电商以数据驱动力重大决策，展开商业公益活动的电商新时代已经来临。数据分析，大体分成四个期。

一、数据呈现出

第二个期是数据呈现出，就是简单地展现出原有的是一些数据，并做叙述统计分析（最小值、最小值、平均数等）。

二、书柜分析

第四个期是数据分析，是将不同的数据展开交叠分析，借助重回分析等统计分析方法。

三、数据挖掘

第四个期是数据挖掘，是将数据做更深层的分析，借助数据挖掘的数学模型或有关演算法。

数据驱动力现在还甚少商家为之，绝大多数原因在于难上加难。只不过从数据分析的视角来说，很简单。如果特别针对前台的数据展开导出方可，不用耗费太少时间去建立新数学模型，借助原有的是数学模型就能搞好分析。

简单的分析方法也能先进经验市场网络营销中的芝加哥行列式、GE行列式等分析法。由此可见，阿里集团公司提供了很绝大多数据产品，如数据三阶、营生参谋长、淘宝成分股、阿里成分股等产品给商家做数据分析主要用途。

本文给大家介绍一个案例。该案例的数据由某淘宝店员提供，数据源源自淘宝前台订单数据，敏感信息（买主ID，产品ID等均做了技术性处理）。借助SPSS软件来做导出析。

每一次做网络营销公益活动，淘宝店员想知道什么样产品更适合做绑定网络营销，以及什么样用户更具有网络营销的价值。

具体来说，我们看呵呵什么样产品更适合绑定销售，Touvet上周共计200个小精灵的销售历史记录。

具体来说优先选择简单的developments来发现潜在性关连。developments的基本要素是反映象征表头的值间关系的密切某种程度，通过不同类型轮廓来反映镜像气压，轮廓越粗，说明镜像越强。比如说，买主一同取走某四件小精灵，所以这三件小精灵间的蟹蛛科花就加2

因为小精灵太少，因此看起来密密麻麻，每个点代表一个产品（已经匿名处理），虽然密密麻麻，但从图中能发现一个明显的三角形。这个就是强有关的产品。

在这里给网店商家推荐快速提升小精灵排名技巧

“百度搜【豌豆电商】”门户网站 务必电脑登陆体验最佳效果

人工点击收藏加购流量，名师干货实操视频，登陆注册方可免费享用！

通过调节阈值后，能看到下图的商品组合图。S287和S159必须绑定销售，S2009也能考虑跟两者组合在一同，但不作为首选。S2009和S3929也能考虑组合绑定。

但是，该店有200多个产品，应该要有更多的推荐组合才行，因此我们进一步找出商品的推荐规则。

关连规则挖掘常用的数学模型有Apriori和Carma。

Apriori演算法是一种关连规则发现方法，侧重于找出某些特定时间一同发生的情况，以找出那些可信的并且具有代表性的规则。

Carma演算法中文名字是连续关连规则挖掘演算法，是Apriori的替代方案，提供比Apriori支持水平低得多的结果。

由于该店的小精灵数非常多，而且支持度不能太高，才能找出相应的推荐规则。因此这里优先选择Carma数学模型，以下是支持度为10%的结果，发现跟前面的developments发现的关连是一样的。

就这几条规则，对应200多个小精灵是明显不够的。位了更好推荐小精灵，我们设置最低条件支持度为5%，就会出现许多规则。

不难发现该店的业绩是由店中两个爆款支撑的，因此其他小精灵的组合支持率会较低，但不能忽视这些关连规则。关连规则找出来后，还需要联系到现实实业中，来理解为什么买主会优先选择这种组合。最终，将关连规则应用到网络营销中来。

紧接着，该店要做一份网络营销方案，需要特别针对重点客户发起重点网络营销，并预测网络营销效果，制定网络营销目标。

一般，我们优先选择简单易用的RFM数学模型来定位促销名单。

RFM数学模型是衡量客户价值和客户创利能力的重要工具和手段，在客户关系管理(CRM)的分析中经常使用到的数学模型之一。

该数学模型主要有以下三要素：

•最近一次消费(Recency)

•消费频率(Frequency)

•消费金额(Monetary)

RFM数学模型是根据这三要素，把顾客分成5＊5＊5 = 125个样本段，对其展开数据分析，然后制定我们的网络营销策略。

该数学模型最大的价值在于能从所有的是历史客户群中迅速定位最有价值的客户，并通过随后及时的建立沟通，将其潜在性购买转化为实际购买行为，从而进一步加强用户忠诚度，封杀竞争对手的市场空间。以下是该数学模型的细分架构。

以下是RFM数学模型输出的结果。

125个样本段的样本量是基本相同的。

频率为5分的这一组，平均购买金额要比其他组的高一些。而频率得1分的这一组平均购买金额是最低的。

该数学模型会计算出RFM得分，根据RFM能对客户展开分区。比如说，筛选出RFM得分大于400的为主要的网络营销目标客户（RFM得分介于[111,555]间）。

接着，我们还要分析呵呵，究竟哪种客户最有可能响应此次的网络营销公益活动呢？我们能根据这个来预测网络营销公益活动的效果。

我们把仅购买一次的买主定义为“1”，购买两次含两次以上的买主定义为“2”，并计算出均次消费金额。然后分析其响应率（以“2”为正响应值）。结果如下图所示。

能看到第一组233<RFM<=355分并且均次金额>70.95元的这个分组买主响应率达到了98%，第二组355<RFM<=455响应率达到96.73%，第三组RFM>455响应率达到78.43%。响应率越高代表越有可能再次回购。这三组买主能提取出来，可能是重点网络营销的对象。

随后，还能通过对应导出或判别分析方法来检验以上的分类结果，如果通过检验就能根据分析结果找出指定用户，做后续的网络营销方案和操作。

甚至我们还能仔细到根据每个买主的消费历史（需要小精灵品类和属性数据跟其关连分析）来预测推荐什么小精灵，这个买主最容易买单。

通过这个案例，相信读者能感受到数据化重大决策的魅力，就像是一场战役的总指挥影响着整个战局的胜败，通过数据分析找到最接近胜利的一条路径。