徐國虎，孫 凌，許 芳

(1 中南財經(jīng)政法大學 工商管理學院，武漢 430073；2 中南民族大學 管理學院，武漢 430074)

Online-to-Offline(簡稱O2O)電子商務(wù)模式，是一個連接線上用戶和線下商家的多邊平臺商業(yè)模式.O2O商業(yè)模式將實體經(jīng)濟與線上資源融合在一起，使網(wǎng)絡(luò)成為實體經(jīng)濟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，而消費者可以在線上篩選商品和服務(wù)并完成支付，再到實體店完成余下消費.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)團購形式為大家所熟知.目前O2O電子商務(wù)與社交網(wǎng)絡(luò)和移動終端緊密結(jié)合，除網(wǎng)絡(luò)團購之外，還出現(xiàn)了移動優(yōu)惠、簽到、個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，除了Foursquare、大眾點評網(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；O2O電商交易額也迅速放大，2011年大眾點評網(wǎng)營業(yè)額已破10億元；與交易猛增隨之而來的是爆發(fā)式增長的O2O電商數(shù)據(jù)，大眾點評網(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，每天發(fā)表點評超過80萬條，每日點評瀏覽量超過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)遠遠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、數(shù)據(jù)價值不易獲得成為O2O電子商務(wù)面臨的新問題.根據(jù)相關(guān)統(tǒng)計顯示[2]，如今世界已經(jīng)進入到大數(shù)據(jù)時代，電子商務(wù)中用戶數(shù)據(jù)每年增長約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)價值遠未被挖掘.基于此，本文對“大數(shù)據(jù)”環(huán)境下O2O用戶數(shù)據(jù)挖掘以及應(yīng)用進行了分析.

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)營中產(chǎn)生和積累的與用戶相關(guān)的交易、互動、觀測數(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)達到TB級.在融入了社交網(wǎng)絡(luò)和移動互聯(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)模會從TB級躍升到PB甚至是EB級.未來企業(yè)會將更多的TB級數(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)類型復雜.它并不僅限于O2O用戶基本資料、用戶消費記錄、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)，還包括用戶評論等反饋數(shù)據(jù)、用戶O2O平臺行為記錄、移動終端數(shù)據(jù)和社交媒體等非結(jié)構(gòu)數(shù)據(jù).

(3)速率快.O2O模式對用戶數(shù)據(jù)實時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)往往是高速實時數(shù)據(jù)流，例如用戶在線下商家的消費情況、用戶的地理位置和移動方向等，而且O2O業(yè)務(wù)周期短，這需要實時的分析用戶數(shù)據(jù)并根據(jù)分析結(jié)果對用戶進行個性化服務(wù)，通過傳統(tǒng)的數(shù)據(jù)庫查詢方式得到的“當前結(jié)果”很可能已經(jīng)沒有價值.

(4)價值高.O2O用戶數(shù)據(jù)有著巨大的商業(yè)價值.用戶是O2O業(yè)務(wù)的核心，對用戶進行預(yù)測分析與深度復雜分析，對O2O電商企業(yè)無疑有著重大的價值，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)并不能運用傳統(tǒng)數(shù)據(jù)分析技術(shù)對其進行很好的利用.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，是對數(shù)據(jù)進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在數(shù)據(jù)庫或者文件中的數(shù)據(jù)，數(shù)據(jù)規(guī)模一般是GB級以下，而大數(shù)據(jù)挖掘中的數(shù)據(jù)規(guī)模一般是PB級甚至更大量級；2)兩者分析的數(shù)據(jù)類型不同，傳統(tǒng)數(shù)據(jù)分析主要針對靜態(tài)的、結(jié)構(gòu)化的數(shù)據(jù)，而大數(shù)據(jù)挖掘的對象不僅僅是結(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)，很多時候是以實時數(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)計學為基礎(chǔ)，分類和預(yù)測是兩種常見的數(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)計學方法，還大大使用了機器學習、人工智能的算法.

應(yīng)用于傳統(tǒng)數(shù)據(jù)分析的統(tǒng)計學方法主要有[4]：數(shù)學運算、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，即需要在明確的假設(shè)前提下分析數(shù)據(jù)，因而嚴重依賴于數(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)情景或無法準確理解分析目標，傳統(tǒng)數(shù)據(jù)分析工具就難以承擔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)分析實時性差，很難以合理的成本獲得可接受的響應(yīng)時間，直接導致在傳統(tǒng)分析過程中投入較高的成本，卻不能及時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，如何從大數(shù)據(jù)量、類型復雜的O2O電商用戶數(shù)據(jù)中及時洞察其中價值，將是O2O電商企業(yè)競爭的利器.大數(shù)據(jù)挖掘成為O2O電商用戶數(shù)據(jù)轉(zhuǎn)化為具有價值知識的重要手段，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O2O電商用戶數(shù)據(jù)特點，數(shù)據(jù)挖掘為O2O電商提供更有用的知識，更精確的信息以及更及時的響應(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)分析相對簡單，數(shù)據(jù)通常以文件或數(shù)據(jù)庫中元數(shù)據(jù)的形式組織，然后對其進行抽樣選擇，并利用分類算法和預(yù)測算法來預(yù)測數(shù)據(jù)對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)挖掘是一個知識自動發(fā)現(xiàn)的過程，在無明確的目標下從不同數(shù)據(jù)源獲取數(shù)據(jù)，對數(shù)據(jù)進行預(yù)處理，并大量使用機器學習與人工智能算法對龐大的觀測數(shù)據(jù)進行挖掘分析[7].O2O電商用戶數(shù)據(jù)挖掘著重解決這樣一個問題：在大數(shù)據(jù)中，分析各用戶群體的特點，進而分析用戶個人特點，獲得有價值的知識，從而獲取商業(yè)價值.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平臺中的用戶數(shù)據(jù)、社交網(wǎng)絡(luò)中的用戶數(shù)據(jù)、移動設(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、互動及觀測數(shù)據(jù)進行分類，然后通過Needlebase等工具在用戶消費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)準備過程中對數(shù)據(jù)進行解析、清洗、重構(gòu)，并填補缺失值以提高待挖掘數(shù)據(jù)的質(zhì)量.然后對通過數(shù)據(jù)準備的非結(jié)構(gòu)化、半結(jié)構(gòu)化的數(shù)據(jù)處理成機器語言或索引，如自然語言----用戶評論、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準的值；將結(jié)構(gòu)化數(shù)據(jù)進行數(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.最后進行數(shù)據(jù)抽取，即檢測數(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特征，關(guān)聯(lián)的數(shù)據(jù)本身也可以用于個性化服務(wù)，例如從用戶購買數(shù)據(jù)和時間數(shù)據(jù)的關(guān)聯(lián)性中，可能會發(fā)現(xiàn)購買特定商品的頻率；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，對數(shù)據(jù)進行深度挖掘.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，對其進行解釋應(yīng)用，一般挖掘應(yīng)用包括排名與個性化推薦、異常檢測、Web挖掘與搜索、大數(shù)據(jù)的可視化計算與分析等.

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)測未來趨勢及行為，做出前攝的、基于知識的決策.利用數(shù)據(jù)挖掘進行數(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數(shù)據(jù)進行挖掘.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)可分為簡單關(guān)聯(lián)、時序關(guān)聯(lián)、因果關(guān)聯(lián).在O2O模式中，通過對用戶數(shù)據(jù)進行挖掘，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、用戶細分、風險評估和詐騙預(yù)測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)對象的共同特點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)項映射到某個給定的類別.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、用戶購買趨勢預(yù)測等.在O2O用戶數(shù)據(jù)挖掘中，聚類分析是細分市場的有效工具，被用來發(fā)現(xiàn)不同的客戶群，研究消費者行為，并且通過購買模式刻畫不同的客戶群體特征.它可以應(yīng)用到O2O用戶個體歸類、用戶背景與興趣分析、用戶購買趨勢預(yù)測等.

(3)社會網(wǎng)絡(luò)分析.主要分析不同社會單位(個體、群體或社會)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)系借以描述和測量通過這些關(guān)系流動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，如分類中的反常實例、不滿足規(guī)則的特例、觀測結(jié)果與模型預(yù)測值的偏差、量值隨時間的變化等.它可以應(yīng)用到O2O用戶異常信息的發(fā)現(xiàn)、分析、識別、評價和用戶流失預(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、消費習慣和興趣焦點，讓O2O電商各參與者獲得具有極大價值的知識.面向O2O電商平臺，O2O電商用戶數(shù)據(jù)挖掘可以幫助平臺制定更加精準有效的營銷策略；面向O2O商家，大數(shù)據(jù)挖掘可以使線下商家實時掌握市場動態(tài)并迅速做出應(yīng)對；面向O2O用戶，大數(shù)據(jù)挖掘可以幫助O2O平臺及O2O商家為其提供更加及時、經(jīng)濟和個性化的服務(wù).

3.1 面向O2O平臺的數(shù)據(jù)挖掘應(yīng)用

3.1.1 實施精準營銷

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

3.1.2 優(yōu)化O2O平臺網(wǎng)站

O2O平臺網(wǎng)站的內(nèi)容設(shè)置直接影響用戶訪問O2O電商平臺的轉(zhuǎn)化率.在用戶登陸平臺的操作數(shù)據(jù)中挖掘用戶訪問頁面的統(tǒng)計信息，發(fā)現(xiàn)用戶訪問的模式，可為優(yōu)化O2O平臺提供決策借鑒.O2O平臺網(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)計和修改網(wǎng)站結(jié)構(gòu)和外觀，O2O平臺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

通過對用戶O2O數(shù)據(jù)進行挖掘來分析用戶行為，O2O平臺可以發(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.通過對用戶行為分析，可以發(fā)現(xiàn)潛在的消費者，并且針對其行為特征鎖定用戶群體以提供個性化服務(wù)，獲得高粘度的O2O用戶.來自社會網(wǎng)絡(luò)的用戶數(shù)據(jù)在預(yù)測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)注的鐵桿好友已購買某O2O服務(wù)并高度點評后，他自己就很有可能也關(guān)注該O2O平臺及其服務(wù)，這就有助于O2O平臺發(fā)現(xiàn)并進一步鎖定潛在客戶.

3.1.4 O2O增值服務(wù)

O2O平臺對擁有的海量用戶數(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，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)，如消費信貸、企業(yè)或商家的小額貸款等，阿里集團面向其平臺商家提供的日息千分之零點五的小額信貸服務(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平臺可以利用數(shù)據(jù)挖掘技術(shù)對一些有欺詐行為的商家樣本分析并采用神經(jīng)網(wǎng)絡(luò)算法進行建模，然后對用戶評論數(shù)據(jù)、用戶交易數(shù)據(jù)進行分析，評估商家的欺詐傾向，或采用數(shù)據(jù)挖掘孤立點分析技術(shù)，在對商家進行分析時找到那些與其他的商家不同的商家群來進行防范，幫助O2O平臺進行風險與欺詐管理.若欺詐行為很少，為了防止出錯，還可以對前面判斷出來的欺詐行為進行再次判斷，進一步提高判斷的準確性.

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

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

作為O2O模式中對用戶實現(xiàn)個性化服務(wù)的關(guān)鍵，個性化推薦根據(jù)用戶的興趣特點和購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，實時分析用戶的當前場景及歷史記錄，創(chuàng)建可能的用戶模型，迎合用戶的需求并為用戶實時提供個性化服務(wù)，對用戶請求進行分流.例如根據(jù)個人地理位置及用戶現(xiàn)時狀態(tài)，實時地為不同用戶提供餐飲、購物、電影等情景化推薦服務(wù).用戶數(shù)據(jù)挖掘得到的知識可以為用戶提供基于用戶關(guān)聯(lián)的個性化推薦、基于內(nèi)容特質(zhì)的個性化推薦和基于協(xié)同過濾的個性化推薦，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 廣告精準投放

通過對用戶O2O平臺操作數(shù)據(jù)的挖掘了解用戶在不同消費行為中的關(guān)鍵節(jié)點，可以為商家的網(wǎng)絡(luò)廣告策略提供借鑒，然后針對性的投放廣告，實現(xiàn)線下商家渴望的個性化市場營銷.在客戶數(shù)據(jù)基礎(chǔ)上，運用數(shù)據(jù)挖掘建立的概率知識庫和模糊知識庫，對實時獲取的在線信息進行概率分析，通過對廣告訪問者潛在的信息特征進行精準劃分，決定哪些是商家的真正顧客；分析顧客對某種廣告的反應(yīng)程度，決定下次廣告的投放渠道與時點；通過聚類分析，對某類客戶群提供定向廣告等等.當數(shù)據(jù)積累到一定規(guī)模時，通過數(shù)據(jù)挖掘可以精確計算出廣告中的每一個關(guān)鍵字為商家?guī)淼幕貓螅⒁源藢V告內(nèi)容進行優(yōu)化.

圖3 基于用戶數(shù)據(jù)挖掘的個性化推薦

3.3.2 產(chǎn)品與服務(wù)管理

一方面用戶數(shù)據(jù)挖掘為商家提供精準營銷實施的最佳方案，及時響應(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格自動微調(diào)，以實時響應(yīng)O2O平臺上的銷售情況，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)隱形知識和識別潛在商業(yè)機會，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)注的焦點集中在如何吸引用戶擴大銷售，而不是與哪一家O2O平臺合作.所以本地消費中，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平臺進行戰(zhàn)略合作.甚至當本地消費發(fā)展到一定程度時，線下商家可以考慮建設(shè)自己的O2O電商平臺，進行行業(yè)垂直整合，為本地用戶提供個性化電商服務(wù).

4 結(jié)束語

隨著云計算與數(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)中所蘊含的價值會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)意識到，最準確的商務(wù)決策來自于事實，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)價值.

[1]百度百科.大眾點評網(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)計模型:理論和實踐 [M].2版.吳喜之，譯.北京：機械工業(yè)出版社,2010.

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

[6]門登霍爾，辛塞奇.統(tǒng)計學[M].5版.梁馮珍，關(guān) 靜，譯.北京：機械工業(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].計算機技術(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.