基于深度學習的電子商務客戶數據分析研究

梁亮

[摘 ? ?要] 在強調大數據、互聯網、實體經濟與人工智能充分融合的當下，電子商務成為人們關注的焦點。本文以深度學習為切入點，在簡單介紹核心理論內涵的基礎上，從電商平臺的角度出發，對客戶數據進行了分析，并綜合考慮多方因素，提出了可使數據分析結論更加精準的方法，希望能夠給相關人員以啟發，為電子商務注入前進所需的動力。

[關鍵詞] 電子商務;客戶;深度學習;數據分析

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2020. 21. 062

[中圖分類號] F713.36 ? [文獻標識碼] ?A ? ? ?[文章編號] ?1673 - 0194（2020）21- 0141- 02

0 ? ? ?前 ? ?言

電商的出現使生活更加便利，卻也帶來了一系列問題，對數據進行挖掘和分析，可使相關企業在面對挑戰時擁有更大的勝算。在此背景下，相關人員選擇以深度學習為切入點，針對電商客戶數據制定有別于過去的分析方法，所取得效果也十分令人矚目。由此可見，本文所研究課題擁有較為突出的社會價值，應當引起重視。

1 ? ? ?理論概述

1.1 ? 電子商務

近幾年，以京東和淘寶為首的電商品牌，給人們生活帶來了極大便利，電商平臺的特征，主要表現為低于實體經濟的運營成本，還有更符合預期的消費模式。深度學習理念的提出，使相關人員意識到，以客戶數據為依托，充分利用深度學習和數據挖掘法，對客戶所做出購買等行為進行分析，為電商平臺提供對體驗進行升級的方向，確保電商平臺對客戶擁有更為強大的吸引力。

電子商務指的是以互聯網為載體對商貿活動進行開展的運營模式，強調網上購物與電子支付。2013年至今，電商企業紛紛將提供高效服務視為工作重心，在電子商務得到大力推廣的背景下，將其視為交易首選平臺的人員數量不斷增加，數據信息逐年增加，這部分信息主要由購買行為、客戶評價和反饋構成，如何對相關數據加以應用，準確把握客戶行為所呈現出規律，自然成為相關行業討論的重點，這是因為客戶行為有助于電商對潛在消費群體加以識別，促使瀏覽者向消費者進行轉變，其經濟價值及現實意義均有目共睹。

1.2 ? 客戶數據分析

針對電商客戶所開展數據分析工作，強調以客戶瀏覽記錄、歷史訪問和服務器日志為依據，對行為規律進行提煉，以此來達到實時預測客戶購買傾向與行為的目的。從電商平臺的視角來看，這樣做有助于自身對客戶行為加以掌握，并有針對性地推薦商品，調整進貨和出貨的具體數量，另外，在對營銷策略進行制定時，數據分析所得結論，同樣有無法被替代的作用。早在20世紀90年代，部分學者就已將網絡數據視為研究重點，并成立了對電商客戶所涉及數據進行分析的機構。信息時代的到來，加快了電子商務推廣和普及的速度，可被用來分析客戶數據的方法也不斷增加，其中，具有代表性的有神經網絡法、決策樹法和貝葉斯分類法。上述方法存在較為明顯的共性特征，即驅動力為數據，將客戶信息和行為視為切入點，從中對特征設計所需因素進行篩選，再經由計算機學習法，對模型進行訓練。另外，上述過程又被稱為深度學習，這點應引起重視。

2 ? ? ?數據分析

2.1 ? 分析方向

近幾年，在飛速發展的科技的加持下，深度學習模型逐漸走向成熟，其中，本文研究的CNN、RNN，還有DNN、DBN均已在語音識別、信息處理等領域得到應用，所取得效果也十分顯著。在對電商客戶數據進行分析時，相關人員應做到以客戶數據為依據，根據分析結果，對其行為進行預測，當然，這也是電商平臺的主要工作。在深度學習得到推廣的背景下，電商平臺對客戶數據的掌握愈發全面，數據庫的形成，使預測工作擁有了更加理想的針對性和實時性，這便是智慧化預測的開端。由此可見，可被用來進行數據分析的體系，通常要滿足以下要求：第一，以統計學、數據挖掘和機器學習為切入點，完成提取數據特征的操作;第二，根據所提取特征，對相關知識庫進行構建，確保數據輸入、行為預測等內容均被納入所構建體系。

2.2 ? 數據處理

第一步，以電商交互系統為載體，對交互日志進行抽取，搜集客戶分析所需數據;第二步，對數據進行預處理，例如，清洗數據，將異常值去除，以及對缺失值進行填充，確保數據滿足唯一性的要求，使行為預測及后續工作的開展，擁有全面且有效的保障。

2.3 ? 特征提取

以原始數據為依托，對客戶購買行為所表現出特征進行提取，再利用現有分類方法，將特征劃分為動態/靜態或原始/拓展，通過對不同類別特征進行整合的方式，形成有別于過去的全新特征。研究表明，要想使預估效果達到預期，關鍵是參考數據與特征，對模型預估上限加以明確，并對模型進行調整，由此可見，如何增強所構建特征的科學性，已成為使客戶數據得到精準分析的保障，在未來一段時間內，該項工作將成為研究的主要內容。

2.4 ? 模型構建

預測模型是否準確，通常會給數據分析帶來直接影響，甚至對分析結果的有效性有決定作用。現階段，大量預測模型被投入使用，但現有模型的準確性，普遍和預期存在較大差距，如何以數據分析為依據，對客戶行為進行預測，成為了電商平臺關注的重點。眾所周知，電子商務的特點，主要表現為數據量大和處理難度高，現有模型均不具備對全部問題加以解決的能力，其中，大部分模型都符合理論模型的特征，強調對影響因素進行定性分析。研究表明，在很長一段時間內，Logistic回歸法均占據著主導地位，從本質來說，該回歸法屬于線性分類模型之一，其特征表現為對輸入所提出要求相對嚴格，例如，目標對象應滿足線性可分條件，而隨機森林法、Badding法的性能，普遍會受到一定程度的限制。基于此，本文以深入學習為切入點，對分析電商客戶數據的方法進行探究，具體內容如下：

2.4.1 ? 理論概述

Hinton是首位提出深度學習概念的學者。作為機器學習研究全新方向，深度學習主要被用來對神經網絡較易受到學習能力制約的問題，以逐層貪婪學習為原則，通過對非線性網絡進行深入學習的方式，獲得機器學習所需特征，為預測結果所具備精準性提供保障。

從本質上說，深度學習強調的是對數據表征進行學習，旨在對完善模型進行創建，并以未標記數據為依托，對表示方法加以掌握。現階段，針對深度學習所展開研究，主要涉及以下方面：其一，以卷積運算為核心的神經網絡，即CNN;其二，以多層神經元為核心的神經網絡，通常分為稀疏編碼和自編碼;其三，以自編碼網絡為載體，通過開展預訓練的方式，對深度置信網絡加以優化。

2.4.2 ? 特征構建

特征構建主要由三個階段組成，分別是選擇特征、對樣本測試集與訓練集進行劃分和特征處理。從某個層面來說，選擇特征是確保預測模型得到有效構建的前提，要求相關人員以現有數據集為依托，確定分類所需特征集，通過提升模型精準度的方式，將運行時間控制在合理長度。由于不同維度對特征量綱、單位所提出要求，通常有較為顯著的差異存在，評估特征所擁有權重也會受到影響，因此，要想避免預估效果受到影響，關鍵是通過特征管理的方式，達到歸一化處理的目的。

2.4.3 ? 確定并驗證模型

深度學習強調以算法為依托，在現有假設空間中對最優假設進行確定，而預測方法要求相關人員從多個角度對分析工作進行開展，在所處理數據不同的基礎上，利用現有方法對客戶所開展活動進行預測，通常會取得不同的結論，可以說，任何學習問題都有相應的算法，但是，并不存在適用于全部領域的算法，在此背景下，學者紛紛將目光轉向對單一算法進行整合，形成擁有良好普適性的模型的方面，希望能夠通過相關研究的開展，確保算法可發揮出應有作用，而合成算法所應用方法，也因此而成為對算法準確率起決定作用的因素。

待上文所提及工作告一段落，相關人員便應對模型進行確定并驗證。一方面，利用CNN和RNN對模型框架進行構建，以此為基礎，隨機抽取數據負樣本并對網絡層數加以調整，在明確損失函數后，經由BP算法對輸出誤差進行反向傳播，并以Adam算法為依托，完成模型參數的優化處理。另一方面，利用尚未經過訓練的客戶數據，對模型所具備泛化能力進行驗證，若預測結果和預期相差較遠，相關人員應對模型進行重新設計與訓練。

3 ? ? ?結 ? ?論

通過分析文章內容可知，以數據分析所得結論為依據，對客戶行為進行預測，現已成為電商領域所研究的主要內容，在深度學習模型逐漸趨于完善的背景下，對客戶行為進行預測的精準度不斷提升，但是黑盒特征的存在，導致深度學習無法為基于特征提取所開展定性研究工作提供支持，因此，未來一段時間內，由深度學習延伸出的可視技術將成為研究的重點。

主要參考文獻

[1]孫曉凱，倪卿元，陳文強.圖像增強方法在深度學習圖像識別場景應用中的可行性研究[J].電信科學，2020，36（z1）：172-179.

[2]戴成華，宋偲皓，薛繼待，等.基于人工智能視頻深度處理技術的景區智慧化管理探索研究[J].科技通報，2019，35（4）：108-114.

[3]曹曉明，張永和，閆海亮，等.人工智能視域下的學習參與度識別方法研究——基于一項多模態數據融合的深度學習實驗分析[J].遠程教育雜志，2019，37（1）：32-44.