券碼演算法電子商務

『壹』 電子商務中有哪些加密演算法

使用分復組密碼演算法數字制簽名常用的加密標准有：DES，Tripl－DES,RC2,RC4,CAST等。

使用公鑰密碼演算法進行數字簽名通用的加密標准有： RSA，DSA等。

數字簽名是指使用密碼演算法對待發的數據(報文、票證等)進行加密處理，生成一段信息，附著在原文上一起發送，這段信息類似現實中的簽名或印章，接收方對其進行驗證，判斷原文真偽。

Hash演算法數字簽字通用的加密標准有： SHA－1，MD5等。

自定義演算法：X.509數字證書，XML數字簽名等。

『貳』 中移電子商務的和包券怎樣，有人用過嗎

可以啊，前段時間湖南工會給我們工會會員發放了慰問費，一次是300元，就是以和包消費券的形式發放的，五一帶兒子去超市消費了一筆，買了很多零食、生活用品，和包券還是比較方便的。適用商戶很多。

『叄』 誰對電子商務精通，問對稱加密演算法和非對稱加密演算法兩者有什麼不同，兩者如何使用急…

首先：對稱加密演算法也叫公鑰演算法、公鑰密碼。

二者不同點：
1．對稱密碼，加密和回解密密答鑰是相同的，即單鑰。公鑰密碼，用作加密的密鑰不同於用作解密的密鑰，即雙鑰。
2．對稱密碼，它要求發送者和接受者在安全通信之前，商定一個密鑰。公鑰密碼，不需要。陌生者也能用加密密鑰加密信息，但只有用解密密鑰才能解密信息。
3．公鑰密碼，解密密鑰不能根據加密密鑰計算出來。
4．對稱密碼的安全性完全依賴於密鑰，一旦密鑰泄露就意味著任何人都能對消息進行加密和解密，所以密鑰必須保密。公鑰不需要保密，只要保證其真實性即可。
5．提供可信的公鑰比在對稱密鑰系統中安全分發秘密密鑰通常要容易些。

二者如何使用：
由於公鑰加密系統演算法復雜，運行速度慢，所以它通常被用來進行分組密碼中的對稱密鑰的保密傳輸。這樣結合了兩者的優點。典型的應用就是郵件加密系統——PGP。它裡面採用的就是公鑰演算法（RSA）結合對稱演算法（IDEA）。

『肆』 激活碼演算法

你這么問就不對，十六位的數組你給一萬個一百萬個，也沒人能看出有什麼規律。

『伍』 MD5的演算法相當於電子商務中的哪個演算法

您好：md5是一種用於確抄保信息襲傳輸完整一致。是計算機廣泛使用的雜湊演算法之一（又譯摘要演算法、哈希演算法），主流編程語言普遍已有MD5實現。將數據（如漢字）運算為另一固定長度值，是雜湊演算法的基礎原理。
電子商務裡面的很多數據的加密處理都設計到MD5。

『陸』 電子商務轉化率的詳細演算法

利潤=銷售額X凈利潤率
=（購買人數X客單價）X凈利潤率
=進店人數X購買回轉化率X客單價X凈利潤率
=廣告答展現X廣告轉化率X購買轉化率X客單價X凈利潤率
=推廣展現X推廣轉化率X購買轉化率X客單價X凈利潤率
=搜索展現X搜索轉化率X購買轉化率X客單價X凈利潤率
=*****X*****轉化率X購買轉化率X客單價X凈利潤率
無論是流量引導還是在購買，都存在各種轉化率。這讓我們可以知道轉化的步驟。比如，打廣告引導流量，我們就要知道廣告會展現多少次，然後廣告點擊率就是到店的轉化，然後，這群人會不會購買也不一定，就會產生購買轉化率……
所以這些都是一條鏈上的信息。有一環出問題都會不正常，比如點擊率很高的時候，往往就是騙點擊了（如性感小褲褲），那必然導致到達頁面的轉化率降低。
對於電商們在努力的東西，卻常常走偏，比如他們會降低客單價，提高展現數量，這其實並不能保證利潤。電商追求的重點，毫無疑問應該是「轉化率」，在各個環節轉化更高，才有真正的意義。

『柒』 亞馬遜促銷Code與優惠券Coupons有什麼區別

Coupon是亞馬遜17年11月底推出的折扣功能，它通過給特定產品提供價格優惠，以折內扣或捆綁銷售的方式容來給產品帶來流量，增加產品的曝光率和點擊率。

亞馬遜上還專門設定了一個Amazon Coupon區，買家可以通過點擊進入該專區並進行購物。Coupon為賣家提供了一個新的流量入口，也讓新品擁有更多的可能。

使用Coupons的優勢《亞馬遜的優惠券和促銷，哪個對推動運營的作用更大呢？》

（1）提高商品曝光與轉化率，有利於產品推廣。

（2）站外引流，通過引流提升產品知名度，增加站內搜索。

（3）旺季清理庫存的好工具。

（4）增加李思婷（listing）的銷售和排名。

（5）全站點均可設置。

（6）利用打折技巧吸引買家。根據對消費者心理學的研究，單價低的 listing 最好打百分比折扣。例如$9.9 的 listing，10%的折扣也就不到 1 美金，但是你寫折扣 1 美金基本引起不了消費者的興趣。

（7）更容易採用階梯式打折方式吸引顧客，買多折多，需要把定價和利潤核算好。

（8）增加捆綁銷售權重，採用 A,B 打折，買 B，A 打折的形式可以人為干預亞馬遜的推薦listing。

『捌』 團購網生成優惠券/優惠碼的演算法是什麼

我觀察就是隨即生成。
因為這種優惠券造假成分不是很大，所以沒有必要在這方面下功夫

『玖』 電子商務網站中一般採用的經典演算法有哪些

推薦機製作為成熟的技術用到網站的各個方面，譬如內容網站推薦機制可以為用戶作個性化的網頁內容定製，電商網站可以為用戶作商品推薦，客戶中心、櫃面可以利用推薦機制為用戶提供個性化服務。豆瓣電影、讀書以及音樂台一致被大家津津樂道，視其為推薦機制「教科書」般的案例，電商網站被大家提得最多的商品推薦要屬Amazon。
一個電子商務網站推薦機制的好壞，對其用戶的聯合銷售以及轉化率的提高有著極其重要的作用，對比線下零售來說，推薦系統就相當於實體店裡的「導購員」，對於零售店中，「導購員」起到提高顧客的購買願意、購買金額。同樣的的，一個好的推薦系統，對於電子商務網站來說：1、提高用戶體驗，許多個性化的推薦；更好的向顧客展示商品，提高轉換率。2、發現顧客的潛在需求，提高客單價。電商商務的先驅-亞馬遜號稱推薦系統提高了其30%的銷售。
但一個好的推薦系統建立不是一揮而就，就像一個好的「導購員」，需要不斷的進行經驗積累、需要參加更種培訓，以提高銷售技能一樣。需要不斷的迭代、優化，不僅需要從演算法上、計算效率上提高，現在更多加入了許多數據分析師日常工作中發現的規律，（例如：通過顧客的人口統計學對顧客進行了細分，在細分好的基礎上，再利用推薦系統的相關演算法，可有效的提高系統的准確性。）建立一個類似於專家庫，把這些知識結合進入推薦系統中。

電商網站常見的推薦表現形式

內容網站推薦機制可以為用戶作個性化的網頁內容定製，電商網站可以為用戶作商品推薦，客戶中心、櫃面可以利用推薦機制為用戶提供個性化服務。豆瓣電影、讀書以及音樂台一致被大家津津樂道，似其為推薦機制「教科書」般的案例，電商網站被大家提得最多的商品推薦要屬Amazon。

國內電商網站常見的推薦形式包括三種：1）針對用戶的瀏覽、搜索等行為所做的相關推薦；2）根據購物車或物品收藏所做的相似物品推薦；3）根據歷史會員購買行為記錄，利用推薦機製做EDM或會員營銷。前面2種表現形式是大家可以在網站上看到，而第3種表現形式只有體驗後才能知曉，一封郵件，一條簡訊，一條站內消息都是它的表現方式。下面將對亞馬遜中國的前兩種表現形式進行簡單說明：

對於非登錄用戶，亞馬遜中國在網站首頁和類目欄，會根據各個類目暢銷品的情況做響應的推薦，其主要表現形式為排行榜。搜索瀏覽頁面以及具體的產品頁面的推薦形式則有關聯推薦（「經常一起購買的商品」）和基於人群偏好的相似性推薦（「購買此物品的顧客也購買了」、「看過此商品的顧客購買的其他商品」）。

對於登錄用戶，亞馬遜中國則給出了完全不同的推薦方式，網站會根據用戶的歷史瀏覽記錄在登入界面首屏展現出一個今日推薦的欄目，緊接著是最近一次瀏覽商品的記錄和根據該物品所給的產品推薦（「根據瀏覽推薦給我的商品」、「瀏覽XX產品的用戶會買XX的概率」），值得注意的是，每個頁面最下方網站都會根據用戶的瀏覽行為做響應推薦，如果沒有瀏覽記錄則會推薦「系統暢銷品」（13頁，50款商品）。
國內其他電子商務廠商的推薦形式和亞馬遜中國的推薦形式並沒有太多的區別，只是在推薦語句說明上更加符合國人的習慣，譬如猜你喜歡，最佳拍檔，最佳組合等等，再者就是推薦位置上的變動。

常見的推薦演算法

本部分內容是對2011年中國統計網與EC數據分析聯盟上海棋局活動的一個總結，感謝華院數雲段總智能營銷部分的精彩演講，特別是推薦演算法部分的精彩解說。
一個完整的推薦系統由四部分組成：收集用戶行為信息的記錄模塊、分析處理用戶偏好的模型分析模塊、推薦演算法模塊（核心）和反饋處理模塊。推薦系統的目標就是把合適的商品推薦給合適的人，目前常見的推薦機制演算法包括基於關聯規則的演算法（Association Rule_based Recommendation）、基於內容的協同演算法(Content-based Recommendation)、協同過濾推薦演算法（Collaborative Filtering Recommendation）。
推薦系統的使用的數據主要都是日誌/消費類的數據，通過一定的數據預處理，最終使用演算法的數據是一個二維表-或者是一個MXN的矩陣（暫時不去考慮時間這個因素，考慮的時候就是一種時序瀏覽，考慮時間因素就是一個三維的，本文只是對推薦進行基礎介紹，大家如果有興趣，可以到論壇進行討論。）列是所有的商品類目，行是就是所有用戶，對於你選擇的時間范圍內，如果瀏覽過某個或者購買過某商品，則標記為1（當然根據實際需要，可以根據次數標記為N），當然也可以是對商品的評分。
協同過濾的推薦機制又分為基於物品的推薦機制和基於用戶的推薦機制。基於用戶的推薦：假設相同的用戶一定有相同的偏好，怎麼確定其是同類用戶類，你可以根據這二個用戶的購買的商品類型或者對不同商品的打分來計算。
基於物品的推薦：假設喜歡某個商品的用戶，一定也同樣喜歡同樣類型的商品，怎麼選擇這個同類型的商品，通過不同用戶對其的打分或者評價或者購買來計算。
計算相似的方法，主要包括：餘弦相似性、相關相似性。餘弦相似性通過計算矢量間的餘弦夾角度量。相關相似性通過計算Pearson相關系數、秩相關系數等度量。
關聯規則，相當知道啤酒與尿布的同學都不陌生，電商的推薦系統也是根據後台的消費數據，看是否存在商品在購買過程中會同時購買的情形，從而推薦給用戶，目前電商中的組合推薦大多屬於這種類型。
除了上面介紹的常見的推薦演算法外，每年都會涌現出許多新的推薦演算法，一個推薦演算法的好壞可能因為目的不同而不同，對應不同的數據集時表現的效果也不一樣，例如基於用戶的協同過濾散發在用戶數量遠遠大於產品數量的系統上或許表現不錯，但在用戶行為數據較少的情況下就不適用了，通常，並沒有一種演算法能「通吃」天下，更多是採用多種演算法的結合使用。
此外，推薦物品是否合適？並不是人人都是喜歡京東式的茅台等高端酒和女性內褲的組合，過多的推薦會不會泄露部分用戶隱私？這些都是一個好的推薦系統需要考慮的問題。
電商網站推薦的下一站——個性化
亞馬遜總裁傑夫·貝佐斯曾說過這樣一句話：「如果我的網站有一百萬個顧客，我就應該有一百萬個商店」。這或許就是推薦的極致，而這樣一個系統必定是以用戶為中心的，有記憶、進化功能的。個性化是一個永無止境的進程，它的效用可以被無窮放大。對於電商網站而言，如果推薦的頁面上全是自己喜歡的物品，連Size、顏色、付款方式、物流等細節都給處理好了，或許就是對用戶最好的「個性化」。
當網路成為我們自己的個人網路，就需要能夠理解個性多變性的技術。也就是說既要整合直接信息，也要整合環境信息，如時間、地點、日程安排、習慣、參與度等。此時，關於個性化推薦系統的主要競爭點或許就如《個性化：商業的未來》一書中提到的一樣，為了創造更好的購物體驗，電商網站能不能更快速的挖掘消費者的偏好，此時考慮的不僅僅是准確性問題，更多的還在推薦速度上。