前言：本站為你精心整理了網站個性化營銷管理范文，希望能為你的創作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

[摘要]數據挖掘技術讓人們有能力最終認識數據的真正價值，即蘊藏在數據中的信息和知識。對于電子商務企業，豐富的數據源,自動收集的可靠數據使它很容易滿足數據挖掘所必需要因素。論文從數據挖掘模式類型等內容出發，研究了電子商務企業怎樣進行數據挖掘工具選擇，分析本公司業務數據庫中的數據，為個性化網絡營銷的實現服務。

[關鍵詞]數據挖掘工具個性化營銷電子商務企業

一、引言

一個成功的電子商務運作過程，需要完美整合三個要素——網絡技術、商業模式和營銷（網絡營銷）。網絡營銷是企業營銷實踐與現代信息通訊技術、計算機網絡技術相結合的產物，是指企業以電子信息技術為基礎，以計算機網絡為媒介和手段而進行的各種營銷活動（包括網絡調研、網絡新產品開發、網絡促銷、網絡分銷、網絡服務等）的總稱。

具有交互性、跨時空、低成本、高效性等優點的網絡營銷這一概念在中國出現才剛剛開展10年的時間，雖然理論體系還不完善，上網的企業數量還比較少，但是，這種基于互聯網的新型營銷方式已經引起廣泛關注，并對企業的經營戰略產生越來越大的影響。當前各種形式的網絡廣告、網絡調研、網絡分銷等網絡營銷活動正活躍在企業的市場活動中。網絡營銷使得大公司、小公司“同臺競技”“規模經濟”與“小批量、多品種”生產并存。網絡營銷把企業帶入小型化、多樣化和復雜化競爭的時代。

隨著技術的發展，信息鋪天蓋地，不僅企業被淹沒在大量的信息中，就連顧客也不得不花大量的時間來尋找、瀏覽自己感興趣的信息。根據菲利普·科特勒的顧客讓渡價值理論，顧客讓渡價值=總顧客價值-總顧客成本。總顧客價值是顧客從某一特定產品或服務中獲得的一系列價值，包括產品價值、服務價值、人員價值和形象價值。總顧客成本是顧客在為購買該產品或服務所耗費的費用，不僅包括貨幣成本，還包括時間成本、精神成本、體力成本等非貨幣成本。可見為了購買特定產品，在電子商務這種特殊市場中，瀏覽信息所花費的時間成本、精神成本、體力成本等也直接影響著總顧客讓渡價值。

Web數據挖掘技術在電子商務上的應用，正是為了更加有效的掌握信息，服務于顧客，Web數據挖掘技術的路徑分析、關聯規則發現、序列模式發現、分類規則的發現、聚類分析等方法，可以應用于發現潛在顧客、改進站點鏈接結構設計、對顧客進行聚類分級從而分析組中顧客的共同特征，并為相應的顧客提供優質個性化服務,使顧客在瀏覽信息時有針對性，節省時間成本、精神成本、體力成本等，最終使總顧客成本得以降低。

二、個性化營銷

個性化營銷是把一個顧客看成一個顧客群，將鎖定銷售目標的活動發揮到極致的程度。充分體現了“顧客至上”，“顧客永遠是正確的”，“愛你的顧客而非產品”等現代市場營銷觀念。消費者選購商品時完全以“自我”為中心，現有商品不能滿足需求，則可向企業提出具體要求，企業也能滿足這一要求，這樣既能最大限度滿足消費者個性化需求，又能增強企業產品的市場競爭力。同時由于和消費者保持長期的互動關系，企業能及時了解市場需求的變化，有針對性的生產，不會造成產品積壓。縮短再生產周期，降低流通費用，從而提高企業經濟效益。

在電子商務環境下，實現個性化營銷可以利用的資源包括個性化網站、顧客數據庫，網絡營銷工具。即企業在互動式網站和數據庫為支撐工具的前提下，整合運用個性化的網站、個性化的E-mail、個性化的網頁、顧客的興趣追蹤等相關工具，既可以與顧客建立親密友好的聯系，又可以創建個性化的營銷信息，包括每個顧客的喜好、購買模式、針對他的最有效的溝通技巧等，以此來提供個性化的產品和顧客服務，開展個性化營銷活動。

下圖反映出一個具備個性化營銷服務功能的系統功能層次結構。

由圖看出，系統要得到上層所提供的個性化營銷服務，需要從底層數據庫獲取交易數據、顧客數據、財務數據、市場數據等，將底層數據析取到數據倉庫中，在數據倉庫中建立以顧客、銷售和財務等為主題的多維數據模型，并在保留原有數據的基礎上，不斷刷新數據倉庫的數據，接著進行指標分析、多維數據分析和數據挖掘。主要內容有顧客分析、忠誠度分析、銷售分析、顧客反饋分析、財務分析等。

通過對顧客屬性特征、交易行為和資金能力的分析，提取各種與顧客交易之靜態特征和動態特征相關的知識，對顧客進行必要細分，從而有針對性地對顧客施加1對1的個性化營銷服務，提高電子商務企業的認知能力和服務創新水平，擴大其獲利機會。

可見上層的個性化營銷功能的獲得是底層數據所不能直接提供的，需要經過中間析取到數據倉庫中，面向主題對數據進行組織與管理后，再利用數據挖掘技術才能實現的。

三、數據挖掘工具及選擇分析

數據挖掘技術讓人們有能力最終認識數據的真正價值，即蘊藏在數據中的信息和知識。它使得許多商業公司充分認識到深層次地分析本公司業務數據庫中的數據能夠帶來更多的商業機會。尤其對于電子商務企業，它很容易滿足數據挖掘所必需要因素：豐富的數據源、自動收集的可靠數據，并且可將挖掘的結果轉化為個性化網絡營銷這樣的商業行為，商業投資可以直接評價。

在不久以前大部分數據挖掘工具還只能為專門技術人員所操縱，但現在有更多的公司提供了更高級的數據挖掘系統，使得非專業人士也能使用。這些數據挖掘工具所基于的技術主要包括：規則歸納、神經網絡、遺傳算法、模糊邏輯、規則發現、模糊專家系統規則、決策樹、基于實例的推理、歸納邏輯等。

選擇一個滿足本公司實現個性化網絡營銷的數據挖掘工具可從以下方面進行考慮：

（1）產生的模式種類

數據挖掘模式一般有以下六種:

①分類模式:表現為一棵分類樹，根據數據的值從樹根開始搜索，沿著數據滿足的分支往上走，走到樹葉就能確定類別。

②回歸模式:與分類模式相似，其差別在于分類模式的預測值是離散的，回歸模式的預測值是連續的。

③時間序列模式:根據數據隨時間變化的趨勢預測將來的值。

④聚類模式:把數據劃分到不同的組中，組之間的差別盡可能大，組內的差別盡可能小，但它與分類模式不同之處在于，進行聚類前并不知道將要劃分成同個組和什么樣的組。

⑤關聯模式:描述事物之間同時出現的規律的知識模式。如購買A產品與B產品之間的關聯性。

⑥序列模式:與關聯模式相似，它把數據之間的關聯性與時間聯系起來。

對于個性化營銷，公司的需要反映在：跟蹤和學習顧客的興趣和行為;為當前用戶尋找k個最相似的鄰居來預測當前用戶的興趣；或找出在什么時間，什么樣顧客對什么樣的產品感興趣等方面。

以上的六種模式中分類模式可以對顧客進行分類；時間序列模式可在需求量方面給出預測結果；聚類模式可用于顧客聚類.由于它是根據相似顧客來推薦資源的,即根據最相似的鄰居來預測當前顧客的興趣，所以有可能為潛在顧客推薦出新的感興趣的內容；關聯模式找出A產品與B產品之間的關聯性；序列模式則可以反映出需求的季節性。

（2）易操作性

當前有的工具有圖形化界面，引導用戶半自動化地執行任務；有的使用腳本語言，有些工具提供數據挖掘的API，可以嵌入到C、VisualBasic、PowerBuilder等高級編程語言中。

（3）數據存取能力

好的數據挖掘工具可以使用SQL語句直接從DBMS中讀取數據。這樣可以簡化數據準備工作。

（4）與其他產品的接口

在需要其他產品輔助企業理解數據、理解結果時，數據挖掘工具與其他產品的接口就顯得很重要了。

總之，數據挖掘工具應具備多種模式、多種算法、良好的數據選擇和轉換能力、可視化、擴展性等，使之具備更強的解決復雜問題的能力。

當前比較著名數據挖掘工具有IBMIntelligentMiner、SASEnterpriseMiner、SPSSClementine等，它們都能夠提供常規的挖掘過程和挖掘模式。

其中IntelligentMiner通過其世界領先的獨有技術，例如典型數據集自動生成、關聯發現、序列規律發現、概念性分類和可視化呈現，可以自動實現數據選擇、數據轉換、數據發掘和結果呈現這一整套數據發掘操作。若有必要，對結果數據集還可以重復這一過程，直至得到滿意結果為止。根據IDC的統計，IntelligentMiner目前是數據發掘領域最先進的產品。

SASEnterpriseMiner能支持包括關聯、聚類、決策樹、神經元網絡和統計回歸在內的廣闊范圍的模型數據挖掘工具。SASEnterpriseMiner設計為被初學者和有經驗的用戶使用。它的GUI界面是數據流驅動的，且它易于理解和使用。由于支持多種模型，所以SASEnterpriseMiner允許用戶比較不同模型并利用評估結點選擇最適合的。SASEnterpriseMiner被設計成能在所有SAS支持的平臺上運行。

SPSSClementine是一個開放式數據挖掘工具，曾兩次獲得英國政府SMART創新獎，它不但支持整個數據挖掘流程，從數據獲取、轉化、建模、評估到最終部署的全部過程，還支持數據挖掘的行業標準--CRISP-DM。Clementine的可視化數據挖掘使得"思路"分析成為可能，即將集中精力在要解決的問題本身，而不是局限于完成一些技術性工作（比如編寫代碼）。提供了多種圖形化技術，有助理解數據間的關鍵性聯系，指導用戶以最便捷的途徑找到問題的最終解決辦法。

其它常用的數據挖掘工具還有LEVEL5Quest、MineSet(SGI)、Partek、SE-Learn、SPSS的數據挖掘軟件Snob、AshrafAzmy的SuperQuery、WINROSA、XmdvTool等。

四、總結

個性化營銷一直是網絡營銷所關注的領域之一，但總的來說個性化營銷的思想在網絡營銷實踐中的體現不夠明顯，效果也難以顯著，究其根本原因正是電子商務企業沒有很好地利用數據挖掘工具，從底層業務數據中找到知識和信息。論文通過討論數據挖掘工具及其實現模式，結合個性化營銷的實現目標的分析，以期使電子商務企業充分利用豐富的底層數據源，真正把數據挖掘融入到企業的經營決策中。

參考文獻:

[1]ClaudiaImhoff,NicholasGalimmo,JonathanG.Geiger(著)，于戈，鮑玉斌，王大玲等譯.數據倉庫設計[M].北京：機械工業出版社，2004.12

[2]王緒林:Web使用挖掘的用戶個性化服務研究[J].信息系統，2003,1.

[3]JiaweiHan,MichelineKamber（著），范明，孟小東等譯.數據挖掘概念與技術[M].北京：機械工業出版社.2004

[4]郭曄王浩鳴楊新安:基于海量數據挖掘的個性化推薦系統[J].西北大學學報（自然科學版）.2006,Vol.36,No.6