電商數據的挖掘分析及應用

曹安林

(南京機電職業技術學院,江蘇 南京 211135)

0 引言

在電商行業發展過程中,電商平臺用戶的操作行為會產生大量的網絡數據信息,面對海量的數據信息如何應用先進的技術對其進行分析、支持,如何辨別信息的真假保證數據的質量就成為擺在人們面前的現實問題。

1 數據挖掘的方法

目前,網絡中的數據信息可以分為兩大類,一類是結構化數據,即主要形式包括字符、文本及數字的數據;另一類則是非結構化數據,即主要形式包括圖片、視頻、音頻的數據[1]。 人們在網絡中產生的互動行為越來越多,故網絡信息數據的格式也越來越復雜。 數據挖掘技術應是對越來越龐大、越來越復雜的網絡數據進行分析、挖掘,以快速、準確地獲取有價值的信息,探究隱含于不完整的、有雜音的、隨機的數據中不為人所知的知識與信息[2]。 對于電商企業而言,所挖掘的就是電商用戶的購買模式與行為特點。

目前常用的數據挖掘方法包括以下幾種:

一是類/概念描述,其對數據進行分類、特征化描述后,對數據進行對比、總結,將數據之間的類或概念通過對比及匯總等方式描述出來[3]。 二是關聯分析。該方法是目前數據挖掘技術常用的方法之一,其利用挖掘探測規則發現數據間互相依賴的、能夠滿足一定條件的關系。 三是分類和預測,該方法可對某些未知的數據做出預測,其應用特定的技術研究類標號未知的數據類型,辨別數據類/概念的模型。 四是聚類分析,該方法利用最大化類內相似性與最小化類之間的相似性原理對數據進行分組,其主要分析數據對象不考慮類標號,而是針對無標記類的數據進行聚類分析,再產生數據組群的類標號,將高相似性對象簇聚類與其他簇中的對象區分開來[4]。 五是離群點分析,該方法可以發現一些數據對象和數據的一般行為或模型異常,其主要對數據集進行分析。 六是演變分析與預測分析,比如時間序列分類、周期或序列模式匹配、基于類似性的數據分析等,主要分析隨時間變化而變化的數據的發展規律或趨勢。

上述方法中關聯分析是目前數據挖掘應用最廣泛的方法之一,通過關聯規則分析可以發現事務之間的內在關系,分析各個要素之間的潛在規律,比如消費者在電商平臺購買了衣服,是否會再購買鞋子,或者購買手機的消費者是否會配套購買手機殼等,這種方法也稱為購物籃分析。 關聯規則的處理對象是可理解為一種業務行為的事務,關聯規則可通過有效的規則支持度與有效的規則置信度兩個基本標準來衡量[5]。 其中規則置信度表示兩個包含的事務發生的概率,可評價關聯規則是否準確,其表示X出現的條件下Y出機的概率,即某個事務中包含有X的同時有多大概率會包含Y,可用下式表示:

上式中,T(x):項目X的事務數;T(X⌒Y):同時包含項目X和項目Y事務數。 置信度越高,X出現的條件下Y出現的概率越大。

規則支持度表示項目X和項目Y同時發生的概率,是測量關聯規則廣泛性的標準,用下式表示:

上式中,|T|表示總事務數,支持度過低表示規則不具一般性。

規則支持度與規則置信度的內在聯系可以用前項支持度、后項支持度來表示,前項支持度數學表達式如下:

關聯規則的開展必須設置合理的閾值,支持度閾值設置過小可能會導致生成的規則落空,分析結果缺乏代表性,反之支持度閾值設置過大可能會找不到相關規則[6]。 除上述兩項基本標準外,關聯規則還包括增益、提升度、事物及項集等其他指標。

2 電商數據挖掘的需求

在電商運營管理過程中數據挖掘的應用主要包括兩個方面,即消費者信息分析與消費者交易數據分析。

2.1 利用數據挖掘分析消費者信息

電商平臺分析消費者信息主要從訪問數據、消費者瀏覽行為、訪問渠道及訪問模式等方面進行了解,從中挖掘關于消費者的、具有價值的數據信息。 通過數據挖掘技術電商平臺可以對消費者進行分類,并進行客戶保持、交叉銷售等,再根據這些信息分析消費者的消費能力,有針對性地調整營銷策略[7]。 比如利用數據挖掘技術構建消費者行為反應預測模式,評估消費者未來可能發生的消費行為,能夠為電商企業挖掘潛在目標客戶提供有價值的參考。 或者利用相關技術進行一對一營銷,通過數據挖掘的聚類方法對海量消費者進行分類,分析消費者的群體行為規律,掌握群體共性,采取精準營銷或差異化營銷。

2.2 利用數據挖掘分析消費者交易數據

交易數據分析可以將產品之間隱含的內在固有關系挖掘出來。 對于電商企業而言,收集客戶信息是數據挖掘中最關鍵的一環,消費者進入店鋪后會產生一系列信息,對其行為進行跟蹤有助于了解消費者的喜好,擴大消費者規模。 在流量為王的信息社會中,電商企業并非免費獲得客戶信息,需要付出推廣成本、客戶維護成本等,而客戶的價值也并非同等重要,通過消費者交易數據的挖掘可以有效甄別客戶的價值,滿足消費者的個性化需求,制定差異化營銷策略,挖掘消費者潛在需求點,分析產品之間的關聯關系,進行捆綁銷售等。

3 電商數據挖掘的具體應用

3.1 以電商平臺運營目標為導向搭建指標體系

要針對電商平臺進行數據挖掘,就必須從海量的運營數據中確定關鍵的信息數據,針對這些數據進行分析才能幫助電商企業決策者找準運營管理的關鍵點,提高解決問題的針對性及運營管理的科學性。 對于電商平臺而言,數據挖掘的關鍵指標體系主要圍繞消費者、銷售的產品、電子商務店銷及店鋪的銷售數據4 個方面來展開。 實際運營過程中,電商企業有著不同的生命周期,生命周期不同,電商企業的主要指標也有所不同,具體如下:

首先,電商企業創業初期主要的經營目標是獲得最大化的流量,培養領袖客戶群體及固化商業模式,因此該階段需要分析客戶數量、銷售額兩項指標,主要目的是通過轉化率、利潤額檢測商業模式是否可行,以降低投資風險。 其次,在電商企業成長期主要運營目標是擴大客戶群體,對產品及產品的呈現進行完善,改善客戶體驗,該階段主要分析客戶增長率及銷售額增長率兩項指標,主要評估消費者的回頭購買率,分析消費者對產品及產品的呈現、客戶服務等內容的反饋,以維護更加健康的客戶關系。 再次,電商企業成熟期的主要運營目標是保持市場占有率,提高投資回報率,提高客戶需求響應率,該階段需要分析市場占有率及利潤額,計算投資回報率,不斷提高經營利潤,分析日活躍用戶量能夠對消費者的黏度、品牌影響力進行檢測。最后,電商企業經營衰退期主要運營目標是保持資金流,并尋找新的、可持續發展的增長點,該階段主要分析客戶生命周期價值,通過銷售額檢測維持運營的資金流,分析客戶流失率,在留住領袖客戶群體的基礎上尋找商業轉型升級的機會[8]。

3.2 數據分析挖掘

確定好各項關鍵指標后即開始針對指標所對應的數據進行分析、挖掘,電商數據挖掘包括以下幾個方面。

3.2.1 客戶數據分析挖掘

針對不同的數據類型選擇不同的數據挖掘方法,比如從消費者數據庫中分析出不同的消費群體可以采用聚類分析,該方法還可以概括出每個消費群體的消費習慣、消費模式等信息;根據消費者的性別、年齡、區域、興趣等人口統計要素將其細分為不同的群組,針對不同區域確定不同的產品價格,或者針對不同性別、不同年齡段的消費者制定個性化的營銷策略等。 還可以針對不同的客戶來源對客戶進行細分,比如直接訪問者、通過搜索引擎登錄平臺者,或者通過網絡廣告訪問平臺者,就可以分為不同的群組。 此外,還可以進一步分析客戶的瀏覽路徑、停留時間等,通過用戶的訪問信息分析確定電商企業產品的優化策略、廣告投放策略等。 除聚類分析外,還可應用關聯分析方法對消費者的購買習慣進行分析,比如分析消費者的購物車,就可以得出消費者的消費傾向,分析各商品之間的聯系,就可以提高捆綁營銷策略的針對性等。

3.2.2 產品數據分析挖掘

針對產品進行數據挖掘主要分析產品的動覽率、動銷率、售罄率、退貨率及貨齡等指標,并根據產品被瀏覽點擊的次數分析潛在的銷售機會。 此外,針對產品還可以分析其被添加到購物車的次數、被購買的次數、產品銷售額,這些可以分析產品的被購買意向及消費者對產品的接受程度;而分析產品的退貨率及退貨原因,則可以作為優化產品的重要參考等。 對產品進行數據挖掘可以明確電商企業當下的產品情況,有助于企業根據明星產品、暢銷產品及滯銷產品而調整營銷策略。 此外,通過數據挖掘還可以進一步分析產品之間的關聯因素,比如明星產品是否因為價格促銷,或者滯銷產品是否因為物流環節存在問題等,通過分析產品可以提高產品推廣的針對性,并針對滯銷產品調整產品線。

3.2.3 店鋪數據挖掘

電商平臺上入駐的各個電商企業是促進電商商品與消費者產生交易的最終場所,針對店鋪的數據挖掘可以按照常規的銷售邏輯進行分析:首先流量分析,即通過數據分析進行科學引流,采用方差分析法可以分析不同客戶群組進店方式對店鋪流量的影響,再針對不同的客戶群組制定更具針對性的廣告策略;其次點擊率分析,消費者進入店鋪后多種因素均會對其購物體驗產生影響,比如店鋪的界面、氛圍、觸及商品的便捷性等,采用聚類分析法可以挖掘消費者進店后在某個產品的停留時間及瀏覽路徑;最后進行轉化率分析,即消費者最終購買了何種商品,分析轉化率可以為后續產品的打磨、服務的優化提供有效參考。

3.2.4 銷售數據挖掘及運營預測分析

針對銷售數據的挖掘可以綜合應用聚類分析、關聯分析、對比分析等多種方法,對產品的銷售量、銷售額、銷售增長率等指標進行分析,對產品進行優化,根據分析結果調整銷售策略;分析客單價、客單活躍度、回頭率等,可以為客戶量化模型及投資回報率計算提供參考。 運營預測可以采用方差分析、邏輯回歸分析等多種挖掘方法分析消費者的購買行為、客戶成長規律、行業發展趨勢等信息,對電商企業的運營管理情況有個宏觀的把握及預測,對營銷戰略的有效性做出評估,并作為下階段運營管理戰略部署的參考,進一步提高電商企業的市場競爭力[9]。

3.3 運營優化及效果跟蹤

針對上述指標進行數據挖掘后,根據分析結果對運營策略做進一步優化,根據消費者來源選擇更好的引流方式來擴大消費群體;分析消費者購買心理、購買行為,優化電商平臺界面及服務,增加消費者黏性,提高消費者滿意度及忠誠度。 通過產品數據分析針對不同群組的客戶定制不同的包裝、價格及營銷策略;基于運營管理的角度針對行業及市場變化規律不斷優化電商運營策略,做出科學決策。 最后要針對電商運營優化效果進行持續性追蹤,比如促銷活動對店鋪流量變化的影響及規律,分析其訂單數、成交額、轉化率等,對促銷活動的實施效果進行綜合分析。

4 結語

總之,電商企業決策者希望從數據中獲取更精確的有效信息,除了簡單的網絡營銷列表外,還需更深入地了解消費者購買商品的細節性信息,以總結消費者的消費偏好、預測其后續的購買傾向,傳統的結構化語言查詢已無法滿足越來越高的電商營銷需求。 大數據時代促進了數據挖掘技術的進步,數據挖掘技術能夠從海量的網絡數據中快速、準確地獲得更有價值的信息,理解已有的歷史數據,并對消費者未來的行為進行預測。 相信隨著大數據技術的不斷發展,數據挖掘在電商領域的應用范圍會越來越廣泛。