大數(shù)據(jù)精準(zhǔn)營銷中的個性化推薦與應(yīng)用

亞馬遜通過個性化推薦所獲取的交易額占總交易額的20%；雙十一期間，天貓和淘寶通過對數(shù)據(jù)的挖掘，使用了“千人千面”的個性化推薦；阿里CEO張勇在之后的媒體溝通會上肯定贊揚了個性化推薦所取得的成績…….。

這一切表明，個性化推薦所突顯的作用越來越受到企業(yè)的重視。

何為個性化推薦？概括來說“人－場景－商品”這三個維度是人性化推薦的基礎(chǔ)。推薦的過程就是通過尋找這三個維度之間的相關(guān)性，提供“人－場景－商品”的最佳組合。

個性化推薦可分為兩類：基于內(nèi)容的推薦、協(xié)同過濾推薦，下面我們來分別了解一下。

一、基于內(nèi)容的推薦（Content-based Recommendations）

第一步是統(tǒng)計相應(yīng)的內(nèi)容材料，確定樣本集的正例和負(fù)例。舉個栗子：如果要將iphone6s 推薦給相應(yīng)的客戶，那么樣本集正例就是那些購買過iphone6s的人，樣本集負(fù)例就是那些沒購買過iphone6s的人。

第二步就是引用學(xué)習(xí)算法，基于內(nèi)容的推薦的學(xué)習(xí)算法主要有：Rocchio算法、決策樹算法、線性分類算法、樸素貝葉斯算法、GBDT。這些學(xué)習(xí)算法都可以在網(wǎng)上找到相應(yīng)的代碼，可以根據(jù)相應(yīng)的數(shù)據(jù)特點和所要應(yīng)用的商業(yè)場景選擇相應(yīng)的學(xué)習(xí)算法。

第三步是確定模型的特征變量，這需要先為每一個item（場景下的商品）提取出相應(yīng)的特征數(shù)據(jù)，并且統(tǒng)計樣本中的人對于每一個item的特征偏好（喜歡和不喜歡），這樣學(xué)習(xí)算法可以算出特征變量對于模型的卡方和增益，卡方越大，說明該特征變量對于模型樣本的區(qū)分度越高，增益越大，說明該特征變量給模型帶來的信息熵越高。舉個栗子：對于”iphone6s目標(biāo)客戶“模型，有地域、收入、年齡、學(xué)歷、歷史購買均單價等特征變量，其中卡方的大?。菏杖?gt;歷史購買均單價>學(xué)歷>年齡>地域，那么對于“iphone6s目標(biāo)客戶“模型來說，特征變量的重要性大小：收入>歷史購買均單價>學(xué)歷>年齡>地域。需要說明的是；選擇特征變量時，要結(jié)合樣本集的數(shù)據(jù)量，因為當(dāng)樣本集數(shù)據(jù)量過大，而特征變量太少，就會導(dǎo)致內(nèi)容推薦模型欠擬合，當(dāng)樣本集數(shù)據(jù)量太少，而特征變量又多，則會導(dǎo)致內(nèi)容推薦模型過擬合。過擬合和欠擬合都會影響推薦模型的準(zhǔn)確性。

第四步是訓(xùn)練模型，可以通過調(diào)參數(shù)的方式優(yōu)化模型的正確率，正確率越高，表示模型的質(zhì)量越高。

簡要的說：基于內(nèi)容的推薦是就是通過機器學(xué)習(xí)產(chǎn)生相應(yīng)的規(guī)則模型，然后用模型預(yù)測用戶在特定場景下對商品的偏好度。

基于這樣的思維方式，我們可以在各個場景下針對不同的商品構(gòu)建出不同的模型，有了這些模型集，當(dāng)新的用戶進(jìn)來，跑下各個模型，就可以判斷該用戶是哪個商品的目標(biāo)客戶，從而判斷給她推薦什么商品。

二、協(xié)同過濾（Collaborative Filtering Recommendation）

第一種是基于用戶的協(xié)同過濾，這種一般基于用戶有足夠的社會屬性數(shù)據(jù)。舉個栗子：用戶凱文對iphone6s沒有相應(yīng)信息記錄，那么可以(采用皮爾森系數(shù))找到和凱文社會屬性相似的曉華, 統(tǒng)計曉華對iPhone6s 的偏好度( 對比曉華對于所有商品的偏好度)。最后預(yù)測出凱文對于iphone6s的偏好度。

第二種是基于物品的協(xié)同過濾，這種多應(yīng)用于電商業(yè)務(wù)中，再舉個栗子：用戶凱文對于iphone6s沒有相應(yīng)的信息記錄，那么可以（采用余弦算法）找到和iPhone6s具有相同的產(chǎn)品特征的商品x, 統(tǒng)計凱文于商品x的偏好度（對比凱文對于所有商品的偏好度），最后預(yù)測出凱文對于iphone6s的偏好度。

協(xié)同過濾的算法主要有：皮爾森算法，杰西卡算法，余弦距離相似算法，歐式距離算法等。在此不做贅述，本文重點對個性化推薦相關(guān)分類內(nèi)容進(jìn)行闡述，以此拋磚引玉，期待與大家進(jìn)一步深入探討。

三、案例

網(wǎng)舟科技為客戶提供的個性化薦服務(wù)，通過對用戶線上線下數(shù)據(jù)的聚類、關(guān)聯(lián)和協(xié)同過濾，建立了不同使用場景的推薦機制，實現(xiàn)推薦引擎從傳統(tǒng)的大眾化推薦向差異化推薦轉(zhuǎn)變，協(xié)助企業(yè)實現(xiàn)智能商品導(dǎo)購，提升了用戶購買過程的體驗，增加了商品的銷量。通過分析大量用戶行為日志，精準(zhǔn)把握消費偏好，針對用戶整個瀏覽過程中的各個頁面，給用戶提供個性化頁面展示。在用戶購買最佳的時間，為用戶推薦最適合的商品，從而提高網(wǎng)站的點擊率和轉(zhuǎn)化率。達(dá)到拉動銷售額增長，增加交叉/向上銷售，提升客戶滿意度的效果（如圖所示）。