本篇论文目录导航：
【题目】目前移动电子商务信息服务问题探究
【第一章】移动电子商务信息服务系统优化研究绪论
【第二章】移动互联网及电子商务概述
【3.1 3.2】移动电子商务的支撑技术
【3.3 3.4】移动电子商务的商业模式
【4.1 4.2】移动电子商务信息服务的需求
【4.3 - 4.5】移动电子商务信息服务的现状
【5.1 5.2】利用数据挖掘设计推荐系统
【5.3 - 5.6】个性化信息服务的模块设计
【第六章】移动电子商务个性化信息服务的提供
【结语/参考文献】个性化信息服务在移动电商中的应用结语与参考文献
第五章 移动电子商务个性化信息服务的构建
5.1 系统设计的原则。
信息服务是移动电子商务持续健康发展的重要保障，在充满机遇和挑战的市场中崭露头角并站稳脚跟是企业追求的目标。如今，越来越多的移动电子商务企业意识到了信息服务的重要性和紧迫性，但信息服务的实现是一项系统工程，涉及到企业创造价值、传递价值、实现价值的全过程，统一提供的没有特色的信息服务已经无法满足企业的需求，个性化的信息服务将为企业带来更高的价值。所谓个性化信息服务，是指对用户提出的明确要求，利用搜索软件在海量信息库中筛选提供符合其需求的信息；或通过对用户个性、使用习惯的分析，主动地向用户提供其可能需要的信息服务.与传统的信息服务相比，个性化信息服务具有以下特点：
基于这些特点，为了为更好地推进移动电子商务企业有效地开展个性化的信息服务，应当遵循以下原则：
5.1.1 客户导向原则。
信息服务其实就是通过信息的传递为客户创造价值，那么创造什么样的价值，如何创造价值就显得非常重要。信息服务能否成功，与是否坚持客户导向有着直接关系，只注重企业利益，不注重客户利益的企业即使盈利也是暂时的，无法长期保持竞争力；反之，一个能以客户需求为导向、时刻关注客户利益的企业，即使暂时不盈利，将来也拥有可持续发展的能力。因此，坚持客户导向，不断提升客户价值应当是个性化信息服务在具体的实现过程中应当遵循的首要原则。
在新形势下，移动电子商务企业可以充分运用微博、网站、微信等新媒体工具，加强与客户互动，及时把握客户需求。同时，运用平台拥有的海量数据，对客户需求、消费行为和特征进行挖掘和分析，从而为信息服务的优化、调整和创新提供便利。
5.1.2 创新性原则。
一个成功的信息服务产品，不是对技术进行发明创造，而是对原有环节进行微创新，对不足之处进行补充和改进。创新应当成为一种理念，一种习惯，贯穿于企业的市场调研、产品开发、营销推广等各个环节，只要解决了用户对于某一个环节的"痛点",就完全有可能成为一种成功的商业模式的雏形。如今，移动电子商务市场竞争愈演愈烈，在激烈的市场竞争中想要成功，必须坚持创新，而且应当是一个持续的过程，否则一旦停止创新就会固步自封，在竞争中败下阵来。
5.1.3 开放性原则。
开放是移动互联网的重要特性，信息服务也不例外。移动电子商务市场，单打独斗已经不符合市场发展的需要。企业要更好地拓展市场，应当采取更加开放的策略，通过优势互补实现多方合作，更加务实地推进信息服务的建设，共同做大规模，实现合作共赢。
目前的移动电子商务市场中，京东、大众点评已经与腾讯展开合作，利用腾讯庞大的客户资源来开发市场，魅族、高德地图也与阿里巴巴进行合作，将自身的产品在阿里巴巴广大的电子商务平台上进行推广，类似这样的"联盟"还有很多。各大企业都在有意识地进行开放自身优势资源的尝试，目前还处于初级阶段，但已可以初见端倪。对于移动电子商务的参与者来说，找到一个模式把外部资源有效整合，形成一个开放性的平台也是加强自身不足的一个好方法。开放意味着企业边界的开放，有效地使供应商、消费者、竞争对手、创业者的能力为你所用，而不是为你所有，不断地思考利益平衡，分析利益相关者的参与意愿，设计出共赢的体系结构是移动电子商务企业采取开放性策略的时候要充分考虑的。
5.1.4 灵活性原则。
由于移动电子商务的市场环境、竞争对手、技术、客户需求都在经历着前所未有的激烈变化，任何时候只要走错一步就可能满盘皆输，这客观上决定了企业在进行信息服务创新时，不是静止不变的，而是要定期进行回顾、检验、评估，当企业外部市场环境发生变化时，就需要对自身服务进行调整和优化，目的是通过调整增强企业产品、服务的竞争力，在瞬息万变的市场中存活下来。信息服务创新是一个持续不断优化的过程，企业应当灵活地根据市场环境的变化、客户需求的变化、产业链的成熟度对信息服务进行自适应的调整，使企业更好地适应市场的需要，这样的模式才具有足够的竞争力。
5.1.5 资源整合原则。
资源整合就是要优化资源配置，有取有舍，学会"做减法",抛弃没有前途的产品，获得整体资源效率的最大化。从战略上来说，资源整合是将企业内部、外部任何对于提升企业竞争力有帮助的资源通过组织协调进行优化；从战术上来说，资源整合是从企业自身的发展出发，寻求自身发展与客户需求的最佳平衡点，提高客户服务水平。
资源整合还要求在实际操作过程中要做到目标性、系统性、科学性、经济性和统一性，就是要求资源整合要围绕某一目标进行，从企业整理利益角度，重视企业内外资源的统筹兼顾，有效结合，有序整合，做到资源整合方法的科学性、资源配置的有效性以及目标的一致性和过程的统一性，避免利益冲突阻碍资源的有效整合。
上述原则是进行信息服务的开发时首先需要考虑的问题，在具体的实现过程中，我们要时刻牢记这些原则，才能保障信息服务的独特性、准确性和有效性。
5.2 利用数据挖掘设计推荐系统。
个性化服务最重要的就是把握用户的独特需求，形成核心竞争力，因此需要采用数据挖掘技术来设计推荐系统。推荐系统是由 Malone 等人在 1987 年提出的，在Malone 的论文中推荐系统被分为了三大类：内容过滤、社会过滤和经济过滤，即Cognitive filtering、Social filtering 和 Economy filtering.在刚开始的时候，推荐系统被定义为以人们提供的推荐为输入并对其整合后进行输出以指导接收者的系统1,随着推荐系统的发展，在越来越多的领域中有更广泛的应用。
在将移动电子商务信息服务推向个性化的过程中，推荐系统可以说是最基本的一步，也是至关重要的一环，可以将浏览者转变为购买者，帮助用户发掘自身兴趣，提高用户购物的满意度。推荐系统还可以提高移动电子商务企业的交叉销售能力，可以在用户进行消费的同时推荐与其购买的商品相配套或具有互补作用的高附加值、高利润商品，以此提高移动电子商务平台的销售额并增加用户对平台的忠诚度和黏度。
在激烈竞争的移动电子商务市场中，一个电子商务 app 与其竞争对手的距离只有一次点击那么远，要想形成自身的特有竞争力，推荐系统是一种行之有效的方法，对于提高客户的满意度、忠诚度都有良好的效果，还可以帮助企业反馈用户喜好，研发个性化的推荐方法，形成个性化定制的用户界面，而顾客则"用手投票",选择最能满足自身需求的网站，形成忠诚度后多次在同一网站购物，每次购买行为发生后后台推荐系统可以进一步校正用户的需求和兴趣，在多次之后达到基本能满足顾客的个性化需求之后，就与用户建立了强联系的关系，顾客对平台的忠诚度也就越高。即便别的竞争对手争夺用户，用户也会因为不愿再花时间去"训练"别家的系统。同时，在用户使用过程中，除了推荐商品之外，也可以向用户推荐志趣相投的朋友，以社交的魅力增强用户黏性，这也是目前发展的方向。
总的来说，移动电子商务个性化推荐系统的主要包含信息输入、信息预处理、数据挖掘、信息输出四个过程。
5.2.1 信息输入。
信息的输入主要有两种，一种是主动式的输入，还有一种是被动式的获取。
（1）主动输入信息是指用户明确地将自己的信息输入平台以获取推荐，用户在网站注册时就被要求填写自己的年龄、性别、学历、兴趣、爱好、收入、地区等信息。
在以后的购物过程中，网站会根据用户注册时输入的信息来进行推荐。这是一种比较原始的方式，但确实效率较高，获得的潜在顾客信息也比较准确，但输入的信息不宜过多，不然会让用户产生反感，或者会让用户产生对隐私的担忧导致弃用。
（2）被动获取信息是指系统能够自动地获取用户过往的浏览记录、搜索记录、收藏记录、购买记录以及用户购物的时间、地点、价格、折扣、商品评价等信息，以此来分析用户的偏好和行为特征。对于用户主动输入的信息来说，被动获取的准确度要低一些，并且需要获取较多数据才能"勾勒出大概的轮廓",但优势也非常明显，不需要用户输入，利用服务器自动抓取数据，无需人工干预，比较容易进行，但也面临如何保护用户隐私的困扰。
总之，以上两种方式都有各自的优缺点，在实际的推荐系统中，针对不同的使用场景和开发者意图，可以根据需要自由选择主动或被动获取的信息，以取得更好的用户体验，方便开发者进一步地进行数据处理。
5.2.2 信息预处理。
由用户主动输入或被动获取大量原始信息之后，由于不同类型的数据具有不同的存储要求、字段长度、存储格式，需要对数据进行规范化的操作才能由计算机来进行分析，因此必须先对信息进行预处理，使之符合推荐算法的要求。大量无序信息的规范化一般采取的步骤为数据集成、数据清洗、数据变换、数据简化.
（1）数据集成：将不同运行环境下产生的异构数据进行集成，使数据的语义规则一致，解决自然语言意义的模糊性问题。该部分主要进行数据的选择、冲突数据的处理以及数据一致性的确定。
（2）数据清洗：数据清洗的目的是要消除数据中的错误数据、噪音数据和无意义的数据，检查是否有数据遗漏，对数据进行清洗，剔除重复数据和无用数据。
（3）数据变换：通过切换、投影等操作找到表示数据特征的规范化表示方法，即找到数据内在的规律。
（4）数据简化：在保持数据原貌的基础上，最大幅度地进行数据的简化，以方便推荐系统加以利用。
在进行完上述四个步骤之后，原始信息由起初杂乱无章的无序状态变成了有统一格式、标准的数据，信息的预处理得以完成，有利于下一步数据挖掘时的速度，改善个性化推荐系统运行的性能，提高推荐的精确度。在某些情况下，信息的预处理并不是独立的，可以在信息输入的同时对已输入的信息进行处理，尤其是应对大量信息时这样做可以提高效率。
5.2.3 数据挖掘。
移动电子商务的推荐系统在获取了信息，并对信息进行预处理之后，就可以利用这些信息进行数据挖掘，发现用户的偏好以形成个性化的推荐作为自身平台的核心竞争力。数据挖掘是整个个性化推荐系统中最为关键的一个步骤，算法的设计决定了推荐的进度以及运算资源的消耗等重要的指标,在个性化信息服务中可以采用的算法有以下几类：关联分析、数据分类、聚类分析。
（1）关联分析。
关联分析用于发现大量数据之间存在的关联性或相关性关系，这些关系在电子商务过程中通常对应于商品和顾客之间，可以辅助商务决策的制定。关联分析实际上回答了这样一个问题："什么商品与什么商品之间存在着联系。"在移动电子商务中，对销售数据和客户数据进行关联性分析可以帮助企业进行产品分类设计、交叉营销和促销分析；对网站或 app 访问数据的分析可以用来判断顾客的习惯与产品销量的相关性，从而改进页面的；对竞争环境和竞争对手的数据进行关联分析，则可用来判断市场趋势等。
关联分析最主要的一个应用是交叉营销，交叉营销指的是向购买某商品的用户提供新的产品和服务的营销过程。例如某超市发现在婴儿尿布销量提高的同时啤酒的销量也同步提高，这两件看似毫无关系的事情其实存在着内在的相关性，因为男性被老婆叫去买尿布的时候经常会顺带买些自己喜欢喝的啤酒，于是超市就将尿布与啤酒放在同一货柜上同时进行促销，结果销量双双大增。移动电子商务也是一样的道理，通过数据挖掘在大量的数据中找出两者的关联性，建立精确的模型，并运用已经得到的模型对客户和商品进行关联度评分，依据评分的结果对客户进行符合其个性特点的交叉营销。
（2）数据分类。
数据分类是将大量的数据按照一定的规则分成不同特征的群体，分为两个步骤，第一步是建立多个集合，描述其不同的分类特征，即制定分类标准，第二部是按照集合对数据进行分类。分类有着广泛的应用，在移动电子商务中，可以用来进行选择性地投递广告，进行客户细分和信誉证明等，对网站的访问记录进行分类，可以知道每一类客户最喜欢访问的页面分别是什么，在分辨不明晰的时候进行分类标准的调整，对竞争对手的数据进行分类可以进行竞争对手的甄别，但数据分类的时候需要预定义类，需要有一定的操作经验，一般用于数据差异明显的情况。
数据分类的一个典型应用是分类广告投放，传统的广告商在投放广告时没有进行区分，不管消费者对广告是否感兴趣，在访问网站或者收取信息时都会看到投放的广告，可以说是"地毯式的轰炸",不是"精确制导的导弹".为了精准的广告投放就必须对客户进行分类，以降低宣传成本，提高宣传效果。例如一家服装类电商，在换季的时候需要向老顾客推送广告邮件或短信息，这家公司有一个销售数据库和一个客户数据库，描述了各个产品的销量和客户的基本属性，但是不知道客户对于所投放的广告是否感兴趣，这时候就需要对客户进行分类。首先是建立模型，从销售数据库中随机抽取一定量的（通常至少要达到三分之一）数据，组成训练数据库（用于建立原型）和评估数据库（用于评估原型）。建立原型时需预先定义类，可以根据不同的需要做相应的调整，比如换季时分为"购买换季新品的用户"、"购买原来打折品的用户",或者按照频次分为"每次换季都购买的用户"、"不经常购买的用户".对训练数据库进行预定义类的分析，可以筛选出几类客户的特征，建立分类原型，再使用评估数据库对原型进行评估，达到评估的准确率就可以按照原型进行分类，然后就可以进行分类广告的投放，为企业降低成本，达到个性化的效果。
（3）聚类分析。
聚类分析是将具体或抽象的对象的集合分组成由类似的对象组成的多个类的过程。与数据分类最大的不同点就是分类预先定义了类，而聚类分析一开始没有预定义类，而是直接产生多个数据集合，经过不断调整以达到同一特征的类聚合的效果。因此，聚类分析的算法更为复杂，应用也更为广泛。移动电子商务活动会产生大量的底层数据，决策者无法从这些数据中得出有用的结论，经过聚类处理后，可以给决策者提供基于这些底层数据上分类视图，可以让决策者知道哪些顾客最忠诚，哪些顾客贡献了最大的利润；对某个行业的数据进行聚类分析，可以知道在这个行业中哪些企业取得了成功，而进一步分析可以确定成功企业取得成功的原因。
聚类分析可以用于客户的保持。在激烈的市场竞争中，开发一个新客户的成本远远高于维持一个老客户，对于一个电子商务平台来说，要想维持一个客户对自身产品和服务的忠诚是很难的。通常来说单个老客户对于利润的贡献率高于新客户，因此维持老客户就显得尤为重要，企业迫切需要知道是什么原因导致了老客户的离开。可以对企业的客户数据库（包括现有的和已经转移走的客户）进行聚类分析，以深入了解用户情况，产生多个细分的客户群，每个客户群有不同的特征，如不同的年龄、职业、收入、使用频度等，然后分析不同客户群的迁移率，找出他们流失的原因，采取相应的措施降低迁移率，保持现有的客户。
当然，数据挖掘的实际实施过程远比上述的复杂，本文只提供大概的思路，不可否认的是，数据挖掘在移动电子商务中的应用有助于识别客户的购买行为，发现顾客的购买模式和趋势，改进信息服务的质量，取得更高的顾客满意度，设计更好的展示页面和营销策略，提高个性化的服务水平。
5.2.4 信息输出。
利用数据挖掘方法形成推荐信息之后，接下来就是信息的输出环节，要将推荐的结果在适当的时候，适当的位置呈现给用户，一般需要达到以下的目标：
（1）对于新注册的用户，推荐系统默认推荐最新的商品和销量最高的商品，并且可以按照不同的属性进行升序或降序排列。
（2）当用户对特定商品提出查询要求时，推荐系统根据查询要求反馈结果，并按照相关度排列，同时推荐给用户其他购买同一商品顾客可能会购买的商品。
（3）当用户随意浏览时，默认将最能吸引用户的个性化推荐的结果排在前列，但要允许用户自由定制自己希望了解的内容。
（4）可以显示与正在浏览的用户兴趣相同的用户所购买的商品，并显示他们购买后的评价信息。
（5）能够根据用户放入购物车中但未结算的商品的特征和关联度来进行推荐。
（6）可以通过短信、微信、QQ、微博等多种移动通信方式向用户推送其可能感兴趣的商品或内容的广告。
以上六点贯穿了用户在使用移动电子商务购物的基本流程，但要实现个性化的信息服务，还必须在每个环节都细致入微，一丝不苟，才能达到理想的效果。
