1. 研究目的与意义
随着近年来电子商务的发展，个人网络购物逐渐兴起，人们的日常消费长在越来越多的从线下转移到线上。根据中国电子商务研究中心发布的数据，2018年我国的网络零售交易额达到了32.5万亿元，与2017年的28.6万亿元相比，同比增长了13.57%。iMedia Research(艾媒咨询)数据显示，2018年我国的电商平台用户已经达到了6.08亿人，与2017年的4.73亿人相比同比增长了28.5%；截至2019年，中国电商用户规模将突破7亿人。大数据时代的到来也使得数据存储和计算的方式有了质的飞跃。从网络购物发展元年开始，日益增长的交易为电商企业带来了大量的消费数据，包括用户行为和商品特征等。这些数据使得电商网站拥有了还原用户消费决策过程的能力，如何有效地利用这些数据给企业带来利润也成为了电商平台需要考虑的问题。此外，电商平台的发展也给消费者带来了信息过载的问题。平台上提供的商品过多使得用户目不暇接，无法快速找到满足自己需求的产品，从而影响了消费者购买商品的效率和电商平台的成交率。
因此，电子商务平台有必要研究如何更充分地利用以往产生的消费数据，主动预测用户的消费偏好，为用户提供个性化建议来吸引用户，扩大交易，最终提高平台的利润。通过运用多种数学和统计学模型建立消费者行为预测模型，不仅为相关电商网站提供了理论模型支持，也从实际角度上促进了电子商务平台的经营销售，为消费者对网络商品的浏览购买行为提供了更大的便利。
论文使用的数据来源于JD.COM平台的消费者行为数据。目前已有不少研究人员关注到了用户行为预测的方面，预测模型的构建有统计学知识和机器学习理论来支持。
2. 研究内容和预期目标
模型目标：根据消费数据（用户基本信息、SKU商品基本信息、用户行为信息、用户下单信息及评价信息），设计数据处理相关操作，选择合适的用户消费行为特征，训练历史消费数据模型并选择最优模型，预测未来1个月内最有可能购买目标品类的用户以及他们在考察时间段内的首次购买日期。
3. 国内外研究现状
对用户消费行为的预测的研究可以为分为两大类，一种是基于推荐系统的消费预测，通过历史消费数据预测用户可能感兴趣的商品，从而推测出用户会购买哪一种商品。另一种是基于NBD模型等的消费预测，主要用于描述用户在非契约关系下的消费者购买行为。
（一）基于推荐系统的消费预测
消费者行为预测实际上是电子商务平台在展示产品而不是加工产品时“大规模定制”能力的体现。Joe Pine在1993年出版的《大规模定制》一书中提到，商家需要从传统的同质化市场规模的标准化商品转向“多样化、定制而非标准化”市场。与传统制造商不同，电子商务平台使商家能够为客户提供更多的产品选择。这就带来了消费者在购买商品之前需要处理更多信息的问题。为了解决这个信息过载的问题，电子商务平台需要为用户进行个性化的产品推荐。
4. 计划与进度安排
论文的基本结构包括下面七个部分：
一、背景介绍
二、动机
5. 参考文献
[1] A. Kusiak, MR Smith, Z.Song. Planning Product Configurations Based on Sales Data[J]. IEEE Transactions Systems, Man, andCybernetics, Part C (Applications and Reviews). 2007.37(4), 602-609
[2] 马海霞. 基于消费者信息行为的电子商务营销策略的研究[D]. 南京理工大学. 2006
[3] R. J. Kuo, J. L. Liao, C.Tu. Integration of ART2 Neural Network and Genetic K-means Algorithm forAnalyzing Web Browsing Paths in Electronic Commerce[J]. Decision Support Systems. 2005. 40(2), 355-374
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
