- 相關(guān)推薦
數據分析之電子商務(wù)營(yíng)銷(xiāo)關(guān)聯(lián)模式
我們會(huì )發(fā)現很多網(wǎng)站都具備了內容推薦的功能，不僅是像B2C電子商務(wù)類(lèi)的卓越的圖書(shū)推薦，也包括興趣類(lèi)網(wǎng)站像豆瓣的豆瓣猜等。這類(lèi)功能無(wú)疑在幫助用戶(hù)發(fā)現需求，促進(jìn)商品購買(mǎi)和服務(wù)應用方面起到了顯著(zhù)性的效果。那么這類(lèi)的推薦是怎么得到的呢?其實(shí)跟網(wǎng)站數據分析不無(wú)相關(guān)，我們可以來(lái)簡(jiǎn)單看一下它的原理和實(shí)現。
關(guān)聯(lián)推薦在營(yíng)銷(xiāo)上被分為兩類(lèi)：
向上營(yíng)銷(xiāo)(Up Marketing) ：根據既有客戶(hù)過(guò)去的消費喜好，提供更高價(jià)值或者其他用以加強其原有功能或者用途的產(chǎn)品或服務(wù)。
交叉營(yíng)銷(xiāo)(Cross Marketing) ：從客戶(hù)的購買(mǎi)行為中發(fā)現客戶(hù)的多種需求，向其推銷(xiāo)相關(guān)的產(chǎn)品或服務(wù)。
向上營(yíng)銷(xiāo)是基于同類(lèi)產(chǎn)品線(xiàn)的升級或優(yōu)化產(chǎn)品的推薦，而交叉營(yíng)銷(xiāo)是基于相似但不同類(lèi)的產(chǎn)品的推薦。舉個(gè)簡(jiǎn)單的例子，可以看一下蘋(píng)果的產(chǎn)品線(xiàn)：
當你購買(mǎi)一個(gè)ipod nano3的時(shí)候，向你推薦升級產(chǎn)品nano4、nano5或者功能類(lèi)似的itouch就叫做“向上營(yíng)銷(xiāo)”;而推薦Iphone、Mac或ipad的時(shí)候就是“交叉營(yíng)銷(xiāo)”了。
而關(guān)聯(lián)推薦在實(shí)現方式上也可以分為兩種：以產(chǎn)品分析為基礎的關(guān)聯(lián)推薦和以用戶(hù)分析為基礎的關(guān)聯(lián)推薦。 產(chǎn)品分析的關(guān)聯(lián)推薦指的是通過(guò)分析產(chǎn)品的特征發(fā)現它們之間的共同點(diǎn)，比如《Web Analytics》和《Web Analytics 2.0》的作者都是Avinash Kaushik，而且書(shū)名都包含Web Analytics，都是網(wǎng)站分析類(lèi)的書(shū)籍，同時(shí)也可能是同一個(gè)出版社……那么基于產(chǎn)品的關(guān)聯(lián)就可以向購買(mǎi)了《Web Analytics》的用戶(hù)推薦《Web Analytics 2.0》。而基于用戶(hù)分析的推薦是通過(guò)分析用戶(hù)的歷史行為數據，可能會(huì )發(fā)現購買(mǎi)了《Web Analytics》的很多用戶(hù)也買(mǎi)了《The Elements of User Experience》這本書(shū)，那么就可以基于這個(gè)發(fā)現進(jìn)行推薦，這種方法就是數據挖掘中的關(guān)聯(lián)規則( Association Rules) 挖掘，其中最經(jīng)典的案例就是沃爾瑪的啤酒和尿布的故事。
目前很多的關(guān)聯(lián)推薦還是基于產(chǎn)品層面的，因為實(shí)現上更為簡(jiǎn)單(對于網(wǎng)站而言，產(chǎn)品數據明顯少于用戶(hù)行為數據，而且可能相差好幾個(gè)數量級，所以分析工作就會(huì )輕很多)，基于產(chǎn)品的推薦更多地以上面所述的兩種營(yíng)銷(xiāo)手段來(lái)實(shí)現，更偏向于傳統的“推式”營(yíng)銷(xiāo)(個(gè)人對這種營(yíng)銷(xiāo)方式比較沒(méi)有好感，尤其“捆綁銷(xiāo)售”之類(lèi))。
基于用戶(hù)行為分析的關(guān)聯(lián)推薦
所以個(gè)人更偏向于基于用戶(hù)分析的實(shí)現方式，這樣更有利于發(fā)現用戶(hù)的潛在需求，幫助用戶(hù)更好的選擇它們需要的產(chǎn)品，并由用戶(hù)決定是否購買(mǎi)，也就是所謂的“拉式”營(yíng)銷(xiāo)。通過(guò)向用戶(hù)推薦產(chǎn)品或服務(wù)，激發(fā)用戶(hù)的潛在需求，促使用戶(hù)消費，更加符合“以用戶(hù)為中心”的理念。所以下面主要簡(jiǎn)單描述下以用戶(hù)行為分析為基礎的關(guān)聯(lián)推薦，無(wú)論你是電子商務(wù)網(wǎng)站或是其他任何類(lèi)型的網(wǎng)站，其實(shí)都可以實(shí)現這個(gè)功能，只要你具備以下前提：
這里以電子商務(wù)網(wǎng)站為例來(lái)說(shuō)明一下關(guān)聯(lián)規則的具體實(shí)現。目前大部分電子商務(wù)網(wǎng)站都提供用戶(hù)注冊的功能，而購物的用戶(hù)一般都是基于登錄的條件下完成的，所以這里為用戶(hù)識別提供了最為有效的標示符用戶(hù)ID(關(guān)于用戶(hù)識別的方法，請參考這篇文章網(wǎng)站用戶(hù)的識別 );同時(shí)網(wǎng)站會(huì )把所有用戶(hù)的購物數據儲存在自己的運營(yíng)數據庫里面，這個(gè)為用戶(hù)行為分析提供了數據基礎用戶(hù)歷史購物數據。所以滿(mǎn)足了上述的前兩個(gè)條件，我們就可以著(zhù)手進(jìn)行分析了。
關(guān)聯(lián)規則的實(shí)現原理是從所有的用戶(hù)購物數據中(如果數據量過(guò)大，可以選取一定的時(shí)間區間，如一年、一個(gè)季度等)，尋找當用戶(hù)購買(mǎi)了 A商品的基礎上，又購買(mǎi)了B商品的人數所占的比例，當這個(gè)比例達到了預設的一個(gè)目標水平的時(shí)候，我們就認為這兩個(gè)商品是存在一定關(guān)聯(lián)的 ，所以當用戶(hù)購買(mǎi)了A商品但還未購買(mǎi)B商品時(shí)，我們就可以向該類(lèi)用戶(hù)推薦B商品。如下圖：
從上圖可以看到其中牽涉3個(gè)集合：所有購買(mǎi)過(guò)商品的用戶(hù)全集U、購買(mǎi)了A商品的用戶(hù)集合A以及在購買(mǎi)了A商品之后又購買(mǎi)了B商品的用戶(hù)集合G�；谶@3個(gè)集合可以計算關(guān)聯(lián)規則挖掘中的2個(gè)關(guān)鍵指標支持度( Support) 和置信度( Confidence) ：
支持度=購買(mǎi)了A和B商品(集合G)的人數/所有購買(mǎi)過(guò)商品(集合U)的人數
置信度=購買(mǎi)了A和B商品(集合G)的人數/購買(mǎi)了A商品(集合A)的人數
得到這兩個(gè)指標之后，需要為這兩個(gè)指標設立一個(gè)最低門(mén)檻，即最小支持度和最小置信度 。因為在用戶(hù)的購買(mǎi)行為中，購買(mǎi)A商品的用戶(hù)可能不僅購買(mǎi)B商品，還購買(mǎi)了C、D、E……等一系列商品，所以我們需要分別算出所有這些組合的支持度和置信度，只有滿(mǎn)足比如支持度>0.2，置信度>0.6的這些商品組合才可以認為是有關(guān)聯(lián)的，值得推薦的。
當然，如果你的網(wǎng)站不是電子商務(wù)網(wǎng)站，你同樣可以用用戶(hù)瀏覽網(wǎng)站的點(diǎn)擊流數據實(shí)現關(guān)聯(lián)推薦的功能。同樣是基于用戶(hù)歷史行為，比如瀏覽了A頁(yè)面的用戶(hù)也瀏覽的B頁(yè)面、觀(guān)看了A視頻的用戶(hù)也觀(guān)看了B視頻、下載了A文件的用戶(hù)也下載了B文件……
數據挖掘中的關(guān)聯(lián)規則挖掘一般采用基于頻繁集的Apriori算法，是一個(gè)較為簡(jiǎn)單有效的算法，這里就不具體介紹了，有興趣的朋友可以去查下資料。
在進(jìn)行關(guān)聯(lián)規則分析時(shí)需要注意的一些問(wèn)題注意關(guān)聯(lián)推薦的適用范圍和前提條件，并不是每一類(lèi)網(wǎng)站都適合或需要進(jìn)行關(guān)聯(lián)推薦的;最小支持度和最小執行度的設立需要根據網(wǎng)站運營(yíng)的特征設定，不宜偏高或偏低，建議基于實(shí)驗或實(shí)踐的基礎上不斷優(yōu)化，尋找一個(gè)最佳的權衡點(diǎn)。需要特別注意的是，在關(guān)聯(lián)規則中A商品與B商品有關(guān)聯(lián)，并不意味著(zhù)B商品與A商品的關(guān)聯(lián)也成立，因為兩者的置信度算法是不同的，關(guān)聯(lián)方向不可逆。關(guān)聯(lián)規則分析在算法上其實(shí)并不難，但是要將其在網(wǎng)站上真正實(shí)現好，在滿(mǎn)足上面3個(gè)前提的基礎上還需要持續地優(yōu)化算法，而更主要的是需要網(wǎng)站各部門(mén)的協(xié)作實(shí)現。
所以，基于用戶(hù)行為分析的關(guān)聯(lián)推薦完全從用戶(hù)的角度進(jìn)行分析，比單純地比較產(chǎn)品間的關(guān)聯(lián)更為深入和有效，更加符合用戶(hù)的行為習慣，有利于發(fā)現用戶(hù)的潛在需求，不妨嘗試一下。
發(fā)表評論
您還沒(méi)有登錄，請登錄后發(fā)表評論(快捷鍵 Alt+S / Ctrl+Enter)
引文來(lái)源數據分析之電子商務(wù)營(yíng)銷(xiāo)關(guān)聯(lián)模式(轉載) - 搞不死 嘿嘿!!! - JavaEye技術(shù)網(wǎng)站
【數據分析之電子商務(wù)營(yíng)銷(xiāo)關(guān)聯(lián)模式】相關(guān)文章：
數據分析之如何用數據？07-10
數據分析之peakfinder07-10
網(wǎng)站數據分析篇之網(wǎng)站導航分析07-10
市場(chǎng)營(yíng)銷(xiāo)數據分析07-10
網(wǎng)絡(luò )營(yíng)銷(xiāo)與數據分析07-10
關(guān)于網(wǎng)站優(yōu)化之數據分析07-10
悟道學(xué)習之數據分析07-10
電子商務(wù)中的數據分析指標05-24