电子商务信任模型交易数据的获取及预处理

Ⅰ 如何对建模型数据进行预处理

1）数据立方体聚集：聚集操作用于数据立方体结构中的数据。数据立方体存储多维聚集信息。
2）属性子集选择，参见文本分类概述中特征选择算法
3）维度归约：使用数据编码或变换，以便得到原数据的归约或“压缩”表示。归约分为无损的和有损的。有效的有损维归约方法为：小波变换和主成分分析
4）数值归约：通过选择替代的、‘较小的’数据表示形式来减少数据量
5）离散化和概念分层产生

Ⅱ 电子商务数据分析的电子商务数据分析的七个重要因素

1、电子商务数据分析需要商业敏感
今天电子商务公司的数据分析师，有些像老板的军师，必须有从枯燥的数据中解开市场密码的本事。比如，具有商业意识的数据分析师发现，网站上的婴儿车的销售增加了，那么，他基本可以预测奶粉的销量也会跟上去。再比如，网站上的产品发挥的作用并不一样，有的产品是为了赚钱，有的产品是为了促销，有的产品是 为了吸引流量，不同的产品在网站上摆放的位置是不一样的。一个商业敏感的数据分析师，是懂得用什么样的数据实现公司的目标。比如，乐酷天与淘宝竞争，它们重点看的不是交易量，而是流量：每天有多少新的卖家进来，卖了多少东西。因为此阶段竞争最核心的就是人气，而非实质交易量。如果新来的卖家进来卖不出东西，只有老卖家的交易量在增长，即使最后每天的交易量都 增长，也还是有问题。再比如，一家刚踏入市场的B2B公司和已经占领大部分市场的B2B公司，它们的目标不一样。前者是看流量赚人气，后者对流量不怎么看重，而是看重交易转化率及回头率。当下的数据分析师多是学统计学出身的，一堆数据放在那里，大家都擅长怎么算回归、怎么画函数。但是这批学数学的人才缺乏商业意识，不知道这些数据对业务意味着什么，看不见一堆数据中彼此的关系，也就不知道该用什么样的逻辑分析，也就无法充当老板的眼睛了。
2、电商网站转化率是关键，ROI是最终的目标
电子商务B2B网站平台的宗旨就是为企业服务，让买家与卖家的市场销售成本降低，降低交易成本，提高订单利润。因此，电子商务的网站转化率是关键，这其中就提到一个指标的重要性——ROI。ROI是Return On Investment的简写，是指通过投资而应返回的价值，它涵盖了企业的获利目标。利润和投入的经营所必备的财产相关，因为管理人员必须通过投资和现有财产获得利润。又称会计收益率、投资利润率。其计算公式为：投资回报率(ROI)=年利润或年均利润/投资总额×100%投资回报率(ROI)的优点是计算简单;缺点是没有考虑资金时间价值因素，不能正确反映建设期长短及投资方式不同和回收额的有无等条件对项目的影响， 分子、分母计算口径的可比性较差，无法直接利用净现金流量信息。只有投资利润率指标大于或等于无风险投资利润率的投资项目才具有财务可行性。投资回报率(ROI)往往具有时效性–回报通常是基于某些特定年份。
3、电子商务数据分析衡量指标的设定
指标是让我们更好的从数据量化的层面来了解运营的状况，PV、UV、转化率基本是运营监督的指标;网站分析采用的指标可能有各种各样的，根据网站的目标和网站的客户的不同，可以有许多不同的指标来衡量。常用的网站分析指标有内容指标和商业指标，内容指标指的是衡量访问者的活动的指标，商业指标是 指衡量访问者活动转化为商业利润的指标。电子商务的数据可分为两类：前端行为数据和后端商业数据。前端行为数据指访问量、浏览量、点击流及站内搜索等反应用户行为的数据;而后端数据更侧重商业数据，比如交易量、投资回报率，以及全生命周期管理等。有些人关心前端行为数据，也有些人关心后端商业数据，但是没有几家网站把前端行为数据和后端商业数据连起来看。大家只单纯看某一端数据。但是看数据看得“走火入魔”的人会明白，每个数据，就像散布在黑夜里的星星，它们之间布满了关系网，只要轻轻按一下其中一个数据，就会驱动另外一个数据的变化。
4、某些指标异常变化的原因分析
网站的某些指标的异常变化是外界市场一些变化的客观反应，网站的数据分析人员一定要积极注意。例如PV减少(异常)，那我们就要分析用户是搜索来源减少还是直接访问减少?反连接过来的减少?搜索减少就要观察用户的关键字、搜索引擎等。例如2011年的上半年，曾出现阿里巴巴与慧聪发生争论，而在那几天，另一个B2B网站–世界工厂网的会员注册量批量上升，每天超过千个以上的注册 量。当然这只是一部分的猜测，在两个B2B巨头不稳定之时，企业会选择第三方的平台，这是符合常理推断的。不过就此以后，世界工厂的注册量一直是稳中有升 的，难道这是会员发现一个免费“新大陆”的口碑宣传吗?事后发现，是因为世界工厂网的一个新项目–全球企业库的上线吸引了大量企业会员的青睐，注册量猛 然提升的。对于一些数据的异常增加或减少，一定要分析其产生的原因与市场时机，这对平台以后的发展及政策导向非常有借鉴意义。有一天，linkin(一个社区网站)忽然发现来自雷曼兄弟的来访者多了起来，但是并没有深究原因。第二天，雷曼兄弟就宣布倒 闭了。原因何在?雷曼兄弟的人到linkin找工作来了。谷歌宣布退出中国的前一个月，笔者在linkin上发现了一些平时很少见的谷歌产品经理在线，这 也是相同的道理。试想，如果linkin针对某家上市公司分析某些数据，是不是很有商业价值?
5、利用数据分析用户的行为习惯
再次说，得到数据来分析是在揣测用户的心理和一些习惯，最真实的是让用户告诉你，需要什么，这些可以利用投票调查及问题提交等来实现，当然利用数据整合分析也是必然的，然后做出来AT来权衡利弊来对用户体验惊醒改善，和一些基本的产品定位及活动。装备制造负责人认为，网站数据分析应该两个层次：第一，网站数据分析，是针对产品来说。就围绕产品如何运转，做封闭路径的分析。得出产品的点击是否顺畅、功能展现是否完美 。第二、研究客户的访问焦点，挖掘客户潜在需求。如果是以交易为导向的电子商务网站，就是要研究如何高效的促成交易，是否能出现联单!
6、客户的购买行为分析
当用户在电子商务网站上有了购买行为之后，就从潜在客户变成了网站的价值客户，电子商务网站一般都会将用户的交易信息，包括购买时间、购买商品、购买 数量、支付金额等信息保存在自己的数据库里面，所以对于这些用户，我们可以基于网站的运营数据对他们的交易行文进行分析，以估计每位用户的价值，及针对每位用户的扩展营销的可能性。客户的购买行为分析，如传统的RFM模型，会员聚类，会员的生命周期分析，活跃度分析，这些都精准的运营都是非常重要的。
7、电子商务数据分析需注重实战经验
以上所谈到的电子商务数据分析的几个重要因素，笔者个人感觉倒是有点套路，电子商务的数据分析更多的是实战，网站分析的本质是在了解用户的需求、行为，以开发用户体验良好的功能与服务，制定扩展营销的策略及附加功能的推广服务等等。

Ⅲ 在电子商务概念模型中电子商务交易的最终目的

用户运营，就是通过制定运营方案或运营机制，保证网站或产品的用户活跃度、留存率、开发新用户。用户运营，需要了解用户的显性客观特征以及隐形主观特征，需要对用户有个精准的画像，需要在不同阶段的用户采取合适的运营方式。

Ⅳ 大数据的预处理过程包括

大数据采集过程中通常有一个或多个数据源，这些数据源包括同构或异构的数据库、文件系统、服务接口等，易受到噪声数据、数据值缺失、数据冲突等影响，因此需首先对收集到的大数据集合进行预处理，以保证大数据分析与预测结果的准确性与价值性。

大数据的预处理环节主要包括数据清理、数据集成、数据归约与数据转换等内容，可以大大提高大数据的总体质量，是大数据过程质量的体现。 数据清理技术包括对数据的不一致检测、噪声数据的识别、数据过滤与修正等方面，有利于提高大数据的一致性、准确性、真实性和可用性等方面的质量;

数据集成则是将多个数据源的数据进行集成，从而形成集中、统一的数据库、数据立方体等，这一过程有利于提高大数据的完整性、一致性、安全性和可用性等方面质量;

数据归约是在不损害分析结果准确性的前提下降低数据集规模，使之简化，包括维归约、数据归约、数据抽样等技术，这一过程有利于提高大数据的价值密度，即提高大数据存储的价值性。

数据转换处理包括基于规则或元数据的转换、基于模型与学习的转换等技术，可通过转换实现数据统一，这一过程有利于提高大数据的一致性和可用性。

总之，数据预处理环节有利于提高大数据的一致性、准确性、真实性、可用性、完整性、安全性和价值性等方面质量，而大数据预处理中的相关技术是影响大数据过程质量的关键因素

Ⅳ 电子商务安全及如何构建交易安全

一． 交易者身份的确认

1．简述PKI的定义和服务。
答题思路：PKI是一种遵循标准的密钥管理平台，它能够为所有网络应用提供采用加密和数字签字等密码服务所必需的密钥和证书管理。PKI系统必须具有认证机关（CA）、证书库、密钥备份及恢复系统、证书作废处理系统、客户端证书处理系统等组成部分。一般认为PKI提供了以下3种主要安全服务：认证、完整性、机密性。详细内容请参看教材。

2．论述PKI的信任模式。
答题思路：PKI的信任模式解决：（1）一个实体能够信任的证书是怎样被确定的；（2）这种信任是怎样被建立的；（3）在一定的环境下，这种信任在什么情形下能够被限制或控制？目前流行的PKI信任模型主要有4种：认证机构（CA）的严格层次结构；分布式信任结构；Web 模型；以用户为中心的信任。

二． 制定交易安全管理制度

1．简述电子商务安全需求。
答题思路：电子商务安全需求包括交易实体身份真实性的需求；信息保密性的需求；信息完整性的需求；交易信息认可的需求；访问控制的需求；信息的有效性需求。具体内容请参加教材。

2．简述OSI安全体系的通信方式。
答题思路：OSI安全体系结构中，各系统进行通信的方式如下：信息从一个计算机系统的应用软件传输到另一个计算机系统的应用软件，必须经过OSI参考模型的每一层次。可参加教材中的举例。

Ⅵ 数据预处理主要针对哪些数据

数据预处理一方面是为了提高数据的质量，另一方面也是为了适应所做数据分析的软件或者方法。一般来说，数据预处理步骤有数据清洗、数据集成、数据变换、数据规约，每个大步骤又有一些小的细分点。当然了，这四个大步骤在做数据预处理时未必都要执行。

一、数据清洗

数据清洗，顾名思义，“黑”的变成“白”的，“脏”的数据变成“干净”的，脏数据表现在形式上和内容上的脏。

形式上的脏，如：缺失值、带有特殊符号的；
内容上的脏，如：异常值。
缺失值包括缺失值的识别和缺失值的处理。

在R里缺失值的识别使用函数is.na()判别，函数complete.cases()识别样本数据是否完整。

缺失值处理常用的方法有：删除、替换和插补。

删除法 ：删除法根据删除的不同角度又可以分为删除观测样本和变量，删除观测样本（行删除法），在R里na.omit()函数可以删除所含缺失值的行。这就相当于减少样本量来换取信息的完整度，但当变量有较大缺失并且对研究目标影响不大时，可考虑删除变量R里使用语句mydata[,-p]来完成。mydata表示所删数据集的名字，p是该删除变量的列数，-表示删除。
替换法 ：替换法顾名思义对缺失值进行替换，根据变量的不同又有不同的替换规则，缺失值的所在变量是数值型用该变量下其他数的均值来替换缺失值；变量为非数值变量时则用该变量下其他观测值的中位数或众数替换。
插补法 ：插补法分为回归插补和多重插补。回归插补指的是将插补的变量当作因变量y，其他变量看错自变量，利用回归模型进行拟合，在R里使用lm（）回归函数对缺失值进行插补；多重插补是指从一个包含缺失值的数据集中生成一组完整的数据，多次进行，产生缺失值的一个随机样本，在R里mice（）包可以进行多重插补。
异常值跟缺失值一样包括异常值的识别和异常值的处理。

异常值的识别通常用单变量散点图或箱形图来处理，在R里dotchart（）是绘制单变量散点图的函数，boxplot（）函数绘制箱现图；在图形中，把远离正常范围的点当作异常值。
异常值的的处理有删除含有异常值的观测（直接删除，当样本少时直接删除会造成样本量不足，改变变量的分布）、当作缺失值（利用现有的信息，对其当缺失值填补）、平均值修正（用前后两个观测值的均值修正该异常值）、不处理。在进行异常值处理时要先复习异常值出现的可能原因，再判断异常值是否应该舍弃。

Ⅶ 如何加强电子商务环境下建立交易双方信任机制

就是要建来立生产企业与电商源经营者“双打机制”。那就是把传统企业的产品与技术在电商的窗口展示，把产品的销售权有电商买断并适当的让出利润，把产品的售后服务有点上去实现，把客户的对接全交给电商去做，与此同时，电商保证按着企业的让利和自己的营销成本销售，不重复销售同类的产品，保证物流服务的质量售后服务。双方共实现该产品及其系列产品的知名度不断提升，共同打造一个世界知名品牌，实现双方的互利共赢。企业负责产品研发和质量提升以及功能实现，电商负责用户开发与商业模式的选择以及产品的推介，这是最佳的“双打组合”。