电子商务中的数据挖掘技术探讨

李戈

摘要：随着电子商务在人们生活中的普及，电子商务技术水平越来越高。数据挖掘技术在电子商务中也得到了广泛的应用。不同的电子商务环境，数据挖掘技术应用是不同的。数据挖掘是通过存储大量数据，进而发现新关联模式的过程。数据挖掘技术既适应商业的发展需求，有能够帮助商业提取关键性信息。利用数据挖掘技术，可以使企业商业贸易数据作为依据进行商业决策，提升企业竞争实力。

关键词：电子商务；数据挖掘；技术；探讨

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2017）13-0243-02

数据挖掘技术在电子商务中应用越来越广泛，从而达到提升企业综合实力的目的。本文针对电子商务中的数据挖掘技术探讨研究，将从数据挖掘技术的产生人手，根据数据挖掘技术方法和工具，提出电子商务中数据挖掘技术的发展现状。最后，对电子商务中数据挖掘技术进行分析和探讨。希望本文的研究，能为提升我国电子商务中的数据挖掘技术水平提供参考性建议。

1数据挖掘技术的产生

数据挖掘技术的产生源于市场竞争。很多商场为了明确客户的购买需求，增加销售额，挖掘了消费者各个方面的消费数据，如保险公司数据分析、贷款客户特征等，这些数据可以统计成报表，为商场提供决策依据。随着系统数据要求的提升，传统的分析工具已经不能满足企业的需求，无法对深层次的数据进行提取。信息管理系统的广泛应用解决了这个问题，数据挖掘技术就是这样一种能够为企业提供高层次分析数据的一门技术，也被称为数据库知识发现，能够将数据进行高级处理，实现分类、聚类、关联、预测等功能。

2数据挖掘技术方法和工具

数据挖掘技术的主要工具是计算机，其操作分为几个步骤。首先对海量数据进行挖掘，挖掘的信息具有复杂的结构，接着，利用统计学等专业技术，对复杂数据进行计算和建模，得到最直观最有效的数据。数据挖掘在建模方面方法有很多，包括传统统计方法，如抽样技术在理论指导下抽样，实现时间序列分析。还有可视化技术，这是用图标方式直观表达信息。另外决策树是利用树状图进行数据分类和预测。神经网络使模拟了神经元，经过输入层、隐蔽层等，对数据调整结算，最终对结果分类。数据挖掘技术中包括遗传算法、关联规则挖掘算法等。

3电子商务中数据挖掘技术发展现状

目前，国内的数据挖掘技术主要应用在电子商务中。主要研究人员为大学教授，部分研究者为公司在业人员。我国对于数据挖掘技术的研究领域不断在扩大，包括算法研究、数据挖掘实际应用、数据挖掘理论分析等。我国现在正在进行的有关研究项目是电子商务中的数据挖掘技术的研究，该项目受到国家自然科学基金的支持，但是国相关产品研发也在逐渐报道。我国的KDD、人工智能等在进一步研究中，这表明了数据挖掘技术在我国学术研究中得到了更高的重视。

4电子商务中数据挖掘技术探讨

4.1预测方法分析

在电子商务活动中，分类与预测方法是必不可少的也是应用最多的一项技术。分类的实质是在电子商务中构造分类函数和模型，形成分类器。其构造方法包括统计法、神经网络法等。利用这些技术方法，能够有效地将数据库中的大量数据进行映射，提取到另外一个特定类别中，以用于电子商务活动中的预测工作中。无论是历史数据还是系统更新的数据，都能够自动提取给定数据，进而推导出有用数据的描述，以推广描述的数据进行未来数据的预测。

4.2聚类分析方法分析

聚类分析方法就是将数据按照一定原则进行归类的过程，在电子商务活动中，聚类分析可以对市场理论进行细化。市场中的决策十分重要，市场细化能够通过消费者的需求情况，将同一类别个体进行归类，增大不同类别个体距离，提取聚类消费者特征提取，为企业客户提供特色服务。聚类分析方法包括统计法、机械法、神经网络法等。在神经网络法中，需要通过待分析即兴数据建模，利用非线性数据和特征映射，对数据进行挖掘，这是电子商务活动中最有发展前景的一项技术。

4.3数据抽取方法分析

电子商务具有虚拟性，数据中更多包含着消费者的消费倾向、动机、能力等。这些都是需要挖掘出来的，并进行有无规则划分的数据。数据挖掘技术中的数据抽取方法，可以将虚拟数据进行压缩，通过求均值、统计值方式，用图形或统计图表示出来，并进行数据总结。可以采用数据泛化方式，将基本的信息提升到更高的层次。同时也可以采用多为数据分析的方式，归纳数据属性。在数据抽取过程中，涉及的操作，如汇集操作等，计算要及时将计算结果保存，以便为策系统提供数据依据。

4.4关联规则应用分析

面对事务型的数据库，电子商务中主要运用的是关联规则法，关联规则方法也是数据挖掘技术中的重要部分。其应用主要是利用事物发生时间、消费者购买的具体物品、消费者购物标识号等进行数据的预测的分析。关联规则是售货数据的收集，随着条形码技术不断成熟和发展，企业有关部门能够利用该技术获取大量的售货记录和消费记录。从这些历史数据中统计出关联规则，为企业的扩大业务渠道和范围提供有价值的信息，同时也可以帮助管理者对市场进行规划，有助于确定商品的种类、价格等。关联规则包括有意义关联规則，以及泛化关联规则，关联规则使研究对象更加明确。

4.5概念描述法分析

概念描述法，就是对语言进行简化，以描述的形式展现数据的特性表征。该方法主要包括数据特征化和数据区分两个过程，前者是有针对性的对目标数据进行汇总，对数据库进行查询和手机。该过程基本是通过属性的不同进行归纳，其表现形式一般为条形图、曲线图、多为数据图、立方体图等。数据区是将目标类对象和一般特性进行比较，比较后找出类比对象间的差异，用数据进行特征化。在数据挖掘技术中，概念描述法要采用面向数据库的范式，还要掌握一定的机械学习方法和技术。

4.6分类规则法分析

分类规则法，可以解决事件与对象归类的问题，根据数据库中的示例，做出正确的描述，从而建立分析模型，挖掘其中的规则。数据库会对其中的记录进行分类，电力商务中，分类分第13卷第13期（2017年5月）析可以帮助客户预测响应行为，包括盈亏的状况、地理数据等，每个商家企业都具体自己的属性，只要与数据库分析相一致，就能够进一步优化商业模式。另外，序列模式发现法也是数据挖掘技术中必不可少的，其目的能够分析数据前后的因果关系，从而形成数据交易集合，帮助电子商务的运营者提供个性化服务。

5结论

数据挖掘技术的种类有很多，面对特定情况进行数据挖掘技术选择才是关键。为了使数据挖掘技术的实施更加高效，本文针对电子商务中的数据挖掘技术探讨研究，是从数据挖掘技术的产生人手，根据数据挖掘技术方法和工具，提出了电子商务中数据挖掘技术的发展现状。最后，对电子商务中数据挖掘技术进行了分析和探讨。包括分类与预测方法分析、聚类分析方法分析、数据抽取方法分析、关联规则应用分析、概念描述法分析、分类规则法分析等。希望本文的研究，能为提升我国电子商务中的数据挖掘技术水平提供一份借鉴。