随着互联网的普及,移动应用和电子支付技术的不断发展,电子商务突破了时间和空间的限制。消费者能随时随地消费的同时,也期待更优质的购物体验和个性化服务。现下常见的电商营销手段如发放优惠券和商品推荐都是基于消费者在线行为数据分析得到的。通过分析用户的历史行为数据,精准预测购物意向,能进一步为消费者提供有针对性的高质量服务,促使其消费进而提高购买转化率。因此如何有效利用消费者行为数据,分析其购物需求是所有电商企业面临的挑战。基于上述研究背景,本文旨在提出一个在线消费者行为分析系统,利用消费者行为数据构建数据挖掘模型,综合不同的影响因素对消费者购买决策的影响,最终对用户的购买意向做出预测。根据不同的购物意向,可以提供个性化的服务,提高购买转化率。论文主要研究工作有:（1）消费者行为数据预处理和特征工程。重点研究了异常值处理、特征选择和不平衡数据过采样方法的原理以及实现。（2）构建模型。对支持向量机、随机森林、梯度决策树和LightGBM四种候选算法进行建模和调参,并对预测精度等四个方面进行综合评估。（3）对LightGBM模型的特征选择、基于代价敏感方法处理不平衡数据和划分购物意向三方面作进一步研究。实验结果表明,经过超参数优化的代价敏感LightGBM模型对电商消费者行为预测效果最优,AUC值达到0.893。综合评估发现该模型对消费者的购物意愿具有良好的预测精度、泛化能力以及实时性,一定程度上满足在线消费者行为预测系统的要求。此外还发现点击流数据传达了消费者购买意向的重要信息,利用分类器输出预测概率对用户的购物意向作进一步划分,能初步定位忠诚用户、潜在用户和流失用户,进而制定有针对性的营销策略,实现精准营销。本文通过以上研究,丰富了基于消费者行为数据对购买意向的理论基础,为在线消费者行为分析提供一种较好的模型,对建立实时在线消费者行为分析系统具有一定的理论意义和实践意义。