數(shù)據(jù)挖掘在零售電商交易風(fēng)險預(yù)測中的應(yīng)用

常春燕 劉廣成

摘要：現(xiàn)在的電子商務(wù)交易中，網(wǎng)絡(luò)漏洞層出不窮，導(dǎo)致電子商務(wù)交易風(fēng)險加大。為了提高網(wǎng)絡(luò)交易的安全，推動電子商務(wù)的健康發(fā)展，對數(shù)據(jù)挖掘在零售電商交易風(fēng)險預(yù)測中的應(yīng)用進行研究。公開選取數(shù)據(jù)集，在此基礎(chǔ)上對數(shù)據(jù)進行預(yù)處理，完成面向大數(shù)據(jù)的交易進行中風(fēng)險值計算。提出方法進行了分類因子的判別，克服了傳統(tǒng)方法的弊端，在運算時間、預(yù)測結(jié)果精度均有較好的優(yōu)勢，最終結(jié)果優(yōu)于傳統(tǒng)方法，有效避免了傳統(tǒng)方法收斂速度較慢的缺點。

關(guān)鍵詞：數(shù)據(jù)挖掘;零售電商;電商交易;風(fēng)險預(yù)測

中圖分類號：F272.1 文獻標(biāo)識碼：A

文章編號：1009-3044（2019）35-0001-02

隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展以及社會智能化水平的提高，傳統(tǒng)的商業(yè)貿(mào)易正在經(jīng)歷一次重大改革，電子商務(wù)顯示出巨大的市場價值與潛力[1]。電子商務(wù)作為商業(yè)領(lǐng)域的一種新興貿(mào)易方式，它主要是以計算機網(wǎng)絡(luò)為應(yīng)用平臺、現(xiàn)代信息技術(shù)為媒介、經(jīng)濟利潤為核心的現(xiàn)代化商業(yè)運營模式，最終目的是為了實現(xiàn)商業(yè)活動的低成本、高效率和便捷化。

數(shù)據(jù)庫技術(shù)的迅猛發(fā)展以及數(shù)據(jù)庫管理系統(tǒng)的廣泛推廣和使用，使得數(shù)據(jù)積累得越來越多。爆炸式增長的數(shù)據(jù)背后隱藏著眾多關(guān)鍵數(shù)據(jù)，為了更好地利用這些數(shù)據(jù)，就必須對其進行合理科學(xué)的分析[2]。數(shù)據(jù)庫系統(tǒng)雖然能夠?qū)崿F(xiàn)數(shù)據(jù)的組織、存儲、管理、維護等功能，但卻挖掘不了數(shù)據(jù)中隱藏的規(guī)律，也就無法根據(jù)現(xiàn)有的數(shù)據(jù)對市場的運行規(guī)律和未來發(fā)展趨勢進行合理預(yù)測。數(shù)據(jù)庫系統(tǒng)對挖掘數(shù)據(jù)背后隱藏的信息無能為力，最終造成現(xiàn)在“數(shù)據(jù)爆炸但有效信息匱乏”的狀況，因此需要我們對現(xiàn)行的零售電商交易風(fēng)險預(yù)測進行合理創(chuàng)新、優(yōu)化。

1 數(shù)據(jù)挖掘在零售電商交易中的風(fēng)險預(yù)測

1.1公開數(shù)據(jù)集選取

有關(guān)交易數(shù)據(jù)的選擇，我們主要采取公開的不平衡數(shù)據(jù)集即可，使用Data Hackathon 5.X AV上保存的數(shù)據(jù)檢驗改進的xg-boost算法的性能[3]。一般狀況下，在不平衡數(shù)據(jù)集內(nèi)，樣本數(shù)相對較多的被稱之為正樣本，而樣本數(shù)相對較少的稱之為負(fù)樣本。數(shù)據(jù)集規(guī)模統(tǒng)一規(guī)定為19335*35。其中，正負(fù)樣本數(shù)量之間的比例大致是60：1，因而正負(fù)樣本比例嚴(yán)重失衡。如果應(yīng)用的數(shù)據(jù)挖掘改進的SMOTE上采樣算法可以在這個不平衡樣本集上發(fā)揮很好的分類效果，那么就表明SMOTE上采樣算法適合用于不平衡數(shù)據(jù)集的分類問題。所以，這個數(shù)據(jù)集就比較符合平衡數(shù)據(jù)的相關(guān)要求。

1.2數(shù)據(jù)預(yù)處理

有關(guān)對零售電商交易數(shù)據(jù)的預(yù)處理環(huán)節(jié)一共包括缺失值處理、特征One-hot編碼、數(shù)據(jù)過采樣三部分。

缺失值處理部分，輸入數(shù)據(jù)比如客戶歷史購買信息、退款信息等一般都會出現(xiàn)遺漏或缺失的狀況，如將這些記錄直接放入回收站，將會在一定程度上影響交易風(fēng)險預(yù)測的最終結(jié)果，造成結(jié)果精度誤差較大，為了實現(xiàn)更好的預(yù)測效果，需要對缺失值進行預(yù)先處理。而有關(guān)訓(xùn)練集數(shù)據(jù)缺失狀況詳情見下表所示：

對于表1中所列的類別型字段，比方說區(qū)域分類、費控標(biāo)志等字段均采取默認(rèn)值-1進行補充;對于大量缺失的字段，比方說負(fù)荷特性、市場化屬性、退款消費分類，就需要直接刪除該特征，以免耗費過多時間成本;重要性等級字段雖然缺失較大，可考慮到其特征的重要性，需要單獨保留該特征，采用-1補充;對于異常值極少的（<0.01%）字段數(shù)，直接刪除即可;至于有些毫無關(guān)聯(lián)（基本為0）的信息，直接刪除即可[4]。

特征One-hot編碼部分，特征字段主要是以O(shè)ne-hot分散編碼，One-hot編碼，也可稱之為獨屬編碼。其手段是利用N位狀態(tài)寄存器去對N個數(shù)據(jù)狀態(tài)進行單獨編碼，每一個數(shù)據(jù)狀態(tài)均有其獨立的寄存器位，且在任意段位，只存在一位有效。假如我們有四個樣本（行），每一個樣本包含著三個具體特征（列），如表2所示，借助one-hot編碼能夠獲得具體的數(shù)據(jù)特征。而特征分散編碼，一方面處理了以往分類器解決不好離散數(shù)據(jù)的問題，另一方面在一定意義上對填充特征也有積極的作用。

數(shù)據(jù)過采樣部分，當(dāng)正樣本所占總體樣本比重較低時，數(shù)據(jù)分類算法就會呈現(xiàn)出極為不穩(wěn)定，其對交易風(fēng)險的預(yù)測精度也會隨之降低。從原理上來講，預(yù)測的精準(zhǔn)程度在很大程度上取決于正負(fù)樣本能否可以利用某項程序規(guī)則進行完全區(qū)分[5]。當(dāng)訓(xùn)練數(shù)據(jù)集的正負(fù)樣本容量明顯較多且所占比例相差不大時，獲得這種程序的規(guī)則就有其普適性，預(yù)測的結(jié)果相對而言也會較為樂觀。然而，如果數(shù)據(jù)集的正樣本數(shù)量和負(fù)樣本數(shù)量之間相差懸殊，同時雙方樣本數(shù)量都較少時，計算機對這種規(guī)則的總結(jié)就會缺乏一定的普適性，如過度考慮樣本數(shù)量較少的一方，造成模預(yù)測失真。考慮到本方法中正樣本（危險用戶）占比較少，所以就需要通過上采樣處理辦法，來調(diào)改正負(fù)樣本的數(shù)量，提高交易風(fēng)險預(yù)測的效果。數(shù)據(jù)挖掘的SMOTE上采樣算法具體描述：首先對正樣本采用無放回式抽樣，增加實際購買行為的樣本數(shù)量，直到正負(fù)樣本數(shù)量基本保持一致，為了不損壞數(shù)據(jù)原有的分布狀況，對特征加以隨機干擾;其次對于負(fù)樣本保持不變;最后合并正負(fù)樣本數(shù)據(jù)集，整合成預(yù)測所用的整體數(shù)據(jù)集。正是因為Web數(shù)據(jù)量較為龐大，界面復(fù)雜，結(jié)構(gòu)缺乏統(tǒng)一標(biāo)準(zhǔn)。利用數(shù)據(jù)預(yù)處理那個最大限度地確保數(shù)據(jù)的精確性，能夠正確的反映出客戶的購買意圖，更好的支持零售電商的銷售決策。

1.3面向大數(shù)據(jù)的交易進行中風(fēng)險值計算

在數(shù)據(jù)挖掘的基礎(chǔ)上，對電商交易進行中風(fēng)險預(yù)測過程中的資產(chǎn)、威脅性以及脆弱性三個基本因素進行精準(zhǔn)識別和賦值;分別通過網(wǎng)絡(luò)脆弱性的難易程度來評安全事件發(fā)生的基本概率以及交易風(fēng)險威脅造成的損失分別進行計算，獲得風(fēng)險值[6]。假定T代表面向大數(shù)據(jù)的交易進行中隱性風(fēng)險出現(xiàn)的基本概率（即可信度）;A代表面向大數(shù)據(jù)的交易進行中隱性風(fēng)險資產(chǎn)的基本識別;V代表面向大數(shù)據(jù)的交易進行中的不穩(wěn)定性以及不穩(wěn)定性的嚴(yán)重程度。根據(jù)面向大數(shù)據(jù)的交易進行中風(fēng)險以及隱性風(fēng)險出現(xiàn)概率，利用網(wǎng)絡(luò)脆弱性的難易程度預(yù)測安全事件發(fā)生的基本概率，其計算公式如下：

式中，L表示面向大數(shù)據(jù)的交易進行過程中安全事件產(chǎn)生概率的計算函數(shù)。按照面向大數(shù)據(jù)的交易進行中不穩(wěn)定性程度以及隱性風(fēng)險威脅事件所產(chǎn)生的資產(chǎn)價值來計算隱性風(fēng)險威脅造成的經(jīng)濟損失，詳細(xì)計算公式如下：

式中，F(xiàn)表示面向大數(shù)據(jù)的交易進行中隱性風(fēng)險威脅發(fā)生后導(dǎo)致的經(jīng)濟損失計算函數(shù);La表示面向大數(shù)據(jù)的交易進行中隱性風(fēng)險威脅所產(chǎn)生的資產(chǎn)價值;Va表示面向大數(shù)據(jù)的交易進行中計算機網(wǎng)絡(luò)的脆弱性嚴(yán)重程度;按照以上分析，計算面向大數(shù)據(jù)的交易進行中隱性風(fēng)險威脅事件的發(fā)生概率以及對交易和電商所產(chǎn)生的影響，即面向大數(shù)據(jù)的交易進行中的隱性風(fēng)險值，具體計算公式如下：

式中，R表示面向大數(shù)據(jù)的交易進行中的隱性風(fēng)險計算函數(shù)。同時在本文設(shè)計的零售電商交易風(fēng)險預(yù)測中用二十分鐘這個闕值作為時間窗口劃分的默認(rèn)值[7]。一旦在電商頁面中客戶的請求時間超過了這個闕值，就會被認(rèn)為此會話結(jié)束。而在緩存頁面中客戶訪問的頁面存在兩種情況。第一種是顧客點擊“BACK”按鈕，調(diào)取緩存中所在的瀏覽器頁面;第二種是顧客多次訪問該頁面，這些頁面均列為相同會話中。通過這兩種情況，電商能夠迅速判斷出此客戶的潛在價值，降低交易過程中的風(fēng)險度。

2 實驗與效果分析

為了更加清晰的確定本文提出的基于數(shù)據(jù)挖掘的零售電商交易風(fēng)險預(yù)測的實際應(yīng)用效果，特與傳統(tǒng)的零售電商交易風(fēng)險預(yù)測進行對比，對其預(yù)測率的大小進行比較。

2.1實驗準(zhǔn)備

為保證實驗的準(zhǔn)確性，選擇100個零售電商交易樣本，在保證其他條件不變的情況下，將兩種零售電商交易風(fēng)險預(yù)測方法置于相同的實驗環(huán)境之中，進行風(fēng)險預(yù)測能力的實驗。

2.2實驗結(jié)果分析

實驗過程中，通過兩種不同的零售電商交易風(fēng)險預(yù)測設(shè)計同時在相同環(huán)境中進行工作，分析其預(yù)測率能力的變化。實驗效果對比圖如下所示。

通過對實驗結(jié)果的對比能夠得出結(jié)論：本文提出的方法不管是在運算時間上，還是在預(yù)測的結(jié)果精度上均有著較好的優(yōu)勢，最終的結(jié)果也優(yōu)于傳統(tǒng)方法，這主要是由于本文方法進行了分類因子的判別，克服了傳統(tǒng)方法的弊端，有效避免了以往算法收斂速度較慢的缺點。實驗表明本文方法是一種預(yù)測快速、預(yù)測精度高、結(jié)果可信的預(yù)測方法。

3 結(jié)束語

本文對數(shù)據(jù)挖掘在零售電商交易風(fēng)險預(yù)測中的應(yīng)用進行分析，依托數(shù)據(jù)挖掘技術(shù)，根據(jù)零售電商交易過程中的技術(shù)難題，對交易風(fēng)險預(yù)測方法進行優(yōu)化，實現(xiàn)本文設(shè)計。實驗論證表明，本文設(shè)計的方法具備極高的有效性。希望本文的研究能夠為數(shù)據(jù)挖掘在零售電商交易風(fēng)險預(yù)測中的應(yīng)用方法提供理論依據(jù)。

參考文獻：

[1]劉冠男，張亮，馬寶軍.基于隨機游走的電子商務(wù)退貨風(fēng)險預(yù)測研究[J].管理科學(xué)，2018，23（1）：3-14.

[2]王穎，阮夢黎.基于大數(shù)據(jù)的電商異常交易風(fēng)險評估仿真[J].計算機仿真，2018，11（3）：369-372.

[3]陳梅森，劉文彬，王良緣，等.掛牌交易模式下考慮合約和日前收益的風(fēng)電商靈活合約制定策略[J].現(xiàn)代電力，2019，19（1）：1-7.

[4]賴俊明.電子商務(wù)平臺售假現(xiàn)象及打假策略[J].企業(yè)經(jīng)濟，2018，16（5）：101-108.

[5]彭曉咖，周發(fā)明.農(nóng)村電商經(jīng)營效率研究一基于消費品下行的模型分析[J].農(nóng)業(yè)技術(shù)經(jīng)濟，2018，12（12）：111-118.

[6]李澤凡.電商經(jīng)濟發(fā)展中存在的法律問題及對策——以北京出臺雙11規(guī)定為例[J].成功營銷，2018，12（12）：93-94.

[7]易紹華.跨境電商企業(yè)”走出去”面臨的挑戰(zhàn)與建議——以阿里巴巴進入澳洲市場為例[J].中國發(fā)展觀察，2019，29（8）：61-62.

【通聯(lián)編輯：張薇】

收稿日期：2019-09-05

作者簡介：常春燕（1985-），女，河南泌陽人，碩士研究生，講師，研究方向為電子商務(wù)。