电商大数据分析

什么是数据分析

  运用不同行业中，专门从事行业数据搜集、整理、分析，并依据数据做出行业研究、评估和预测的专业人员。 熟悉行业知识、公司业务及流程，最好有自己独到的见解，若脱离行业认知和公司业务背景，分析结果就没有太大的使用价值。 一方面是搭建数据分析框架的要求，比如确定分析思路就需要用到营销、管理等理论知识来指导；另一方面是针对数据分析结论提出有指导意义的分析建议。能够掌握数据分析基本原理与一些有效的数据分析方法，并能灵活运用到实践工作中，对于开展数据分析起着至关重要的作用。 数据分析方法是理论，而数据分析工具就是实现数据分析方法理论的工具，面对越来越庞大的数据，必须依靠强大的数据分析工具帮我们完成数据分析工作。

电商大数据分析主要体现在哪些方面

  第一，其实对于电子商务来说最早的大数据分析是体现在分析网站数据上，现在电子商务的形式变得多样化，无论是PC端还是移动端百花齐放，而最开始电子商务主要的载体就是网站，因此分析网站每天或者每个时段的流量以及来源和具体的用户追踪数据等，这些都属于大数据分析。
  第二，随着电子商务的成熟，现在的电子商务不仅有网站一种载体，还有各种平台和app等载体，因此电商大数据分析就体现在RFM模型上，RFM模型指的是从各个渠道了解客户访问的产品的分类品牌价格和渠道等数据，打造完成的客户消费模型，以此来分析出有用的数据。
  第三，电子商务大数据分析自然不能只停留在用户行为的模仿，还体现在营销活动的精细化分析方面，具体的分析对象则是产品而不是用户，以产品为中心采集和分析数据，得到营销活动精细化的分析数据，最终可以用来优化产品。
  第四，大数据分析技术现在已经非常的成熟，因此在电子商务方面的体现还有分析产品之间的关联性，通过大量的数据分析得出产品和产品之间的关联性，这样可以让商家作为参考来调整产品。

算法和技术

1.基于规则模型统计分析
  基于规则统计分析主要用于数据分类和综合评价。综合评价是区划和规划的基础。从人类认识的角度来看有精确的和模糊的两种类型，因为很多时候很多现象难以用精确的定量关系划分和表示，因此基于规则的模糊模型也比较实用，模糊评价一般经过四个过程：
  (1)评价因子的选择与简化;
  (2)多因子重要性指标(权重)的确定;
  (3)因子内各类别对评价目标的隶属度确定;
  (4)选用某种方法进行多因子综合。分析数据的特性和规律等，按照一定的相关规则或者公式，也就是建立已提供的数据相关的统计模型，接着使用建立的统计模型处理数据，从而得到根据规则得到的统计结果。
2.协同过滤推荐
协同过滤推荐（Collaborative Filtering recommendation）
  与传统的基于内容过滤直接分析内容进行推荐不同，协同过滤分析用户兴趣，在用户群中找到指定用户的相似（兴趣）用户，综合这些相似用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度预测
主流的协同过滤方法有以下两种：
1）item-based CF
  基于物品的协同过滤，通过用户对不同物品的评分来评测物品之间的相似性，基于物品之间的相似性做出推荐。
2）user-based CF
  基于用户的协同过滤，通过不同用户对物品的评分来评测用户之间的相似性，基于用户之间的相似性做出推荐。
协同过滤的三个步骤
  1.收集用户偏好
  2.找到相似的用户或物品
  3.计算推荐

3.数据挖掘算法
  十大经典算法：C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, Naive Bayes, and CART.