黃維雅

數(shù)據(jù)挖掘技術(shù)在電商客戶粘性預(yù)測中的研究

黃維雅

（廈門興才職業(yè)技術(shù)學(xué)院 經(jīng)貿(mào)學(xué)院，福建 廈門 361000）

為精準(zhǔn)有效地預(yù)測電商客戶粘性，提升經(jīng)濟(jì)效果，研究數(shù)據(jù)挖掘技術(shù)在電商客戶粘性預(yù)測中的應(yīng)用。利用可變網(wǎng)格的K-means聚類算法，聚類獲取電商客戶粘性預(yù)測相關(guān)數(shù)據(jù)；通過有效性指標(biāo)優(yōu)化可變網(wǎng)格K-means聚類算法的聚類數(shù)，確定最佳聚類數(shù)，提升數(shù)據(jù)聚類效果；采用技術(shù)接受模型，依據(jù)聚類獲取的數(shù)據(jù)，建立電商客戶粘性預(yù)測指標(biāo)體系；通過模糊層次分析法，結(jié)合指標(biāo)體系，建立電商客戶粘性預(yù)測模型，獲取預(yù)測分值。實驗結(jié)果表明，該模型可有效確定最優(yōu)聚類數(shù)，精準(zhǔn)聚類電商客戶粘性預(yù)測相關(guān)數(shù)據(jù)；所建立的預(yù)測指標(biāo)體系的指標(biāo)相關(guān)性較低，結(jié)構(gòu)較稀疏、較全面?？傮w說明，該模型可有效預(yù)測電商客戶粘性。

數(shù)據(jù)挖掘技術(shù)；電商客戶；粘性預(yù)測；可變網(wǎng)格；K-means聚類；模糊層次分析

互聯(lián)網(wǎng)的發(fā)展，促進(jìn)了人與人間聯(lián)系的緊密性，大量電商平臺頗受大眾喜歡[1]，電商平臺的經(jīng)濟(jì)效益也很可觀。近年來，由于客戶體驗差，導(dǎo)致電商平臺出現(xiàn)瓶頸，發(fā)展速度緩慢，電商平臺的發(fā)展離不開客戶，客戶的滿意度與電商平臺發(fā)展密不可分[2]，電商平臺在吸引新客戶的同時，還要與老客戶保持著良好的關(guān)系。電商客戶粘性代表客戶使用電商平臺的時間與電商平臺留存客戶能力，為此通過預(yù)測電商客戶粘性，發(fā)現(xiàn)存在的不足之處，及時改進(jìn)，提升電商客戶粘性，便可提升電商平臺的經(jīng)濟(jì)效益[3]。楊力[4]利用云計算方法劃分電商客戶流失量數(shù)據(jù)，通過線序列極限學(xué)習(xí)機(jī)，依據(jù)數(shù)據(jù)劃分結(jié)果，建立流失量預(yù)測模型，融合多個數(shù)據(jù)集的預(yù)測結(jié)果，獲取電商客戶流失量的最終預(yù)測結(jié)果，該模型可有效預(yù)測電商客戶流失量，預(yù)測模型訓(xùn)練時間較短，預(yù)測效率較快；葛紹林等[5]根據(jù)電商客戶行為特征，建立用戶行為特征模型，利用深度森林方法，結(jié)合行為特征模型，構(gòu)造用戶行為預(yù)測模型，該模型可有效預(yù)測用戶行為，該模型在預(yù)測過程中既減少了開銷時間，又提升了預(yù)測精度。但這兩種方法的預(yù)測全面性較差，無法從各個角度預(yù)測電商客戶的相關(guān)信息，對于提升電商平臺經(jīng)濟(jì)效益的應(yīng)用效果較差。數(shù)據(jù)挖掘技術(shù)是在不同類型數(shù)據(jù)內(nèi)挖掘知識，加強(qiáng)已存在數(shù)據(jù)的內(nèi)在價值，可在海量數(shù)據(jù)內(nèi)精準(zhǔn)提取有用信息，在檢測與預(yù)測等領(lǐng)域均有應(yīng)用，數(shù)據(jù)挖掘技術(shù)最常用的算法是聚類算法[6]。為全面預(yù)測電商客戶粘性，研究基于數(shù)據(jù)挖掘技術(shù)的電商客戶粘性預(yù)測模型。

1 電商客戶粘性預(yù)測模型

1.1 基于數(shù)據(jù)挖掘技術(shù)的電商客戶粘性預(yù)測數(shù)據(jù)提取

利用可變網(wǎng)格的K-means聚類算法，在海量電商客戶數(shù)據(jù)中提取與電商客戶粘性預(yù)測相關(guān)的數(shù)據(jù)。傳統(tǒng)的K-means聚類算法初始中心點的選擇方法為任意選擇，這種選擇方式無法呈現(xiàn)電商客戶粘性預(yù)測相關(guān)數(shù)據(jù)集的實際情況，造成聚類結(jié)果波動性大。為此利用可變網(wǎng)格優(yōu)化的K-means聚類算法，提取電商客戶粘性預(yù)測相關(guān)數(shù)據(jù)，在高密度網(wǎng)格內(nèi)選擇存在代表性的初始中心點，避免孤立點對聚類結(jié)果的影響[7]，增強(qiáng)聚類質(zhì)量。

可變網(wǎng)格劃分指對海量電商客戶數(shù)據(jù)集的各維展開等深劃分，分別求解鄰近區(qū)間段的密度，合并超過密度閾值的鄰近區(qū)間，獲取可變的劃分網(wǎng)格。按照電商客戶數(shù)據(jù)分布特性，完成網(wǎng)格劃分，大幅度降低網(wǎng)格數(shù)量，提升網(wǎng)格劃分的靈活性[8]，加快電商客戶粘性預(yù)測相關(guān)數(shù)據(jù)聚類速度。

其中，是常數(shù)。

其中，電商客戶數(shù)據(jù)樣本編號是；聚類數(shù)編號是。

1.2 基于技術(shù)接受模型的電商客戶粘性預(yù)測指標(biāo)體系

通過技術(shù)接受模型，依據(jù)聚類獲取的電商客戶粘性預(yù)測相關(guān)數(shù)據(jù)，從感知有用性、感知易用性、感知服務(wù)性、感知安全性、感知趣味性與感知性價比六方面，建立電商客戶粘性預(yù)測指標(biāo)體系，電商客戶粘性預(yù)測指標(biāo)體系如表1所示。

表1 電商客戶粘性預(yù)測指標(biāo)體系

感知有用性代表客戶認(rèn)為使用電商平臺對自我提升有幫助；感知易用性代表客戶認(rèn)為使用電商平臺操作簡單；感知服務(wù)性代表客戶認(rèn)為使用電商平臺服務(wù)質(zhì)量較高[13]；感知安全性代表客戶認(rèn)為使用電商平臺安全程度高；感知趣味性代表客戶認(rèn)為使用電商平臺時具有一定的趣味性，會增加其使用該平臺的興趣；感知性價比代表客戶認(rèn)為使用電商平臺購買商品的性價比較高。

1.3 基于模糊層次分析法的電商客戶粘性預(yù)測模型

因此，獲取電商客戶粘性模糊綜合預(yù)測模型，公式如下：

其中，電商客戶粘性預(yù)測指標(biāo)因素權(quán)重是；電商客戶粘性預(yù)測分值是；電商客戶粘性預(yù)測指標(biāo)因素隸屬度是。

電商客戶粘性預(yù)測等級的分值區(qū)間分別是優(yōu)秀[100，85）、良好[85，70）、一般[70，55）、差[55，0]。

2 實驗分析

以某電商平臺為實驗對象，該電商平臺的公開數(shù)據(jù)集內(nèi)共包含10萬多條數(shù)據(jù)記錄，該數(shù)據(jù)集內(nèi)共包含三種維度的數(shù)據(jù)，分別是3維、4維、5維，按照數(shù)據(jù)維數(shù)將該數(shù)據(jù)集分成3個子數(shù)據(jù)集，記作子集1、子集2、子集3；利用本文模型預(yù)測該電商平臺的電商客戶粘性，為提升該電商平臺的經(jīng)濟(jì)效益提供幫助。

利用本文模型在3個子數(shù)據(jù)集內(nèi)，提取電商客戶粘性預(yù)測相關(guān)數(shù)據(jù)，提取電商客戶粘性預(yù)測相關(guān)數(shù)據(jù)前，需先確定本文模型中數(shù)據(jù)聚類的最佳聚類數(shù)，提升電商客戶粘性預(yù)測相關(guān)數(shù)據(jù)聚類效果，即數(shù)據(jù)提取效果，利用BWP有效性指標(biāo)確定本文模型的最佳聚類數(shù)，分析結(jié)果如圖1所示。

圖1 最佳聚類數(shù)確定結(jié)果

根據(jù)圖1可知，本文模型可有效依據(jù)BWP有效性指標(biāo)，確定電商客戶粘性相關(guān)數(shù)據(jù)聚類的最佳聚類數(shù)，3個子集的聚類數(shù)均在3時，對應(yīng)的BWP有效性指標(biāo)值達(dá)到最高，說明3個子集的最佳聚類數(shù)均為3。

確定完最佳聚類數(shù)后，利用本文模型聚類這3個數(shù)據(jù)子集內(nèi)電商客戶粘性預(yù)測相關(guān)數(shù)據(jù)，以子集1為例，聚類結(jié)果如圖2所示。根據(jù)圖2可知，本文模型可有效按照最佳聚類數(shù)，聚類電商客戶數(shù)據(jù)集，提取電商客戶粘性預(yù)測相關(guān)數(shù)據(jù)。實驗結(jié)果表明，本文模型可精準(zhǔn)聚類電商客戶數(shù)據(jù)集，精準(zhǔn)提取電商客戶粘性預(yù)測相關(guān)數(shù)據(jù)，為后續(xù)電商客戶粘性預(yù)測打下堅實的基礎(chǔ)。

圖2 電商客戶粘性預(yù)測相關(guān)數(shù)據(jù)聚類結(jié)果

利用隨機(jī)一致性檢驗指標(biāo)CR，分析本文模型計算電商客戶粘性預(yù)測指標(biāo)權(quán)重時，建立的評判矩陣是否通過一致性檢驗，評判矩陣數(shù)量與準(zhǔn)則層電商客戶粘性預(yù)測指標(biāo)數(shù)量一致，當(dāng)全部評判矩陣均通過一致性檢驗，計算的電商客戶粘性預(yù)測指標(biāo)權(quán)重才是合理的，CR值小于0.1，說明評判矩陣通過一致性檢驗，CR值大于0.1，說明評判矩陣未通過一致性檢驗，本文模型計算電商客戶粘性預(yù)測指標(biāo)權(quán)重時，建立的評判矩陣一致性檢驗結(jié)果如表2所示。

表2 評判矩陣一致性檢驗結(jié)果

根據(jù)表2可知，本文模型計算電商客戶粘性預(yù)測指標(biāo)權(quán)重時，建立的評判矩陣CR值均低于0.1，說明各評判矩陣均通過一致性檢驗，即計算的各電商客戶粘性預(yù)測指標(biāo)權(quán)重均是合理的。

本文模型計算的電商客戶粘性預(yù)測指標(biāo)權(quán)重，以及依據(jù)該權(quán)重獲取的電商客戶粘性預(yù)測結(jié)果如表3所示。根據(jù)表3可知，本文模型可有效獲取電商客戶粘性預(yù)測指標(biāo)權(quán)重與預(yù)測分值，對比分析各電商客戶粘性預(yù)測指標(biāo)的預(yù)測分值與預(yù)測等級的分值區(qū)間可知，該電商平臺的電商客戶粘性預(yù)測指標(biāo)層內(nèi)共有兩個指標(biāo)的預(yù)測等級為差，分別是感知服務(wù)性內(nèi)的賣家發(fā)貨及時性與物流送貨效率；共有5個指標(biāo)的預(yù)測等級為一般，分別是感知易用性內(nèi)的檢索工具效率與支付便捷，感知服務(wù)性的售后賣家溝通主動性，感知安全性內(nèi)的交易信息安全性、快遞安全性；該電商平臺為提升其經(jīng)濟(jì)效益，需要對預(yù)測等級為一般與差的指標(biāo)進(jìn)行改進(jìn)，對于準(zhǔn)則層指標(biāo)來說，僅有感知服務(wù)性與感知安全性的預(yù)測等級為一般，其余指標(biāo)為優(yōu)秀與良好，該電商平臺需重點改進(jìn)感知服務(wù)性與感知安全性兩個指標(biāo)，改善其電商客戶粘性，提升該電商平臺的經(jīng)濟(jì)效益。

表3 電商客戶粘性預(yù)測指標(biāo)權(quán)重及預(yù)測結(jié)果

利用相關(guān)性分析本文模型構(gòu)建電商客戶粘性預(yù)測指標(biāo)體系的全面性，指標(biāo)相關(guān)性越低，說明電商客戶粘性預(yù)測指標(biāo)體系結(jié)構(gòu)越稀疏，信息越全面，指標(biāo)相關(guān)性在[0.0，0.4）區(qū)間時，說明不相關(guān)，在[0.4，0.7）區(qū)間時，說明顯著相關(guān)，在[0.7，1.0]區(qū)間時，說明高度相關(guān)，以電商客戶粘性預(yù)測準(zhǔn)則層指標(biāo)為例，本文模型構(gòu)建的指標(biāo)體系內(nèi)準(zhǔn)則層內(nèi)各指標(biāo)相關(guān)性測試結(jié)果如圖3所示。

圖3 指標(biāo)性相關(guān)性測試結(jié)果

根據(jù)圖3可知，兩個不同電商客戶粘性預(yù)測指標(biāo)間的相關(guān)性最高值為0.3，同一指標(biāo)的相關(guān)性為1.0，本文模型構(gòu)建的電商客戶粘性預(yù)測指標(biāo)間的相關(guān)性位于區(qū)間[0.0，0.4）中，說明各指標(biāo)間不相關(guān)。實驗結(jié)果表明，本文模型構(gòu)建的電商客戶粘性預(yù)測指標(biāo)間不相關(guān)，即指標(biāo)體系結(jié)構(gòu)較稀疏，信息較全面。

3 結(jié)論

電商客戶粘性直接決定了客戶是否愿意繼續(xù)使用某電商平臺，與該電商平臺的銷售額具有正相關(guān)關(guān)系，為此研究基于數(shù)據(jù)挖掘技術(shù)的電商客戶粘性預(yù)測模型。在提取電商客戶粘性預(yù)測相關(guān)數(shù)據(jù)前，需先利用BWP有效性指標(biāo)確定本文模型中數(shù)據(jù)聚類的最佳聚類數(shù)，三個子集的聚類數(shù)均在3時，對應(yīng)的BWP有效性指標(biāo)值達(dá)到最高，根據(jù)聚類結(jié)果說明該模型可有效確定最優(yōu)聚類數(shù)，精準(zhǔn)聚類電商客戶粘性預(yù)測相關(guān)數(shù)據(jù)；利用相關(guān)性，分析本文模型構(gòu)建電商客戶粘性預(yù)測指標(biāo)體系的全面性，該模型相關(guān)性位于區(qū)間[0.0，0.4）中，相關(guān)性較低，說明該模型指標(biāo)體系結(jié)構(gòu)較稀疏、較全面。總體說明，該模型可有效預(yù)測電商客戶粘性。根據(jù)預(yù)測結(jié)果，及時發(fā)現(xiàn)降低電商客戶粘性的影響因素，并加以改進(jìn)，彌補(bǔ)不足之處，加強(qiáng)電商客戶粘性，為提升經(jīng)濟(jì)效果提供幫助。

[1] 龔禎. 基于復(fù)雜網(wǎng)絡(luò)理論的電商供應(yīng)鏈風(fēng)險預(yù)測方法研究[J]. 西南師范大學(xué)學(xué)報（自然科學(xué)版），2021, 46(03): 39-44.

[2] 呂澤宇，李紀(jì)旋，陳如劍，等. 電商平臺用戶再購物行為的預(yù)測研究[J]. 計算機(jī)科學(xué)，2020, 47(S1): 424-428.

[3] 何喜軍，馬珊，武玉英，等. 小樣本下多維指標(biāo)融合的電商產(chǎn)品銷量預(yù)測[J]. 計算機(jī)工程與應(yīng)用，2019, 55(15): 177-184.

[4] 楊力. 基于在線序列優(yōu)化極限學(xué)習(xí)機(jī)的電子商務(wù)客戶流失量預(yù)測模型[J]. 南京理工大學(xué)學(xué)報，2019, 43(01): 108-114.

[5] 葛紹林，葉劍，何明祥. 基于深度森林的用戶購買行為預(yù)測模型[J]. 計算機(jī)科學(xué)，2019, 46(09): 190-194.

[6] 張振華，許柏鳴. 基于網(wǎng)絡(luò)口碑?dāng)?shù)據(jù)挖掘的電子商務(wù)物流服務(wù)質(zhì)量問題[J]. 中國流通經(jīng)濟(jì)，2019, 33(01): 43-55.

[7] 原慧琳，杜杰，李延柯. 基于數(shù)據(jù)挖掘的客戶細(xì)分模型研究及應(yīng)用[J]. 計算機(jī)工程與設(shè)計，2021, 42(01): 57-64.

[8] 顧永春，顧興全，武嬌，等. 面向不平衡網(wǎng)絡(luò)評論數(shù)據(jù)挖掘的服務(wù)質(zhì)量評價[J]. 小型微型計算機(jī)系統(tǒng)，2021, 42(02): 354-361.

[9] 耿德志，徐乾. 基于K-Means聚類算法的HDMA數(shù)據(jù)挖掘方法[J]. 計算機(jī)仿真，2021, 38(02): 308-312.

[10] 王秋萍，丁成，王曉峰. 一種基于改進(jìn)KH與KHM聚類的混合數(shù)據(jù)聚類算法[J]. 控制與決策，2020, 35(10): 2449-2458.

[11] 梅婕，魏圓圓，許桃勝. 基于密度峰值多起始中心的融合聚類算法[J]. 計算機(jī)工程與應(yīng)用，2021, 57(22): 78-85.

[12] 李海霞. 電商服務(wù)接觸對消費者重購意愿的影響——以生鮮為例[J]. 商業(yè)經(jīng)濟(jì)研究，2019 (03): 75-78.

[13] 張朝輝，劉佳佳，冉惠. 基于貝葉斯與神經(jīng)網(wǎng)混合算法的電商信用評價方法研究[J]. 情報科學(xué)，2020, 38(02): 81-87.

[14] 趙家胤. 基于模糊綜合理論與隨機(jī)森林的電子商務(wù)服務(wù)滿意度評價方法研究[J]. 電子器件，2021, 44(06): 1520-1524.

[15] 翟小可，吳祈宗. 基于AHP-模糊綜合評價的農(nóng)村電商物流服務(wù)質(zhì)量評價研究[J]. 數(shù)學(xué)的實踐與認(rèn)識，2019, 49(05): 121-127.

Research on data mining technology in e-commerce customer stickiness prediction

HUANG Wei-ya

(School of Economics and Trade, Xiamen Xingcai Vocational and Technical College, Fujian Xiamen 361000, China)

In order to accurately and effectively predict e-commerce customer stickiness and improve economic results, the application of data mining technology in e-commerce customer stickiness prediction is studied. The K-means clustering algorithm of variable grid was used to obtain the relevant data of e-commerce customer stickiness prediction. The clustering number of variable grid K-means clustering algorithm was optimized by the validity index to determine the optimal clustering number and improve the data clustering effect. The technology acceptance model is adopted to establish the prediction index system of e-commerce customer stickiness according to the data obtained by clustering. Through the fuzzy analytic hierarchy process, combined with the index system, the e-commerce customer viscosity prediction model is established to obtain the prediction score. The experimental results show that the model can effectively determine the optimal clustering number and accurately cluster the relevant data of e-commerce customer stickiness prediction. The index correlation of the established prediction index system is low, and the index system structure is sparse and comprehensive. Overall, the model can effectively predict e-commerce customer stickiness.

data mining technology；e-commerce customers；viscosity prediction; variable grid；K-means clustering；fuzzy hierarchy analysis

2022-08-17

2020年度福建省教育廳中青年教師教育科研項目“大數(shù)據(jù)分析在網(wǎng)絡(luò)平臺精準(zhǔn)營銷中的應(yīng)用研究”（JAS20752）

黃維雅（1987-），女，福建廈門人，講師，本科，主要從事跨境電商、大數(shù)據(jù)網(wǎng)絡(luò)營銷研究，hufenghuanyu109@sina.com。

TP181

A

1007-984X(2023)01-0081-06