위쪽으로 마케팅, 크로스 마케팅 및 관련성 추천

우리는 많은 사이트 권장 함수 뿐만 아니라 소비자 전자 상거래 클래스 뛰어난 책 추천 같은 콘텐츠 하지만 물냉이 추측에 물냉이 같은 관심 클래스 사이트 포함을 찾을 것입니다. 이러한 유형의 기능 의심할 여 지 없이 사용자 수요를 발견 하는 데 놀라운 효과, 상품 구매 및 서비스 응용 프로그램. 추천의이 종류는 어떻게 받을 수 있나요? 사실, 사이트와 데이터 분석은 없는, 우리가 그것의 원리 및 구현에서 간단한 보세요.

제휴 추천 마케팅에서 두 가지 범주로 나누어집니다.

마케팅: 최대 높은 값 또는 다른 제품이 나 서비스를 향상 원래 함수 또는 과거 소비자의 취향에 따라 고객의 목적을 제공 합니다.

크로스 마케팅 (마케팅 크로스): 고객의 구매 행동에서 고객의 여러 요구를 식별 하 고 관련된 제품이 나 서비스를 판매.

유사한 제품 라인 업그레이드에 따라 위쪽으로 마케팅 이나 제품 추천, 최적화 및 유사 하지만 서로 다른 종류의 제품의 권장에 따라은 교차 판매. 간단한 예제에 대 한 애플의 제품 라인에서 보세요:

NANO5, 또는 기능적으로 유사한 itouch 아이폰, 맥, 또는 ipad는 "교차 판매." 추천 하는 동안, "마케팅" 이라고 당신이 살 때 아이팟 NaNO3, Nano4 업그레이드를 추천,

협회 추천 두 종류로 분할 될 수 있다: 제품 분석에 따라 관련된 권장 사항 및 사용자 분석에 따라 관련된 추천. 제품 분석을 위한 관련된 추천 제목 포함 웹 분석, 웹 분석 및 웹 분석 2.0의 저자 등 제품의 특성을 분석 하 여 공통 분모는 Avinash Kaushik, 찾을 것입니다. 웹 분석 클래스도 서, 하지만 또한 수 있습니다 수 같은 출판사... 다음 제품 협회 웹 분석을 구입 하는 사용자에 게 웹 분석 2.0을 추천할 수 있습니다. 사용자 분석에 따라 권장은 그 사용자의 역사적 동작 데이터를 분석 하 여 찾을 수 있습니다 그 많은 웹 분석을 구입 하는 사용자의 또한 책을 구입 "의 요소, 사용자 경험"이이 발견에 따라 권장 수 있습니다. 이 방법은 데이터 마이닝 (협회 규칙), 어떤을의 고전적인 사례는 월마트의 맥주와 기저귀 이야기에서에서 협회 규칙 광업입니다.

현재, 많은 권장 사항을 기반으로하는 제품 수준은 구현 (사이트에 대 한, 데이터는 사용자의 동작 데이터 보다 훨씬 적은 분석 훨씬 더 가벼울 것 이다 그래서 몇몇 크기 순서를 있을 수 있습니다 제품), 간단 하 게 때문에 협회의 더 위에서 언급 한 달성 하기 위해, 두 가지 마케팅 방법을 더 전통적인 편견 제품의 추천에 따라 "푸시" 마케팅 (개인 관심이 덜 마케팅 접근, 특히 "번들된 판매"의이 종류에서).

사용자 행동 분석에 기반 하는 관련성 추천

따라서, 개인은 더 많은 사용자를 위해 더 나은 사용자의 잠재적인 요구 그들은 필요로 하는 제품을 선택 하 고 구매를 결정 하는 사용자는 "풀-스타일" 마케팅 이라고 발견에 더 도움이 되는 사용자 분석에 기반 하는 구현을 의향이. 사용자에 게 제품 또는 서비스를 추천 하 고 사용자의 잠재적인 필요를 자극 한 "사용자 중심" 개념에 맞춰 더 소비자 소비 홍보. 그래서 전자 상거래 사이트 또는 다른 유형의 사이트, 사용자 행동 분석의 다음과 같은 주요 설명, 추천의 관련성에 따라 사실, 얻을 수 있습니다이 기능으로 다음과 같은 필수 구성 요소를가지고.

1, 효과적으로; 사이트 사용자를 식별할 수 있습니다.

2, 유지 사용자의 역사적 행동 데이터 (클릭 스트림 데이터 (클릭) 또는 운영 데이터 (결과));

3, 물론, 또한 좋은 웹사이트 데이터 분석을 해야합니다.

여기 협회 규칙의 특정 구현을 설명 하기 위해 예를 들어 전자 상거래 웹사이트를 가져가 라. 현재, 가장 전자 상거래 사이트에 사용자 등록을 제공 하는 기능, 그리고 쇼핑 사용자의 경우 로그인의 완료의 조건에 따라 일반적으로 가장 효과적인 id 사용자 ID를 식별 하는 사용자에 대 한 여기 (사용자 식별 방법를 참조 하십시오이 문서 사이트 사용자 확인) 동시에 사이트 사용자 행동 분석-사용자 기록 데이터를 쇼핑에 대 한 데이터 베이스를 제공 한다 그들의 자신의 운영 데이터베이스에 모든 사용자의 쇼핑 데이터를 저장 합니다. 그래서 위의 두 가지 조건에 맞게, 우리가 분석을 진행할 수 있습니다.

협회 규칙의 원리 (데이터가 너무 크면, 1 년, 1/4, 필수품, 기초 B 상품을 구입 하는 사람들의 숫자의 비율을 찾을 수 등, 특정 시간 간격을 선택할 수 있습니다 그리고 비율 미리 결정 된 목표 수준에 도달 하면 모든 사용자의 쇼핑 데이터에서 실현 하는 것입니다. 우리는 그래서 사용자 구입 제품 하지만 하지 구매 B 상품 두 상품 간의 특정 상관 관계는 생각, 우리 같은 사용자 B 상품을 추천할 수 있습니다. 다음 그림:

위의 그림에서 참여 3 세트는 볼 수 있습니다: 모든 사용자가 제품, B 제품을 구입 후 구입한 사용자의 a 수집 구매한 사용자의 컬렉션을 구입 했습니다. 이 3 세트에 따라, 협회 규칙 광업 지원 (지원) 정도와 신뢰 (신뢰)에서 2 주요 통계 계산 됩니다.

지원 = A의 구입의 수와 B 상품 (세트 g) / 모든 구매 상품 (세트 U)의 수

신뢰 = A를 구매한 사람들의 수와 B (set g) / 구입한 상품의 수는 (설정가)

이 두 지표는 최소 임계값, 최소 지원 및 최소 신뢰는 두 가지 지표에 대 한 필요 합니다. 사용자의 구매 행동, 제품 구입 하기 때문에 사용자 수 있습니다만 구입 하지 B 제품 또한 구입 C, D, E... 그래서 우리는 모든 지원 및 지원 등 충족에 신뢰의 이러한 조합 밖으로 작동 하는 일련의 제품에 > 0.2, 안정성 >이 상품 조합의 0.6 관련성이 간주 될 수 있습니다, 것이 좋습니다.

물론, 귀하의 사이트는 전자 상거래 사이트를 없는 경우 사용할 수 있습니다 또한 사용자를 사이트의 클릭 스트림 데이터 관련된 권고 기능을 구현 하. 같은 사용자 역사 행동에 따라, 검색 페이지와 같은 사용자가 또한 본 B 페이지를 탐색 또한 본 비디오 사용자 B 비디오 파일 사용자가 또한 다운로드 B 파일을 다운로드...

비교적 간단 하 고 효과적인 알고리즘은 데이터 마이닝에서 일반적으로 빈번한 집합을 기반으로 Apriori 알고리즘을 사용 하 여 연결 규칙 마이닝, 여기 특별히 도입, 관심 친구 데이터 확인에 갈 수 있다.

협회 규칙의 분석에 주의 필요로 몇 가지 문제가

@ 적용 범위 및 협회 추천의 전제 주의 아니라 각 웹사이트의 적합 또는 협회 추천;에 수행할 필요가

@ 최소 지원 및 최소 정도의 실행 하지 높거나 낮은, 웹사이트 작업의 특성에 따라 설정 해야 실험 이나 연습에 근거 하 여 최적화 하 고 최고의 거래 포인트를 찾을 하는 것이 좋습니다.

필요 특별 한 주의, 협회에서 상품과 B 상품 관련 된 규칙, 않습니다 @ 아닙니다 그 B 상품 및 상품 협회 또한 설정, 다르기 때문에 모두의 신뢰는 알고리즘, 협회 방향 되돌릴 수 없습니다 수 있습니다.

@ 협회 규칙 분석 알고리즘은 어려운, 하지만 정말 좋은, 최적화 알고리즘, 계속 필요에 근거 하 여 위의 3 필수 구성 요소를 충족 하 고 더 중요 한 웹 사이트에는 달성 하는 사이트의 다양 한 학과의 협력에 대 한 필요.

따라서, 사용자 행동 분석에 따라 관련성 추천은 사용자의 관점에서 더 깊이 하 고 제품, 사이의 관계 보다 효과적인 사용자의 행동 습관와 더 일치 하 고 사용자의 잠재 수요를 도움이 됩니다 분석 이다.

원본 주소: http://webdataanalysis.ne...commendation/