电子商务行业竞争激烈,数据的价值正日益受到市场的重视。然而,相关统计工具仅提供统计信息、统计模型和假设检验结论,仍缺乏对数据空间的细节认知。而数据挖掘技术正是从数据空间和信息论的角度对数据进行分析,给出宏观与微观的数据结构特征,并利用这些特征帮助对未分类数据进行预测。不同领域的数据具有不同的分布特征,且名义属性、数值属性的分类效率是截然不同的,这使得传统分类器只适用于特定的场合。普适优化的分类器模型需要在克服以上困难的同时,利用尽可能多的信息对一个分类问题进行建模,以统一的方法和流程提供数据空间的特征知识,提升预测性能水平。考虑到电子商务数据集的数据量一般较大,分类器应尽量分散计算负担,以提高训练和预测计算速度。同时,电子商务的数据具有分布式,流量大等特点,其数据需要被有效整合并理解,以促进企业的发展。本文对数据挖掘相关技术进行了分析,指出现有技术存在的不足,如对数据类型,尺度和结构限制较多,且分类模型并非普适,对大型数据运算较慢等。本文描述了产生上述不足的原因,在改进现有挖掘技术的基础上,提出针对电子商务数据分布特点的新模型,并给出实验结果和模型的加速性能,通过和现有模型的对比,论证该模型方案的有效性和优越性,同时,明确相关指标阀值的重要性。