服务于个性化营销的推荐系统实现与应用学习课件.ppt

服务于个性化营销的推荐系统实现与应用 . 项目背景 商务活动的电子化 大数据时代（Big Data） 个性化商业 . 推荐系统在电子商务的应用 推荐系统利用特殊的信息过滤技术，将不同的物品或内容推荐给可能对它们感兴趣的用户。 . 推荐系统的应用现状 Amazon35%销售额来自推荐 寻求先进算法Netflix放出百万大奖 淘宝销售额90%以上仍来自搜索与类目等传统手段 京东，淘宝上的应用仍是基于关联规则的非个性化推荐 国内少量个性化推荐的实现多是基于协同过滤算法（豆瓣猜） VS 国外 国内 Amazon35%销售额来自推荐 国外 寻求先进算法Netflix放出百万大奖 Amazon35%销售额来自推荐 国外 VS 寻求先进算法Netflix放出百万大奖 Amazon35%销售额来自推荐 国外 淘宝销售额90%以上仍来自搜索与类目等传统手段 VS 寻求先进算法Netflix放出百万大奖 Amazon35%销售额来自推荐 国外 国内 淘宝销售额90%以上仍来自搜索与类目等传统手段 VS 寻求先进算法Netflix放出百万大奖 Amazon35%销售额来自推荐 国外 京东，淘宝上的应用仍是基于关联规则的非个性化推荐 国内 淘宝销售额90%以上仍来自搜索与类目等传统手段 VS 寻求先进算法Netflix放出百万大奖 Amazon35%销售额来自推荐 国外 国内少量个性化推荐的实现多是基于协同过滤算法（豆瓣猜） 京东，淘宝上的应用仍是基于关联规则的非个性化推荐 国内 推荐给淘宝带来的销售额却低于10% VS 寻求先进算法Netflix放出百万大奖 Amazon35%销售额来自推荐 国外 . 个性化营销的技术体系 技术体系的优势： Python语言的灵活性与C语言的运算高效性相结合； 基于SQL+Python语言的数据分析与高精度的算法相结合。 . 算法体系：核心算法+常规算法 核心算法： 基于网络的物质扩散方法(MD)：基于用户-商品二部分网络上的物质扩散过程。 扩展方法： 多步扩散 非均匀扩散法 热传导-物质扩散 混合算法 初始资源加权法 . 全局排序(GRM)：用户没有选择过的最热门的商品； 基于商品的协同过滤算法(OCF)：基于商品之间的关联性。 常规算法 . 算法体系的优势 核心算法的优势 算法新。原型算法相关文章最新发表在2010年PNAS（美国科学院院刊）上，在学术界是独树一帜，企业界还是首次应用； 精度高，解决了数据稀疏性问题。标准数据集（movielens, netflix）上精度比一般协同过滤算法高14%；在数据稀疏性高的数据集上（淘宝书类目下），精确度比协同过滤高900%； 代码易实现，占用资源少，执行效率高。抛弃了协同过滤计算关联矩阵这一耗时和占用内存的步骤，易在大规模数据集上实现。 多种的算法结合，针对不同特点的数据集，弥补算法间的不足。 . 成功案例一：在手机阅读平台的应用 . 个性化营销体系的数据分析功能 手机阅读时间的分析 手机平台匹配性分析 手机阅读种类分析 手机行为量的统计分析 手机营销参数分析 手机阅读用户年龄分析 . 数据分析举例：阅读时间的分析 分析结论：周末效应明显，星期日总是局部高峰； 营销建议：建议在周末进行短信推送等相关营销。 . 数据分析举例：平台匹配性分析 分析结论：对于部分低端手机，由于平台不匹配，因此要成为活跃的阅读用户可能性非常小；过于高端可能会有更丰富的娱乐选择而放弃手机阅读； 营销建议：手机阅读营销活动建议区分手机平台，中端智能手机用户是比较好的潜在用户。 . 数据分析举例：手机阅读用户年龄分析 分析结论：20～40这个年龄阶段是主力群体，占据了70%用户份额；18～22是大学期间，份额不小；另外则是刚毕业进入职场的群体。 . 数据分析起到的作用 与企业谈判前期，通过数据分析给出有价值的营销建议取得合作方的信任 个性化推送展开后，通过数据挖掘找出潜在的用户群体，选择最佳时间点进行推送，以便得到更佳的推送效果 . 个性化短信推送的实施方案 用户选取了总pv量大于10间的共49892个用户，并分为了两组； useid为奇数的有24828个，为实验组，对此组用户进行个性化推荐； useid为偶数的有25064个，为对照组，移动公司方选取一本热门书对所有用户推荐（这次的书名为《北海恋人》）。然后比较这两组的推荐效果； 每人只做一次推荐，一次只推荐一本书。 . 个性化短信推送的实施效果 推荐当日的激发pv量以及随后9天的激发pv量比较 （红色代表实验组 黄色代表对照组） .