分析：向上營(yíng)銷、交叉營(yíng)銷與關(guān)聯(lián)推薦

分析：向上營(yíng)銷、交叉營(yíng)銷與關(guān)聯(lián)推薦

關(guān)聯(lián)推薦在營(yíng)銷上被分為兩類：向上營(yíng)銷(UpMarketing)：根據(jù)既有客戶過去的消費(fèi)喜好，提供更高價(jià)值或者其他用以加強(qiáng)其原有功能或者用途的產(chǎn)品或服務(wù)。交叉營(yíng)銷(CrossMarketing)：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(yíng)銷是基于同類產(chǎn)品線的升級(jí)或優(yōu)化產(chǎn)品的推薦，而交叉營(yíng)銷是基于相似但不同類的產(chǎn)品的推薦。舉個(gè)簡(jiǎn)單的例子，可以看一下蘋果的產(chǎn)品線：當(dāng)你購買一個(gè)ipodnano3的時(shí)候，向你推薦升級(jí)產(chǎn)品nano4、nano5或者功能類似的itouch就叫做“向上營(yíng)銷”；而推薦Iphone、Mac或ipad的時(shí)候就是“交叉營(yíng)銷”了。而關(guān)聯(lián)推薦在實(shí)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(diǎn)，比如《WebAnalytics》和《WebAnalytics2.0》的作者都是AvinashKaushik，而且書名都包含WebAnalytics，都是網(wǎng)站分析類的書籍，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)就可以向購買了《WebAnalytics》的用戶推薦《WebAnalytics2.0》。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(huì)發(fā)現(xiàn)購買了《WebAnalytics》的很多用戶也買了《TheElementsofUserExperience》這本書，那么就可以基于這個(gè)發(fā)現(xiàn)進(jìn)行推薦，這種方法就是數(shù)據(jù)挖掘中的關(guān)聯(lián)規(guī)則(AssociationRules)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Ｄ壳昂芏嗟年P(guān)聯(lián)推薦還是基于產(chǎn)品層面的，因?yàn)閷?shí)現(xiàn)上更為簡(jiǎn)單(對(duì)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(gè)數(shù)量級(jí)，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)銷手段來實(shí)現(xiàn)，更偏向于傳統(tǒng)的“推式”營(yíng)銷(個(gè)人對(duì)這種營(yíng)銷方式比較沒有好感，尤其“捆綁銷售”之類)?；谟脩粜袨榉治龅年P(guān)聯(lián)推薦所以個(gè)人更偏向于基于用戶分析的實(shí)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(yíng)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(fèi)，更加符合“以用戶為中心”的理念。所以下面主要簡(jiǎn)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(shí)都可以實(shí)現(xiàn)這個(gè)功能，只要你具備以下前提：能夠有效地識(shí)別網(wǎng)站用戶；保留了用戶的歷史行為數(shù)據(jù)(點(diǎn)擊流數(shù)據(jù)(clickstream)或運(yùn)營(yíng)數(shù)據(jù)(outcomes))；當(dāng)然還需要一個(gè)不錯(cuò)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(shí)現(xiàn)。目前大部分電子商務(wù)網(wǎng)站都提供用戶注冊(cè)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(shí)別提供了最為有效的標(biāo)示符——用戶ID(關(guān)于用戶識(shí)別的方法，請(qǐng)參考這篇文章——網(wǎng)站用戶的識(shí)別)；同時(shí)網(wǎng)站會(huì)把所有用戶的購物數(shù)據(jù)儲(chǔ)存在自己的運(yùn)營(yíng)數(shù)據(jù)庫里面，這個(gè)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(gè)條件，我們就可以著手進(jìn)行分析了。關(guān)聯(lián)規(guī)則的實(shí)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(shí)間區(qū)間，如一年、一個(gè)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(gè)比例達(dá)到了預(yù)設(shè)的一個(gè)目標(biāo)水平的時(shí)候，我們就認(rèn)為這兩個(gè)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(shí)，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(gè)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(gè)集合可以計(jì)算關(guān)聯(lián)規(guī)則挖掘中的2個(gè)關(guān)鍵指標(biāo)——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(gè)指標(biāo)之后，需要為這兩個(gè)指標(biāo)設(shè)立一個(gè)最低門檻，即最小支持度和最小置信度。因?yàn)樵谟脩舻馁徺I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(rèn)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(diǎn)擊流數(shù)據(jù)實(shí)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