1、电子商务中数据挖掘及分析的重要性有哪些
数据挖掘是一种新的商业信息处理技术,其主要特点是对商业数据库中回的大量业务数据答进行抽取、转换、分析和其它模型化处理,从中提取辅助商业决策的关键性数据.利用功能强大的数据挖掘技术,可以使企业把数据转化为有用的信息以帮助决策,从而在市场竞争中获得优势地位。
2、数据仓库及数据挖掘技术在电子商务系统中能起到什么作用
随着市场竞争的越来越激烈，商业环境中的信息越来越密集，企业必须能够深入内灵活利用积累容的大量数据挖掘潜在的规律，提高决策质量，把握和发现市场机遇，提升企业的竞争力。 实施商务智能是一个十分复杂的过程，成功的商务智能应该具备三个要素：商业需求、大量的数据和实现商务智能的技术。因此，商务智能有其特定的实施方法，它包含对企业商务智能需求的明确、对企业现有信息化情况的了解和对各种商务智能技术的充分掌握三个方面。
3、求：数据挖掘技术在电子商务中有哪些应用？谢谢！
购买推荐,反馈分析,客户分析等.都在用.
4、求《数据挖掘技术在电子商务中的应用》文献检索表达式
（数字挖掘技术）AND（电子商务）AND（应用）
5、电子商务网络营销方向
电子商务网络营销
看你的电子商务是什么了？
网站的营销？营销分前台和后台 如果是后台就建议你看一些网站建设，网站广告类的，市场挖掘类的。前台的话就要学一学市场营销类，还有拜访客户。
如果是电子商务平台那就要学的是数据挖掘和客户分析
关于市场营销学的教材还是美国的比较好中国写的都是白扯 菲利普·科特勒 得还不错
数据挖掘的书比较少写得好的就更少，有一本是 市场营销和客户数据挖掘 原著部较好 中文译本由很多错误
还有就是网络美工的书 可惜我也不懂美工。
6、按你对数据挖掘技术的了解,你认为它的研究将面临的主要挑战和对策是什么?
下面是一些特定的挑战，它们引发了对数据挖掘的研究。
可伸缩 由于数据产生和收集技术的进步，数吉字节、数太字节甚至数拍字节的数据集越来越普遍。如果数据挖掘算法要处理这些海量数据集，则算法必须是可伸缩的（scalable）。许多数据挖掘算法使用特殊的搜索策略处理指数性搜索问题。可伸缩可能还需要实现新的数据结构，以有效的方式访问个别记录。例如，当要处理的数据不能放进内存时，可能需要非内存算法。使用抽样技术或开发并行和分布算法也可以提高可伸缩程度。
高维性 现在，常常遇到具有数以百计或数以千计属性的数据集，而不是数十年前常见的只具有少量属性的数据集。在生物信息学领域，微阵列技术的进步已经产生了涉及数千特征的基因表达数据。具有时间或空间分量的数据集也趋向于具有很高的维度。例如，考虑包含不同地区的温度测量的数据集。如果温度在一个相当长的时间周期内重复地测量，则维度（特征数）的增长正比于测量的次数。为低维数据开发的传统的数据分析技术通常不能很好地处理这样的高维数据。此外，对于某些数据分析算法，随着维度（特征数）的增加，计算复杂性迅速增加。
异种数据和复杂数据 通常，传统的数据分析方法只处理包含相同类型属性的数据集，或者是连续的，或者是分类的。随着数据挖掘在商务、科学、医学和其他领域的作用越来越大，越来越需要能够处理异种属性的技术。近年来，已经出现了更复杂的数据对象。这些非传统的数据类型的例子包括含有半结构化文本和超链接的Web页面集、具有序列和三维结构的DNA数据、包含地球表面不同位置上的时间序列测量值（温度、气压等）的气象数据。为挖掘这种复杂对象而开发的技术应当考虑数据中的联系，如时间和空间的自相关性、图的连通性、半结构化文本和XML文档中元素之间的父子联系。
数据的所有权与分布 有时，需要分析的数据并非存放在一个站点，或归属一个单位，而是地理上分布在属于多个机构的资源中。这就需要开发分布式数据挖掘技术。分布式数据挖掘算法面临的主要挑战包括：(1) 如何降低执行分布式计算所需的通信量？(2) 如何有效地统一从多个资源得到的数据挖掘结果？(3) 如何处理数据安全性问题？
非传统的分析 传统的统计方法基于一种假设—检验模式。换句话说，提出一种假设，设计实验来收集数据，然后针对假设分析数据。但是，这一过程劳力费神。当前的数据分析任务常常需要产生和评估数以千计的假设，因此希望自动地产生和评估假设导致了一些数据挖掘技术的开发。此外，数据挖掘所分析的数据集通常不是精心设计的实验的结果，并且它们通常代表数据的时机性样本（opportunistic sample），而不是随机样本（random sample）。而且，这些数据集常常涉及非传统的数据类型和数据分布。
通常，数据挖掘任务分为下面两大类：
l 预测任务。这些任务的目标是根据其他属性的值，预测特定属性的值。被预测的属性一般称目标变量（target variable）或因变量（dependent variable），而用来做预测的属性称说明变量（explanatory variable）或自变量（independent variable）。
l 描述任务。这里，目标是导出概括数据中潜在联系的模式（相关、趋势、聚类、轨迹和异常）。本质上，描述性数据挖掘任务通常是探查性的，并且常常需要后处理技术验证和解释结果。
7、电子商务网络营销有哪些方面的内容？
一、搜索引擎营销二、电子邮件营销三、即时通讯营销四、病毒式营销五、BBS营销六、博客营销七、播客营销八、RSS营销九、SN营销十、创意广告营销十一、在B2B网站上发布信息或进行企业注册十二、事件营销十三、口碑营销十四、在新闻组和论坛上发布网站信息十五、形象营销十六、网络整合营销十七、网络视频营销十八、网络图片营销十九、效益型网络营销二十、交换链接/广告互换二十一、微博营销
8、数据在电子商务中的应用有什么作用
大数据在电子商务应用中的作用：
第一，对于利用大数据进行商品关联进行的挖掘营销来说，通过大数据挖掘技术，保证数据之间得到有效的关联性，这样在具体的企业运用过程中，应该保证有效分析原有数据的基础上，建立起相关的数据联系。比如，通过相关的啤酒和尿布的关联营销的案例，能够给电商提供有效的解决思路，能够有效实现电商企业产品信息的相关推荐以及结算界面的互补推荐的内容。利用小型的数据库进行处理和分析，能够使得用户的短期需求得到满足，但是，通过大数据对于商品关联度进行关联，则能够有效保证界面信息的准确度大大提升，能够更好保证用户潜在需求得到一定激发。所以，利用大数据的分析，保证充分对于商品的关联性进行挖掘，并能能够保证推荐界面的有效性，这点则是电商应该注重的地方。
第二，对于利用大数据进行的社会网络营销来说，当前，社会化媒体的高度发展，已经使得海量的人群得到覆盖，并且社会网络营销的传播速度正在呈现飞速的发展，利用大数据，人们可以对于社会化网络的传播进行充分地了解，能更好地开展电商进行类似于社会网络营销活动的开展。对于电子商务企业来说，应该充分利用好大数据分析的优势，能够有效把握好社会化网络传播媒介对于消费者的偏好的分析，在相关的社会媒介上进行分享活动的积极开展，使得传播范围不断扩大，有效提高营销效率。
第三，对于利用大数据进行的地理营销来说，利用大数据的技术优势，能够充分对于网站的交易数据进行有效分析，在进行商品的地理营销中，能够根据地理位置区域特定区域中人们的不同喜好，因此有效地开展不同类型的营销策略活动。对于电子商务企业来说，大部分电商则是在交易最后环节获得用户的收货地址，只有部分的电商则会有效地在开始阶段，就能够获得用户地理位置，这样的情况不利于进行商品的地理销售。应该通过大数据技术，分析用户地理位置的有效划分，保证存在的差异性的确定，应该充分保证用户地理信息和感兴趣商品的关联度，同时，能够在对于产品的服务，在细节上更加完善。
第四，对于利用大数据进行用户行为的分析营销来说，电商主要分析消费者的历史记录以及涉及的购买行为，这样就能有效获得用户的消费习惯，有效可以为企业提供用户行为分析营销。比如，用户的心理、行为轨迹可以通过浏览网页时停留在具体产品上的时间进行判断，有利于发现潜在的用户，进行具有针对性的商品广告的投放，使得广告转化率大大增加，另外，电子商务企业来可以通过一定相关的搜索行为，针对潜在用户的需求进行分析，使得商品种类进一步完善化。
第五，对于利用大数据实现的个性化推荐营销来说，在实际市场分析过程中，满足消费者的个性化要求显得越来越重要，这就要求电子商务企业也能更好满足个性化的营销水平。根据大数据环境的发展特点，电子商务企业应该根据用户的个性化要求来进行商品的推荐活动，以及产品分类等，能够积极邀请用户对于感兴趣商品进行关注，之后还能够继续进行个性化信息的添加和推荐，保证用户对于喜欢的类别进行有效修改，使得数据库内容进行有效更新。
9、web数据挖掘技术在电子商务中有哪些应用
客户细分 ，客户价值 ，交叉销售，
流量指标、转化指标、推广指标、服务指标、用户指标