電商數(shù)據(jù)分析十大模型

　　數(shù)據(jù)分析不是一件簡(jiǎn)單的事情，要想做好，就要好好學(xué)會(huì)一些基本的模型，當(dāng)然并不是所有模型都要會(huì)，只要好好利用其中幾種，就可以達(dá)到非常好的數(shù)據(jù)分析效果。

　　1、基于歷史的MBR分析

　　以史為鏡可以知得失，MBR同樣就是基于這樣的思想產(chǎn)生的，通過(guò)分析以前發(fā)生過(guò)的事情，來(lái)推斷未來(lái)類似事情發(fā)生的一些特性。這種分析方法需要大量的歷史數(shù)據(jù)，只有有了足夠的歷史數(shù)據(jù)方能做出相對(duì)較好的預(yù)測(cè)。這一點(diǎn)對(duì)于我們做電子商務(wù)的啟示，就是要我們要注重?cái)?shù)據(jù)的積累和收集，通過(guò)數(shù)據(jù)來(lái)把控市場(chǎng)的變化和消費(fèi)者行為的變化。

　　2、購(gòu)物籃分析

　　購(gòu)物籃分析就是找出什么樣的東西放在一起更加容易獲得消費(fèi)者的喜愛，即便兩件看上去沒有關(guān)系的商品，卻可能獲得很好的銷售收益，這就是商品之間的關(guān)聯(lián)性，購(gòu)物籃分析就是要找到這種關(guān)聯(lián)性。舉例來(lái)說(shuō)，零售店可藉由此分析改變置物架上的商品排列或是設(shè)計(jì)吸引客戶的商業(yè)套餐等等。

　　3、決策樹

　　決策樹分析法是常用的風(fēng)險(xiǎn)分析決策方法。決策樹在解決歸類與預(yù)測(cè)上有著極強(qiáng)的能力，它以法則的方式表達(dá)，而這些法則則以一連串的問(wèn)題表示出來(lái)，經(jīng)由不斷詢問(wèn)問(wèn)題最終能導(dǎo)出所需的結(jié)果。比較以及選擇的方法，其決策是以期望值為標(biāo)準(zhǔn)的。人們對(duì)未來(lái)可能會(huì)遇到好幾種不同的情況。每種情況均有出現(xiàn)的可能，人們目前無(wú)法確知，但是可以根據(jù)以前的資料來(lái)推斷各種自然狀態(tài)出現(xiàn)的概率。在這樣的條件下，人們計(jì)算的各種方案在未來(lái)的經(jīng)濟(jì)效果只能是考慮到各種自然狀態(tài)出現(xiàn)的概率的期望值，與未來(lái)的實(shí)際收益不會(huì)完全相等。

　　4、聚類分析

　　這個(gè)技術(shù)涵蓋范圍相當(dāng)廣泛，包含基因算法、類神經(jīng)網(wǎng)絡(luò)、統(tǒng)計(jì)學(xué)中的群集分析都有這個(gè)功能。它的目標(biāo)為找出數(shù)據(jù)中以前未知的相似群體，在許許多多的分析中，剛開始都運(yùn)用到群集偵測(cè)技術(shù)，以作為研究的開端。

　　5、遺傳算法

　　遺傳算法學(xué)習(xí)細(xì)胞演化的過(guò)程，細(xì)胞間可經(jīng)由不斷的選擇、復(fù)制、交配、突變產(chǎn)生更佳的新細(xì)胞。基因算法的運(yùn)作方式也很類似，它必須預(yù)先建立好一個(gè)模式，再經(jīng)由一連串類似產(chǎn)生新細(xì)胞過(guò)程的運(yùn)作，利用適合函數(shù)決定所產(chǎn)生的后代是否與這個(gè)模式吻合，最后僅有最吻合的結(jié)果能夠存活，這個(gè)程序一直運(yùn)作直到此函數(shù)收斂到最佳解?；蛩惴ㄔ谌杭?cluster)問(wèn)題上有不錯(cuò)的表現(xiàn)，一般可用來(lái)輔助記憶基礎(chǔ)推理法與類神經(jīng)網(wǎng)絡(luò)的應(yīng)用。

　　6、連接分析

　　連接分析是以數(shù)學(xué)中之圖形理論為基礎(chǔ)，藉由記錄之間的關(guān)系發(fā)展出一個(gè)模式，它是以關(guān)系為主體，由人與人、物與物或是人與物的關(guān)系發(fā)展出相當(dāng)多的應(yīng)用。例如電信服務(wù)業(yè)可藉連結(jié)分析收集到顧客使用電話的時(shí)間與頻率，進(jìn)而推斷顧客使用偏好為何，提出有利于公司的方案。除了電信業(yè)之外，愈來(lái)愈多的營(yíng)銷業(yè)者亦利用連結(jié)分析做有利于企業(yè)的研究。

　　7、羅吉斯回歸分析

　　當(dāng)判別分析中群體不符合正態(tài)分布假設(shè)時(shí)，羅吉斯回歸分析是一個(gè)很好的替代方法。羅吉斯回歸分析并非預(yù)測(cè)事件是否發(fā)生，而是預(yù)測(cè)該事件的機(jī)率。它將自變量與因變量的關(guān)系假定是S行的形狀，當(dāng)自變量很小時(shí)，機(jī)率值接近為零;當(dāng)自變量值慢慢增加時(shí)，機(jī)率值沿著曲線增加，增加到一定程度時(shí)，曲線協(xié)率開始減小，故機(jī)率值介于0與1之間。

　　8、神經(jīng)網(wǎng)絡(luò)

　　神經(jīng)網(wǎng)絡(luò)是以重復(fù)學(xué)習(xí)的方法，將一串例子交與學(xué)習(xí)，使其歸納出一足以區(qū)分的樣式。若面對(duì)新的例證，神經(jīng)網(wǎng)絡(luò)即可根據(jù)其過(guò)去學(xué)習(xí)的成果歸納后，推導(dǎo)出新的結(jié)果，乃屬于機(jī)器學(xué)習(xí)的一種。數(shù)據(jù)挖掘的相關(guān)問(wèn)題也可采類神經(jīng)學(xué)習(xí)的方式，其學(xué)習(xí)效果十分正確并可做預(yù)測(cè)功能。

　　9、判別分析

　　當(dāng)所遭遇問(wèn)題它的因變量為定性，而自變量(預(yù)測(cè)變量)為定量時(shí)，判別分析為一非常適當(dāng)之技術(shù)，通常應(yīng)用在解決分類的問(wèn)題上面。若因變量由兩個(gè)群體所構(gòu)成，稱之為雙群體 —判別分析;若由多個(gè)群體構(gòu)成，則稱之為多元判別分析。

　　10、OLAP分析

　　嚴(yán)格說(shuō)起來(lái)，OLAP分析并不算特別的一個(gè)數(shù)據(jù)挖掘技術(shù)，但是透過(guò)在線分析處理工具，使用者能更清楚的了解數(shù)據(jù)所隱藏的潛在意涵。如同一些視覺處理技術(shù)一般，透過(guò)圖表或圖形等方式顯現(xiàn)，對(duì)一般人而言，感覺會(huì)更友善。這樣的工具亦能輔助將數(shù)據(jù)轉(zhuǎn)變成信息的目標(biāo)。

　　數(shù)據(jù)分析十大模型，是經(jīng)過(guò)歷史證明非常有效的模型，靈活運(yùn)用會(huì)獲得非常不錯(cuò)的效果。