电子商务中用户信息的应用

1)针对不同客户提供个性化的产品

销售商可以获知访问者的个人爱好，更加充分地了解客户的需要，根据各个细分市场，甚至是每一个顾客的独特需求提供个性化的产品，有利于提高客户的满意度。为了使网络信息挖掘技术更好地运用，商家必须记录访问者的特征及条款特征。访问者特征包括人口统计特征、心理特征和技术特征等。人口统计特征是访问者的基本属性，如家庭地址、收入、购买力等。心理特征包括通过心理调查发现的个性类型。技术特征是指访问者的系统属性，如所采用的操作系统、浏览器、IP地址和调制解调器的速度等。条款特征包括网络内容信息(如介质类型、内容分类和URL等)和产品信息(如产品编号、产品目录、颜色、体积、价格、利润、数量和特价等级等)等内容。当访问者访问某网站时，有关访问者的数据便会逐渐积累起来。访问者——条款的交互信息主要包括购买历史、点击流信息、链接信息、广告历史和优选信息，其中，购买历史是购买产品和购买日期的记录列表；广告历史表明把哪一个条款展示给访问者；优选信息是指访问者访问的优先等级；点击流信息是访问者点击的超级链接的历史信息；链接是指提供给访问者的超级链接。

此外，访问者——网站统计信息是指每次会话的信息，如总的访问时间、所浏览的网页及每次会话的利润等，访问者——公司信息包括一个访问者推荐客户的数量、每个月的访问次数及上一次的访问时间等，还包括对商标的评价，即访问者对商标正面或负面的评价，这些信息可以通过周期性的厂商调查来获得。

2)发现潜在客户

对一个电子商务网站来说，了解、关注在册客户群体是非常重要的，但从众多的访问者中发现潜在客户群体也同样非常关键。如果发现某些客户为潜在客户群体，就可以对这类客户实施一定的策略，使他们尽快成为在册客户群体。在对用户访问记录的挖掘中，利用分类技术可以在网络上找到潜在客户。先对已经存在的访问者进行分类，一般分为3种：新来访者、偶然来访者和常客。对于新来访者，通过分类发现，识别出这个客户与已经分类的老客户的一些公共属性，从而对这个新客户进行正确的归类。然后根据归类判断，决定是否要把这个新来访者作为潜在的客户来对待。

3)挽留老顾客

二八定律表明企业80％的业务收入来自于20％的客户，而向新客户进行推销的花费要6倍于向现有客户进行推销的花费。通过Web数据挖掘，可发现什么样的顾客群在网站上购买了什么商品，哪些是网站的忠诚客户，以便对其进行个性化营销和人性化关怀。

4)延长客户的驻留时间

为了使客户在自己的网站上驻留更长的时间,就应该了解客户的浏览行为，知道客户的兴趣及需求所在，动态地调整Web页面，以满足客户的需要。通过对客户访问信息的挖掘，就能知道客户的浏览行为，从而了解客户的兴趣及需求，并根据需求动态地向客户推荐页面，提供特有的一些商品信息和广告，以使客户能继续保持访问站点的兴趣。

5)改进站点设计

站点上页面内容的安排就如超级市场中物品在货架上的摆设一样，把具有一定支持度和信任度的相关联的物品摆放在一起有助于销售，利用关联规则发现可以针对客户动态调整站点的结构，使客户访问的有关联的文件间的链接能够比较直接，让客户更容易访问到想访问的页面。网站如果具有这样的便利性，就能给客户留下较好的印象，增加了下次访问的几率。对Web站点的链接结构的优化可从两方面来考虑：一是通过对Web日志的挖掘，发现用户访问页面的相关性，从而在密切联系的网页之间增加链接，方便用户使用。二是通过对Web日志挖掘，发现用户的期望位置。如果在期望位置的访问频率高于对实际位置的访问频率，可考虑在期望位置和实际位置之间建立链接，从而实现对Web站点的优化。

6)电子商务推荐系统

推荐系统就是向客户推荐商品或提供信息来引导客户购买什么商品。推荐系统可以根据其他客户的信息或此客户的信息，模拟销售人员帮助客户完成购买过程，为客户提供个性化服务。推荐的形式包括向客户推荐商品，提供个性化的商品信息等。推荐系统具有如下作用：

①将浏览者转变为购买者。有时人们只是看看网站的内容而没有购买的意思。推荐系统可以帮客户找到他们感兴趣的、愿意买的商品。

②增加交叉销售。基于用户已经购买的商品，推荐客户购买一些相关的商品。

③建立忠诚度。客户往往愿意到那些最能满足自己需求的网站购物。

规则和模式的精确与否是至关重要的，涉及到商业领域的知识和方法，要求有很好的交互性。推荐系统的数据来自不同数据源，包括客户购买信息、个人信息及浏览信息(应用服务器目志),在进入数据仓库前必须清洗、集成和转换。在这个阶段可以收集客户对商品的评价，客户对已购物的文字或优劣等级评价分析和建立客户行为模型，形成客户档案。有很多数据挖掘算法可以很好地发现关联规则、序列模式等。通过设定恰当的关联规则置信度和支持度，可以大大减少可提取的规则数目，提高建模的准确度。客户档案包括两部分：一部分是客户的个人信息；一部分是客户的行为模式。

推荐系统可以分为如下几种类型：

①基于商品信息。根据商品之间的相关性和客户的喜恶来向其推荐。

②基于属性。推荐主要基于产品的属性特征模型。例如，对购物车的历史记录中有多种打折商品的客户，可以推荐一些打折商品。

③基于商品问的关联性。根据客户感兴趣的产品推荐相关的产品。如服装的搭配、商品的系列或配套件，其弊端在于不能为新客户形成合适的推荐，因为客户还没有购物经历，纯粹基于内容的推荐系统就得不到参考输入。

④基于协同过滤的推荐系统。这种推荐是根据客户与其他已经购买了商品的客户之间的相关性进行推荐，这种相关性是由客户对商品的评价的相似程度来决定的，实际上考虑的是与客户有相似品位的其他客户的作用。纯协同过滤也有弊端，新商品出现时，没有任何客户对其做出评价，系统也就不可能考虑，所以，在很长时间内不会被推荐，产生延迟；另外，如果客户没有对某些商品表示过感兴趣，那么，系统就决不会提供此类商品，没有开拓能力。

⑤协同推荐。协同推荐的实现是基于客户对商品的评价，评价的获得可以是显式的或隐式的，显式即客户对商品的文字评论或等级评分；隐式评价可以是顾客的兴趣强度的函数，对商品的兴趣强弱可以通过客户浏览相关网页时间和次数来衡量。基于比较准确的评价来计算客户问的距离，能得到一些符合顾客需求的商品推荐。