基于大數(shù)據(jù)的線上線下電商用戶數(shù)據(jù)挖掘研究

徐國(guó)虎，孫 凌，許 芳

(1 中南財(cái)經(jīng)政法大學(xué) 工商管理學(xué)院，武漢 430073；2 中南民族大學(xué) 管理學(xué)院，武漢 430074)

Online-to-Offline(簡(jiǎn)稱O2O)電子商務(wù)模式，是一個(gè)連接線上用戶和線下商家的多邊平臺(tái)商業(yè)模式.O2O商業(yè)模式將實(shí)體經(jīng)濟(jì)與線上資源融合在一起，使網(wǎng)絡(luò)成為實(shí)體經(jīng)濟(jì)延伸到虛擬世界的渠道；線下商業(yè)可以到線上挖掘和吸引客源，而消費(fèi)者可以在線上篩選商品和服務(wù)并完成支付，再到實(shí)體店完成余下消費(fèi).它最先由TrialPay創(chuàng)始人AlexRampell提出，在2006年沃爾瑪公司的B2C戰(zhàn)略中予以應(yīng)用，隨后以網(wǎng)絡(luò)團(tuán)購(gòu)形式為大家所熟知.目前O2O電子商務(wù)與社交網(wǎng)絡(luò)和移動(dòng)終端緊密結(jié)合，除網(wǎng)絡(luò)團(tuán)購(gòu)之外，還出現(xiàn)了移動(dòng)優(yōu)惠、簽到、個(gè)性推薦等基于位置的增值服務(wù)等商業(yè)形態(tài)；從事O2O電商的企業(yè)更是數(shù)以萬計(jì)，除了Foursquare、大眾點(diǎn)評(píng)網(wǎng)、拉手網(wǎng)等后起之秀外，還不乏FaceBook、Twitter、騰訊和百度等業(yè)界巨鱷也在迅猛跟進(jìn)；O2O電商交易額也迅速放大，2011年大眾點(diǎn)評(píng)網(wǎng)營(yíng)業(yè)額已破10億元；與交易猛增隨之而來的是爆發(fā)式增長(zhǎng)的O2O電商數(shù)據(jù)，大眾點(diǎn)評(píng)網(wǎng)目前每天的活躍數(shù)據(jù)量已經(jīng)超過10TB，共有240萬商家信息和5500萬活躍用戶在上面活動(dòng)，每天發(fā)表點(diǎn)評(píng)超過80萬條，每日點(diǎn)評(píng)瀏覽量超過4700萬人次[1].

用戶數(shù)據(jù)的暴增與數(shù)據(jù)的社會(huì)化在很大程度上模糊了O2O電商企業(yè)數(shù)據(jù)的邊界，這些由用戶創(chuàng)造的海量數(shù)據(jù)遠(yuǎn)遠(yuǎn)超越了目前人力所能處理的范疇.龐大的數(shù)據(jù)量使得數(shù)據(jù)過載、數(shù)據(jù)冗余、數(shù)據(jù)捕獲成本快速增長(zhǎng)、數(shù)據(jù)價(jià)值不易獲得成為O2O電子商務(wù)面臨的新問題.根據(jù)相關(guān)統(tǒng)計(jì)顯示[2]，如今世界已經(jīng)進(jìn)入到大數(shù)據(jù)時(shí)代，電子商務(wù)中用戶數(shù)據(jù)每年增長(zhǎng)約60％，企業(yè)平均捕獲其中的25％～30％，但數(shù)據(jù)的利用一般不足其5％，用戶數(shù)據(jù)作為O2O電商核心資源的商業(yè)價(jià)值遠(yuǎn)未被挖掘.基于此，本文對(duì)“大數(shù)據(jù)”環(huán)境下O2O用戶數(shù)據(jù)挖掘以及應(yīng)用進(jìn)行了分析.

1 大數(shù)據(jù)環(huán)境下O2O電子商務(wù)用戶數(shù)據(jù)特征分析

相比傳統(tǒng)的電子商務(wù)數(shù)據(jù)，O2O用戶數(shù)據(jù)并不僅僅局限于平臺(tái)數(shù)據(jù)，即用戶在O2O的交易數(shù)據(jù)，還包括了社交網(wǎng)絡(luò)、用戶移動(dòng)終端的地理位置等數(shù)據(jù).也就是說，O2O電子商務(wù)用戶數(shù)據(jù)為在O2O電商日常經(jīng)營(yíng)中產(chǎn)生和積累的與用戶相關(guān)的交易、互動(dòng)、觀測(cè)數(shù)據(jù).O2O用戶數(shù)據(jù)具有大數(shù)據(jù)的特征.

(1)體量大.不少的O2O電商企業(yè)每日所產(chǎn)生的用戶數(shù)據(jù)已經(jīng)達(dá)到TB級(jí).在融入了社交網(wǎng)絡(luò)和移動(dòng)互聯(lián)網(wǎng)的O2O電子商務(wù)中，O2O用戶數(shù)據(jù)已不僅僅是用戶交易數(shù)據(jù)，它擁有更加廣泛的數(shù)據(jù)源，其數(shù)據(jù)規(guī)模會(huì)從TB級(jí)躍升到PB甚至是EB級(jí).未來企業(yè)會(huì)將更多的TB級(jí)數(shù)據(jù)應(yīng)用于商務(wù)智能和商務(wù)分析.

(2)類型多.O2O用戶數(shù)據(jù)類型復(fù)雜.它并不僅限于O2O用戶基本資料、用戶消費(fèi)記錄、電商企業(yè)內(nèi)部業(yè)務(wù)信息等海量的結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)，還包括用戶評(píng)論等反饋數(shù)據(jù)、用戶O2O平臺(tái)行為記錄、移動(dòng)終端數(shù)據(jù)和社交媒體等非結(jié)構(gòu)數(shù)據(jù).

(3)速率快.O2O模式對(duì)用戶數(shù)據(jù)實(shí)時(shí)處理有著極高的要求：用戶數(shù)據(jù)伴隨用戶行為產(chǎn)生，這些數(shù)據(jù)往往是高速實(shí)時(shí)數(shù)據(jù)流，例如用戶在線下商家的消費(fèi)情況、用戶的地理位置和移動(dòng)方向等，而且O2O業(yè)務(wù)周期短，這需要實(shí)時(shí)的分析用戶數(shù)據(jù)并根據(jù)分析結(jié)果對(duì)用戶進(jìn)行個(gè)性化服務(wù)，通過傳統(tǒng)的數(shù)據(jù)庫(kù)查詢方式得到的“當(dāng)前結(jié)果”很可能已經(jīng)沒有價(jià)值.

(4)價(jià)值高.O2O用戶數(shù)據(jù)有著巨大的商業(yè)價(jià)值.用戶是O2O業(yè)務(wù)的核心，對(duì)用戶進(jìn)行預(yù)測(cè)分析與深度復(fù)雜分析，對(duì)O2O電商企業(yè)無疑有著重大的價(jià)值，但龐大而繁雜的不相關(guān)用戶數(shù)據(jù)，這也決定了其價(jià)值密度低的特性.

2 大數(shù)據(jù)環(huán)境下O2O電商用戶數(shù)據(jù)挖掘流程與方法

2.1 O2O電商用戶數(shù)據(jù)挖掘框架

由于O2O電商用戶數(shù)據(jù)的4V大數(shù)據(jù)特征，電商企業(yè)并不能運(yùn)用傳統(tǒng)數(shù)據(jù)分析技術(shù)對(duì)其進(jìn)行很好的利用.傳統(tǒng)數(shù)據(jù)分析與大數(shù)據(jù)挖掘都是從數(shù)據(jù)中提取有用信息、發(fā)現(xiàn)知識(shí)，是對(duì)數(shù)據(jù)進(jìn)行深入分析和增值開發(fā)利用的過程，但是它們之間有著本質(zhì)區(qū)別，主要體現(xiàn)在[3]：1)兩者分析的數(shù)據(jù)規(guī)模不同，傳統(tǒng)數(shù)據(jù)分析處理的通常是存儲(chǔ)在數(shù)據(jù)庫(kù)或者文件中的數(shù)據(jù)，數(shù)據(jù)規(guī)模一般是GB級(jí)以下，而大數(shù)據(jù)挖掘中的數(shù)據(jù)規(guī)模一般是PB級(jí)甚至更大量級(jí)；2)兩者分析的數(shù)據(jù)類型不同，傳統(tǒng)數(shù)據(jù)分析主要針對(duì)靜態(tài)的、結(jié)構(gòu)化的數(shù)據(jù)，而大數(shù)據(jù)挖掘的對(duì)象不僅僅是結(jié)構(gòu)化數(shù)據(jù)，還包括半結(jié)構(gòu)化、非結(jié)構(gòu)化數(shù)據(jù)，很多時(shí)候是以實(shí)時(shí)數(shù)據(jù)為主；3)兩者的分析手段與方法也有差別，傳統(tǒng)數(shù)據(jù)分析的主要算法以統(tǒng)計(jì)學(xué)為基礎(chǔ)，分類和預(yù)測(cè)是兩種常見的數(shù)據(jù)分析形式，主要包括探索性數(shù)據(jù)分析(EDA)和驗(yàn)證性數(shù)據(jù)分析(CDA)，而大數(shù)據(jù)挖掘不僅僅需要統(tǒng)計(jì)學(xué)方法，還大大使用了機(jī)器學(xué)習(xí)、人工智能的算法.

應(yīng)用于傳統(tǒng)數(shù)據(jù)分析的統(tǒng)計(jì)學(xué)方法主要有[4]：數(shù)學(xué)運(yùn)算、快速傅里葉變換、平滑和濾波、基線和峰值分析.然而這些方法在大數(shù)據(jù)環(huán)境下是很難有效使用的，一方面?zhèn)鹘y(tǒng)數(shù)據(jù)分析需要假設(shè)檢驗(yàn)，即需要在明確的假設(shè)前提下分析數(shù)據(jù)，因而嚴(yán)重依賴于數(shù)據(jù)分析師及分析過程，若數(shù)據(jù)分析員不熟悉業(yè)務(wù)情景或無法準(zhǔn)確理解分析目標(biāo)，傳統(tǒng)數(shù)據(jù)分析工具就難以承擔(dān)O2O電商客戶數(shù)據(jù)挖掘重任；另一方面?zhèn)鹘y(tǒng)數(shù)據(jù)分析只適合結(jié)構(gòu)化數(shù)據(jù)，難以集成和分析地理數(shù)據(jù)、視頻數(shù)據(jù)、文本數(shù)據(jù)等非結(jié)構(gòu)化數(shù)據(jù).另外，傳統(tǒng)數(shù)據(jù)分析實(shí)時(shí)性差，很難以合理的成本獲得可接受的響應(yīng)時(shí)間，直接導(dǎo)致在傳統(tǒng)分析過程中投入較高的成本，卻不能及時(shí)獲得管理人員所需要的分析結(jié)果.

在傳統(tǒng)數(shù)據(jù)分析失效時(shí)，如何從大數(shù)據(jù)量、類型復(fù)雜的O2O電商用戶數(shù)據(jù)中及時(shí)洞察其中價(jià)值，將是O2O電商企業(yè)競(jìng)爭(zhēng)的利器.大數(shù)據(jù)挖掘成為O2O電商用戶數(shù)據(jù)轉(zhuǎn)化為具有價(jià)值知識(shí)的重要手段，是通過分析海量數(shù)據(jù)，從數(shù)據(jù)海洋中尋找其規(guī)律的技術(shù)[5].針對(duì)O2O電商用戶數(shù)據(jù)特點(diǎn)，數(shù)據(jù)挖掘?yàn)镺2O電商提供更有用的知識(shí)，更精確的信息以及更及時(shí)的響應(yīng).基于此，我們提出了一種O2O電商用戶數(shù)據(jù)挖掘框架，如圖1所示.

O2O電商用戶數(shù)據(jù)挖掘框架包括數(shù)據(jù)來源層、數(shù)據(jù)收集層、數(shù)據(jù)組織層、數(shù)據(jù)存儲(chǔ)層、數(shù)據(jù)分析層、數(shù)據(jù)應(yīng)用層.其中數(shù)據(jù)收集、數(shù)據(jù)組織、數(shù)據(jù)存儲(chǔ)層屬于數(shù)據(jù)挖掘中數(shù)據(jù)預(yù)處理過程(數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)轉(zhuǎn)化、數(shù)據(jù)抽取)，數(shù)據(jù)分析層為應(yīng)用數(shù)據(jù)挖掘模型來分析數(shù)據(jù).數(shù)據(jù)應(yīng)用層采用面向?qū)ο蠓绞降臄?shù)據(jù)應(yīng)用，包括面向O2O平臺(tái)應(yīng)用、面向O2O用戶應(yīng)用和面向O2O商家的應(yīng)用.

圖1 O2O電商用戶數(shù)據(jù)挖掘框架

2.2 O2O電商用戶數(shù)據(jù)挖掘流程

從分析流程來講，傳統(tǒng)數(shù)據(jù)分析相對(duì)簡(jiǎn)單，數(shù)據(jù)通常以文件或數(shù)據(jù)庫(kù)中元數(shù)據(jù)的形式組織，然后對(duì)其進(jìn)行抽樣選擇，并利用分類算法和預(yù)測(cè)算法來預(yù)測(cè)數(shù)據(jù)對(duì)象的離散類別和連續(xù)取值[6].不同于傳統(tǒng)數(shù)據(jù)分析，大數(shù)據(jù)挖掘是一個(gè)知識(shí)自動(dòng)發(fā)現(xiàn)的過程，在無明確的目標(biāo)下從不同數(shù)據(jù)源獲取數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，并大量使用機(jī)器學(xué)習(xí)與人工智能算法對(duì)龐大的觀測(cè)數(shù)據(jù)進(jìn)行挖掘分析[7].O2O電商用戶數(shù)據(jù)挖掘著重解決這樣一個(gè)問題：在大數(shù)據(jù)中，分析各用戶群體的特點(diǎn)，進(jìn)而分析用戶個(gè)人特點(diǎn)，獲得有價(jià)值的知識(shí)，從而獲取商業(yè)價(jià)值.如圖2所示，數(shù)據(jù)挖掘流程包括：數(shù)據(jù)收集、數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)轉(zhuǎn)化、數(shù)據(jù)抽取、數(shù)據(jù)挖掘、挖掘應(yīng)用.

圖2 O2O電商用戶數(shù)據(jù)挖掘流程

(1)數(shù)據(jù)收集.O2O用戶數(shù)據(jù)源包括O2O平臺(tái)中的用戶數(shù)據(jù)、社交網(wǎng)絡(luò)中的用戶數(shù)據(jù)、移動(dòng)設(shè)備中的用戶數(shù)據(jù)等.用戶數(shù)據(jù)以“流”的形式創(chuàng)造，由于3個(gè)數(shù)據(jù)源之間有交互，且其數(shù)據(jù)內(nèi)容往往交叉，所以按照交易、互動(dòng)及觀測(cè)數(shù)據(jù)進(jìn)行分類，然后通過Needlebase等工具在用戶消費(fèi)的過程或其它行為中收集.

(2)數(shù)據(jù)預(yù)處理.數(shù)據(jù)預(yù)處理包括了數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)轉(zhuǎn)化及數(shù)據(jù)抽取.數(shù)據(jù)預(yù)處理決定了挖掘結(jié)果的質(zhì)量，從某種程度上來看，數(shù)據(jù)預(yù)處理往往左右著數(shù)據(jù)挖掘的成敗.

由于原始數(shù)據(jù)中有噪聲數(shù)據(jù)、冗余數(shù)據(jù)及缺失值等，數(shù)據(jù)準(zhǔn)備過程中對(duì)數(shù)據(jù)進(jìn)行解析、清洗、重構(gòu)，并填補(bǔ)缺失值以提高待挖掘數(shù)據(jù)的質(zhì)量.然后對(duì)通過數(shù)據(jù)準(zhǔn)備的非結(jié)構(gòu)化、半結(jié)構(gòu)化的數(shù)據(jù)處理成機(jī)器語言或索引，如自然語言----用戶評(píng)論、日志資料等----轉(zhuǎn)換成加權(quán)邏輯或是模糊邏輯，并且不同的詞語映射到標(biāo)準(zhǔn)的值；將結(jié)構(gòu)化數(shù)據(jù)進(jìn)行數(shù)據(jù)過濾，提煉出有意義數(shù)據(jù)，剔除無效數(shù)據(jù)以提高分析效率.最后進(jìn)行數(shù)據(jù)抽取，即檢測(cè)數(shù)據(jù)的相關(guān)性和關(guān)聯(lián)性：關(guān)聯(lián)的數(shù)據(jù)表現(xiàn)出更多的特定用戶活動(dòng)特征，關(guān)聯(lián)的數(shù)據(jù)本身也可以用于個(gè)性化服務(wù)，例如從用戶購(gòu)買數(shù)據(jù)和時(shí)間數(shù)據(jù)的關(guān)聯(lián)性中，可能會(huì)發(fā)現(xiàn)購(gòu)買特定商品的頻率；數(shù)據(jù)融合是將相關(guān)聯(lián)的數(shù)據(jù)連接在一起形成一個(gè)新的商業(yè)應(yīng)用.

(3)數(shù)據(jù)挖掘及其應(yīng)用.在數(shù)據(jù)挖掘過程中，根據(jù)不同的應(yīng)用需求選擇不同的挖掘模型，對(duì)數(shù)據(jù)進(jìn)行深度挖掘.其中主要模型有：關(guān)聯(lián)規(guī)則分析、分類分析、聚類分析等，當(dāng)前數(shù)據(jù)挖掘也存在一些用戶模型[8]，這些用戶模型將人以性別、種族、年齡和興趣等分類.得到數(shù)據(jù)挖掘結(jié)果后，對(duì)其進(jìn)行解釋應(yīng)用，一般挖掘應(yīng)用包括排名與個(gè)性化推薦、異常檢測(cè)、Web挖掘與搜索、大數(shù)據(jù)的可視化計(jì)算與分析等.

2.3 O2O電商用戶數(shù)據(jù)挖掘方法

數(shù)據(jù)挖掘通過預(yù)測(cè)未來趨勢(shì)及行為，做出前攝的、基于知識(shí)的決策.利用數(shù)據(jù)挖掘進(jìn)行數(shù)據(jù)分析常用的方法主要有分類、聚類、關(guān)聯(lián)規(guī)則等，它們分別從不同的角度對(duì)數(shù)據(jù)進(jìn)行挖掘.O2O電商用戶數(shù)據(jù)挖掘的方法主要有關(guān)聯(lián)規(guī)則分析、分類與聚類分析、社會(huì)網(wǎng)絡(luò)分析、變化與偏差分析[9].

(1)關(guān)聯(lián)規(guī)則分析.關(guān)聯(lián)可分為簡(jiǎn)單關(guān)聯(lián)、時(shí)序關(guān)聯(lián)、因果關(guān)聯(lián).在O2O模式中，通過對(duì)用戶數(shù)據(jù)進(jìn)行挖掘，可以從大量的記錄中發(fā)現(xiàn)其關(guān)聯(lián)關(guān)系，找出影響用戶行為的關(guān)鍵因素，為用戶需求、用戶細(xì)分、風(fēng)險(xiǎn)評(píng)估和詐騙預(yù)測(cè)等決策支持提供參考依據(jù).

(2)分類與聚類分析.分類是找出數(shù)據(jù)對(duì)象的共同特點(diǎn)并按照分類模式將其劃分為不同的類，其目的是通過分類模型，將數(shù)據(jù)項(xiàng)映射到某個(gè)給定的類別.它可以應(yīng)用到O2O用戶的分類、用戶屬性和特征分析、用戶滿意度分析、用戶購(gòu)買趨勢(shì)預(yù)測(cè)等.在O2O用戶數(shù)據(jù)挖掘中，聚類分析是細(xì)分市場(chǎng)的有效工具，被用來發(fā)現(xiàn)不同的客戶群，研究消費(fèi)者行為，并且通過購(gòu)買模式刻畫不同的客戶群體特征.它可以應(yīng)用到O2O用戶個(gè)體歸類、用戶背景與興趣分析、用戶購(gòu)買趨勢(shì)預(yù)測(cè)等.

(3)社會(huì)網(wǎng)絡(luò)分析.主要分析不同社會(huì)單位(個(gè)體、群體或社會(huì))所構(gòu)成的關(guān)系結(jié)構(gòu)及其屬性.它關(guān)注O2O用戶之間的關(guān)系而非用戶的屬性，通過研究用戶之間的關(guān)系借以描述和測(cè)量通過這些關(guān)系流動(dòng)的各種有形或無形的東西，如信息、資源等.

(4)變化和偏差分析.變化和偏差分析包括很多潛在的知識(shí)，如分類中的反常實(shí)例、不滿足規(guī)則的特例、觀測(cè)結(jié)果與模型預(yù)測(cè)值的偏差、量值隨時(shí)間的變化等.它可以應(yīng)用到O2O用戶異常信息的發(fā)現(xiàn)、分析、識(shí)別、評(píng)價(jià)和用戶流失預(yù)警等方面.

3 大數(shù)據(jù)環(huán)境下O2O電商用戶數(shù)據(jù)挖掘的應(yīng)用

O2O電商用戶數(shù)據(jù)挖掘應(yīng)用，通過數(shù)據(jù)深度分析，挖掘出用戶的行為特征、消費(fèi)習(xí)慣和興趣焦點(diǎn)，讓O2O電商各參與者獲得具有極大價(jià)值的知識(shí).面向O2O電商平臺(tái)，O2O電商用戶數(shù)據(jù)挖掘可以幫助平臺(tái)制定更加精準(zhǔn)有效的營(yíng)銷策略；面向O2O商家，大數(shù)據(jù)挖掘可以使線下商家實(shí)時(shí)掌握市場(chǎng)動(dòng)態(tài)并迅速做出應(yīng)對(duì)；面向O2O用戶，大數(shù)據(jù)挖掘可以幫助O2O平臺(tái)及O2O商家為其提供更加及時(shí)、經(jīng)濟(jì)和個(gè)性化的服務(wù).

3.1 面向O2O平臺(tái)的數(shù)據(jù)挖掘應(yīng)用

3.1.1 實(shí)施精準(zhǔn)營(yíng)銷

對(duì)O2O平臺(tái)來說，用戶數(shù)據(jù)挖掘代表著更細(xì)化的市場(chǎng)、更精準(zhǔn)的用戶行為預(yù)測(cè)、更精確的用戶需求.通過收集、加工和處理涉及用戶消費(fèi)行為的大量信息，確定特定用戶群體或個(gè)體的興趣、消費(fèi)習(xí)慣、消費(fèi)傾向和消費(fèi)需求，進(jìn)而推斷出相應(yīng)用戶群體或個(gè)體下一步的消費(fèi)行為，然后以此為基礎(chǔ)，對(duì)所識(shí)別出來的用戶群體進(jìn)行特定內(nèi)容的定向營(yíng)銷，這與傳統(tǒng)的不區(qū)分用戶對(duì)象特征的大規(guī)模營(yíng)銷手段相比，節(jié)省了營(yíng)銷成本，提高了營(yíng)銷效果，提升了平臺(tái)的價(jià)值和鎖住大量高粘度的消費(fèi)者，進(jìn)而能爭(zhēng)取到更多的商家資源.此外借助數(shù)據(jù)挖掘，O2O平臺(tái)還可以有效的、低成本的識(shí)別高價(jià)值用戶，將這些用戶與其它普通用戶區(qū)分出來，針對(duì)他們的特點(diǎn)進(jìn)行特別服務(wù)以獲得更高的收益.

3.1.2 優(yōu)化O2O平臺(tái)網(wǎng)站

O2O平臺(tái)網(wǎng)站的內(nèi)容設(shè)置直接影響用戶訪問O2O電商平臺(tái)的轉(zhuǎn)化率.在用戶登陸平臺(tái)的操作數(shù)據(jù)中挖掘用戶訪問頁面的統(tǒng)計(jì)信息，發(fā)現(xiàn)用戶訪問的模式，可為優(yōu)化O2O平臺(tái)提供決策借鑒.O2O平臺(tái)網(wǎng)站可以根據(jù)挖掘出的訪問者特征與下單規(guī)律來設(shè)計(jì)和修改網(wǎng)站結(jié)構(gòu)和外觀，O2O平臺(tái)可以把具有一定支持度和信任度的關(guān)聯(lián)產(chǎn)品與服務(wù)擺放在一起以助銷售.此外通過挖掘O2O平臺(tái)的用戶瀏覽數(shù)據(jù)，可以發(fā)現(xiàn)用戶訪問頁面的相關(guān)性與用戶的期望位置，O2O平臺(tái)可以分別在密切相關(guān)的網(wǎng)頁之間增加鏈接以及為主要的期望網(wǎng)頁位置建立導(dǎo)航鏈接，并合理的安排服務(wù)器網(wǎng)頁預(yù)取和緩存策略，減少服務(wù)器響應(yīng)延遲時(shí)間，提高用戶瀏覽的滿意度.

3.1.3 穩(wěn)定客戶關(guān)系

通過對(duì)用戶O2O數(shù)據(jù)進(jìn)行挖掘來分析用戶行為，O2O平臺(tái)可以發(fā)現(xiàn)、鎖定、留住用戶.這些分析包括客戶群體劃分、背景與興趣分析、交叉銷售以及客戶流失分析.通過對(duì)用戶行為分析，可以發(fā)現(xiàn)潛在的消費(fèi)者，并且針對(duì)其行為特征鎖定用戶群體以提供個(gè)性化服務(wù)，獲得高粘度的O2O用戶.來自社會(huì)網(wǎng)絡(luò)的用戶數(shù)據(jù)在預(yù)測(cè)客戶流失和推薦銷售方面十分有效，比如用戶如果知道其關(guān)注的鐵桿好友已購(gòu)買某O2O服務(wù)并高度點(diǎn)評(píng)后，他自己就很有可能也關(guān)注該O2O平臺(tái)及其服務(wù)，這就有助于O2O平臺(tái)發(fā)現(xiàn)并進(jìn)一步鎖定潛在客戶.

3.1.4 O2O增值服務(wù)

O2O平臺(tái)對(duì)擁有的海量用戶數(shù)據(jù)挖掘后，可以整合用戶行為數(shù)據(jù)，建立較為完備的用戶行為數(shù)據(jù)庫(kù)，為O2O商家提供用戶行為數(shù)據(jù)產(chǎn)品，以此創(chuàng)造數(shù)據(jù)服務(wù)收入來源，阿里巴巴聚石塔及淘寶數(shù)據(jù)魔方是其典型應(yīng)用.另外O2O電商平臺(tái)還可以開展其他企業(yè)因缺乏數(shù)據(jù)而難以涉足的新業(yè)務(wù)，如消費(fèi)信貸、企業(yè)或商家的小額貸款等，阿里集團(tuán)面向其平臺(tái)商家提供的日息千分之零點(diǎn)五的小額信貸服務(wù)就是基于海量客戶數(shù)據(jù)挖掘的增值應(yīng)用.

3.1.5 欺詐分析與防范

O2O平臺(tái)可以利用數(shù)據(jù)挖掘技術(shù)對(duì)一些有欺詐行為的商家樣本分析并采用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行建模，然后對(duì)用戶評(píng)論數(shù)據(jù)、用戶交易數(shù)據(jù)進(jìn)行分析，評(píng)估商家的欺詐傾向，或采用數(shù)據(jù)挖掘孤立點(diǎn)分析技術(shù)，在對(duì)商家進(jìn)行分析時(shí)找到那些與其他的商家不同的商家群來進(jìn)行防范，幫助O2O平臺(tái)進(jìn)行風(fēng)險(xiǎn)與欺詐管理.若欺詐行為很少，為了防止出錯(cuò)，還可以對(duì)前面判斷出來的欺詐行為進(jìn)行再次判斷，進(jìn)一步提高判斷的準(zhǔn)確性.

3.2 面向O2O用戶的數(shù)據(jù)挖掘應(yīng)用——個(gè)性化推薦

客戶數(shù)據(jù)挖掘結(jié)果可以作為服務(wù)由O2O平臺(tái)提供給用戶，支持其消費(fèi)決策.這有助于形成O2O平臺(tái)利用數(shù)據(jù)與用戶溝通的新模式，使客戶更關(guān)注O2O平臺(tái)，這也能帶來用戶忠誠(chéng)度和客戶關(guān)系的極大改善.對(duì)用戶而言，O2O平臺(tái)提供豐富、全面、及時(shí)的商家信息，并能針對(duì)相似用戶的興趣與需求，快捷篩選并推薦適宜的商品，為用戶消費(fèi)決策提供支持.

作為O2O模式中對(duì)用戶實(shí)現(xiàn)個(gè)性化服務(wù)的關(guān)鍵，個(gè)性化推薦根據(jù)用戶的興趣特點(diǎn)和購(gòu)買行為向用戶推薦其感興趣的信息和商品[10].通過用戶數(shù)據(jù)挖掘，實(shí)時(shí)分析用戶的當(dāng)前場(chǎng)景及歷史記錄，創(chuàng)建可能的用戶模型，迎合用戶的需求并為用戶實(shí)時(shí)提供個(gè)性化服務(wù)，對(duì)用戶請(qǐng)求進(jìn)行分流.例如根據(jù)個(gè)人地理位置及用戶現(xiàn)時(shí)狀態(tài)，實(shí)時(shí)地為不同用戶提供餐飲、購(gòu)物、電影等情景化推薦服務(wù).用戶數(shù)據(jù)挖掘得到的知識(shí)可以為用戶提供基于用戶關(guān)聯(lián)的個(gè)性化推薦、基于內(nèi)容特質(zhì)的個(gè)性化推薦和基于協(xié)同過濾的個(gè)性化推薦，如圖3所示.

3.3 面向O2O商家的數(shù)據(jù)挖掘應(yīng)用

3.3.1 廣告精準(zhǔn)投放

通過對(duì)用戶O2O平臺(tái)操作數(shù)據(jù)的挖掘了解用戶在不同消費(fèi)行為中的關(guān)鍵節(jié)點(diǎn)，可以為商家的網(wǎng)絡(luò)廣告策略提供借鑒，然后針對(duì)性的投放廣告，實(shí)現(xiàn)線下商家渴望的個(gè)性化市場(chǎng)營(yíng)銷.在客戶數(shù)據(jù)基礎(chǔ)上，運(yùn)用數(shù)據(jù)挖掘建立的概率知識(shí)庫(kù)和模糊知識(shí)庫(kù)，對(duì)實(shí)時(shí)獲取的在線信息進(jìn)行概率分析，通過對(duì)廣告訪問者潛在的信息特征進(jìn)行精準(zhǔn)劃分，決定哪些是商家的真正顧客；分析顧客對(duì)某種廣告的反應(yīng)程度，決定下次廣告的投放渠道與時(shí)點(diǎn)；通過聚類分析，對(duì)某類客戶群提供定向廣告等等.當(dāng)數(shù)據(jù)積累到一定規(guī)模時(shí)，通過數(shù)據(jù)挖掘可以精確計(jì)算出廣告中的每一個(gè)關(guān)鍵字為商家?guī)淼幕貓?bào)，并以此對(duì)廣告內(nèi)容進(jìn)行優(yōu)化.

圖3 基于用戶數(shù)據(jù)挖掘的個(gè)性化推薦

3.3.2 產(chǎn)品與服務(wù)管理

一方面用戶數(shù)據(jù)挖掘?yàn)樯碳姨峁┚珳?zhǔn)營(yíng)銷實(shí)施的最佳方案，及時(shí)響應(yīng)客戶需求，促使訂單的生成；另一方面用戶數(shù)據(jù)挖掘可以幫助商家優(yōu)化決策流程，使商家?guī)齑婧蛢r(jià)格自動(dòng)微調(diào)，以實(shí)時(shí)響應(yīng)O2O平臺(tái)上的銷售情況，增加其產(chǎn)品或服務(wù)流轉(zhuǎn).商家洞察，就是由表及里、由淺入深，發(fā)現(xiàn)用戶深層需求的過程.而掌握大數(shù)據(jù)、并擁有分析能力的商家將獲取此種洞察能力，以發(fā)掘商業(yè)隱形知識(shí)和識(shí)別潛在商業(yè)機(jī)會(huì)，比如有關(guān)用戶喜好和潛在需求方面的重要信息，從而為商家的產(chǎn)品或服務(wù)創(chuàng)新提供參考.

3.3.3 行業(yè)垂直整合

商家關(guān)注的焦點(diǎn)集中在如何吸引用戶擴(kuò)大銷售，而不是與哪一家O2O平臺(tái)合作.所以本地消費(fèi)中，往往是靠近最終O2O用戶的商家在產(chǎn)業(yè)鏈中擁有最大的發(fā)言權(quán).對(duì)商家而言，用戶數(shù)據(jù)挖掘讓其掌控了巨大的、最為直接的用戶資產(chǎn)，通過與自身的用戶匹配，商家可以選擇與其有著相同用戶群體的O2O平臺(tái)進(jìn)行戰(zhàn)略合作.甚至當(dāng)本地消費(fèi)發(fā)展到一定程度時(shí)，線下商家可以考慮建設(shè)自己的O2O電商平臺(tái)，進(jìn)行行業(yè)垂直整合，為本地用戶提供個(gè)性化電商服務(wù).

4 結(jié)束語

隨著云計(jì)算與數(shù)據(jù)挖掘等技術(shù)的發(fā)展，電子商務(wù)數(shù)據(jù)，尤其是用戶數(shù)據(jù)中所蘊(yùn)含的價(jià)值會(huì)越來越容易被挖掘出來.O2O電子商務(wù)正經(jīng)歷著從用戶數(shù)為王，到銷量為王，再到現(xiàn)在的數(shù)據(jù)為王的迅猛變遷.電子商務(wù)企業(yè)已經(jīng)意識(shí)到，最準(zhǔn)確的商務(wù)決策來自于事實(shí)，即數(shù)據(jù)支持.大數(shù)據(jù)技術(shù)的應(yīng)用必將成為O2O電子商務(wù)深入發(fā)展的重中之重，也將為其帶來巨大的商業(yè)價(jià)值.

[1]百度百科.大眾點(diǎn)評(píng)網(wǎng)[EB/OL].[2012-11-18].http://baike.baidu.com/view/898309.htm.

[2]John G,David R.Extracting value from chaos [EB/OL].[2012-11-16].http:// www.emc.com /digital universe.

[3]譚 磊.New Internet大數(shù)據(jù)挖掘[M].北京：電子工業(yè)出版社，2013: 6-12.

[4]弗里德曼.統(tǒng)計(jì)模型:理論和實(shí)踐 [M].2版.吳喜之，譯.北京：機(jī)械工業(yè)出版社,2010.

[5]劉 軍，呂 俊.大數(shù)據(jù)時(shí)代及數(shù)據(jù)挖掘的應(yīng)用[N].國(guó)家電網(wǎng)報(bào)，2012-05-15(10).

[6]門登霍爾，辛塞奇.統(tǒng)計(jì)學(xué)[M].5版.梁馮珍，關(guān) 靜，譯.北京：機(jī)械工業(yè)出版社,2009：65-73.

[7]Franks B.駕馭大數(shù)據(jù)[M].黃 海，車皓陽，王 悅，譯.北京：人民郵電出版社，2013: 101-125.

[8]Kim Youngrae.Knowledge digest engine for personal big data analysis[J].Human Centric Technology and Service in Smart Space LNEE,2012,182:261-267.

[9]梁 循.數(shù)據(jù)挖掘：建模、算法、應(yīng)用和系統(tǒng)[J].計(jì)算機(jī)技術(shù)與發(fā)展，2006,14(1): 1-4.

[10]Linden G,Smith B,York J.Amazon recommendations: item-to-item collaborative filtering[J].IEEE Internet Computing,2009,7(1): 76-80.