大數據背景下數據挖掘技術在電子商務營銷拓展中的應用
——以某網商企業為例

王馨晨

（蘭州財經大學 信息工程學院，甘肅 蘭州 730020）

大數據背景下數據挖掘技術在電子商務營銷拓展中的應用
——以某網商企業為例

王馨晨

（蘭州財經大學 信息工程學院，甘肅 蘭州 730020）

近年來，電子商務平臺網商企業在日益激烈的競爭態勢下，傳統商業模式中的粗放式盈利模式難以為繼，需要更加精細化的運作和精準化營銷，通過深入分析用戶行為，提升用戶體驗，通過個性化精準服務或產品來提高企業自身效益。文章基于大數據背景，以某網商企業為例，深入研究了數據挖掘技術在電子商務營銷拓展中的應用。

大數據；數據挖掘；電子商務；營銷拓展

一、引言

近年來，得益于信息技術的快速發展以及政府大力發展“互聯網+”戰略的政策紅利，我國的電子商務平臺網商企業迅速崛起，對傳統的商務業態形成了較大的沖擊，市場先行者也獲得了較好的收益。但是經過多年的野蠻生長后，隨著行業進入者的逐漸增多，行業內的競爭越來越激烈，政府也加強了對行業的規范和監管，同時傳統商務業態也積極推進轉型改革來應對其沖擊和挑戰。在這種大背景和大趨勢下，電子商務平臺網商企業依靠傳統的粗放式盈利模式難以為繼，需要更加精細化的運作和經營，通過扎實深入的研究用戶行為，提升用戶體驗，來提高網商企業的經營效益。本文基于大數據背景，以某網商企業為例，深入研究數據挖掘技術在電子商務營銷拓展中的應用，對于提高電子商務平臺網商企業的經營效益，提升互聯網購物消費者的消費體驗，都有著重要的參考借鑒意義。

二、數據來源與樣本結構

本文研究的數據來源是京東網電子商務平臺上某網商企業記錄的2016年全年的銷售數據。該網上企業的店鋪名稱叫做ZE果業，主要經營芒果、木瓜、橙子等新鮮水果以及松子、核桃、開心果等堅果。數據分析采用的樣本數據量為1 535 288，每條數據包括訂單編號、消費者ID、消費者性別、消費者年齡、消費者地址、商品名稱、交易金額、交易單價、交易評價、消費者信用、注冊時間、付款方式、整體好評率等內容。圖1～圖5分別展示了該店鋪消費記錄的性別結構、年齡結構、區域結構、評價結構和付款方式結構。

圖1 消費記錄性別結構分析

圖1展示了該店鋪消費記錄的性別結構，可以看出，該網商企業消費記錄中男性占比為46%，女性占比為54%，女性消費記錄略高于男性，但差別不是很大，說明該店鋪的銷售并不顯著受消費者性別因素影響，或者說男性和女性對于該店鋪銷售商品的偏好度并無明顯差異。

圖2展示了該店鋪消費記錄的年齡結構，可以看出，該網商企業消費記錄中25歲～35歲的青年消費記錄占比最高，而且遠遠高于其他年齡段的消費記錄，其次是25歲以下顧客，再后是35歲～45歲顧客，最后是45歲以上顧客。說明該店鋪的消費記錄以年輕人群為主，這與年輕人能夠認同并且熟悉運用電子商務平臺購買水果的原因是分不開的。

圖2 消費記錄年齡結構分析

圖3展示了該店鋪消費記錄的區域結構，可以看出，該網商企業消費記錄中東部地區的消費記錄占比最高，其次是中部地區，最后是西部地區。造成這種現象的原因一方面是東部地區經濟發達、客戶購買力高，客戶的理念也較為先進，能夠認同互聯網購物理念并且習慣使用互聯網電商平臺進行購物；另一方面是因為東部地區的物流系統較為發達，銷售區域局限性較小，運輸費用和快遞成本也相對更低。

圖3 消費記錄區域結構分析

圖4展示了該店鋪消費記錄的評價結構，可以看出，該網商企業消費記錄中系統自動好評的比例最高，然后是主動好評，再后是中評，最后是差評。好評數量非常高說明該網商企業的口碑整體上還是可以的，但是系統自動好評的比例相對主動好評較高說明消費者被動認可程度要多于主動認可程度，店鋪在消費者關系維護方面還有進一步提升空間。

圖4 消費記錄評價結構分析

圖5展示了該店鋪消費記錄的付款方式結構，可以看出，該網商企業消費記錄中信用卡付款的比例最高，然后是平臺資金付款，最后是借記卡付款。說明該網商企業的消費者以銀行存款資金消費的占比較低，更多地依賴于銀行信用消費或平臺資金沉淀消費。

圖5 消費記錄付款方式結構分析

三、數據挖掘分析

數據挖掘分析部分本文采用的分析方法包括購買集中度分析、商品支持度和商品置信度分析。

（一）數據挖掘購買集中度分析

數據挖掘購買集中度分析指的是消費金額與購買者人數之間的關系，旨在發現店鋪的銷售特點，以便更多的采取針對性的營銷策略。如果購買集中度較高，則代表著少數的消費者貢獻了多數的銷售額，則需要采取重點維護策略，維護好高價值、高貢獻的優質客戶。如果購買集中度較低，則代表著消費者的貢獻比較均勻，則需要采取普遍維護策略，批量化拓展客戶。如圖6所示，本次分析的消費者購買集中度數據顯示，消費金額前10%的消費者人數占比為3%，消費金額前10%～30%的消費者人數占比為 10%，消費金額前 30%～50%的消費者人數占比為14%，消費金額前50%～80%的消費者人數占比為17%，消費金額后20%的消費者人數占比為56%。整體來看，該店鋪的購買集中度呈現出較強的“二八效應”，優質客戶的購買力非常突出。該店鋪可以在客戶維護方面有所側重，集中更多的促銷資源針對貢獻度較高的顧客加大廣告宣傳和優惠促銷力度。

圖6 數據挖掘購買集中度分析

（二）數據挖掘商品支持度和商品置信度分析

數據挖掘商品支持度和商品置信度分析可以探索不同商品之間的關聯關系，可以較好地反映出某商品組合受歡迎的程度，可以為組合營銷提供智力支持。假設有兩種商品：A商品和B商品，則A商品對于B商品的商品支持度反映的是，在所有的消費者中，消費者同時購買A商品和B商品的概率。A商品對于B商品的商品置信度反映的是，在所有購買A產品的消費者中，購買B商品的概率。

商品支持度分析的公式是：

從商品支持度分析的概念和公式可以看出，A商品對B商品的支持度和B商品對A商品的支持度是相同的。

商品置信度分析的公式是：

從商品置信度分析的概念和公式可以看出，A商品對B商品的支持度和B商品對A商品的支持度是不同的。

表1 數據挖掘商品支持度分析結果

從表1商品支持度分析結果來看，核桃與松子組合是最高的，其次是核桃與橙子組合、核桃與木瓜組合、核桃與開心果組合等。

表2 數據挖掘商品置信度分析結果前六位

從表2商品置信度分析結果來看，芒果-橙子的置信度最高為78.89%，其次是橙子-芒果為75.42%，芒果與橙子組合、松子與核桃組合、開心果與木瓜組合相互之間的置信度比較高。該結果的分析對于店鋪的啟示是，芒果與橙子、松子與核桃、開心果與木瓜之間存在較強的關聯關系和相關依賴關系，如果店鋪針對這幾種商品組合開展一系列的促銷活動，那么就能起到相對較好的效果。

四、數據挖掘高頻次購買者行為分析和高價值購買者行為分析

（一）高頻次購買者行為分析

本文開展的高頻次購買者行為分析采用回歸分析方法，其中被解釋變量為按消費者分類匯總的銷售次數（Y）。解釋變量包括消費者性別（X1）、消費者年齡（X2）、消費者地區（X3）、消費者信用（X4）、注冊時間（X5）、在線時間（X6）、整體好評率（X7）。其中消費者性別（X1）為分類離散變量，將男性設置為1，女性設置為2；消費者地區（X3）亦為分類離散變量，將東部地區設置為1，中部地區設置為2，西部地區設置為3；消費者信用（X4）亦為分類離散變量，從1到5分為5個等級，數字越大，信用等級越好。其他變量均為連續變量。數據處理方面，為了消除不同量綱之間的差距和數據的異方差性，對數據進行了對數標準化處理。建立的數據回歸分析模型如下所示：

使用STATA12.0對模型進行估計的結果如表3所示：

表3 潛在客戶挖掘高頻次購買者行為分析結果

從回歸分析的結果可以看出，消費者性別（X1）的系數顯著為正，說明女性消費者的高頻次購買行為相對更多；消費者年齡（X2）的系數顯著為負，說明年輕消費者的高頻次購買行為相對更多；消費者地區（X3）的系數顯著為負，說明東部地區的高頻次購買行為相對更多；消費者信用（X4）的系數顯著為正，說明信用度高的消費者的高頻次購買行為相對更多；注冊時間（X5）的系數不夠顯著，說明消費者的注冊時間對高頻次購買行為的影響關系較弱；在線時間（X6）的系數顯著為正，說明在線時間長的消費者的高頻次購買行為相對更多；整體好評率（X7）的系數不夠顯著，說明消費者的整體好評率對高頻次購買行為的影響關系較弱。綜上所述，信用度高且在線時間長的東部地區年輕女性消費者的高頻次購買行為相對更多。

（二）高價值購買者行為分析

本文開展的高頻次購買者行為分析采用回歸分析方法，其中被解釋變量為被按消費者分類匯總的銷售金額（Y）。解釋變量包括消費者性別（X1）、消費者年齡（X2）、消費者地區（X3）、消費者信用（X4）、注冊時間（X5）、在線時間（X6）、整體好評率（X7）。其中消費者性別（X1）為分類離散變量，將男性設置為1，女性設置為2；消費者地區（X3）亦為分類離散變量，將東部地區設置為1，中部地區設置為2，西部地區設置為3；消費者信用（X4）亦為分類離散變量，從1到5分為5個等級，數字越大，信用等級越好。其他變量均為連續變量。數據處理方面，為了消除不同量綱之間的差距和數據的異方差性，對數據進行了對數標準化處理。建立的數據回歸分析模型如下所示：

使用STATA12.0對模型進行估計的結果如表4所示：

表4 潛在客戶挖掘高價值購買者行為分析結果

從回歸分析的結果可以看出，消費者性別（X1）的系數顯著為正，說明女性消費者的高價值購買行為相對更多；消費者年齡（X2）的系數顯著為負，說明年輕消費者的高價值購買行為相對更多；消費者地區（X3）的系數顯著為負，說明東部地區的高價值購買行為相對更多；消費者信用（X4）的系數顯著為正，說明信用度高的消費者的高價值購買行為相對更多；注冊時間（X5）的系數不夠顯著，說明消費者的注冊時間對高價值購買行為的影響關系較弱；在線時間（X6）的系數顯著為正，說明在線時間長的消費者的高價值購買行為相對更多；整體好評率（X7）的系數不夠顯著，說明消費者的整體好評率對高價值購買行為的影響關系較弱。綜上所述，信用度高且在線時間長的東部地區年輕女性消費者的高價值購買行為相對更多。

從數據挖掘高頻次購買者行為分析和高價值購買者行為分析的結果來看，信用度高且在線時間長的東部地區年輕女性消費者既是高頻次購買者，也是高價值購買者。結合前述的數據挖掘購買集中度分析結果中，商鋪銷售中存在的明顯的“二八定律”特征，商鋪應該選擇該部分客戶優先拓展。在拓展策略方面，結合前述的數據挖掘商品支持度和商品置信度分析結果，店鋪銷售的芒果與橙子、松子與核桃、開心果與木瓜之間存在較強的關聯關系和相關依賴關系，如果店鋪針對這幾種商品組合開展一系列的促銷活動，那么就能起到相對較好的效果。

五、研究結論

本文基于大數據背景，以某網商企業為例，深入研究了數據挖掘技術在電子商務營銷拓展中的應用。研究發現，店鋪銷售的性別結構方面，男性和女性對于該店鋪銷售商品的偏好是無偏的；年齡結構方面，店鋪的消費記錄以年輕人群為主；區域結構方面，東部地區的消費記錄占比最高，其次是中部地區，最后是西部地區；評價結構方面，系統自動好評的比例最高，店鋪口碑整體上還可以的，但系統自動好評的比例相對主動好評較高，消費者被動認可程度要多于主動認可程度；付款方式結構方面，該網商企業的消費者以銀行存款資金消費的占比較低，更多的依賴于銀行信用消費或平臺資金沉淀消費。數據挖掘購買集中度分析發現，店鋪銷售呈現出較強的“二八效應”，優質客戶的購買力非常突出。數據挖掘商品支持度和商品置信度分析發現，店鋪銷售的芒果與橙子、松子與核桃、開心果與木瓜之間存在較強的關聯關系和相關依賴關系，數據挖掘高頻次購買者行為分析和高價值購買者行為分析發現，信用度高且在線時間長的東部地區年輕女性消費者的高頻次和高價值購買行為相對更多。商鋪可針對該部分客戶推出關于芒果與橙子、松子與核桃、開心果與木瓜組合銷售的優惠活動以提升經營績效。

[1]李勇，張敏，劉浩，等，2016.數據挖掘與應用統計現狀及趨勢研究——第八屆國際數據挖掘與應用統計研究會年會學術綜述[J].會計之友（22）：24-26.

[2]張維亞，嚴偉，湯澍，2016.基于數據挖掘的旅游者消費行為數字足跡特征分析[J].商業經濟研究（18）：65-68.

[3]盛夏，李斌，張迪，2016.基于數據挖掘的上市公司信用評級變動預測[J].統計與決策（15）：159-162.

[4]王藝，姚正海，2016.制造業上市公司財務預警體系的構建及比較——基于數據挖掘技術[J].財會月刊（21）：49-55.

[5]張維化，2016.基于數據挖掘的移動客戶流失量預測模型[J].內蒙古師范大學學報（自然科學漢文版）（4）：469-472.

[6]張健，2016.基于供給側改革和數據挖掘的茶葉在線銷售策略探析[J].商業經濟研究（12）：53-54.

[7]張玉峰，曾奕棠，郝彥，2016.基于動態數據挖掘的物流信息智能分析策略研究[J].圖書館學研究（5）：46-49.

[8]張冬，丁宏進，張俊杰，2015.數據挖掘技術在產銷差決策系統中的應用[J].中國給水排水（13）：60-63.

（責任編輯：D 校對：L）

F724.6

A

1004-2768（2017）04-0064-04

2017-02-28

王馨晨（1979-），女，陜西漢中人，蘭州財經大學信息工程學院講師，研究方向：信息管理、信息經濟、電子商務。