数据挖掘技术在电商平台中的应用

　　黄毅能吴旭东多晓伟
　　基金项目：2019年江西省教育厅科学技术研究项目数据挖掘技术在电商平台中的应用以陶瓷餐具的电商营销为例（项目编号：191300）
　　摘要：本文通过与淘宝后台核心经营数据进行分行析，使用生意参谋工具，在数据中心进行数据对接。利用数据挖掘的若干重要分析方法，抽取核心经营数据进行分析。对两个月60天的数据进行分析，通过关联规则分析、神经网络两种算法对淘宝核心数据进行分析，建立了经营预警机制，进而为提高店铺经营提供一些参考性的建议。
　　关键词：数据挖掘；陶瓷餐具；电商平台
　　本文以淘宝电商平台陶瓷餐具店铺真实销售数据为，专门针对陶瓷餐具的销售历史原始数据进行数据挖掘分析。对数据进行检测、筛選、抽取、整理。然后，利用SPSSclementine数据挖掘软件建立样本模型、测试样本数据等一系列数据挖掘工作；其中重点运用数据挖掘中常见的算法进行建模，找出适合陶瓷餐具电商销售的算法并加以分析。如图1陶瓷餐具电商销售数据挖掘详细流程图
　　一、关联规则分析
　　（一）数据预处理
　　通过相关软件把淘宝店铺销售数据下载下来，先对数据进行前期的整理，然后将数据预处理，对数据离散化和抽象化处理，从而能更好的符合关联数据挖掘模型。在开展数据挖掘之前，需要将购买商品的子类目以及购买金额。商品的类目按数据表中的顺序依次映射成为英语字母A餐具笼架、B碟、C瓶罐、D盘、E餐具瓷器套装、F果盆果盘果篮、G餐垫等；经过处理以后如表1所示。
　　（二）实验过程与分析
　　对顾客购买数据进行离散化处理，通过类型选择集合，数据挖掘的核心算法采用GRI关联规则算法，其中的支持度设置为50，置信度设置为60。数据挖掘结果如图3所示：
　　规则1中显示，购买餐垫和瓶罐的客户占52，其中购买餐垫同时有76。92的顾客购买了瓶罐。
　　规则2中显示，购买餐垫和餐具瓷器套装的客户占53，其中购买餐垫同时有75。47的顾客购买了餐具瓷器套装。
　　规则3中显示，购买餐具瓷器套装和瓶罐的客户占52，其中购买餐具瓷器套装的同时有71。15购买瓶罐。
　　规则4中显示，购买瓶罐和餐具瓷器套装的客户占53，其中购买瓶罐的同时有69。81购买餐具瓷器。
　　规则5显示，购买果盆果盘果篮和盘的客户占52，其中购买果盆果盘果篮同时有67。31购买盘。
　　二、神经网络预测
　　（一）神经网络算法
　　人工神经网络又称连接机模型，是一种无监督的学习，是现代神经学、生物学、心理学的基础上产生的一种算法模型，属于无监督学习的算法。是模拟生物神经系统处理外界事物的基本过程，是在模拟人类大脑的神经组织发展起来的计算系统。包括大规模并行、分布式处理、自组织、自学习等优点，广泛应用于模式识别、语音分析、图像识别、数字签名、计算机视觉等很多领域，取得了许多丰硕的成果。1986年由Rinehart和McClelland科学共同提出，按误差逆向传播算法训练多层前馈网络，是目前较典型的神经网络算法之一。BP网络能学习和存储大量的输入输出模式映射关系，不需要提前知道映射关系的数学方程。学习过程使用最快下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络具有非线性映射能力、自学习和自适应能力、泛化能力、容错能力等优点，国内不少研究学者都对其进行了重点研究，运用网络解决了许多领域的问题。
　　BP神经网络的计算过程由正向计算过程和反向计算过程组成。正向传播过程中，输入模式从输入层到隐含层单元层逐层处理，逐步转向输出层，每一层神经元的状态只影响下一层神经元的状态。如果不能得到期望的输出结果则转入反向传播，将误差信号沿原来的连接通路返回，通过调整各层神经元的权值和阈值，把型号误差调到最小。主要包括两个步骤：第一步是网络状态初始化，第二步是前向计算过程。BP网络主要应用在以下四个方面：
　　1。函数逼近：输入向量和输出向量训练出对应的网络模型逼近指定的函数。
　　2。模式识别：用指定的输出向量于输入向量进行关联，训练特定的模型。
　　3。分类：把一些向量按着一定的规则进行分类。
　　4。数据压缩：减少输出向量的维度，方便传输和存储。
　　（二）实验过程
　　利用BP神经网络算法构建模型，对准备好的数据进行挖掘，对数据源的各个字段类型进行合适的设置。利用支付转化率、访客数、成功退款金额、作为输入项，借阅量作为输出量。如图5、图6所示。
　　训练样本共60条，支付转化率、访客数、成功退款金额、直通车消耗、老买家支付金额、淘宝客佣金、客单价和支付件数8个字段作为输入层，输入层包括8个神经元，隐藏层包括3个神经元，输出层包括1个神经元为支付金额。建立BP神经网络模型，预测后10天的支付金额，假设后10天的支付金额是未知的，通过比较预测值与真实值的误差，结果预测的准确率比较高为82。519。
　　利用神经网络建立淘宝店铺经营预警机制。如图7所示，输入店铺核心经营数据，利用事先建立好的BP神经网络模型预测支付金额，如果预测值与实际值的误差在20以内，则说明正常，如果误差超过了20，则开始预警，表示淘宝店铺经营数据异常，需要认真分析查找原因，首先查询日常核心数据，找出原因后，再调整店铺商品的摆放、定价、店铺的装修以及详情页的设计等。
　　结束语：
　　本文从淘宝网店的购买记录出发，通过发掘历史数据，建立一些典型的数据挖掘分析法模型得出了一些有趣的结论。
　　1。使用关联规则分析，发现了一些有趣的规律即：陶瓷餐具的某些产品存在着密切的关系。算通过规律合理安排陶瓷网店中商品的上架排布，商品的定价策略等。
　　2。利用神经网络法预测出未来淘宝网店的销售数据，并在此基础上建立了淘宝网店的预警机制。
　　参考文献：
　　〔1〕朱沙。电子商务中计算机WEB数据挖掘技术的应用分析〔J〕。商场现代化，2018（23）：3435。
　　〔2〕李涛，曾春秋，周武柏，等。大数据时代的数据挖掘从应用的角度看大数据挖掘〔J〕。大数据，2015（04）：124。
　　〔3〕李楠楠。大数据挖掘技术在电子商务企业营销中的应用研究〔J〕。全国流通经济，2019（8）：1617。
　　〔4〕方晶晶、刘佳峰。数据挖掘技术在企业服务中的应用与研究〔J〕。电脑编程技巧与维护。2020（06）：105107。