2011年最新网络游戏数据,电子商务数据归总

第一篇：2011年最新网络游戏数据,电子商务数据归总

随机电子商务资料

2011年二季度中国B2C市场交易规模达到542.6亿元

研究机构艾瑞咨询日前发布报告指出，２０１１年中国网络购物市场交易规模接近８０００亿元，达７７３５．６亿元，较２０１０年增长６７．８％，占到社会消费品零售总额的４．３％；预计２０１２年中国网络购物市场交易规模将达１１８４０亿元，同比增长５３％，占社会消费品零售总额的比例也将升至５．３％。

艾瑞网预测,2014年国内第三方交易规模将达到41000亿元,2011-2014年年复合增长率达到42%。网络购物、金融、航空客票、电子商务B2B、电信缴费和网络游戏是第三方支付市场的重要领域

据中国互联网络信息中心１月中旬发布的最新统计数据显示，２０１１年中国网络购物用户增长２０．８％，用户总规模已达到１．９４亿人。

2011年第4季度中国网络游戏市场规模达102.9亿元，实现环比增长8.3%，同比增长28.5%。

2011年第4季度中国网络视频市场广告收入为16.87亿元，环比增涨13.7%，同比增长135.3%。

2012年中国网页游戏市场用户规模将达到7500万人，环比增长36.4%。预计未来几年我国网页游戏将保持增长态势，2014年我国网页游戏市场用户规模将达到9750万。

2011年第2季度中国网络游戏市场规模达87.6亿元，实现环比增长3.1%，同比增长12.6%。

2011年第3季度中国网络游戏市场规模达95.1亿元，环比增长8.5%，同比增长22.5%。

2011年第1季度中国网络游戏市场规模达84.98亿元，实现环比增长6.1%。

第二篇：数据挖掘与电子商务

数据挖掘与电子商务

姓名：龚洪虎

学号:X2009230111

[摘 要] 企业的竞争优势并不取决于信息的拥有量，而是取决于信息的处理利用能力。如何化信息优势为竞争优势，是企业制胜于市场的一个法宝。本文论述了一种信息处理利用的有效工具——数据挖掘方法及其在电子商务中的应用。

[关键词] 数据挖掘 方法 电子商务 应用

随着网络技术和数据库技术的成熟，传统商务正经历一次重大变革，向电子商务全速挺进。这种商业电子化的趋势不仅为客户提供了便利的交易方式和广泛的选择，同时也为商家提供了更加深入了解客户需求信息和购物行为特征的可能性。数据挖掘技术作为电子商务的重要应用技术之一，将为正确的商业决策提供强有力的支持和可靠的保证，是电子商务不可缺少的重要工具。

一、电子商务和数据挖掘简介。

电子商务是指个人或企业通过Internet网络，采用数字化电子方式进行商务数据交换和开展商务业务活动。目前国内已有网上商情广告、电子票据交换、网上订购，网上银行、网上支付结算等多种类型的电子商务形式。电子商务正以其成本低廉、方便、快捷、安全、可靠、不受时间和空间的限制等突出优点而逐步在全球流行。

数据挖掘(DataMining)是伴随着数据仓库技术的发展而逐步完善起来的。数据挖掘主要是为了帮助商业用户处理大量存在的数据，发现其后隐含的规律性，同时将其模型化，来完成辅助决策的作用。它要求从大量的、不完全的、有噪声的、模糊的和随机的数据中，提取人们事先不知道的但又是潜在有用的信息和知识。数据挖掘的过程有时也叫知识发现的过程。

而电子商务中的数据挖掘即Web挖掘，是利用数据挖掘技术从www的资源(即Web文档)和行为(即We服务)中自动发现并提取感兴趣的、有用的模式和隐含的信息，它是一项综合技术涉及到Internet技术学、人工智能、计算机语言、信息学、统计学等多个领域。

二、何谓数据挖掘及方法

确切地说，数据挖掘(Data Mining)，又称数据库中的知识发现(Knowledge Discovery in Database,KDD)，是指从大型数据库或数据仓库中提取隐含的、未知的、非平凡的及有潜在应用价值的信息或模式。它融合了数据库、人工智能、机器学习、统计学等多个领域的理论和技术。比较典型的数据挖掘方法有关联分析、序列模式分析、分类分析、聚类分析等。它们可以应用到以客户为中心的企业决策分析和管理的各个不同领域和阶段。

1.关联分析。关联分析，即利用关联规则进行数据挖掘。关联分析的目的是挖掘隐藏在数据间的相互关系，它能发现数据库中形如”90%的顾客在一次购买活动中购买商品A的同时购买商品B”之类的知识。

2.序列模式分析。序列模式分析和关联分析相似，但侧重点在于分析数据间的前后序列关系。它能发现数据库中形如”在某一段时间内，顾客购买商品A，接着购买商品B，而后购买商品C，即序列A→B→C出现的频度较高”之类的知识，序列模式分析描述的问题是:在给定交易序列数据库中，每个序列是按照交易时间排列的一组交易集，挖掘序列函数作用在这个交易序列数据库上，返回该数据库中出现的高频序列。在进行序列模式分析时，同样也需要由用户输入最小置信度C和最小支持度S。

3.分类分析。设有一个数据库和一组具有不同特征的类别(标记)，该数据库中的每一个②

记录都赋予一个类别的标记，这样的数据库称为示例数据库或训练集。分类分析就是通过分析示例数据库中的数据，为每个类别做出准确的描述或建立分析模型或挖掘出分类规则，然后用这个分类规则对其他数据库中的记录进行分类。

4.聚类分析。聚类分析输入的是一组未分类记录，并且这些记录应分成几类事先也不知道，通过分析数据库中的记录数据，根据一定的分类规则，合理地划分记录集合，确定每个记录所在类别。它所采用的分类规则是由聚类分析工具决定的。采用不同的聚类方法，对于相同的记录集合可能有不同的划分结果。

应用数据挖掘技术，较为理想的起点就是从一个数据仓库开始，数据挖掘可以直接跟踪数据并辅助用户快速做出商业决策，用户还可以在更新数据的时候不断发现更好的行为模式，并将其运用于未来的决策当中。

三、选择数据挖掘技术的两个重要依据。

数据挖掘使用的技术很多，其中主要包括统计方法、机器学习方法、和神经网络方法和数据库方法。统计方法可细分为回归分析、判别分析、聚类分析、探索性分析等。机器学习方法可细分为归纳学习方法（决策树、规则归纳）、基于范例学习、遗传算法等。神经网络方法可细分为钱箱神经网络（BP算法）、自组织神经网络等。数据库方法主要是多维数据分析或OLAP方法，另外还有面向属性的归纳方法。由于每一种数据挖掘技术都有其自身的特点和实现的步骤，对数据的形式有具体的要求，并且与具体的应用问题密切相关，因此成功的应用数据挖掘技术以达到目标过程本身就是一件很复杂的事情，本文主要从挖掘任务和可获得的数据两个角度来讨论对数据挖掘技术的选择。

三、数据挖掘在电子商务中的应用

数据挖掘能发现电子商务客户的的共性和个性的知识、必然和偶然的知识、独立和关联的知识、现实和预测的知识等，所有这些知识经过分析，能对客户的消费行为如心理、能力、动机、需求、潜能等做出统计和正确地分析，为管理者提供决策依据。具体应用如下：

1.分类与预测方法在电子商务中的应用。在电子商务活动中，分类是一项非常重要的任务，也是应用最多的技术。分类的目的是构造一个分类函数或分类模型，通常称作分类器。分类器的构造方法通常由统计方法、机器学习方法、神经网络方法等。这些方法能把数据库中的数据映射到给定类别中某一个，以便用于预测，也就是利用历史数据记录，自动推导出给定数据的推广描述，从而对未来数据进行预测。

2.聚类方法在电子商务中的应用。聚类是把一组个体按照相似性原则归成若干类别。对电子商务来说，客户聚类可以对市场细分理论提供有力的支持。市场细分的目的是使得属于同一类别的个体之间的距离尽可能小，而不同类别的个体之间的距离尽可能大，通过对聚类的客户特征的提取，电子商务网站可以为客户提供个性化的服务。

3.数据抽取方法在电子商务中的应用。数据抽取的目的是对数据进行浓缩，给出它的紧凑描述，如求和值、平均值、方差值、等统计值、或者用直方图、饼状图等图形方式表示，更主要的是他从数据泛化的角度来讨论数据总结。数据泛化是一种把最原始、最基本的信息数据从低层次抽象到高层次上的过程。可采用多维数据分析方法和面向属性的归纳方法。在电子商务活动中，采用维数据分析方法进行数据抽取，他针对的是电子商务活动中的客户数据仓库。在数据分析中经常要用到诸如求和、总计、平均、最大、最小等汇集操作，这类操作的计算量特别大，可把汇集操作结果预先计算并存储起来，以便用于决策支持系统使用。

4.关联规则在电子商务中的应用。管理部门可以收集存储大量的售货数据和客户资料，对这些历史数据进行分析并发现关联规则。如分析网上顾客的购买行为，帮助管理者规划市场，确定商品的种类、价格、质量等。通常关联规则有两种：有意义的关联规则和泛化关联规则，有意义的关联规则，即满足最小支持度和最小可信度的规则。最小支持度，它表示一组对象在统计意义上的需满足的最低程度，如电子商务活动中的客户数量、客户消费能力、消费方式等。后者即用户规定的关联规则的最低可靠度。第二是泛化规则，这种规则更实用，因为研究对象存在一种层次关系，如面包、蛋糕属西点类，而西点又属于食品类，有了层次关系后，可以帮助发现更多的有意义的规则。

5、优化企业资源

节约成本是企业盈利的关键。基于数据挖掘技术，实时、全面、准确地掌握企业资源信息，通过分析历史的财务数据、库存数据和交易数据, 可以发现企业资源消耗的关键点和主要活动的投入产出比例, 从而为企业资源优化配置提供决策依据, 例如降低库存、提高库存周转率、提高资金使用率等。通过对Web数据挖掘，快速提取商业信息，使企业准确地把握市场动态，极大地提高企业对市场变化的响应能力和创新能力，使企业最大限度地利用人力资源、物质资源和信息资源，合理协调企业内外部资源的关系，产生最佳的经济效益。促进企业发展的科学化、信息化和智能化。

例如:美国运通公司(American Express)有一个用于记录信用卡业务的数据库，数据量达到54亿字符，并仍在随着业务进展不断更新。运通公司通过对这些数据进行挖掘，制定了“关联结算(Relation ship Billing)优惠”的促销策略，即如果一个顾客在一个商店用运通卡购买一套时装，那么在同一个商店再买一双鞋，就可以得到比较大的折扣，这样既可以增加商店的销售量，也可以增加运通卡在该商店的使用率。

6、管理客户数据

随着“以客户为中心”的经营理念的不断深入人心, 分析客户、了解客户并引导客户的需求已成为企业经营的重要课题。基于数据挖掘技术，企业将最大限度地利用客户资源，开展客户行为的分析与预测，对客户进行分类。有助于客户盈利能力分析，寻找潜在的有价值的客户，开展个性化服务，提高客户的满意度和忠诚度。通过Web资源的挖掘，了解客户的购买习惯和兴趣，从而改善网站结构设计，推出满足不同客户的个性化网页。利用数据挖掘可以有效地获得客户。比如通过数据挖掘可以发现购买某种商品的消费者是男性还是女性,学历、收入如何, 有什么爱好,是什么职业等等。甚至可以发现不同的人在购买该种商品的相关商品后多长时间有可能购买该种商品, 以及什么样的人会购买什么型号的该种商品等等。在采用了数据挖掘后, 针对目标客户发送的广告的有效性和回应率将得到大幅度的提高, 推销的成本将大大降低。同时，在客户数据挖掘的基础上，企业可以发现重点客户和评价市场性能，制定个性化营销策略，拓宽销售渠道和范围，为企业制定生产策略和发展规划提供科学的依据。通过呼叫中心优化与客户沟通的渠道，提高对客户的响应效率和服务质量，促

①进客户关系管理的自动化和智能化。

三、结束语

电子商务是现代信息技术发展的必然结果，也是未来商业运作模式的必然选择。利用数据挖掘技术，充分发挥企业的独特优势，促进管理创新和技术创新，使企业在在电子商务的潮流中立于不败之地。随着数据挖掘算法的不断发展和成熟，数据挖掘一定会有更加广阔的应用前景。

参考文献：

(1)《浅谈数据挖掘在电子商务中的运用》 钟连福；

(2)《电子商务中商业数据的挖掘方法》 中国电子商务研究中心；

(3)《在电子商务中如何正确有使用数据挖掘技术》 侠名；

(4)《曾贞:数据挖掘在电子商务中的应用》 甘肃农业,2004（7）；

(5)《冯艳王坚强:数据挖掘在电子商务上的应用》 2002（3）；

(6)《吕延杰徐华飞:中国电子商务发展研究报告》北京邮电大学出版社 ；

(7)《数据挖掘与电子商务》 邓鲲鹏，周延杰，严瑜筱。①

第三篇：电子商务数据分析指标体系

电子商务数据分析指标体系

数据分析指标体系：

1、网站运营指标；

2、销售指标；

3、营销活动指标；

4、经营环境指标；

5、客户价值指标；

1、网站运营指标：

流量指标：流量数据指标（PV、UV）、流量质量指标（PV/UV、销售额/UV）、流量转化指标（下单转换率、成交订单转化率（订单有效性）、转换次数）；

商品类目指标：商品类目结构占比、商品类目销售额占比、类目销售SKU集中度、库存周转率、商品类目的断货率；

供应链指标：压单占比（分仓库）、系统/实物报缺率、上架完成率/出库及时率、出库率、次日到达率/未到达占比；

2、销售指标：

网站指标：下单次数、加入购物车次数、在线支付次数、购物车转化率、下单转化率、支付转化率、成交转化率；

订单指标：订单有效率（成交率）、订单金额、客单价、订单转化率、毛利率、退换货率、重复购买率；

3、营销活动指标：

市场营销活动指标：新增访客人数、总访问次数、订单数量、下单转化率、ROI；广告投放指标：新增访客人数、总访问次数、订单数量、下单转化率、ROI；商务合作指标

4、经营环境指标：

内部购物指标：

运营指标：PV、UV、购物车转化率、下单转化率、成交转化率、订单数量、订单金额；功能指标：支付方式、配送方式、商品数目、最短购物流程、购物体验；

5、客户价值指标：

客户指标：访客人数、访客获取成本、转化率；

新顾客指标：新增客户数量、注册转化率、新增顾客下单率、客单价；

老顾客指标：老顾客数量、消费频率、最近的一次消费时间、消费金额、重复购买；

第四篇：电子商务网站核心数据分析

电子商务网站核心数据分析

电子商务相对于传统零售业来说，最大的特点就是一切都可以通过数据化来监控和改进。通过数据可以看到用户从哪里来、如何组织产品可以实现很好的转化率、你投放广告的效率如何等等问题。基于数据分析的每一点点改变，就是一点点提升你赚钱的能力，所以，电子商务网站的数据分析是很重要的一门功课。一般来说，数据分析包括：流量来源分析、流量效率分析、站内数据流分析和用户特征分析四个部分。我们先来说说流量来源分析。

电子商务就是贩卖流量的生意，低成本的流量来源是保证企业盈利的重要条件。流量来源分析主要是要明白你的用户都是从那些网站来的，那些网站的给你带来更多的订单、那些网站的流量是真实的，那些是虚假等。

流量分析一般一奥分析以下内容：

网站流量来源排名：那些网站贡献的流量多，那些贡献的少

搜索引擎关键词分析：根据关键词的来源分析来查看网站产品分布和产品组合。如果关键词查询多的产品却不是网站的主推品，可以进行适当调整。

网站流量趋势分析：网站的流量是否均衡稳定，是不是有大幅度波动。一般来说流量突然增加的网站，如非发生突发事件，购买的广告位作弊的嫌疑比较大。

网站流量核对：查看是否有莫名流量来源，流量来源大不大。如果莫名来源流量很大的话，有可能是您购买的CPC或者其他资源被注水了，将您的广告链接分包给了点击联盟。

推介网站与直接访问的比例：推介网站可以理解为外部广告，直接访问就是用户直接输入网址。一般来说，直接访问量越大说明网站的品买知名度越高。

其次是流量效率分析

流量效率是指流量到达了网站是不是真实流量，主要分析指标如下：

到达率：到达率是指广告从点击到网站landingpage的比例。一般来说，达到率能达到80%以上是比较理想的流量。这个也跟网站的速度有关，综合来分析一下。

二跳率：这个也是为了分析流量的有效性。如果是有效流量的话，一般会有合理的二跳。如果是虚假点击的话，一般是没有二跳的。但是也不排除有部分作假很厉害的网站能做出二跳，比如PPLIVE，当年洪成浩做投放的时候，我们的广告直接连接到广告专题页，二跳是15%左右，但是PPLIVE居然有60%的二跳！最主要的是一个转化都没有。差点把我们的图片图服务器点瘫痪，这个就太过分了。

PV/IP比：一般来说，有效的流量，网站内容比较好的话，一个独立IP大概能有3个以上的PV。如果PV/IP比能达到3以上的话，一般说明流量比较真实，网站内容也不错。但是如果低于3的话，并不代表流量不真实，也可能是网站本身的问题。如果PV/IP过高的话，也可能有问题，比如人力重复刷新等，要谨慎对待。

订单转化率：这个是最最核心的数据了，没有订单转化率，其他一切都是免谈！某些牛B的B3C能做到4%的提袋率！某些却仅仅是0.1%，努力吧，众B2Cer们。站内数据流分析，主要用来分析购物流程是否顺畅和产品分布是否合理，一般如下：

页面流量排名：主要查看产品详情页的流量，特别是首页陈列的产品详情页。参照最终的销售比例，优胜劣汰，用以调整销售结构。

场景转化分析：从首页-列表页-详情页-购物车-订单提交页-订单成功页，的数据流分析。比如说，首页到达了10000用户，伺此后的数据分别是8000-5000-1000-50-5，购物车到订单提交页的相差比较大，大概就能看出来是购物车出了问题，需要改进。

频道流量排名：各个频道流量的排名，主要用来考虑产品组织的问题。

站内搜索分析：这个反应的是用户关心的产品有哪些，产品调整的最直接数据。

用户离开页面分析：用户在那些也页面离开最多？是首页还是频道页？是购物车还是订单提交页。突然的大比例的离开网站，往往预示这问题的存在。

最后是用户特征分析：

用户停留时间：这个放在用户特征分析里有些牵强。而且目前监控用户停留时间的方式是：用户到达时间-用户离开时间，但是用户什么时候离开很难准确判断，这种数据仅作参考，一般停留时间越长网站粘性越好。如果用户停留时间超过1个小时，基本就是假流量，或者用大打开网页忘记关了，呵呵。

新老用户比例：老用户比例越高，证明用户忠诚度不错。但是还要考虑绝对量，不能靠新用户越来越少来衬托老用户比例越来越高。

用户地域分析：用户地域与订单地域分布基本一致，基本上就是用过互联网用户的分布比例以及经济发达程度等。这个对于提升区域配送及服务比较有帮助。

电子商务网站的基本数据分析就是以上这些，作为实际操作人员要根据数据分析的情况来发现问题和总结问题，进而优化网站的结构和用户体验、来提升网站的专转化率和用户忠诚度。这些都是电子商务很重要的基础工作，希望能为大家的利润做出贡献

第五篇：电子商务数据挖掘方法论文

摘要： 电子商务是现代商业的主流趋势，如何充分利用网络技术和数据库技术发挥企业优势，成为企业制胜的法宝。本文介绍了常用的数据挖掘方法，以及在电子商务领域的应用，分析了利用数据挖掘技术建设动态、高效电子商务的可行性。

关键词：数据挖掘 电子商务 数据库

一、引言

电子商务是指以Internet网络为载体、利用数字化电子方式开展的商务活动。随着网络技术和数据库技术的飞速发展，电子商务正显示越来越强大的生命力。电子商务的发展促使公司内部收集了大量的数据，并且迫切需要将这些数据转换成有用的信息和知识，为公司创造更多潜在的利润。利用数据挖掘技术可以有效地帮助企业分析从网上获取的大量数据，发现隐藏在其后的规律性，提取出有效信息，进而指导企业调整营销策略，给客户提供动态的个性化的高效率服务。

二、数据挖掘技术

1.数据挖掘

数据挖掘(Data Mining)，又称数据库中的知识发现(Knowledge Discovery in Database, KDD)，是从大量的、不完全的、有噪声的、模糊的和随机的数据中，提取隐含在其中的、人们事先不知道的，但又是潜在有用的信息和知识的过程。数据挖掘是一门广义的交叉学科，它汇聚了不同领域尤其是数据库、人工智能、数理统计、可视化、并行计算等方面的知识。数据挖掘技术从一开始就是面向应用领域，它不仅是面向特定数据库的简单检索查询调用，而且，要对数据进行微观、中观乃至宏观的统计、分析、综合和推理，以指定实际问题的求解，企图发现事件间的相互关联，甚至利用已有的数据对未来的活动进行预测。数据挖掘技术在金融、保险、电信、大型超市等积累有大量数据的电子商务行业有着广泛的应用，如信用分析、风险分析、欺诈检验、用户聚类分析、消费者习惯分析等。

2.数据挖掘过程

挖掘数据过程可以分为3个步骤：数据预处理、模式发现、模式分析。

(1)数据预处理。实际系统中的数据一般都具有不完全性、冗余性和模糊性。因此，数据挖掘一般不对原始数据进行挖掘，要通过预处理提供准确、简洁的数据。预处理主要完成以下工作：包括合并数据，将多个文件或多个数据库中的数据进行合并处理；选择数据，提取出适合分析的数据集合；数据清洗、过滤，剔除一些无关记录，将文件、图形、图像及多媒体等文件转换成可便于数据挖掘的格式等。

(2)模式发现。模式发现阶段就是利用挖掘算法挖掘出有效的、新颖的、潜在的、有用的以及最终可以理解的信息和知识。可用于Web的挖掘技术有路径选择、关联分析、分类规则、聚类分析、序列分析、依赖性建模等等。

(3)模式分析。模式分析是从模式发现阶段获得的模式、规则中过滤掉不感兴趣的规则和模式。通过技术手段，对得到的模式进行数据分析，得出有意义的结论。常用的技术手段有：关联规则、分类、聚类、序列模式等。

三、电子商务中几种常用的数据挖掘方法

1.关联规则

关联规则是数据挖掘研究的主要模式之一，侧重于确定数据中不同领域之间的关系，找出满足给定条件下的多个域间的依赖关系。关联规则挖掘对象一般是大型数据库，该规则一般表示式为：A1∧A2∧…Am=>B1∧B2∧…Bm，其中，Ak(k=1,2,…, m)，Bj(j=1,2,…,n)是数据库中的数据项。有Support(A=>B)=p(A∪B)，Confidence(A=>B)=p(A|B)。数据项之间的关联，即根据一个事务中某些数据项的出现可以导出另一些数据项在同一事务中的出现。关联分析的目的是挖掘出隐藏在数据间的相互关系。关联规则用于寻找在同一个事件中出现的不同项的相关性，比如在一次购买活动中所买不同商品的相关性。关联分析的典型例子是购物篮分析，描述顾客的购买行为，可以帮助零售商决定商品的摆放和捆绑销售策略。如著名的(面包+黄油→牛奶)例子就属于关联分析：在超市中，90%的顾客在购买面包和黄油的同时，也会购买牛奶。直观的意义是：顾客在购买某种商品时有多大的倾向会购买另外一些商品。找出所有类似的关联规则，对于企业确定生产销售、产品分类设计、市场分析等多方面是有价值的。

2.聚类分析方法

类聚分析就是直接比较样本中各事物之间的性质，将性质相近的归为一类，而将性质差别较大的分在不同的类。对变量聚类计算变量之间的距离，对样本聚类则计算样本之间的距离。它的目的是使得属于同一类别的个体之间的距离尽可能小，而不同类别上的个体间的距离尽可能大。

聚类分析用于把有相似特性的客户、数据项集合到一起。在电子商务中, 聚类分析常用于市场细分。根据已有客户的数据，利用聚类技术将市场按客户消费模式的相似性分为若干细分市场，以进行有针对性的市场营销，提供更适合、更满意的服务。如自动给一个特定的客户聚类发送销售邮件，为一个客户聚类动态地改变一个特殊的站点等。通过对聚类的客户特征的提取，电子商务网站还可以为客户提供个性化的服务。

3.分类分析

分类系统是基于遗传算法的机器学习中的一类，它包括一个简单的基于串规则的并行生成子系统、规则评价子系统和遗传算法子系统。分类系统正在被人们越来越多地应用于科学、工程和经济领域中，是目前遗传算法研究领域中一个非常活跃的领域。

分类分析是数据挖掘中应用最多的方法。分类要解决的问题是为一个事件或对象归类，既可以用于分析已有的数据，也可以用来预测未来的数据。分类通过分析已知分类信息的历史数据，总结出一个预测模型，预测哪些人可能会对邮寄广告、产品目录等有反应，可以针对这一类客户的特点展开商务活动，提供个性化的信息服务。

4.序列模式

序列模式挖掘就是要挖掘出交易集之间有时间序列关系的模式。它挖掘的侧重点在于分析数据间的前后或因果关系，找到那些“一些项跟随另一些项”，以预测未来的访问模式。序列模式分析和关联分析类似，其目的也是为了挖掘数据之间的联系，但序列模式分析的侧重点在于分析数据间的前后序列关系。它能发现数据库中形如“在某一段时间内，顾客购买商品A，接着购买商品B，而后购买商品C，即序列A-B-C出现的频率较高”之类的知识。序列模式分析描述的问题是：在给定交易序列数据库中，每个序列是按照交易时间排列的一组交易集，挖掘序列函数作用在这个交易序列数据库上，返回该数据库中出现的高频序列。在进行序列模式分析时，同样也需要有用户输入最小置信度C和最小支持度S。

序列模式便于进行电子商务的组织，预测客户的访问模式，对客户开展有针对性的广告服务或者主动推荐客户感兴趣的页面，以满足访问者的特定要求。

四、结束语

电子商务是现代信息技术发展的必然结果，也是未来商业运作模式的必然选择。利用数据挖掘技术来分析大量的数据，可以挖掘出商品的消费规律与客户的访问模式，帮助企业制定有效的营销策略，充分发挥企业的独特优势，促进管理创新和技术创新，提高企业竞争力。

随着电子商务发展的势头越来越强劲, 面向电子商务的数据挖掘将是一个非常有前景的领域。它能自动预测客户的消费趋势、市场走向，指导企业建设个性化智能网站，带来巨大的商业利润，可以为企业创建新的商业增长点。但是在面向电子商务的数据挖掘中也存在很多问题急需解决，比如怎样将服务器的日志数据转化成适合某种数据挖掘技术的数据格式，怎样解决分布性、异构性数据源的挖掘，如何控制整个Web上知识发现过程等。随着硬件环境、挖掘算法的深入研究及应用经验的积累，数据挖掘技术及在电子商务中的应用必将取得长足的进展。