向上營(yíng)銷(xiāo)、交叉營(yíng)銷(xiāo)與關(guān)聯(lián)推薦
我們會(huì)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(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 用戶發(fā)現(xiàn)需求，促進(jìn)商品購(gòu)買(mǎi)和服務(wù)應(yīng)用方面起到了顯著性的效果。那么這類(lèi)的推薦是怎么得到的呢？其實(shí)跟網(wǎng)站數(shù)據(jù)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(xiàn)。
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(jù)既有客戶過(guò)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(xiāo)(Cross Marketing)：從客戶的購(gòu)買(mǎi)行為中發(fā)現(xiàn)客戶的多種需求，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)品線的升級(jí)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：
當(dāng)你購(gòu)買(mǎi)一個(gè)ipod nano3的時(shí)候，向你推薦升級(jí)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(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(guò)分析產(chǎn)品的特征發(fā)現(xiàn)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(gòu)買(mǎi)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(guò)分析用戶的歷史行為數(shù)據(jù)，可能會(huì)發(fā)現(xiàn)購(gòu)買(mǎi)了《Web Analytics》的很多用戶也買(mǎi)了《The Elements of User Experience》這本書(shū)，那么就可以基于這個(gè)發(fā)現(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（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?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(xiāo)手段來(lái)實(shí)現(xiàn)，更偏向于傳統(tǒng)的“推式”營(yíng)銷(xiāo)（個(gè)人對(duì)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)）。
基于用戶行為分析的關(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(gòu)買(mǎi)，也就是 所謂的“拉式”營(yíng)銷(xiāo)。通過(guò)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(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(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(lái)說(shuō)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(gòu)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(gòu)物數(shù)據(jù)儲(chǔ)存在自己的運(yùn)營(yíng)數(shù)據(jù)庫(kù)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(gòu)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(gòu)物數(shù)據(jù)中（如果數(shù)據(jù)量過(guò)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(gòu)買(mǎi)了A商品的基礎(chǔ)上，又購(gòu)買(mǎi)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(gòu)買(mǎi)了A商品但還未購(gòu)買(mǎi)B商品時(shí)，我們就可以向該類(lèi)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(gòu)買(mǎi)過(guò)商品的用戶全集U、購(gòu)買(mǎi)了A商品的用戶集合A以及在購(gòu)買(mǎi)了A商品之后又購(gòu)買(mǎi)了B商品的用戶集合G。基于這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(gòu)買(mǎi)了A和B商品（集合G）的人數(shù)/所有購(gòu)買(mǎi)過(guò)商品（集合U）的人數(shù)
置信度=購(gòu)買(mǎi)了A和B商品（集合G）的人數(shù)/購(gòu)買(mǎi)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(mén)檻，即最小支持度和最小置信度。因?yàn)樵谟脩舻馁?gòu)買(mǎi)行為中，購(gòu)買(mǎi)A商品的用戶可能不僅購(gòu)買(mǎi)B商品，還購(gòu)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(yè)面的用戶也瀏覽的B頁(yè)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(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(guī)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(zhí)行度的設(shè)立需要根據(jù)網(wǎng)站運(yùn)營(yíng)的特征設(shè)定，不宜偏高或偏低，建議基于實(shí)驗(yàn)或?qū)嵺`的基礎(chǔ)上不斷優(yōu)化，尋找一個(gè)最佳的權(quán)衡點(diǎn)。
- 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(niǎo)商品與A商品的關(guān)聯(lián)也成立，因?yàn)閮烧叩闹眯哦人惴ㄊ遣煌模P(guān)聯(lián)方向不可逆。
- 關(guān)聯(lián)規(guī)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(xiàn)好，在滿足上面3個(gè)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(mén)的協(xié)作實(shí)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(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。
來(lái)自：http://webdataanalysis.net/web-quantitative-analysis/association-recommendation
