《精准营销中的个性化推荐与应用.docx》由会员分享，可在线阅读，更多相关《精准营销中的个性化推荐与应用.docx（2页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、大数据精准营销中的共性化推举与应用网舟科技数据分析组：林凯文亚马逊通过共性化推举所猎取的交易额占总交易额的20%;双十一期间，天猫和淘宝通过对数据的挖掘，使用了 千 人千面的共性化推举；阿里CE。张勇在之后的媒体沟通会上确定赞扬了共性化推举所取得的成果.。这一切表明，共性化推举所突显的作用越来越受到企业的重视。何为共性化推举？概括来说人场景-商品这三个维度是人性化推举的基础。推举的过程就是通过查找这三个维度 之间的相关性，供应人-场景商品的最佳组合。共性化推举可分为两类：基于内容的推举、协祠过滤推举，下面我们来分别了解一下。一、基于内容的推举（Content-based Recommendat
2、ions ）第一步是统计相应的内容材料，确定样本集的正例和负例。举个栗子：假如要将iphone6s推举给相应的客户，那么 样本集正例就是那些购买过iphone6s的人，样本集负例就是那些没购买过iphone6s的人。其次步就是引用学习算法，基于内容的推举的学习算法主要有：Rocchio算法、决策树算法、线性分类算法、朴实贝 叶斯算法、GBDTO这些学习算法都可以在网上找到相应的代码，可以依据相应的数据特点和所要应用的商业场景选择相应 的学习算法。第三步是确定模型的特征变量，这需要先为每一个item （场景下的商品）提取出相应的特征数据，并且统计样本中的 人对于每一个item的特征偏好（喜爰和不
3、喜爰），这样学习算法可以算出特征变量对于模型的卡方和增益，卡方越大，说 明该特征变量对于模型样本的区分度越高增益越大，说明该特征变量给模型带来的信息嫡越高。举个栗子对于 iphone6s 目标客户模型，有地域、收入、年龄、学历、历史购买均单价等特征变量，其中卡方的大小：收入,历史购买均单价学 历年龄地域，那么对于iphone6s目标客户模型来说，特征变量的重要性大小：收入,历史购买均单价学历年龄 地域。需要说明的是；选择特征变量时，要结合样本集的数据量，由于当样本集数据量过大，而特征变量太少，就会导致内 容推举模型欠拟合，当样本集数据量太少，而特征变量又多，则会导致内容推举模型过拟合。过拟合和
4、欠拟合都会影响推举 模型的精确 性。欠拟合过拟合正常拟合第四步是训练模型，可以通过调参数的方式优化模型的正确率，正确率越高，表示模型的质量越高。简要的说：基于内容的推举是就是通过机器学习产生相应的规章模型，然后用模型猜测用户在特定场景下对商品的偏好 度。基于这样的思维方式，我们可以在各个场景下针对不同的商品构建出不同的模型，有了这些模型集，当新的用户进来, 跑下各个模型，就可以推断该用户是哪个商品的目标客户，从而推断给她推举什么商品。二.协同过滤（Collaborative Filtering Recommendation ）第一种是基于用户的协同过滤，这种一般基于用户有足够的社会属性数据。举
5、个栗子：用户凯文对iphone6s没有相 应信息纪录，那么可以（采纳皮尔森系数）找到和凯文社会属性相像的晓华，统计晓华对iPhone6s的偏好度（对比晓华对于 全部商品的偏好度）。最终猜测出凯文对于iphone6s的偏好度。其次种是基于物品的协同过滤，这种多应用于电商业务中，再举个栗子用户凯文对于iphone6s没有相应的信息纪录， 那么可以（采纳余弦算法）找到和iPhone6s具有相同的产品特征的商品x,统计凯文于商品x的偏好度（对比凯文对于全 部商品的偏好度），最终猜测出凯文对于iphone6s的偏好度。协同过滤的算法主要有：皮尔森算法，杰西卡算法，余弦距离相像算法，欧式距离算法等。在此不
6、做赘述，本文重点对共性 化推举相关分类内容进行阐述，以此抛砖引玉，期盼与大家进一步深化研讨。三、案例网舟科技为客户供应的共性化荐服务，通过对用户线上线下数据的聚类、关联和协同过滤，建立了不同使用场景的推 举机制，实现推举引擎从传统的大众化推举向差异化推举转变，帮助企业实现智能商品导购，提升了用户购买过程的体验, 增加了商品的销量。通过分析大量用户行为日志，精准把握消费偏好，针对用户整个扫瞄过程中的各个页面，给用户供应共 性化页面展现。在用户购买最佳的时间，为用户推举最适合的商品，从而提高网站的点击率和转化率。达到拉动销售额增长， 增加交叉/向上销售，提升客户满足度的效果（如图所示）。清货a搜索关wid用户站内行为分析个性化感科舞法消费a网站行为数据来源：网舟科技一