Online-to-Offline( 簡稱 O2O) 電子商務模式，是一個連接線上用戶和線下商家的多邊平臺商業(yè)模式． O2O 商業(yè)模式將實體經濟與線上資源融合在一起，使網絡成為實體經濟延伸到虛擬世界的渠道; 線下商業(yè)可以到線上挖掘和吸引客源，而消費者可以在線上篩選商品和服務并完成支付，再到實體店完成余下消費． 它最先由 TrialPay 創(chuàng)始人 AlexRampell提出，在 2006 年沃爾瑪公司的 B2C 戰(zhàn)略中予以應用，隨后以網絡團購形式為大家所熟知． 目前 O2O電子商務與社交網絡和移動終端緊密結合，除網絡團購之外，還出現了移動優(yōu)惠、簽到、個性推薦等基于位置的增值服務等商業(yè)形態(tài); 從事 O2O 電商的企業(yè)更是數以萬計，除了 Foursquare、大眾點評網、拉手網等后起之秀外，還不乏 FaceBook、Twitter、騰訊和百度等業(yè)界巨鱷也在迅猛跟進; O2O 電商交易額也迅速放大，2011 年大眾點評網營業(yè)額已破 10 億元; 與交易猛增隨之而來的是爆發(fā)式增長的 O2O 電商數據，大眾點評網目前每天的活躍數據量已經超過10TB，共有 240 萬商家信息和 5500 萬活躍用戶在上面活動，每天發(fā)表點評超過 80 萬條，每日點評瀏覽量超過 4700 萬人次。
用戶數據的暴增與數據的社會化在很大程度上模糊了 O2O 電商企業(yè)數據的邊界，這些由用戶創(chuàng)造的海量數據遠遠超越了目前人力所能處理的范疇．龐大的數據量使得數據過載、數據冗余、數據捕獲成本快速增長、數據價值不易獲得成為O2O電子商務面臨的新問題． 根據相關統(tǒng)計顯示，如今世界已經進入到大數據時代，電子商務中用戶數據每年增長約 60%，企業(yè)平均捕獲其中的 25% ～ 30%，但數據的利用一般不足其 5%，用戶數據作為O2O電商核心資源的商業(yè)價值遠未被挖掘． 基于此，本文對“大數據”環(huán)境下 O2O 用戶數據挖掘以及應用進行了分析。
1 大數據環(huán)境下O2O電子商務用戶數據特征分析
相比傳統(tǒng)的電子商務數據，O2O 用戶數據并不僅僅局限于平臺數據，即用戶在 O2O 的交易數據，還包括了社交網絡、用戶移動終端的地理位置等數據． 也就是說，O2O 電子商務用戶數據為在 O2O 電商日常經營中產生和積累的與用戶相關的交易、互動、觀測數據。 O2O 用戶數據具有大數據的特征。
( 1) 體量大。 不少的O2O電商企業(yè)每日所產生的用戶數據已經達到TB級． 在融入了社交網絡和移動互聯網的O2O電子商務中，O2O用戶數據已不僅僅是用戶交易數據，它擁有更加廣泛的數據源，其數據規(guī)模會從TB級躍升到PB甚至是EB級。未來企業(yè)會將更多的TB級數據應用于商務智能和商務分析。
( 2) 類型多。 O2O 用戶數據類型復雜． 它并不僅限于 O2O 用戶基本資料、用戶消費記錄、電商企業(yè)內部業(yè)務信息等海量的結構化和半結構化數據，還包括用戶評論等反饋數據、用戶 O2O 平臺行為記錄、移動終端數據和社交媒體等非結構數據．
( 3) 速率快。 O2O 模式對用戶數據實時處理有著極高的要求: 用戶數據伴隨用戶行為產生，這些數據往往是高速實時數據流，例如用戶在線下商家的消費情況、用戶的地理位置和移動方向等，而且O2O 業(yè)務周期短，這需要實時的分析用戶數據并根據分析結果對用戶進行個性化服務，通過傳統(tǒng)的數據庫查詢方式得到的“當前結果”很可能已經沒有價值。
( 4) 價值高。 O2O 用戶數據有著巨大的商業(yè)價值。用戶是 O2O 業(yè)務的核心，對用戶進行預測分析與深度復雜分析，對 O2O 電商企業(yè)無疑有著重大的價值，但龐大而繁雜的不相關用戶數據，這也決定了其價值密度低的特性。
2 大數據環(huán)境下 O2O 電商用戶數據挖掘流程與方法
2.1 O2O 電商用戶數據挖掘框架
由于 O2O 電商用戶數據的 4V 大數據特征，電商企業(yè)并不能運用傳統(tǒng)數據分析技術對其進行很好的利用． 傳統(tǒng)數據分析與大數據挖掘都是從數據中提取有用信息、發(fā)現知識，是對數據進行深入分析和增值開發(fā)利用的過程，但是它們之間有著本質區(qū)別，主要體現在: 1) 兩者分析的數據規(guī)模不同，傳統(tǒng)數據分析處理的通常是存儲在數據庫或者文件中的數據，數據規(guī)模一般是 GB 級以下，而大數據挖掘中的數據規(guī)模一般是 PB 級甚至更大量級; 2) 兩者分析的數據類型不同，傳統(tǒng)數據分析主要針對靜態(tài)的、結構化的數據，而大數據挖掘的對象不僅僅是結構化數據，還包括半結構化、非結構化數據，很多時候是以實時數據為主; 3) 兩者的分析手段與方法也有差別，傳統(tǒng)數據分析的主要算法以統(tǒng)計學為基礎，分類和預測是兩種常見的數據分析形式，主要包括探索性數據分析( EDA) 和驗證性數據分析( CDA) ，而大數據挖掘不僅僅需要統(tǒng)計學方法，還大大使用了機器學習、人工智能的算法。
應用于傳統(tǒng)數據分析的統(tǒng)計學方法主要有:數學運算、快速傅里葉變換、平滑和濾波、基線和峰值分析． 然而這些方法在大數據環(huán)境下是很難有效使用的，一方面?zhèn)鹘y(tǒng)數據分析需要假設檢驗，即需要在明確的假設前提下分析數據，因而嚴重依賴于數據分析師及分析過程，若數據分析員不熟悉業(yè)務情景或無法準確理解分析目標，傳統(tǒng)數據分析工具就難以承擔 O2O 電商客戶數據挖掘重任; 另一方面?zhèn)鹘y(tǒng)數據分析只適合結構化數據，難以集成和分析地理數據、視頻數據、文本數據等非結構化數據． 另外，傳統(tǒng)數據分析實時性差，很難以合理的成本獲得可接受的響應時間，直接導致在傳統(tǒng)分析過程中投入較高的成本，卻不能及時獲得管理人員所需要的分析結果。
在傳統(tǒng)數據分析失效時，如何從大數據量、類型復雜的O2O電商用戶數據中及時洞察其中價值，將是 O2O 電商企業(yè)競爭的利器。大數據挖掘成為O2O電商用戶數據轉化為具有價值知識的重要手段，是通過分析海量數據，從數據海洋中尋找其規(guī)律的技術。 針對O2O電商用戶數據特點，數據挖掘為O2O電商提供更有用的知識，更精確的信息以及更及時的響應。基于此，我們提出了一種O2O電商用戶數據挖掘框架，如圖 1 所示。
圖1.O2O電商用戶數據挖掘框架
O2O 電商用戶數據挖掘框架包括數據來源層、數據收集層、數據組織層、數據存儲層、數據分析層、數據應用層． 其中數據收集、數據組織、數據存儲層屬于數據挖掘中數據預處理過程( 數據準備、數據轉化、數據抽取) ，數據分析層為應用數據挖掘模型來分析數據． 數據應用層采用面向對象方式的數據應用，包括面向 O2O 平臺應用、面向 O2O 用戶應用和面向O2O 商家的應用。
2.2 O2O 電商用戶數據挖掘流程
從分析流程來講，傳統(tǒng)數據分析相對簡單，數據通常以文件或數據庫中元數據的形式組織，然后對其進行抽樣選擇，并利用分類算法和預測算法來預測數據對象的離散類別和連續(xù)取值。不同于傳統(tǒng)數據分析，大數據挖掘是一個知識自動發(fā)現的過程，在無明確的目標下從不同數據源獲取數據，對數據進行預處理，并大量使用機器學習與人工智能算法對龐大的觀測數據進行挖掘分析。O2O 電商用戶數據挖掘著重解決這樣一個問題: 在大數據中，分析各用戶群體的特點，進而分析用戶個人特點，獲得有價值的知識，從而獲取商業(yè)價值． 如圖 2所示，數據挖掘流程包括: 數據收集、數據準備、數據轉化、數據抽取、數據挖掘、挖掘應用。
圖2.O2O電商數據挖掘流程
(1) 數據收集． O2O 用戶數據源包括 O2O 平臺的用戶數據等． 用戶數據以“流”的形式創(chuàng)造，由于3個數據源之間有交互，且其數據內容往往交叉，所以按照交易、互動及觀測數據進行分類，然后通過Needlebase 等工具在用戶消費的過程或其它行為中收集。
(2) 數據預處理． 數據預處理包括了數據準備、數據轉化及數據抽取。 數據預處理決定了挖掘結果的質量，從某種程度上來看，數據預處理往往左右著數據挖掘的成敗。
由于原始數據中有噪聲數據、冗余數據及缺失值等，數據準備過程中對數據進行解析、清洗、重構，并填補缺失值以提高待挖掘數據的質量。 然后對通過數據準備的非結構化、半結構化的數據處理成機器語言或索引，如自然語言 用戶評論、日志資料等 轉換成加權邏輯或是模糊邏輯，并且不同的詞語映射到標準的值; 將結構化數據進行數據過濾，提煉出有意義數據，剔除無效數據以提高分析效率。最后進行數據抽取，即檢測數據的相關性和關聯性:關聯的數據表現出更多的特定用戶活動特征，關聯的數據本身也可以用于個性化服務，例如從用戶購買數據和時間數據的關聯性中，可能會發(fā)現購買特定商品的頻率; 數據融合是將相關聯的數據連接在一起形成一個新的商業(yè)應用。
(3) 數據挖掘及其應用． 在數據挖掘過程中，根據不同的應用需求選擇不同的挖掘模型，對數據進行深度挖掘． 其中主要模型有: 關聯規(guī)則分析、分類分析、聚類分析等，當前數
據挖掘也存在一些用戶模型，這些用戶模型將人以性別、種族、年齡和興趣等分類． 得到數據挖掘結果后，對其進行解釋應用，一般挖掘應用包括排名與個性化推薦、異常檢測、Web 挖掘與搜索、大數據的可視化計算與分析等。
2.3 O2O 電商用戶數據挖掘方法
數據挖掘通過預測未來趨勢及行為，做出前攝的、基于知識的決策． 利用數據挖掘進行數據分析常用的方法主要有分類、聚類、關聯規(guī)則等，它們分別從不同的角度對數據進行挖掘。O2O 電商用戶數據挖掘的方法主要有關聯規(guī)則分析、分類與聚類分析、社會網絡分析、變化與偏差分析。
(1) 關聯規(guī)則分析． 關聯可分為簡單關聯、時序關聯、因果關聯． 在 O2O 模式中，通過對用戶數據進行挖掘，可以從大量的記錄中發(fā)現其關聯關系，找出影響用戶行為的關鍵因素，為用戶需求、用戶細分、風險評估和詐騙預測等決策支持提供參考依據。
(2) 分類與聚類分析． 分類是找出數據對象的共同特點并按照分類模式將其劃分為不同的類，其目的是通過分類模型，將數據項映射到某個給定的類別。它可以應用到 O2O 用戶的分類、用戶屬性和特征分析、用戶滿意度分析、用戶購買趨勢預測等。在 O2O 用戶數據挖掘中，聚類分析是細分市場的有效工具，被用來發(fā)現不同的客戶群，研究消費者行為，并且通過購買模式刻畫不同的客戶群體特征． 它可以應用到 O2O 用戶個體歸類、用戶背景與興趣分析、用戶購買趨勢預測等。
(3) 社會網絡分析． 主要分析不同社會單位( 個體、群體或社會) 所構成的關系結構及其屬性。 它關注 O2O 用戶之間的關系而非用戶的屬性，通過研究用戶之間的關系借以描述和測量通過這些關系流動的各種有形或無形的東西，如信息、資源等。
(4) 變化和偏差分析． 變化和偏差分析包括很多潛在的知識，如分類中的反常實例、不滿足規(guī)則的特例、觀測結果與模型預測值的偏差、量值隨時間的變化等． 它可以應用到 O2O用戶異常信息的發(fā)現、分析、識別、評價和用戶流失預警等方面。
3.1 面向 O2O 平臺的數據挖掘應用
3.1.1 實施精準營銷
對 O2O 平臺來說，用戶數據挖掘代表著更細化的市場、更精準的用戶行為預測、更精確的用戶需求． 通過收集、加工和處理涉及用戶消費行為的大量信息，確定特定用戶群體或個體的興趣、消費習慣、消費傾向和消費需求，進而推斷出相應用戶群體或個體下一步的消費行為，然后以此為基礎，對所識別出來的用戶群體進行特定內容的定向營銷，這與傳統(tǒng)的不區(qū)分用戶對象特征的大規(guī)模營銷手段相比，節(jié)省了營銷成本，提高了營銷效果，提升了平臺的價值和鎖住大量高粘度的消費者，進而能爭取到更多的商家資源． 此外借助數據挖掘，O2O 平臺還可以有效的、低成本的識別高價值用戶，將這些用戶與其它普通用戶區(qū)分出來，針對他們的特點進行特別服務以獲得更高的收益。
3.1.2 優(yōu)化 O2O 平臺網站
O2O 平臺網站的內容設置直接影響用戶訪問O2O 電商平臺的轉化率． 在用戶登陸平臺的操作數據中挖掘用戶訪問頁面的統(tǒng)計信息，發(fā)現用戶訪問的模式，可為優(yōu)化 O2O 平臺提供決策借鑒． O2O 平臺網站可以根據挖掘出的訪問者特征與下單規(guī)律來設計和修改網站結構和外觀，O2O 平臺可以把具有一定支持度和信任度的關聯產品與服務擺放在一起以助銷售． 此外通過挖掘 O2O 平臺的用戶瀏覽數據，可以發(fā)現用戶訪問頁面的相關性與用戶的期望位置，O2O 平臺可以分別在密切相關的網頁之間增加鏈接以及為主要的期望網頁位置建立導航鏈接，并合理的安排服務器網頁預取和緩存策略，減少服務器響應延遲時間，提高用戶瀏覽的滿意度。
3.1.3 穩(wěn)定客戶關系
通過對用戶 O2O 數據進行挖掘來分析用戶行為，O2O 平臺可以發(fā)現、鎖定、留住用戶． 這些分析包括客戶群體劃分、背景與興趣分析、交叉銷售以及客戶流失分析． 通過對用戶行為分析，可以發(fā)現潛在的消費者，并且針對其行為特征鎖定用戶群體以提供個性化服務，獲得高粘度的 O2O 用戶． 來自社會網絡的用戶數據在預測客戶流失和推薦銷售方面十分有效，比如用戶如果知道其關注的鐵桿好友已購買某 O2O 服務并高度點評后，他自己就很有可能也關注該 O2O 平臺及其服務，這就有助于 O2O 平臺發(fā)現并進一步鎖定潛在客戶。
3.1.4 O2O 增值服務
O2O 平臺對擁有的海量用戶數據挖掘后，可以整合用戶行為數據，建立較為完備的用戶行為數據庫，為 O2O 商家提供用戶行為數據產品，以此創(chuàng)造數據服務收入來源，阿里巴巴聚石塔及淘寶數據魔方是其典型應用． 另外 O2O 電商平臺還可以開展其他企業(yè)因缺乏數據而難以涉足的新業(yè)務，如消費信貸、企業(yè)或商家的小額貸款等，阿里集團面向其平臺商家提供的日息千分之零點五的小額信貸服務就是基于海量客戶數據挖掘的增值應用。
3.1.5 欺詐分析與防范
O2O 平臺可以利用數據挖掘技術對一些有欺詐行為的商家樣本分析并采用神經網絡算法進行建模，然后對用戶評論數據、用戶交易數據進行分析，評估商家的欺詐傾向，或采用數據挖掘孤立點分析技術，在對商家進行分析時找到那些與其他的商家不同的商家群來進行防范，幫助 O2O 平臺進行風險與欺詐管理． 若欺詐行為很少，為了防止出錯，還可以對前面判斷出來的欺詐行為進行再次判斷，進一步提高判斷的準確性。
3.2 面向 O2O 用戶的數據挖掘應用———個性化推薦
客戶數據挖掘結果可以作為服務由 O2O 平臺提供給用戶，支持其消費決策． 這有助于形成 O2O平臺利用數據與用戶溝通的新模式，使客戶更關注O2O 平臺，這也能帶來用戶忠誠度和客戶關系的極大改善． 對用戶而言，O2O 平臺提供豐富、全面、及時的商家信息，并能針對相似用戶的興趣與需求，快捷篩選并推薦適宜的商品，為用戶消費決策提供支持。
作為 O2O 模式中對用戶實現個性化服務的關鍵，個性化推薦根據用戶的興趣特點和購買行為向用戶推薦其感興趣的信息和商品。 通過用戶數據挖掘，實時分析用戶的當前場景及歷史記錄，創(chuàng)建可能的用戶模型，迎合用戶的需求并為用戶實時提供個性化服務，對用戶請求進行分流． 例如根據個人地理位置及用戶現時狀態(tài)，實時地為不同用戶提供餐飲、購物、電影等情景化推薦服務． 用戶數據挖掘得到的知識可以為用戶提供基于用戶關聯的個性化推薦、基于內容特質的個性化推薦和基于協同過濾的個性化推薦，如圖 3 所示。
圖1.基于用戶數據挖掘的個性化推薦
3.3 面向 O2O 商家的數據挖掘應用
3.3.1 廣告精準投放
通過對用戶 O2O 平臺操作數據的挖掘了解用戶在不同消費行為中的關鍵節(jié)點，可以為商家的網絡廣告策略提供借鑒，然后針對性的投放廣告，實現線下商家渴望的個性化市場營銷． 在客戶數據基礎上，運用數據挖掘建立的概率知識庫和模糊知識庫，對實時獲取的在線信息進行概率分析，通過對廣告訪問者潛在的信息特征進行精準劃分，決定哪些是商家的真正顧客; 分析顧客對某種廣告的反應程度，決定下次廣告的投放渠道與時點; 通過聚類分析，對某類客戶群提供定向廣告等等． 當數據積累到一定規(guī)模時，通過數據挖掘可以精確計算出廣告中的每一個關鍵字為商家?guī)淼幕貓�，并以此對廣告內容進行優(yōu)化。
3.3.2 產品與服務管理
一方面用戶數據挖掘為商家提供精準營銷實施的最佳方案，及時響應客戶需求，促使訂單的生成;另一方面用戶數據挖掘可以幫助商家優(yōu)化決策流程，使商家?guī)齑婧蛢r格自動微調，以實時響應 O2O平臺上的銷售情況，增加其產品或服務流轉。 商家洞察，就是由表及里、由淺入深，發(fā)現用戶深層需求的過程。而掌握大數據、并擁有分析能力的商家將獲取此種洞察能力，以發(fā)掘商業(yè)隱形知識和識別潛在商業(yè)機會，比如有關用戶喜好和潛在需求方面的重要信息，從而為商家的產品或服務創(chuàng)新提供參考。
3.3.3 行業(yè)垂直整合
商家關注的焦點集中在如何吸引用戶擴大銷售，而不是與哪一家 O2O 平臺合作． 所以本地消費中，往往是靠近最終 O2O 用戶的商家在產業(yè)鏈中擁有最大的發(fā)言權． 對商家而言，用戶數據挖掘讓其掌控了巨大的、最為直接的用戶資產，通過與自身的用戶匹配，商家可以選擇與其有著相同用戶群體的O2O 平臺進行戰(zhàn)略合作． 甚至當本地消費發(fā)展到一定程度時，線下商家可以考慮建設自己的 O2O 電商平臺，進行行業(yè)垂直整合，為本地用戶提供個性化電商服務。
4 結束語
隨著云計算與數據挖掘等技術的發(fā)展，電子商務數據，尤其是用戶數據中所蘊含的價值會越來越容易被挖掘出來． O2O 電子商務正經歷著從用戶數為王，到銷量為王，再到現在的數據為王的迅猛遷． 電子商務企業(yè)已經意識到，最準確的商務決策來自于事實，即數據支持． 大數據技術的應用必將成為O2O 電子商務深入發(fā)展的重中之重，也將為其帶來巨大的商業(yè)價值。
核心關注：拓步ERP系統(tǒng)平臺是覆蓋了眾多的業(yè)務領域、行業(yè)應用，蘊涵了豐富的ERP管理思想，集成了ERP軟件業(yè)務管理理念，功能涉及供應鏈、成本、制造、CRM、HR等眾多業(yè)務領域的管理，全面涵蓋了企業(yè)關注ERP管理系統(tǒng)的核心領域，是眾多中小企業(yè)信息化建設首選的ERP管理軟件信賴品牌。
轉載請注明出處：拓步ERP資訊網http://www.ezxoed.cn/
本文網址：http://www.ezxoed.cn/html/consultation/10819916408.html
相關文章
