向上營銷、交叉營銷與關(guān)聯(lián)推薦
我們會發(fā)現(xiàn)很多網(wǎng)站都具備了內(nèi)容推薦的功能,不僅是像B2C電子商務(wù)類的卓越的圖書推薦,也包括興趣類網(wǎng)站像豆瓣的豆瓣猜等。這類功能無疑在幫助用戶發(fā)現(xiàn)需求,促進商品購買和服務(wù)應(yīng)用方面起到了顯著性的效果。那么這類的推薦是怎么得到的呢?其實跟網(wǎng)站數(shù)據(jù)分析不無相關(guān),我們可以來簡單看一下它的原理和實現(xiàn)。
關(guān)聯(lián)推薦在營銷上被分為兩類:
向上營銷(Up Marketing):根據(jù)既有客戶過去的消費喜好,提供更高價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)。
交叉營銷(Cross Marketing):從客戶的購買行為中發(fā)現(xiàn)客戶的多種需求,向其推銷相關(guān)的產(chǎn)品或服務(wù)。
向上營銷是基于同類產(chǎn)品線的升級或優(yōu)化產(chǎn)品的推薦,而交叉營銷是基于相似但不同類的產(chǎn)品的推薦。舉個簡單的例子,可以看一下蘋果的產(chǎn)品線:
當(dāng)你購買一個ipod nano3的時候,向你推薦升級產(chǎn)品nano4、nano5或者功能類似的itouch就叫做“向上營銷”;而推薦Iphone、Mac或ipad的時候就是“交叉營銷”了。
而關(guān)聯(lián)推薦在實現(xiàn)方式上也可以分為兩種:以產(chǎn)品分析為基礎(chǔ)的關(guān)聯(lián)推薦和以用戶分析為基礎(chǔ)的關(guān)聯(lián)推薦。產(chǎn)品分析的關(guān)聯(lián)推薦指的是通過分析產(chǎn)品的特征發(fā)現(xiàn)它們之間的共同點,比如《Web Analytics》和《Web Analytics 2.0》的作者都是Avinash Kaushik,而且書名都包含Web Analytics,都是網(wǎng)站分析類的書籍,同時也可能是同一個出版社……那么基于產(chǎn)品的關(guān)聯(lián)就可以向購買了《Web Analytics》的用戶推薦《Web Analytics 2.0》。而基于用戶分析的推薦是通過分析用戶的歷史行為數(shù)據(jù),可能會發(fā)現(xiàn)購買了《Web Analytics》的很多用戶也買了《The Elements of User Experience》這本書,那么就可以基于這個發(fā)現(xiàn)進行推薦,這種方法就是數(shù)據(jù)挖掘中的關(guān)聯(lián)規(guī)則(Association Rules)挖掘,其中最經(jīng)典的案例就是沃爾瑪?shù)钠【坪湍虿嫉墓适隆?/p>
目前很多的關(guān)聯(lián)推薦還是基于產(chǎn)品層面的,因為實現(xiàn)上更為簡單(對于網(wǎng)站而言,產(chǎn)品數(shù)據(jù)明顯少于用戶行為數(shù)據(jù),而且可能相差好幾個數(shù)量級,所以分析工作就會輕很多),基于產(chǎn)品的推薦更多地以上面所述的兩種營銷手段來實現(xiàn),更偏向于傳統(tǒng)的“推式”營銷(個人對這種營銷方式比較沒有好感,尤其“捆綁銷售”之類)。
基于用戶行為分析的關(guān)聯(lián)推薦
所以個人更偏向于基于用戶分析的實現(xiàn)方式,這樣更有利于發(fā)現(xiàn)用戶的潛在需求,幫助用戶更好的選擇它們需要的產(chǎn)品,并由用戶決定是否購買,也就是所謂的“拉式”營銷。通過向用戶推薦產(chǎn)品或服務(wù),激發(fā)用戶的潛在需求,促使用戶消費,更加符合“以用戶為中心”的理念。所以下面主要簡單描述下以用戶行為分析為基礎(chǔ)的關(guān)聯(lián)推薦,無論你是電子商務(wù)網(wǎng)站或是其他任何類型的網(wǎng)站,其實都可以實現(xiàn)這個功能,只要你具備以下前提:
1、 能夠有效地識別網(wǎng)站用戶;
2、保留了用戶的歷史行為數(shù)據(jù)(點擊流數(shù)據(jù)(clickstream)或運營數(shù)據(jù)(outcomes));
3、當(dāng)然還需要一個不錯的網(wǎng)站數(shù)據(jù)分析師。
這里以電子商務(wù)網(wǎng)站為例來說明一下關(guān)聯(lián)規(guī)則的具體實現(xiàn)。目前大部分電子商務(wù)網(wǎng)站都提供用戶注冊的功能,而購物的用戶一般都是基于登錄的條件下完成的,所以這里為用戶識別提供了最為有效的標示符——用戶ID(關(guān)于用戶識別的方法,請參考這篇文章——網(wǎng)站用戶的識別);同時網(wǎng)站會把所有用戶的購物數(shù)據(jù)儲存在自己的運營數(shù)據(jù)庫里面,這個為用戶行為分析提供了數(shù)據(jù)基礎(chǔ)——用戶歷史購物數(shù)據(jù)。所以滿足了上述的前兩個條件,我們就可以著手進行分析了。
關(guān)聯(lián)規(guī)則的實現(xiàn)原理是從所有的用戶購物數(shù)據(jù)中(如果數(shù)據(jù)量過大,可以選取一定的時間區(qū)間,如一年、一個季度等),尋找當(dāng)用戶購買了A商品的基礎(chǔ)上,又購買了B商品的人數(shù)所占的比例,當(dāng)這個比例達到了預(yù)設(shè)的一個目標水平的時候,我們就認為這兩個商品是存在一定關(guān)聯(lián)的,所以當(dāng)用戶購買了A商品但還未購買B商品時,我們就可以向該類用戶推薦B商品。如下圖:
從上圖可以看到其中牽涉3個集合:所有購買過商品的用戶全集U、購買了A商品的用戶集合A以及在購買了A商品之后又購買了B商品的用戶集合G?;谶@3個集合可以計算關(guān)聯(lián)規(guī)則挖掘中的2個關(guān)鍵指標——支持度(Support)和置信度(Confidence):
支持度=購買了A和B商品(集合G)的人數(shù)/所有購買過商品(集合U)的人數(shù)
置信度=購買了A和B商品(集合G)的人數(shù)/購買了A商品(集合A)的人數(shù)
得到這兩個指標之后,需要為這兩個指標設(shè)立一個最低門檻,即最小支持度和最小置信度。因為在用戶的購買行為中,購買A商品的用戶可能不僅購買B商品,還購買了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(dāng)然,如果你的網(wǎng)站不是電子商務(wù)網(wǎng)站,你同樣可以用用戶瀏覽網(wǎng)站的點擊流數(shù)據(jù)實現(xiàn)關(guān)聯(lián)推薦的功能。同樣是基于用戶歷史行為,比如瀏覽了A頁面的用戶也瀏覽的B頁面、觀看了A視頻的用戶也觀看了B視頻、下載了A文件的用戶也下載了B文件……
數(shù)據(jù)挖掘中的關(guān)聯(lián)規(guī)則挖掘一般采用基于頻繁集的Apriori算法,是一個較為簡單有效的算法,這里就不具體介紹了,有興趣的朋友可以去查下資料。
在進行關(guān)聯(lián)規(guī)則分析時需要注意的一些問題
@注意關(guān)聯(lián)推薦的適用范圍和前提條件,并不是每一類網(wǎng)站都適合或需要進行關(guān)聯(lián)推薦的;
@最小支持度和最小執(zhí)行度的設(shè)立需要根據(jù)網(wǎng)站運營的特征設(shè)定,不宜偏高或偏低,建議基于實驗或?qū)嵺`的基礎(chǔ)上不斷優(yōu)化,尋找一個最佳的權(quán)衡點。
@需要特別注意的是,在關(guān)聯(lián)規(guī)則中A商品與B商品有關(guān)聯(lián),并不意味著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(guī)則分析在算法上其實并不難,但是要將其在網(wǎng)站上真正實現(xiàn)好,在滿足上面3個前提的基礎(chǔ)上還需要持續(xù)地優(yōu)化算法,而更主要的是需要網(wǎng)站各部門的協(xié)作實現(xiàn)。
所以,基于用戶行為分析的關(guān)聯(lián)推薦完全從用戶的角度進行分析,比單純地比較產(chǎn)品間的關(guān)聯(lián)更為深入和有效,更加符合用戶的行為習(xí)慣,有利于發(fā)現(xiàn)用戶的潛在需求,不妨嘗試一下。
源地址:http://webdataanalysis.ne……commendation/
- 目前還沒評論,等你發(fā)揮!