|
知识路径: > 信息系统数据资源维护 > 信息系统数据资源的开发与利用 > 信息系统数据资源的开发与利用方法 > 信息系统数据资源的开发与利用 >
|
相关知识点:9个
|
|
|
|
|
数据挖掘的基本问题就在于数据的数量和维数,数据结构显得非常复杂,数据分析变量即是在数据挖掘技术应用中产生的,选择合适的分析变量,将提高数据挖掘的效率,特别适用于电子商务中大量商品以及用户信息的处理。
|
|
|
针对这一问题,完全可以用分类的方法,分析出不同信息的属性以及出现频率进而抽象出变量,运用到所选模型中,进行分析。
|
|
|
|
数据抽取的目的是对数据进行浓缩,给出它的紧凑描述,如求和值、平均值、方差值等统计值,或者用直方图、饼状图等图形方式表示,更主要的是从数据泛化的角度来讨论数据总结。数据泛化是一种把最原始、最基本的信息数据从低层次抽象到高层次上的过程。可采用多维数据分析方法和面向属性的归纳方法。
|
|
|
在电子商务活动中,采用维数据分析方法进行数据抽取,他针对的是电子商务活动中的客户数据仓库。在数据分析中经常要用到诸如求和、总计、平均、最大、最小等汇集操作,这类操作的计算量特别大,可把汇集操作结果预先计算并存储起来,以便用于决策支持系统。
|
|
|
|
数据是海量的,那么数据中就会隐含一定的变化趋势,在电子商务中对数据趋势的预测尤为重要,特别是对客户信息以及商品信息合理的预测,有利于企业有效的决策,获得更多地利润。但如何对这一趋势做出合理的预测,现在还没有统一标准可寻,而且在进行数据挖掘过程中大量数据形成文本后格式的非标准化,也给数据的有效挖掘带来了困难。
|
|
|
针对这一问题,可以在电子商务中应用聚类分析的方法,把具有相似浏览模式的用户集中起来,对其进行详细的分析,从而提供更适合、更令用户满意的服务。聚类分析方法的优势在于便于用户在查看日志时对商品及客户信息有全面及清晰的掌控,便于开发和执行未来的市场战略,包括自动给一个特定的顾客聚类发送销售邮件,为一个顾客聚类动态地改变一个特殊的站点等,这无论对客户和销售商来说都很有意义。
|
|
|
|
数据模型包括概念数据模型、逻辑数据模型、物理模型。数据挖掘的模型目前也有多种,包括采集模型、处理模型及其他模型,但无论哪种模型都不是很成熟存在缺陷,对数据模型不同采用不同的方式应用。可能产生不同的结果,甚至差异很大,因此这就涉及数据可靠性的问题。数据的可靠性对于电子商务来说尤为重要作用。
|
|
|
针对这一问题,我们要保障数据在挖掘过程中的可靠性,保证它的准确性与实时性,进而使其在最后的结果中的准确度达到最高,同时在应用模型过程中要尽量全面的分析问题,避免片面,而且分析结果要由多人进行评价,从而最大限度地保证数据的可靠性。
|
|
|
|
大量的数据存在着私有性与安全性的问题,特别是电子商务中的各种信息,这就给数据挖掘造成了一定的阻碍,如何解决这一问题成了技术在应用中的关键。
|
|
|
为此相关人员在进行数据挖掘过程中一定要遵守职业道德,保障信息的机密性。
|
|
|
|
数据挖掘结果具有不确定性的特征,因为挖掘的目的不同所以最后挖掘的结果自然也会千差万别,因此这就需要我们与所要挖掘的目的相结合,做出合理判断,得出企业所需要的信息,便于企业的决策选择。进而达到提高企业经济效益,获得更多利润的目的。
|
|
|
数据挖掘可以发现一些潜在的用户,对于电子商务来说是一个不可或缺的技术支持,数据挖掘的成功要求使用者对期望解决问题的领域有深刻的了解,数据挖掘技术在一定程度上解决了电子商务信息不能有效利用的问题,但它在运用过程中出现的问题也亟待人们去解决。相信数据挖掘技术的改进将推进电子商务的深入发展。
|
|
|