基于圖數(shù)據(jù)的電商用戶特征分析方法

摘要：隨著互聯(lián)網技術和電子商務的快速發(fā)展，越來越多的企業(yè)開始涉足電子商務領域。但由于缺乏對用戶行為的深入理解及分析，很多企業(yè)不能很好地把握市場需求并制定營銷策略。因此，如何有效地挖掘潛在客戶群體，發(fā)現(xiàn)其消費習慣及購買力，進而為企業(yè)提供有價值的信息就變得尤為重要。本文提出了一種基于圖數(shù)據(jù)的電商用戶特征分析方法。本文首先介紹了電商用戶特征研究的背景與意義，接著闡述了該方面相關工作的現(xiàn)狀，并總結歸納出當前存在的主要問題，然后詳細描述了本研究所使用的理論知識和數(shù)據(jù)處理方法，最后，介紹了方法的實現(xiàn)過程，并對未來工作進行展望。

一、引言

隨著時代的發(fā)展，人們對于生活各方面都提出了新的要求。在其中，電子商務行業(yè)得到了飛速的發(fā)展，已經成為我國經濟體系中不可或缺的一部分。由于目前市場上存在大量的電商平臺和商家，所以如何從這些龐大的數(shù)據(jù)當中獲取有價值、有意義的信息變得十分重要。本文旨在解決這一問題，通過有效的分析方法為后續(xù)工作奠定基礎。本文主要分為以下步驟：首先，需要明確電商用戶數(shù)據(jù)的特點；其次，確定相應的數(shù)據(jù)分析方式以及相關算法；最后，結合實際情況，選擇合適的工具完成數(shù)據(jù)處理。綜上所述，本文主要解決電商用戶數(shù)據(jù)進行深入挖掘，找出有用的信息，分析用戶特征，預測購買行為，以此作為企業(yè)決策制定的參考依據(jù)[1]。

目前，國內外學者已經提出了多種用于分析和處理電商用戶數(shù)據(jù)的方法，利用多種技術理論實現(xiàn)用戶畫像的構建[2-3]。但由于這些方法都存在著各自不同的局限之處，所以并不適用于所有類型的數(shù)據(jù)。例如，在一些特定領域內，傳統(tǒng)的統(tǒng)計分析法就無法發(fā)揮出應有的作用。另外，如果想要利用機器學習等先進手段來實現(xiàn)對用戶行為模式的預測，那么還必須具備足夠多的訓練樣本[4-5]。鑒于此，本文擬采用基于圖數(shù)據(jù)的分析方法[6-7]（Graph-Based Analysis）結合數(shù)據(jù)挖掘的相關技術[8]，對電商用戶的基本屬性及消費習慣進行分析，以得出更加全面可靠的結論為目的。

二、相關技術概述

在對電商用戶數(shù)據(jù)進行挖掘時，需要先了解具體情況和需求。因此，可以將這些數(shù)據(jù)與已有的數(shù)據(jù)相結合來實現(xiàn)這一目的。而要想完成這項任務，就必須首先明確哪些數(shù)據(jù)是已經存在并且具有一定意義的，然后再從這些數(shù)據(jù)中找出能夠滿足當前需求的部分。這樣一來，不僅可以節(jié)省時間、提高效率，還有助于更好地把握住市場動向。本文采用K-means算法[9-10]對電商用戶數(shù)據(jù)進行挖掘。該算法主要包括以下幾個步驟：①確定初始化參數(shù)；②計算每個樣本到質心之間的距離；③按照最小距離原則把樣本劃分成若干簇；④更新各個簇中的中心值并重新計算新的質心；⑤重復以上操作直到達到最大迭代次數(shù)或滿足終止條件。在整個過程當中，需要不斷地調整k值以使得目標函數(shù)取得最優(yōu)解。由于K-means算法具有簡單、高效等優(yōu)點而被廣泛應用于各種領域。例如，在電子商務行業(yè)，它可以用來發(fā)現(xiàn)不同消費者群體所偏愛的商品類型以及他們各自的消費習慣。

三、 基于圖數(shù)據(jù)的電商用戶特征分析

（一）問題描述

在對電商用戶進行數(shù)據(jù)分析時，首先需要明確研究內容以及獲取數(shù)據(jù)的方式。為了更好地滿足用戶的需求，就必須充分掌握用戶使用該平臺的情況、習慣以及行為等，并據(jù)此制定出合理有效的營銷策略[11]。這也就是說，只有全面深入地理解用戶的需求，才能真正實現(xiàn)精準化營銷。為此，本文提出一種基于圖數(shù)據(jù)挖掘技術的電商用戶數(shù)據(jù)分析模型，以期達到這一目標。具體來說，在構建電商用戶特征分析模型時需要解決如下三個問題：

①如何對電商用戶進行準確分類；

②如何利用已有的用戶數(shù)據(jù)對未來可能出現(xiàn)的新用戶群體進行預測；

③如何針對不同類別的用戶采取相應的個性化推薦措施。

（二）數(shù)據(jù)預處理

在完成電商用戶數(shù)據(jù)的收集和整理后，就需要對這些海量、雜亂無章的用戶數(shù)據(jù)進行進一步篩選。首先，刪除那些無用或者錯誤的數(shù)據(jù)；其次，要從大量數(shù)據(jù)中提取出有用的信息，確保所獲取到的信息能夠準確地反映當前用戶的真實情況以及他們的需求。為達到這一個目的，可以采用一些數(shù)據(jù)處理技術，例如聚類算法，以挖掘出擁有相似性的用戶群體，并利用這個群體代表整個電商用戶群體。另外，也可以使用關聯(lián)規(guī)則的方式，發(fā)現(xiàn)用戶的某些潛在規(guī)律，進而更好地理解用戶的行為模式。在對數(shù)據(jù)進行處理時，最重要的是確定哪些數(shù)據(jù)應該保留下來，用于分析用戶的特征，同時又有哪些數(shù)據(jù)應該舍棄不用。本文使用K-MEANS算法，其基本思路為將一個給定的數(shù)據(jù)集劃分成K個不同的子集，并計算每個子集中各個樣本之間的距離。

（三）用戶特征聚類

用戶特征具有一定的穩(wěn)定性，且一些重要特征是影響購買意愿的核心因素[12]。選取性別、年齡、職業(yè)、平臺月登錄次數(shù)以及月瀏覽總時長作為用戶特征屬性，并將每位用戶使用向量的形式進行表示（詳見公式1）。每個向量包含5個分量，分別代表不同的特征屬性。在進行聚類分析之前，需要將性別、年齡和職業(yè)進行數(shù)字化處理，然后將所有特征屬性在指定范圍內進行歸一化處理，使得K-MEANS算法更加順利地執(zhí)行收斂，同時更加有效地進行統(tǒng)計分析。

①對于性別屬性，0代表男性、1代表女性；

②我們將年齡屬性分為以下范圍：18歲以下、（18，30]、（30，40]、（40，50]、（50，60]以及60歲以上，并使用1-6代表各年齡段范圍；

③根據(jù)國家統(tǒng)計局的行業(yè)劃分標準，我們將職業(yè)劃分為20個類別，使用1-20分別代表各職業(yè)類別。

接下來，我們使用最小-最大規(guī)范法（詳見公式2）將以上屬性轉換至0-1之間。K-MEANS算法根據(jù)數(shù)字化及歸一化處理后的特征屬性值進行聚類，得到的每個子類代表具有相似屬性值的電商用戶集合。

= [Tsex，Tage，Tjob，Tfre，Ttime]

（公式1：電商用戶特征屬性向量）

T ' = （Tdata－Tmin）/（Tmax－Tmin）

（公式2：用戶特征屬性歸一化公式）

（四）用戶特征表示

在完成數(shù)據(jù)和信息的收集后，可以利用相應的數(shù)據(jù)分析工具來進一步挖掘。通過對數(shù)據(jù)處理與整合，最終可以得出反映出用戶行為和偏好的用戶特征。為了更直觀地展示用戶特征，本文采用圖建模技術，將這些特征以可視化的形式展示給用戶。具體來說，我們首先建立一個用于描述用戶特征的帶權無向圖G=（V，E），其中V是節(jié)點集，E是邊集合。其中，每條邊都連接兩個節(jié)點，代表了兩組不同的用戶群體；然后定義頂點之間的關系，即用戶i具有的屬性值Xij表示該用戶是否屬于某個特定的類別，如果Xij∈{1，-1｝則說明該用戶屬于某一類，否則不屬于任何一種。邊的權值表示通過聚類后，每個類別之間的相似程度。

（五）用戶特征關聯(lián)分析

在對用戶特征進行挖掘后，需要將其與電商平臺中已有的相關用戶數(shù)據(jù)進行匹配，以更準確地了解用戶需求、數(shù)量和偏好等。這可以幫助企業(yè)更加準確地把握市場動向和消費者的消費傾向，為后續(xù)的經營活動提供支持。因此，本文利用Python編程語言構建一個包含有節(jié)點與帶權邊的用戶特征關聯(lián)網絡；然后使用NodeXL庫讀取已經建立好的網絡結構文件并導入其中，最后調用Cypher以及Numpy庫完成對用戶特征關聯(lián)網絡的可視化操作。通過這種方式，可以更直觀地展現(xiàn)出用戶在某一時間段內購買了哪些產品及相關的信息，進而挖掘出用戶潛在的購物偏好。

四、 研究方法的實現(xiàn)過程

（一）數(shù)據(jù)處理過程

首先，我們需要對收集到的電商平臺中的用戶數(shù)據(jù)進行初步處理。通過數(shù)據(jù)預處理，能夠獲取準確、可靠且高質量的數(shù)據(jù)，從而提供有價值的信息，以供后續(xù)的數(shù)據(jù)分析和挖掘。數(shù)據(jù)清洗和數(shù)據(jù)集成是數(shù)據(jù)處理的兩個重要步驟，數(shù)據(jù)清洗包括去除不相干的信息、噪聲、缺失值和異常值，而數(shù)據(jù)集成則是將不同的數(shù)據(jù)源整合為一個統(tǒng)一的數(shù)據(jù)存儲格式。

由于電子商務收集的數(shù)據(jù)通常存在缺陷和噪聲，因此采取了一些措施來解決這個問題。首先，了解這些缺陷的來源和形成機制，然后根據(jù)這些信息來處理這些缺陷。缺失值可能由多種原因造成，包括人為操作和機械設備故障。人為操作可能包括受訪者未能提供有效的個人信息，或者數(shù)據(jù)輸入人員疏忽大意而造成數(shù)據(jù)的丟失。數(shù)據(jù)丟失的原因可以歸納為完全丟失、偶然丟失和非偶然丟失三種。為處理丟失值，可以采取刪除、插入和不進行處理三種方法。然后將得到的數(shù)據(jù)集按照7∶3比例劃分為訓練集和測試集。接著使用Python編程語言分別調用Matplotlib、Scikit-Learn庫以及GraphX工具包構建用戶畫像模型，并計算其準確率。最后，比較不同算法下的用戶畫像模型，來驗證本文提出方法在電商用戶數(shù)據(jù)挖掘上的有效性。本文使用AUC指標衡量特征分析方法的精準度，從而方便驗證商家市場地位對于用戶購買行為的影響。

（二）驗證過程

在這項研究中，將比較四組不同模型的預測能力。這些模型考慮了商業(yè)地位因素，并使用不同比例的樣本進行訓練。根據(jù)這四組不同的模型來評估它們的預測能力，然后，可以通過計算均方誤差（MSE）和決定系數(shù)（R2）來衡量所提出的算法性能。

接下來，從原始數(shù)據(jù)集中提取有價值的信息以便進一步處理。首先，需要確定哪些屬性應該保留作為最終的輸入變量。由于本次研究涉及大量的用戶數(shù)據(jù)，因此選擇了一些重要的指標來篩選出最相關的屬性。例如，發(fā)現(xiàn)人口統(tǒng)計特征，如性別和年齡，能更好地反映用戶的真實情況。此外，用戶的訪問次數(shù)也是重要因素之一，因為當用戶瀏覽網站時，他們通常會留下自己的足跡。

然后使用Logistic回歸、Xgboost、Lightgbm和Catboost分別進行了驗證。令人驚喜的是，包括商家因素的測試集AUC結果優(yōu)于沒有包括商家因素的測試集，這說明了商家因素對于消費者的消費行為有著重要的影響。同時，還發(fā)現(xiàn)平均預測準確率提升了1%-2%，這進一步印證了商家因素對于預測的重要性。

五、結束語

隨著互聯(lián)網技術的不斷發(fā)展和消費觀念的變化，越來越多的消費者選擇在線上購物平臺購買商品。因此，準確把握客戶的需求、提高服務質量成為各商家關注的焦點。為指導企業(yè)經營決策，還需要深入挖掘用戶數(shù)據(jù)背后隱藏的價值。本文基于圖數(shù)據(jù)提出了一種電商用戶特征的分析方法。首先在獲取的數(shù)據(jù)中對用戶屬性進行數(shù)字化處理，再使用K-Means算法進行聚類，最后通過無向帶權圖將各個類別進行連接及展現(xiàn)。希望將本文的研究方法與推薦系統(tǒng)相結合，在綜合考慮用戶、商品、商家信息的基礎上，深入挖掘電商數(shù)據(jù)的價值，為電商平臺的精準營銷提供技術支持。

作者單位：徐曜 阜陽師范大學經濟學院

參? 考? 文? 獻

[1]劉嵩.數(shù)字經濟下電商平臺用戶購買行為的預測研究[D].北京：首都經濟貿易大學，2023.

[2]宋文智，白洪林，官潼筑等.基于數(shù)據(jù)挖掘的跨境電商RCEP國別用戶畫像研究[J].中國新通信.2021，23（19）：66-67.

[3]高月.基于大數(shù)據(jù)的電商用戶畫像的研究與應用[D].沈陽：沈陽師范大學，2020.

[4]楊帆.基于若干機器學習算法的電商平臺用戶價值研究---以電子書用戶畫像數(shù)據(jù)為例[D].重慶：西南大學，2022.

[5]江麗桃.跨境電商客戶分類研究---以天貓國際美妝為樣本[D].南昌：江西財經大學，2021.

[6]楊紫荊.面向圖數(shù)據(jù)推理的推薦系統(tǒng)研究[D].上海：華東師范大學，2022.

[7]李宸嚴.基于圖神經網絡的鏈接預測及電商智能推薦分析[D].烏魯木齊：新疆財經大學，2022.

[8]黃維雅.數(shù)據(jù)挖掘技術在電商客戶粘性預測中的研究[J].齊齊哈爾大學學報（自然科學版）.2023，39（01）：81-86+94.

[9]王慧麗.基于K-means聚類算法的電商數(shù)據(jù)智能分析方法設計[J].信息與電腦（理論版）.2022，34（14）：79-81.

[10]張玉琨.基于K-Means聚類分析的電商學生客戶細分研究[J].商場現(xiàn)代化.2022（08）：33-35.

[11]陳文匯.基于B公司電商購物平臺用戶畫像的營銷策略研究[D].綿陽：西南科技大學，2022.

[12]倪潞燕.基于組合相似度和用戶特征聚類的協(xié)同過濾推薦算法研究[D].銀川：北方民族大學，2019.