數據挖掘技術在電子商務營銷拓展中的應用

摘 要 隨著互聯網時代的到來，傳統的粗放的營銷模式受到了劇烈的沖擊，而與之相對的是日益繁榮的個性化電子商務市場，其中依托與商務平臺的各大網商企業，也在大數據時代下蓬勃發展。因此，傳統企業要積極改陳舊理念，采取精細化的營銷方式來提高顧客的消費體驗。以下本文主要敘述的是，大數據背景下數據挖掘技術在電子商務營銷中的實踐應用，文章同時針對網商企業運營模式的研究，提出了一些建議和策略。

【關鍵詞】數據挖掘 電子商務 營銷拓展

隨著網絡信息技術的快速發展，互聯網+的戰略已經被應用到各個行業，目前，我國的電子商務平臺的網商企業已經成為了促進經濟發展的新生力量。但是隨著網商行業的競爭加劇，利潤空間被嚴重的壓縮，各個網商之間不斷的創新方法來吸引顧客，政府出臺了電子商務的規范政策之后，一些粗放盈利式的網商企業正在面臨生存問題，因此，精細化個性化的營銷方式已經成為了未來的發展趨勢。

1 數據來源與樣本結構

本文開展研究的數據，源自與淘寶電子商務平臺的某網商企業在2017年1月至2017年11月的銷售數據。該網商的企業名稱為FL食品，主要經營休閑食品類的物品，面包、薯片、花生、餅干、巧克力等。采集的數據量為1535288，每一項數據都含有消費者的ID、性別、年齡、地址、交易金額、付款方式、評價等詳細的數據。通過對消費數據的分析，顯示出購買休閑食品的男性比例為46%，女性比例為54%，基本接近持平的狀態。說明休閑食品的銷售不受顧客性別因素的影響；在對該店鋪的消費者機構年齡的調查中顯示：

20-30歲的群體消費記錄最高，其次是30歲～40歲的顧客，排末的為40歲以上的消費群體。說明該店鋪受年齡結構的影響較大，主要還是以年輕人為主；網店企業的消費記錄區域結構顯示，東部地區的消費比例最高、其次是中部、排末的為西部地區，主要原因是東部地區的經濟較好，消費群體的思想也較為先進，已經習慣于網上購買商品。另一點是因為東部的物流交通發達，郵費的成本較低；消費記錄的評價信息顯示，自動好評的比例最高，其次為主動好評，說明的消費者都是被動的認可，店鋪企業還需要進一步優化經營模式；消費者付款方式的數據顯示，信用卡付款的比例最高，其次為平臺資金付款。說明消費者群體非常依賴于信用卡與平臺資金購買商品。

2 數據挖掘分析

2.1 數據挖掘購買集中度分析

數據挖掘購買集中度分析具體是指，消費數量與消費金額之間的關系，以此來分析網店企業的銷售特征。購買集中度高說明是少數顧客貢獻的銷售額度，屬于店鋪的忠誠顧客，需要采取精心維護的對策。如果集中度低，說明顧客的貢獻比例較為平均，需要采取適當的維護對策。通過對FL店鋪的數據分析顯示，消費額度前10%的的顧客為3%，消費額度前10%～30%的顧客為10%，消費額度前30%～50%的顧客為14%。通過數據來看店鋪的忠誠客戶購買力非常強。店鋪需要采取精心維護的方式，采取促銷等方式來維護的優質顧客群體。

2.2 數據挖掘商品支持度和商品置信度分析

數據挖掘商品的支持度與與置信度分析，主要是針對商品之間的關系研究，這樣就可以分析出最受歡迎的商品組合。店家就可以采取有效的組合營銷方式。我們需要先假設W產品對S產品的支持度，支持度反映在顧客同時購買兩種產品的概率，而W產品對S產品的置信度則是反映在顧客購買W產品之后，購買S產品的概率。在對店家統計數據分析之后得出以下結果，商品支持度的分析顯示：W產品對S產品支持度與S產品對W產品的支持度是一致的。而商品置信度的分析結果顯示：W產品對S商品的支持度與S商品對W商品的支持度是不同的。從店鋪的商品支持度分析結果來看，巧克力與花生的組合是最高的，其次是薯片與奶酪組合、薯片與瓜子組合、薯片與蝦條組合等。商品置信度數據結果來看，話梅與酸角糕最高為78.89%，其次是酸角糕與話梅為75.42%，話梅與松子組合、魚片與肉干組合、相互之間的置信度比較高。該結果的分析，話梅與酸角糕、魚片與肉干之間存在較強的依賴關系，如果商家對這幾種商品組合進行促銷，肯定會取得很好的效果。

3 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

3.1 高頻次購買者行為分析

高頻次購買者行為分析采用回歸分析法，被解釋變量為顧客分類匯總銷售次數為（Y）。解釋變量為顧客性別（X1）、顧客年齡（X2）、顧客地區（X3）、顧客信用（X4）、注冊時間（X5）、線上時間（X6）、好評率（X7）。顧客性別（X1）為分類離散變量，1為男性2為女性；顧客地區（X3）為分類離散變量，1為東部、2為中部、3為西部；顧客信用（X4）亦為分類離散變量，1至5個等級，數字越大，信用越好。為了消除數據的異方差性，并對數據實施標準化處理。從分析數據來看，女顧客的高頻次購買更多；顧客年齡（X2）系數為負，說明年輕顧客高頻次購買行為更多；顧客地區（X3）系數為負，東部高頻次購買行為最多；顧客信用（X4）系數為正，說明高信用顧客群體，高頻次購買行為相對更多；注冊時間（X5）系數顯示顧客注冊時間與高頻次購買行為沒有影響；在線時間（X6）系數顯示，線上時間長顧客的高頻次購買行為最多；好評率（X7）系數顯示，對高頻次購買行為沒有影響。通過以上分析可看出，信用度高、線上時間長、東部地區、年輕女性的高頻次購買行為最多。

3.2 高價值購買者行為分析

高價值購買者行為分析方法與高頻次購買者行為分析法一致，從數據顯示上看：信用度高、線上時間長、東部地區、年輕女性的高價值購買行為最多。從數據挖掘的分析中，得出了結果，高價值購買者與高頻次購買者為同一群體。通過之前的數據挖掘購買集中度的分析中看出，店鋪的產生的銷售額度主要集中在忠誠客戶群體，因此店鋪要對這一部分優質的忠誠客戶采取精心維護的策略，同時結合商品支持度與商品置信度分析數據的商品組合開展促銷活動，肯定會獲取較好的效果。

4 結語

綜上所述，以上本文主要敘述的是，大數據背景下數據挖掘技術在電子商務營銷中的實踐應用，通過對店鋪的銷售記錄分析可以看出，年齡與地區消費是影響顧客消費的主要原因，文章通過對顧客高頻次購買行為與高價值購買行為的分析中得出結果，東部年輕女輕為消費最多的群體，因此店鋪要采取優先維護的策略，為優秀顧客推出挖掘數據分析的最優組合商品的優惠活動，以提高顧客的忠誠度。

參考文獻

[1]李勇，張敏，劉浩等，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，2016（22）：24-26.

[2]張維亞，嚴偉，湯澍.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，2016（18）：65-68.

[3]盛夏，李斌，張迪.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，2016（15）：159-162.

作者簡介

付利軍（1979-），男，山西省忻州市人。碩士學位。現為山西運城農業職業技術學院講師。研究方向為數據庫、數據挖掘、軟件開發。

作者單位

山西運城農業職業技術學院 山西省運城市 044000