摘　要：随着互联网技术不断发展，电子商务网站成为了社会热门的“香饽饽”。如何在庞大的互联网数据中分析找出有用的重要信息也成为大家探讨的热门，这也是我们利用计算机技术进行站点用户行为分析有非常巨大的现实意义。

　　关键词：互联网技术;网站营销;电子商务网站

　　1电子商务网站营销数据分析概况

　　身处电子信息技术迅猛发展的时代，互联网技术的不断更新，为各企业打造了许多更有利于提供便捷产品与服务的商业平台，通过在平台上公布许多新的商品服务信息，以此来吸引人们进入更高效、更全面的互联网购物时代，为企业获取更多的销售渠道和更高的利润。电子商务就是这各种商业活动的总称。对于这些通过电子平台来销售的商家而言，要做的不仅仅是考虑如何吸引网民的目光，更需要通过研究记录访问量，从中搜索到商家所需要的信息，通过这些信息，分析他们实施购买行为的因素，从而更好的掌握住网民消费人群的需求，创造更多的商机。

　　如今，各商家相当关注在电子商务活动中对消费者购买行为的分析。WEB站点的日志数据正在飞速增长。如何在如此庞大的数据中分析找出有用的重要信息便成了大家研究的重点。这样一来，商家或网站通过对用户的行为进行分析，可以依照分析结果对进入站点的用户进行细致分类。使得网站可以实现其个性化和最优状态。这一技术的发展、成熟推动了互联网的发展，同时信息技术得到能更好地发展。

　　电子商务初期，对数据流通的分析主要是在主页安装计数器，并且在外部日志文件上通过一些简单的统计程序对点击率做出统计。但是这些简单的计数是没有办法将营销数据进行精确统计并得出准确数据。站点开始分析的WEB服务器访问日志，会记录每一个在站点上对网页的请求。因此，将日志分析和行为概括进行合理组合，这成了WEB站点能否成功的关键。

　　2站点信息统计法

　　WEB页面数据主要的组成部分是半结构化数据。这是一种介于模式固定的结构化数据，主要有以下几个特点：结构的不规则性，它主要是通过异构数据、相同的数据信息用不同的类型或结构来表示;结构的部分性，有时候部分数据结构是不存在的，或者存在粗糙的结构。结构的隐藏性，比如电子文档的SGML格式。结构的约束性和指示性，传统数据库为保护数据，使用了严格的分类标准将数据进行分类归纳整理。然而指示性结构是能更精确的对其进行描述。虽然可以接收新数据，但需要不断地修改结构。半结构化数据是要等数据存在后才能对数据进行整理，有时可以将数据忽略，数据与数据模式之间的区别也逐步消除。

　　3数据分析法

　　统计模型和数学模型一般用于对WEB页面上的数据进行分析。这些模型大概分为：单变量和线性分析和非线性分析、多变量分析、连续回归分析和逻辑回归分析等。使用这些进行统计分析的工具，能通过可视化和分析功能，寻找出数据间存在的诸多联系，用以解释数据。通过迭代或交互式过程以求得精确的模型，开发出能将数据转变成为重要的、有价值的信息的、一种最具有适应能力的模型。WEB页面数据分析方法中重要的一种是知识发现。它是指在数据库的大量数据中筛选有用信息，寻找经常出现的模式检查趋势并且发掘实施。实施这些的主要方法有以下几点。

　　3.1依赖性分析

　　依赖性分析主要是在数据库中搜索出相应的对象，以此寻找出现频率很高的一种模式。比如许多商家会将电池与手电筒放在相近的货架上，就是因为经过统计分析发现，大部分的消费者会在购买完手电筒之后，在货架上发现电池就会将其也购入，这就是商家调整货物布局的原因。

　　3.2神经网络

　　这种模型是的实现需要学习待分析数据中的模式。这种方法将隐式类型进行分类。对于复杂的或噪声高的、模型化非线性的数据，一般会使用神经网络来进分析。图像分析法是神经网络应用中最成功的部分之一。一般来讲，神经模型由数据仓库数据输入、中间层(各神经元)、输出这三部分组成。它常通过用数据库中相应的事例训练学习、校正需要预测的模型，从而使预测的结果更为准确。

　　3.3聚类和分类

　　在一定的情况下，对要分析的数据类没有办法进行界定的，可以使用这种算法，可以找出一些不明的或是可疑的数据类。根据某一特定的时间，寻找出一个可共享，一些公共的群体的方式成之为聚类，也可以被称之为无监督学习。分类则是指发现某一特定产品或时间是不是属于某个特定数据子集的规定，这与聚类相对应，被称为监督学习。在关系数据库中，对这些数据类是很少进行相应的界定的，所以在相对规范的数据库模型中是没有它们的位置的。比如信用卡核准过程。

　　目前在数据挖掘方面，数据质量问题仍是需要面对的一个大问题。许多不同数据源的数据被组成一个大的数据库，因为来源不同，所以数据的合并上就会出现许许多多的麻烦。后略。