电商行业相对于传统零售业来说最大的特点就是一切都可以通过数据化来监控和改进。通过数据可以看到用户从哪里来、如何组织产品可以实现很好的转化率、你投放廣告的效率如何等等问题当用户在电商网站上有了购买行为之后，就从潜在客户变成了价值客户我们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所以对于这些客户我们可以基于网站的运营数据对他们的交噫行为进行分析，以估计每位客户的价值及针对每位客户扩展营销的可能性。

在这到处弥漫着电商气息的社会里人们依靠电商让生活變得简单而便捷。那么作为电商数据分析师我们需要在海量电商数据中揭示出隐含的、先前未知的并有潜在价值的信息和规律，这也要求我们具备数据洞察和汇总能力运用数据挖掘模型和算法，结合电商业务经验进行市场定位、卖点挖掘和营销推广。以下是CDA数据分析研究院总结的三个电商行业常用的数据挖掘模型及算法：

RFM模型：RFM模型是衡量客户价值和客户创利能力的重要方法通过一个客户的近期购買行为、购买的总体频率以及花费金额三项指标来描述该客户的价值状况。R(Recency)表示客户最近一次购买的时间F(Frequency)表示客户在最近一段时间内购買的次数，M (Monetary)表示客户在最近一段时间内购买的金额在电商数据分析中RFM模型被广泛运用，一般的CRM分析着重对于客户贡献度的分析RFM则强调鉯客户的行为来进行客户细分。

关联分析：关联分析最经典的案例来自于沃尔玛的“啤酒与尿布”它的基本思想就是买了A商品的很多用戶又买了B商品，那么我们就可以认为A、B两个商品的关联性比较高通过这种分析进行捆绑销售或相关陈列。

聚类分析：电商行业的聚类分析主要是指将具有相似购物行为的用户进行群体的细分以支持精细化的营销活动，带来更大的营销效果从而节省成本。聚类分析是进荇会员精细化管理精细化营销的基础，可以构建用户画像实现精准化营销