数据挖掘在电子商务销售数据中的分析和应用

论文摘要

随着我国居民生活节奏的加快，网络购物以其在时间、地域以及商品选择等多方面的优势而受到网民的青睐。中国网络购物市场规模的扩大和网购者数量的激增促使电子商务平台产生了丰富多样的电子商务销售数据。面对纷繁复杂的销售数据，商家需要深入分析和理解数据并从中挖掘出用户的偏好，兴趣，购买习惯等知识，从而据此制定各种销售策略以满足用户的需求，为电子商品平台赢得更多的顾客是最终的目的。为此，本文将从电子商务销售数据着手将数据挖掘技术应用于电子商务领域，利用统计分析和多关系聚类等多种技术从多个角度对数据进行分析和处理。通过对数据的处理和分析来对用户的购买行为影响因素，购买习惯和用户群体购买特点等有一个全新的认识和理解。从而使服务商可以利用这些知识对电子商务平台进行创新，获得顾客的满意，赢得顾客资源，获取更大利润。针对电子商务销售数据的特点，本文主要进行了如下几方面的工作：1)为了对电子商务平台新商品购买者的行为影响因素进行分析，本文引入了统计方法中的线性回归模型对影响新商品购买者购买不同档次新商品的诸多因素进行了研究。通过特征抽取和实证模型的建立得到了一些实用的统计结果。从而对新商品购买者的购买行为有了一定的理解，对于购买不同档次新商品的购买者可以依据各个影响因素的不同程度来制定不同的销售策略。2)针对电子商务销售数据动态特性问题，本文基于复杂网络对商品销量数据进行动态特性的分析。利用可视化算法将商品销量数据映射到复杂网络，通过对网络统计特性的分析来理解商品销量的波动变化。利用商品销量的动态波动特性可以对商品的销售情况和顾客的购买情况进行深入的分析，从而间接地理解用户对不同类型商品的购买习惯。实验中本文对电子商务平台和门店超市的日用品销量情况进行了对比分析，对不同渠道下的购买者的购买行为进行了对比分析。3)为了充分利用电子商务销售数据中的多关系信息和用户行为信息，为了解决电子商务领域数据间多关系聚类问题，本文提出了一种有效的融合属性相似和结构相似的相似度度量方法。多种实验验证了本章方法相比于其他方法的优越性。首先将新的相似度度量方法应用于顾客划分问题，通过对实验结果进行定性和定量分析后从群体层面对顾客的行为有了更深的理解；其次，商品推荐实验也更进一步验证了多关系数据中新相似度的计算问题。通过对上述问题的研究，本文可以作为一套对电子商务销售数据进行全面分析和处理的系统化的解决方案。本文的工作可以较好地应用于电子商务领域，能够为电子商务中的个性化推荐技术和销售策略的制定等提供强有力的技术支持和理论基础，同时本文的研究方法还可以为其他相关适用领域的应用问题提供研究思路。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 电子商务销售数据及其研究问题
• 1.1.1 电子商务销售数据的产生及其特点
• 1.1.2 基于电子商务销售数据研究的问题
• 1.2 数据挖掘综述
• 1.2.1 数据挖掘技术简介
• 1.2.2 数据挖掘技术应用于电子商务领域存在的问题
• 1.3 数据挖掘在电子商务销售数据中的分析和应用
• 1.3.1 电子商务销售数据研究方法概述
• 1.3.2 基于统计分析的电子商务销售数据研究
• 1.3.3 基于多关系聚类分析的电子商务销售数据研究
• 1.4 本文工作主要内容
• 第二章 基于线性回归模型的新商品购买者行为影响因素分析
• 2.1 引言
• 2.2 假设
• 2.3 方法
• 2.3.1 数据获取情况
• 2.3.2 影响因素分析和特征描述
• 2.3.3 实证模型
• 2.3.4 解释变量和依赖变量的统计描述
• 2.4 统计结果
• 2.5 本章小结
• 第三章 基于复杂网络的日用商品销售数据分析
• 3.1 引言
• 3.2 可视化算法及幂率分布
• 3.2.1 可视化图
• 3.2.2 幂率分布及其验证策略
• 3.3 数据集描述
• 3.3.1 网店商品日销售数据
• 3.3.2 门店超市商品日销售数据
• 3.4 销量分布及其自相似性分析
• 3.4.1 销量分布
• 3.4.2 自相似性-Hurst 指数
• 3.5 可视化图的统计特性
• 3.5.1 度分布
• 3.5.2 其他统计量结果
• 3.6 结论
• 第四章 基于结构相似度和属性相似度的顾客划分问题
• 4.1 引言
• 4.2 相关工作
• 4.2.1 关系数据挖掘
• 4.2.2 结构相似度计算方法 SimRank
• 4.2.3 属性特征距离度量
• 4.3 方法
• 4.3.1 预备知识
• 4.3.2 Attribute-SimRank 公式
• 4.3.3 Attribute-SimRank 相似度的计算
• 4.4 聚类实验
• 4.4.1 数据集
• 4.4.2 聚类结果评价指标
• 4.4.3 实验结果分析
• 4.5. 商品推荐实验
• 4.5.1. 协同过滤问题
• 4.5.2. Top-N 推荐的基本思想
• 4.5.3. Top-N 推荐实验的具体方法和步骤
• 4.5.4. Top-N 推荐实验结果及其分析
• 4.6 本章小结
• 第五章 总结与展望
• 参考文献
• 攻读硕士学位期间发表的学术论文及科研工作
• 致谢