基于人工智能的電商大數據分類與挖掘算法

秦宇

（廣東省外語藝術職業學院 廣東省廣州市 510620）

智能創新科技將引領電商產業數字化升級，人工智能技術正在為電商平臺獲取忠實用戶提供源源不斷的動力。隨著產業數字化步伐的加快，電商平臺依托互聯網、云數據、人工智能等數字技術升級的步伐也越來越快[1]。人工智能時代，電商平臺分析自身用戶的實際消費潛力，已經成為電商平臺獲取高額利潤的必要條件。針對電商平臺上架產品的數據分類，針對用戶群體的消費實力分類，針對消費者瀏覽行為、關注行為、消費行為的數據挖掘，有利于電商平臺獲取精準用戶畫像，從而完善消費引導或商品推送信息[2]。但是在電商大數據分類與挖掘的過程中，算法精準度偏低，成為阻礙電商發展的重要因素。為此，結合電商用戶數據特征識別，總結了用戶消費周期行為數據推導過程，現做如下分析。

1 人工智能電商大數據分類

1.1 商品數據類型

簡單商品數據信息，是商家對商品信息的歸類，主要包括品類、價格，其他參數信息如顏色、尺寸、出產地、規格、重量等輔助參考信息，以商品參數（para-N）代表。商品信息，如表1所示。

1.2 用戶數據類型

除了商品信息之外，用戶數據信息時判斷電商市值和消費潛力的重要數據參考標準。用戶信息主要是年齡、性別、用戶等級。用戶信息，如表2所示。

1.3 用戶行為數據類型

電商平臺的用戶行為數據，是一種描述用戶消費行為，或者是瀏覽關注行為。當用戶在某日大量流量某一商品信息時潛在消費因素形成，后續出現收藏關注說明用戶已經將購買行為提上日程，上述行為的發生頻次越高說明用戶消費需求越大。用戶行為信息，如表3所示。

1.4 用戶訂單數據類型

用戶訂單是完成消費動作之后，電商平臺后臺數據庫陳列的訂單數據信息。包括：用戶信息、商品信息、下單標識、訂單日期、訂單區域、訂單件數等。用戶訂單數據類型，如表4所示。

1.5 用戶評論數據類型

用戶評論信息，代表著用戶對于商家服務行為的滿意度，是電商與用戶良好溝通的基礎數據。用戶評論主要是好評、中評、差評，以及未作出評論的訂單。用戶評論信息，如表5所示。

2 人工智能電商大數據挖掘算法

2.1 數據特征識別

從原始數據表中直接提取出原始特征后，從原始數據表中提取單數據表特征，如訂單時間特征、訂單計數特征、訂單金額特征、sku 參數特征、行為時間特征等。

（1）時間跨度特征，消費者從最后一筆訂單到當日訂單的時間間隔，從最后一次瀏覽頁面距今天的時間。其中，包括間隔時間均值、最大值、最小值、標準差值[3]。行為描述在于統計用戶的消費習慣，預測用戶是否已經離開本平臺前往其他電商平臺消費。

表1：商品信息列表

表2：用戶信息列表

表3：用戶行為信息列表

表4：訂單數據類型信息列表

表5：用戶評論信息列表

（2）訂單數，用于統計用戶在該時間段內的訂單比例，用于評估消費者對當前商品的需求程度和消費欲望[4]。單品類商品預測消費潛力時，以往銷售訂單量越高，未來預期銷量越高，可作為預測消費決策的參考數據。

（3）商品數，代表用戶在該類商品中瀏覽過、收藏過、消費過的商品數量[5]。商品總數、品類數、購買次數、目標品類的購買總數、日均購買數量。以此來判斷用戶對于購買此類產品的數量需求。

表6：描述統計量

表7：樣本數雙側檢驗結果

（4）訂單數與商品數結合，推算出用戶對于不同品類、不同價格、不同商品參數的消費偏好。訂單數與用戶行為結合，推算出用戶消費決策的行為過程。

2.2 用戶消費周期行為數據推導

以一個總體消費周期S，代表用戶在電商平臺內的消費行為滿足這一周期S時存在消費決策。設（a，b，c）分別代表一款產品，當用戶消費行為周期滿足假設序列（a,b,b,a,c,c,b）時，用戶對商品b存在購買意向，同時高于商品a的購買意向，對c商品可能僅作為對比。用戶最終收藏了商品b，消費意向更高于其他兩款商品。

單獨考慮消費觀察的周期頻率影響，以n代表商品i在消費瀏覽序列中出現的頻次，得到公式為：wi=n/N。單獨考慮時間間隔因素的影響，那么在S周期內的瀏覽序列行為標記為q，則長度為N，q序列自起始階段到終止存在（1，2，…，N）個序列編號，最終消費決策商品滿足集合序列p（q，i），那么時間間隔的影響效度函數表達式為：

綜合上述時間間隔影響因素和瀏覽頻率的影響因素，得到消費決策的函數表達式：

最終獲得多個關聯因素影響下，用戶消費決策行為對商品銷售的影響，并以此推斷未來某種商品在電商平臺可能存在巨大消費潛力，為電商平臺調整戰略布局提高數據參考。

3 基于人工智能的電商大數據挖掘算法檢驗

3.1 用戶特征測評指標

以Oi代表第i個用戶消費決策的選擇，當Oi=1時消費決策成立，當Oi=0時消費決策不成立。N為電商平臺對消費者瀏覽行為的總體記錄數，限定N不高于5萬次。根據消費行為統計用戶在本季度內瀏覽商品數，并以S1代表消費者評價，限定用戶數不高于3萬人。從而得到S1評價指標：

進一步計算預測消費行為的準確率(accurate)和召回率(recall)：

以TP代表消費商品的正確樣本特征數；FP代表消費商品的不正確樣本特征數；TN代表實際消費樣本特征數，FN代表未消費樣本特征數。

3.2 樣本數雙側檢驗結果

以某電商平臺具有代表性的31類商品消費者評價最高分100，最低分38，做為檢測樣本。以該電商平臺用戶消費瀏覽序列wi最高98次瀏覽同一款商品，最低瀏覽13次同款商品為對比序列。檢測數據樣本描述，如表6所示。

將上述檢測樣本帶入SPSS25.0統計學軟件，進行數理分析和檢驗，得到樣本數集合內的雙側檢驗結果，如表7所示。

由表7可知，accurate準確率檢測結果置信度在95%以上時，置信上限達到84.3652，置信下限也可以維持在70.7961，Sig值趨近于0，代表檢測結果可信度較高。進一步說明，通過對用戶以往消費決策的統計，可推算出可信度較高的預測結果，數據挖掘準確率高于70%。通過recall召回率檢測結果可知，置信度在95%以上時，置信上限達到75.9047，置信下限也可以維持在54.5091，Sig值趨近于0，代表檢測結果可信度較高。但是也能夠發現，用戶瀏覽次數對最終消費決策行為的影響并不高，瀏覽頻率智能作為挖掘用戶行為的輔助參考數據，而不能作為判斷決策數據。

4 結語

綜上所述，人工智能時代，依靠算法獲得用戶精準畫像，建議電商平臺細分商品數據類型、用戶數據類型、用戶行為數據類型、用戶訂單數據類型、用戶評論數據類型，通過構建完整的數據庫分類獲取更為精準的原始數據信息。進一步優化針對用戶消費行為數據的精準測評算法，通過數據特征識別來測算用戶潛在的消費能力，并通過用戶消費周期行為數據推導，進一步明確用戶可能產生的消費總量。從而精準測算用戶特征測評指標，檢驗用戶消費潛力數據，做到實時精準推送商品信息，打造人工智能時代的高品質電商。