發(fā)布時(shí)間：2018-05-27 04:47

  本文選題：網(wǎng)購行為 + 點(diǎn)擊流數(shù)據(jù)�。� 參考：《廣東工業(yè)大學(xué)》2017年碩士論文

【摘要】：信息技術(shù)的飛速發(fā)展使得傳統(tǒng)的實(shí)體商店已不是營銷者提供商品和服務(wù)的唯一渠道,網(wǎng)上虛擬商店應(yīng)運(yùn)而生,即電子商務(wù)。人們開始發(fā)現(xiàn)線上用戶行為挖掘的力量。然而,電子商務(wù)平臺(tái)是一個(gè)虛擬平臺(tái),商家無法像實(shí)體店一般直接通過提問的方式了解用戶的需求,并對(duì)應(yīng)地向用戶提供個(gè)性化的服務(wù),雖然當(dāng)前對(duì)于線上用戶行為的挖掘和分析已經(jīng)很多,但是研究結(jié)果對(duì)于感知用戶內(nèi)心真實(shí)需求的效果卻很差。因此,想要更深入地剖析在線用戶的行為,就必須把握他們內(nèi)心的偏好和需求。點(diǎn)擊流數(shù)據(jù)是用戶在線上進(jìn)行網(wǎng)購行為的直接產(chǎn)物,它在一定程度上反映了用戶的行為軌跡。本文在用戶行為和需求理論,以及相關(guān)的點(diǎn)擊流數(shù)據(jù)分析理論的基礎(chǔ)上,針對(duì)上述研究做了如下幾項(xiàng)工作:第一,闡述用戶行為和需求理論,以及相關(guān)的點(diǎn)擊流數(shù)據(jù)分析的研究現(xiàn)狀,并提出本文的意義。第二,點(diǎn)擊流數(shù)據(jù)的獲取思路主要有兩種方法:基于服務(wù)器端和基于客戶端。本文結(jié)合這兩種方法的優(yōu)缺點(diǎn),設(shè)計(jì)了一個(gè)網(wǎng)購行為實(shí)驗(yàn),同時(shí)設(shè)計(jì)了一個(gè)Chrome插件在客戶端獲取點(diǎn)擊流數(shù)據(jù),并在實(shí)驗(yàn)前后對(duì)實(shí)驗(yàn)對(duì)象進(jìn)行預(yù)調(diào)查和深度訪談。第三,對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行預(yù)處理,并對(duì)處理后的數(shù)據(jù)進(jìn)行初步的可視化展示。根據(jù)實(shí)驗(yàn)數(shù)據(jù)的預(yù)處理結(jié)果,對(duì)頁面狀態(tài)之間的轉(zhuǎn)換進(jìn)行馬爾科夫描述,得到轉(zhuǎn)移概率矩陣,并通過一階馬爾科夫模型對(duì)其進(jìn)行簡單地預(yù)測,得到實(shí)驗(yàn)對(duì)象在第18步轉(zhuǎn)移后轉(zhuǎn)移到購買成功頁面的概率趨于穩(wěn)定,并且概率為0.34%。第四,基于瀏覽頻率和停留時(shí)間兩個(gè)度量,提出兩個(gè)綜合性指標(biāo):以停留時(shí)間為主要指標(biāo)和以瀏覽頻數(shù)為主要指標(biāo)�；谶@兩個(gè)綜合性指標(biāo)使用K-means算法對(duì)數(shù)據(jù)進(jìn)行聚類分析,聚類結(jié)果顯示用戶可分為是否具有明確購買意向,而他們因?yàn)樯唐穮?shù)、銷量和品牌等因素的影響具有不同的表現(xiàn)。同時(shí),對(duì)實(shí)驗(yàn)后的深度訪談結(jié)果進(jìn)行分析,根據(jù)用戶實(shí)驗(yàn)前后的行為差異將用戶分為意向-行為一致型和意向-行為差異型。此外,根據(jù)他們提供的網(wǎng)購行為偏好將用戶分為價(jià)格敏感型、品牌偏好型、注重評(píng)價(jià)型、銷量偏好型、信用偏好型以及注重性能型。
[Abstract]:With the rapid development of information technology, traditional physical stores are not the only channel for marketers to provide goods and services. People are beginning to discover the power of online user behavior mining. However, E-commerce platform is a virtual platform, merchants can not understand the needs of users directly like physical stores, and provide personalized services to users accordingly. Although there has been a lot of research on online user behavior mining and analysis, the results of the research on the perception of the real needs of users is very poor. Therefore, to further analyze the behavior of online users, we must grasp their inner preferences and needs. Click-stream data is the direct product of online shopping, which reflects the behavior of users to a certain extent. Based on the theory of user behavior and requirement, and the theory of click-stream data analysis, this paper has done the following work: first, the theory of user behavior and demand. And the research status of click-stream data analysis, and the significance of this paper. Secondly, there are two main ways to obtain click-stream data: server-based and client-based. Combining the advantages and disadvantages of these two methods, this paper designs an online shopping behavior experiment, and designs a Chrome plug-in to obtain click-stream data on the client side, and carries out pre-investigation and in-depth interviews on the subjects before and after the experiment. Thirdly, preprocess the experimental data and visualize the processed data. According to the preprocessing results of experimental data, the transformation between page states is described by Markov, and the transition probability matrix is obtained, and the first order Markov model is used to predict the transition probability matrix. The probability of the subjects moving to the successful page after the 18th step is stable, and the probability is 0.34. Fourthly, based on the two measures of browsing frequency and residence time, two comprehensive indexes are proposed: the residence time as the main index and the browsing frequency as the main index. K-means algorithm is used to cluster the data based on these two comprehensive indexes. The clustering results show that the users can be divided into whether they have clear purchase intention or not, but they have different performance because of the influence of commodity parameters, sales volume and brand. At the same time, the results of in-depth interviews after the experiment were analyzed. According to the behavior differences of users before and after the experiment, users were divided into two types: intention-behavior consistent type and intention-behavior difference type. In addition, users are classified into price sensitive type, brand preference type, evaluation type, sales preference type, credit preference type and performance-oriented type according to their online shopping preferences.
【學(xué)位授予單位】：廣東工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：F713.55;F724.6

【相似文獻(xiàn)】

相關(guān)期刊論文 前1條

1 潘靜;于宏偉;;流數(shù)據(jù)管理降載技術(shù)研究綜述[J];中國管理信息化;2009年21期

相關(guān)會(huì)議論文 前3條

1 劉正濤;毛宇光;吳莊;;一種新的流數(shù)據(jù)模型及其擴(kuò)展[A];第二十二屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2005年

2 姚春芬;陳紅;;分布偏斜的流數(shù)據(jù)上的一種直方圖維護(hù)算法[A];第二十三屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2006年

3 孫煥良;趙法信;鮑玉斌;于戈;王大玲;;CD-Stream——一種基于空間劃分的流數(shù)據(jù)密度聚類算法[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2004年

相關(guān)博士學(xué)位論文 前8條

1 于程程;面向評(píng)測基準(zhǔn)的社交流數(shù)據(jù)生成[D];華東師范大學(xué);2016年

2 聶國梁;流數(shù)據(jù)統(tǒng)計(jì)算法研究[D];華中科技大學(xué);2006年

3 劉建偉;流數(shù)據(jù)查詢系統(tǒng)結(jié)構(gòu)及模式查詢算法的研究[D];東華大學(xué);2005年

4 丁智國;流數(shù)據(jù)在線異常檢測方法研究[D];上海大學(xué);2015年

5 李衛(wèi)民;流數(shù)據(jù)查詢算法若干關(guān)鍵技術(shù)研究[D];東華大學(xué);2008年

6 屠莉;流數(shù)據(jù)的頻繁項(xiàng)挖掘及聚類的關(guān)鍵技術(shù)研究[D];南京航空航天大學(xué);2009年

7 鄭曄;時(shí)空流計(jì)算模型及其在邊緣計(jì)算環(huán)境下的驗(yàn)證[D];浙江大學(xué);2017年

8 陳筠翰;車載網(wǎng)絡(luò)的若干關(guān)鍵技術(shù)研究[D];吉林大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 孔祥佳;基于海洋平臺(tái)監(jiān)測的流數(shù)據(jù)管理研究[D];大連理工大學(xué);2015年

2 王晨陽;支持位置謂詞的XML流數(shù)據(jù)查詢技術(shù)[D];北京工業(yè)大學(xué);2015年

3 王中義;基于動(dòng)態(tài)支持度的流數(shù)據(jù)關(guān)聯(lián)規(guī)則挖掘[D];哈爾濱工業(yè)大學(xué);2014年

4 趙丹;面向流數(shù)據(jù)的不平衡樣本分類研究[D];哈爾濱工業(yè)大學(xué);2014年

5 馮學(xué)智;基于宏森林自動(dòng)機(jī)的XML流數(shù)據(jù)查詢技術(shù)[D];北京工業(yè)大學(xué);2015年

6 徐靂靂;物流數(shù)據(jù)中的云聚類調(diào)度算法研究[D];南京郵電大學(xué);2015年

7 肖丙賢;大規(guī)模流數(shù)據(jù)聚集查詢服務(wù)的生成與優(yōu)化[D];北方工業(yè)大學(xué);2016年

8 劉曉斐;分布式流處理系統(tǒng)操作共享優(yōu)化算法研究[D];吉林大學(xué);2016年

9 張媛;基于彈性分布式數(shù)據(jù)集的流數(shù)據(jù)聚類分析[D];華東師范大學(xué);2016年

10 王曾亦;基于內(nèi)存計(jì)算的流數(shù)據(jù)處理在飛行大數(shù)據(jù)的研究與應(yīng)用[D];電子科技大學(xué);2016年

，

本文編號(hào)：1940516