这些年以来,电商行业的发展非常迅速,人们主要的消费方式也逐渐变成了网络购物。虽然给消费者带来了便利,但仍然有许多问题随之出现,比如浏览时间太长,人们购物的转换率很低等等。为此,电子商务公司使用机器学习模型来分析消费者的行为并建立推荐系统以准确地推荐产品。消费者行为分析对于提高推荐系统的运营效率和提高消费者满意度至关重要。由于推荐系统的一些要求,比如说推荐得精确度高、运行系统时效高、用户使用的满意度高等,本文将根据数据分析、用户细分、特征工程、分类预测模型和影响消费行为因素分析等方面进行研究。以消费者行为数据为基础,构建预测模型。最常用的基于消费行为的客户细分是RFM模型细分方法。该模型以三个行为变量来区分客户。最近的一次购买日期到当前日期的时间间隔用R来表示,购买的次数用F来表示,在一段时间之内购物所花费的金额用M表示。但是这种传统的RFM模型在反映新老客户的各种属性以及购物行为的规律上的作用并不大。为了让这个问题得到避免,本文会在深入分析探讨传统的RFM指标的基础上再构建一种RFM细分模型,其中包含了三种类型10个指标,更加得详细,在反映分析客户情况上也会更加全面。首先将10个指标做一个因子分析,提取出三个影响因子出来。然后在提取出的这些因子的数据上进行聚类分析,可以把顾客分成四个类型,它们包含为以下四种,一:有一般价值的新客户;二:重要的新用户;三:一般价值的老用户;四:重要的老用户。最后分析了每类用户的消费行为特点。本文首先通过数据的预处理手段以及描述统计分析的方式去深入了解了数据的大体分布情形。在此基础上为特征的提取做了一些准备。然后再通过不同的各种角度来对用户、商品、商品类别三种维度特征和用户-商品、用户-商品类别两类交叉维度的特征进行构造。最后采用一些方式建立预测模型,比如逻辑回归、支持向量机还有随机森林模型。然后把训练集的相关模型拟合以及同测试集有关的验证进行比较之后,可以发现预测效果更加好的是随机森林。影响消费行为的因素是综合逻辑回归模型的系数和每类用户的特征进行分析的。根据不同的用户类别分别建立不同的逻辑回归模型,根据系数大小判断某一特征对消费行为的影响大小,最后对四种不同类别客户的影响因素进行了综合分析和比较,并提出了相应的有针对性的政策。本文详细表述了在电子商务行业推荐场景之中这种预测模型所具有的现实意义,并且对这种现象提出了许多建议。针对这种模型应该向哪一个方向继续进一步的提升进行了详细的思考讨论。