[摘要]数据挖掘技术让人们有能力最终认识数据的真正价值，即蕴藏在数据中的信息和知识。对于电子商务企业，丰富的数据源,自动收集的可靠数据使它很容易满足数据挖掘所必需要因素。论文从数据挖掘模式类型等内容出发，研究了电子商务企业怎样进行数据挖掘工具选择，分析本公司业务数据库中的数据，为个性化网络营销的实现服务。

[关键词]数据挖掘工具个性化营销电子商务企业

一、引言

一个成功的电子商务运作过程，需要完美整合三个要素——网络技术、商业模式和营销（网络营销）。网络营销是企业营销实践与现代信息通讯技术、计算机网络技术相结合的产物，是指企业以电子信息技术为基础，以计算机网络为媒介和手段而进行的各种营销活动（包括网络调研、网络新产品开发、网络促销、网络分销、网络服务等）的总称。

具有交互性、跨时空、低成本、高效性等优点的网络营销这一概念在中国出现才刚刚开展10年的时间，虽然理论体系还不完善，上网的企业数量还比较少，但是，这种基于互联网的新型营销方式已经引起广泛关注，并对企业的经营战略产生越来越大的影响。当前各种形式的网络广告、网络调研、网络分销等网络营销活动正活跃在企业的市场活动中。网络营销使得大公司、小公司“同台竞技”“规模经济”与“小批量、多品种”生产并存。网络营销把企业带入小型化、多样化和复杂化竞争的时代。

随着技术的发展，信息铺天盖地，不仅企业被淹没在大量的信息中，就连顾客也不得不花大量的时间来寻找、浏览自己感兴趣的信息。根据菲利普·科特勒的顾客让渡价值理论，顾客让渡价值=总顾客价值-总顾客成本。总顾客价值是顾客从某一特定产品或服务中获得的一系列价值，包括产品价值、服务价值、人员价值和形象价值。总顾客成本是顾客在为购买该产品或服务所耗费的费用，不仅包括货币成本，还包括时间成本、精神成本、体力成本等非货币成本。可见为了购买特定产品，在电子商务这种特殊市场中，浏览信息所花费的时间成本、精神成本、体力成本等也直接影响着总顾客让渡价值。

Web数据挖掘技术在电子商务上的应用，正是为了更加有效的掌握信息，服务于顾客，Web数据挖掘技术的路径分析、关联规则发现、序列模式发现、分类规则的发现、聚类分析等方法，可以应用于发现潜在顾客、改进站点链接结构设计、对顾客进行聚类分级从而分析组中顾客的共同特征，并为相应的顾客提供优质个性化服务,使顾客在浏览信息时有针对性，节省时间成本、精神成本、体力成本等，最终使总顾客成本得以降低。

二、个性化营销

个性化营销是把一个顾客看成一个顾客群，将锁定销售目标的活动发挥到极致的程度。充分体现了“顾客至上”，“顾客永远是正确的”，“爱你的顾客而非产品”等现代市场营销观念。消费者选购商品时完全以“自我”为中心，现有商品不能满足需求，则可向企业提出具体要求，企业也能满足这一要求，这样既能最大限度满足消费者个性化需求，又能增强企业产品的市场竞争力。同时由于和消费者保持长期的互动关系，企业能及时了解市场需求的变化，有针对性的生产，不会造成产品积压。缩短再生产周期，降低流通费用，从而提高企业经济效益。

在电子商务环境下，实现个性化营销可以利用的资源包括个性化网站、顾客数据库，网络营销工具。即企业在互动式网站和数据库为支撑工具的前提下，整合运用个性化的网站、个性化的E-mail、个性化的网页、顾客的兴趣追踪等相关工具，既可以与顾客建立亲密友好的联系，又可以创建个性化的营销信息，包括每个顾客的喜好、购买模式、针对他的最有效的沟通技巧等，以此来提供个性化的产品和顾客服务，开展个性化营销活动。

下图反映出一个具备个性化营销服务功能的系统功能层次结构。

由图看出，系统要得到上层所提供的个性化营销服务，需要从底层数据库获取交易数据、顾客数据、财务数据、市场数据等，将底层数据析取到数据仓库中，在数据仓库中建立以顾客、销售和财务等为主题的多维数据模型，并在保留原有数据的基础上，不断刷新数据仓库的数据，接着进行指标分析、多维数据分析和数据挖掘。主要内容有顾客分析、忠诚度分析、销售分析、顾客反馈分析、财务分析等。

通过对顾客属性特征、交易行为和资金能力的分析，提取各种与顾客交易之静态特征和动态特征相关的知识，对顾客进行必要细分，从而有针对性地对顾客施加1对1的个性化营销服务，提高电子商务企业的认知能力和服务创新水平，扩大其获利机会。

可见上层的个性化营销功能的获得是底层数据所不能直接提供的，需要经过中间析取到数据仓库中，面向主题对数据进行组织与管理后，再利用数据挖掘技术才能实现的。

三、数据挖掘工具及选择分析

数据挖掘技术让人们有能力最终认识数据的真正价值，即蕴藏在数据中的信息和知识。它使得许多商业公司充分认识到深层次地分析本公司业务数据库中的数据能够带来更多的商业机会。尤其对于电子商务企业，它很容易满足数据挖掘所必需要因素：丰富的数据源、自动收集的可靠数据，并且可将挖掘的结果转化为个性化网络营销这样的商业行为，商业投资可以直接评价。

在不久以前大部分数据挖掘工具还只能为专门技术人员所操纵，但现在有更多的公司提供了更高级的数据挖掘系统，使得非专业人士也能使用。这些数据挖掘工具所基于的技术主要包括：规则归纳、神经网络、遗传算法、模糊逻辑、规则发现、模糊专家系统规则、决策树、基于实例的推理、归纳逻辑等。

选择一个满足本公司实现个性化网络营销的数据挖掘工具可从以下方面进行考虑：

（1）产生的模式种类

数据挖掘模式一般有以下六种:

①分类模式:表现为一棵分类树，根据数据的值从树根开始搜索，沿着数据满足的分支往上走，走到树叶就能确定类别。

②回归模式:与分类模式相似，其差别在于分类模式的预测值是离散的，回归模式的预测值是连续的。

③时间序列模式:根据数据随时间变化的趋势预测将来的值。

④聚类模式:把数据划分到不同的组中，组之间的差别尽可能大，组内的差别尽可能小，但它与分类模式不同之处在于，进行聚类前并不知道将要划分成同个组和什么样的组。

⑤关联模式:描述事物之间同时出现的规律的知识模式。如购买A产品与B产品之间的关联性。

⑥序列模式:与关联模式相似，它把数据之间的关联性与时间联系起来。

对于个性化营销，公司的需要反映在：跟踪和学习顾客的兴趣和行为;为当前用户寻找k个最相似的邻居来预测当前用户的兴趣；或找出在什么时间，什么样顾客对什么样的产品感兴趣等方面。

以上的六种模式中分类模式可以对顾客进行分类；时间序列模式可在需求量方面给出预测结果；聚类模式可用于顾客聚类.由于它是根据相似顾客来推荐资源的,即根据最相似的邻居来预测当前顾客的兴趣，所以有可能为潜在顾客推荐出新的感兴趣的内容；关联模式找出A产品与B产品之间的关联性；序列模式则可以反映出需求的季节性。

（2）易操作性

当前有的工具有图形化界面，引导用户半自动化地执行任务；有的使用脚本语言，有些工具提供数据挖掘的API，可以嵌入到C、VisualBasic、PowerBuilder等高级编程语言中。

（3）数据存取能力

好的数据挖掘工具可以使用SQL语句直接从DBMS中读取数据。这样可以简化数据准备工作。

（4）与其他产品的接口

在需要其他产品辅助企业理解数据、理解结果时，数据挖掘工具与其他产品的接口就显得很重要了。

总之，数据挖掘工具应具备多种模式、多种算法、良好的数据选择和转换能力、可视化、扩展性等，使之具备更强的解决复杂问题的能力。

当前比较著名数据挖掘工具有IBMIntelligentMiner、SASEnterpriseMiner、SPSSClementine等，它们都能够提供常规的挖掘过程和挖掘模式。

其中IntelligentMiner通过其世界领先的独有技术，例如典型数据集自动生成、关联发现、序列规律发现、概念性分类和可视化呈现，可以自动实现数据选择、数据转换、数据发掘和结果呈现这一整套数据发掘操作。若有必要，对结果数据集还可以重复这一过程，直至得到满意结果为止。根据IDC的统计，IntelligentMiner目前是数据发掘领域最先进的产品。

SASEnterpriseMiner能支持包括关联、聚类、决策树、神经元网络和统计回归在内的广阔范围的模型数据挖掘工具。SASEnterpriseMiner设计为被初学者和有经验的用户使用。它的GUI界面是数据流驱动的，且它易于理解和使用。由于支持多种模型，所以SASEnterpriseMiner允许用户比较不同模型并利用评估结点选择最适合的。SASEnterpriseMiner被设计成能在所有SAS支持的平台上运行。

SPSSClementine是一个开放式数据挖掘工具，曾两次获得英国政府SMART创新奖，它不但支持整个数据挖掘流程，从数据获取、转化、建模、评估到最终部署的全部过程，还支持数据挖掘的行业标准--CRISP-DM。Clementine的可视化数据挖掘使得"思路"分析成为可能，即将集中精力在要解决的问题本身，而不是局限于完成一些技术性工作（比如编写代码）。提供了多种图形化技术，有助理解数据间的关键性联系，指导用户以最便捷的途径找到问题的最终解决办法。

其它常用的数据挖掘工具还有LEVEL5Quest、MineSet(SGI)、Partek、SE-Learn、SPSS的数据挖掘软件Snob、AshrafAzmy的SuperQuery、WINROSA、XmdvTool等。

四、总结

个性化营销一直是网络营销所关注的领域之一，但总的来说个性化营销的思想在网络营销实践中的体现不够明显，效果也难以显著，究其根本原因正是电子商务企业没有很好地利用数据挖掘工具，从底层业务数据中找到知识和信息。论文通过讨论数据挖掘工具及其实现模式，结合个性化营销的实现目标的分析，以期使电子商务企业充分利用丰富的底层数据源，真正把数据挖掘融入到企业的经营决策中。

参考文献:

[1]ClaudiaImhoff,NicholasGalimmo,JonathanG.Geiger(著)，于戈，鲍玉斌，王大玲等译.数据仓库设计[M].北京：机械工业出版社，2004.12

[2]王绪林:Web使用挖掘的用户个性化服务研究[J].信息系统，2003,1.

[3]JiaweiHan,MichelineKamber（著），范明，孟小东等译.数据挖掘概念与技术[M].北京：机械工业出版社.2004

[4]郭晔王浩鸣杨新安:基于海量数据挖掘的个性化推荐系统[J].西北大学学报（自然科学版）.2006,Vol.36,No.6