万事万物都有联系,人们与社交网络相互联系,与信息,组织,所在地相互联系,只对个体进行研究所获得成果是有限的,所以要对整个系统进行研究,而这个系统就是一个社交网络。社交网络分析由图论,数学以及社会学中的社交网络理论发展而来,在最近的这10-15年中,网络分析还借助计算机科学,物理学,生物学和经济学等不同领域的发展。与常规的网络数据分析相比,基于社交网络的数据分析,分析对象非常明确,分析的形式多种多样,分析的方法和内容更多。若将常规的分析方法应用到社交网络数据分析中,我们会发现分析的结果达不到我们的预期效果。就当前的数据分析方法、数据模型和社交网络数据,本文从数据的获取、数据的清洗加工、数据模型应用并在应用过程中对模型进行优化,形成的数据分析结果如何为管理者进行决策进行了一系列的研究。本文先从斯坦福大学的Stanford Large Network Dataset Collection中下载Amazon networks数据,探讨了从抓取数据、清洗数据、预处理数据、探索数据、选择合适的算法、建立相关模型到最终分析评估的全过程。先用Python对预处理数据,导入数据库,并用Clementine 12.0分析其中客户购买产品后评价的有效性,并评估此评价是否会对其他客户购买该产品产生影响,采用数据挖掘技术可挖掘出数据背后的信息。数据挖掘中的聚类分析是将相似度较高的用户聚成一个类,然后再进行数据分析。本文对客户评价的次数,评价的时间,评价的频次,评价的得分进行聚类分析,最后对分析过程中运用的两种聚类方法取得的结果进行比较,构建客户分级体系。通过分析结果可对当前亚马逊的购买客户进行分级维护,对于最有价值客户需要给予重点关注,将社交网络大数据与微营销结合起来,提升亚马逊的销售业绩和影响力,从原先的单一购物商城模式,发展成为综合电商平台,并培育自己的客户群。