在客户数据库中属于行为数据的是,客户行为数据研究

在预测客户网购行为。同理,当系统正在对客户网购行为进行预数据测时,系统可以进行客户行为数据分析,也可以不进行。但是客户行为数据分析任务和客户行为预测任务通过知识库产生联系。

当从客户行为数据中学习知识时,需要将所获得知识加入到知识库。而当客户行为预测时系统需要读取知识库中的知识,所读取数据库的知识正是系统学习而来的。综上所述,本课题将预测系统分成三个部分:第一部分解决的是系统中的知识学习问题。数据第二部分称为知识存储与表示部客户分。主要包括两方面用途:一方面将S数据库BAPOK系统学习而来的知识进行有效的组织与存储客户;另客户一方面在SBAPOK系统对客户网购行为进行数据库预测时提供知识支撑。

第三部分主要完成对客户网购行为的实时预测。基于构建的客户网购行为预测场景和知识库完成对客户网购行为的预测,称为客户网购行为预测部分。因此文章将分数据库别描述系统中用户行为特征提取、知识存储与表示、客户网购行为实时预测三个子部分的设计思路。本课题旨在实现对客户网购行为的客户多维度预测。为了能够满足不同维度下客户行为预测的知识需要,本课题使用了包括数据挖掘、机器学习、统计学等多种数据分析方法从海量的客户行为相关数据中客户获取数据库有效的客户行为知识。

通过对客户行为相关数据的分析,系统选取了客户的交易记录、web日志、客户的个人信息、商品的信息数据来作为系统知识客户获取的数据源。为了保证数据的一致性以及第2章系统总数据体设计思路-9-研究的完整性,本课题将这些数据源导入到数据仓库中,构建了客户行为数据仓库,将所构建数据库的数据仓库作为系统获取客户网购行为知识的唯一数据源。由于这些数据在结构与内容客户上都存在差异,为了保证数据的一致性。

需要对其进行预处理。尤其像web日志属于客户半结构化数据,并且其中包含很多噪声对这几部分数据进行了预处理,使其达到能够进行数据挖掘分析的要求。然后将这几部分处理后的数据进行整合,导入客户行为数据仓库中。随着时间的推移以及客户数量的增加,这些海量数据呈现出了大数据特性,单机环境下的数据仓库不能满足客客户户行为数据的存储与计算需求。

因此,在本课题中采用Hive作为数据仓库的解决方案。客户下面对每部分数据数据库进行性详细说明。1)客户档案信息客户档案信息是指与客户相关的个性化特征信息,比如客户的性别、年龄、收入、职业背景、地域等信息。客户不同的个性化特征对客户购买决策行为产生了一定的影响。比如,经研究证明,不同地域的人对商品的偏好是不同的。

因此可以通过客数据库户数据行为数据,分析客户档案信息对客户购买决策行为的影响程度。譬如,得到某种个性特征的人更容易买某种产品的知识。

相关文章

用户评论

*

*

◎欢迎参与讨论,请在这里发表您的看法、交流您的观点。