随着网络、大数据、人工智能等技术的迅猛发展,网上购物已经成为人们主要的消费行为,消费者对电商的商品质量、交付时限要求越来越高。同时,电商为提升市场竞争力,除提高服务质量外,还得迎合消费者的喜好、购物行为,进而实行精准推销,快速交付。因此,如何抓住消费者的行为、喜好,并进行商品精准推荐;如何优化拣选作业,缩短购物交付时限将成为电商提高经营效率、增长营销利润、强化竞争优势的关键和难点,也是学者们研究的热点。本文在对电商需求分析的基础上,针对电商强化竞争优势的难题,以电商购物大数据为研究对象,利用大数据挖掘、关联规则算法等方法,对消费者消费行为进行分析与研究,对关联规则应用领域进行拓展。针对电商行业在精准推销、仓储货位分配优化与订单分配优化三个重要问题,提出一种结合RFM（Recency Frenquency Monetary）顾客价值分析模型、K-means聚类分析与FP-Growth（Frequent Pattern Growth）算法相结合的同类顾客关联规则挖掘优化方案,将设计方案部署在Spark平台中进行实验,验证方案的可行性与Spark计算框架下大数据挖掘优势。在目前电商对于货位分配与订单分批方案相关应用研究的基础上展开研究,首先对顾客的购物信息进行提取,然后顾客的相关信息进行关联分析,商品间的关联度指标与商品组合购买频率紧密关联,最后将分析结果与关联度用于货位分配方案与订单分拣方案的设计之中。结果表明,研究方法和设计方案达到设计要求,对电商企业有一定的借鉴价值。本文主要成果如下:（1）通过关联规则挖掘后发现,仅使用关联规则的商品推荐问题忽视了顾客特性,设计的商品推荐系统精准度一般。本文通过聚类算法,并结合RFM模型来挖掘相似消费群体,在同一个消费群体中使用FP-Growth算法挖掘关联规则,再通过Spark平台加速挖掘过程。实验表明,通过聚类分析后的关联规则对于客户推荐针对性得到加强,并且Spark平台的计算能力十分强大,计算效率得到提升。（2）通过商品关联度优化和商品购买频率建立货位优化模型,以总分拣距离最小为目标,购买频次越高并且相互关联性越高的商品近距离存储,以提高拣选效率。而分拣订单优化模型的基础是使用了该货位布局优化方案,商品关联度与商品货位分配相关,这样订单中有相同或关联度高的商品,将关联订单分配给同一批次分拣作业,能够有效提高分拣作业效率。