着联机分析处理和OLE
DataMining的发展，该协议支持对Microsoft数据源的访问。我国在这一领域正处在研究发展阶段，应用和产品相对滞后，但正在起步。因为这一新兴领域不但有很好的研究和应用前景，而且有很好的商业机会。
吉联科技有限公司【简称“吉联科技”】是一家由海外留学人士与国内航运领域专家合资的高科技企业，公司也是目前世界上极少数具有能力开发全球航运信息管理系统的专业软件服务提供商之一，专门为国际航运、物流领域的信息系统提供设计、开发、咨询、培训及技术支持服务，公司的愿景是成为全球知名航运物流管理信息系统专业软件服务商。我实践对到该公司进行了调研，并参观了公司的办公环境及听取了工作人员对其公司情况的简单介绍。我们与吉联科技公司技术代表讨论的关于其公司使用数据挖掘的情况现状。他表示，吉联科技成立以来，业务发展迅猛，公司现已建成为一个横跨北美、欧洲、中国三地的市场营销体系，是第一家成功地把航运物流软件产品推向国际主流市场的中国软件公司。基于数据挖掘能给企业带来显著的经济效益，特别它在电子商务中（特别是金融业、零售业、电信业和软件业）的应用也越来越广泛。
在金融领域，管理者可以通过对客户偿还能力以及信用的分析，进行分类，评出等级。从而可减少放贷的麻木性，提高资金的使用效率。同时还可发现在偿还中起决定作用的主导因素，从而制定相应的金融政策。更值得一提的是通过对数据的分析还可发现洗黑钱以及其它的犯罪活动。
在零售业，数据挖掘可有助于识别顾客购买行为，发现顾客购买模式和趋势，改进服务质量，取得更好的顾客保持力和满意程度，提高货品销量比率，设计更好的货品运输与分销策略，减少商业成本。
电信业已经迅速地从单纯的提供市话和长话服务演变为综合电信服务，如语音、传真、寻呼、移动电话、图像、电子邮件、计算机和WEB数据传输以及其它的数据通信服务。电信、计算机网络、因特网和各种其它方式的通信和计算的融合是目前的大势所趋。而且随着许多国家对电信业的开放和新型计算与通信技术的发展，电信市场正在迅速扩张并越发竞争激烈。因此，利用数据挖掘技术来帮助理解商业行为、确定电信模式、捕捉盗用行为、更好的利用资源和提高服务质量是非常有必要的。分析人员可以对呼叫源、呼叫目标、呼叫量和每天使用模式等信息进行分析，还可以通过挖掘进行盗用模式分析和异常模式识别，从而可尽早发现盗用，为公司减少损失。
在软件业的应用则更加广泛，因为数据挖掘的应用是基于网络和数据的，那么，这对于软件行业则提出了更高的要求，我们可以利用数据挖掘技术开发数据挖掘软件供各行各业使用，这也即将作为一个新的市场，进入世界的视线。同时，对企业滋生来说可以对之前的数据进行挖掘，以便企业更加准确的判断市场需求，作出动态的响应和策略的变化。&
五、数据挖掘在电子商务中的应用前景展望
　目前，国外数据挖掘的发展趋势其研究方面主要有：对知识发现方法的研究进一步发展，如近年来注重对Bayes(贝叶斯)方法以及Boosting方法的研究和提高；传统的统计学回归法在KDD（知识发现）中的应用；KDD与数据库的紧密结合。在应用方面包括：KDD商业软件工具不断产生和完善，注重建立解决问题的整体系统，而不是孤立的过程。用户主要集中在大型银行、保险公司、电信公司和销售业。国外很多计算机公司非常重视数据挖掘的开发应用，IBM和微软都成立了相应的研究中心进行这方面的工作，此外，一些公司的相关软件也开始在国内销售，如Platinum、BO以及IBM。
国内从事数据挖掘研究的人员主要在大学，也有部分在研究所或公司。所涉及的研究领域很多，一般集中于学习算法的研究、数据挖掘的实际应用以及有关数据挖掘理论方面的研究。目前进行的大多数研究项目是由政府资助进行的，如国家自然科学基金、863计划、九五计划等，但还没有关于国内数据挖掘产品的报道。一份最近的Gartner报告中列举了在今后3～5年内对工业将产生重要影响的五项关键技术，其中KDD和人工智能排名第一。同时，这份报告将并行计算机体系结构研究和KDD列入今后5年内公司应该投资的10个新技术领域。
　可以看出，数据挖掘的研究和应用受到了学术界和实业界越来越多的重视。进行数据挖掘的开发并不需要太多的积累，国内软件厂家如果进入该领域，将处于和国外公司实力相差不很多的起跑线上，并且，现在关于数据挖掘的一些研究成果可以在Internet上免费获取，这更是一个可以利用的条件。我们希望数据挖掘能够引起国内实业界更多的重视，同时也希望能够有更多的国内软件厂商进入该领域，一起促进数据挖掘技术在中国的应用。
通过对数据挖掘技术的进一步理解和加深，我们深刻地体会到了技术的力量是无穷的，最主要的是要抓住最前沿的技术去创造最高的效益。无论任何行业都可以在数据挖掘的技术领域早到自身的切入点，利用技术去提高行业的整体水平，创造更高的价值。同时，随着电子商务发展的势头越来越强劲，面向电子商务的数据挖掘将是一个非常有前景的领域。它能自动预测客户的消费趋势、市场走向，指导企业建设个性化智能网站，带来巨大的商业利润，可以为企业创建新的商业增长点。但是在面向电子商务的数据挖掘中还存在很多问题急需解决，比如怎样将服务器的客户数据转化成适合某种数据挖掘技术的数据格式，怎样解决分布性、异构性数据源的挖掘，如何控制整个Web上知识发现过程等。利用这些挖掘技术可有效统计和分析用户个性特征，从而指导营销的组织和分配，让企业在市场竞争中处于有利位置抢占先机。
阅读(956) | 评论(0) | 转发(0) |
上一篇：没有了
下一篇：没有了
相关热门文章
给主人留下些什么吧！~~
请登录后评论。您的位置： &
Web数据挖掘技术在电子商务中的应用研究
优质期刊推荐