{消费者行为分析}消费者购买可能性判断的模型设计.pdfVIP

{消费者行为分析}消费者 购买可能性判断的模型设 计 消费者购买可能性判断的模型设计 分类模型就是根据以往的经验，根据每个属性内的水平与类之间的对应关系， 构造出分类模型。本文旨在探讨分类模型的评价标准，并提出了两种分类方法。 第一种分类方法比较简单，经济含义也比较明显，但第一种方法要求属性（指标） 之间不能有强的相关性。在第二种方法中，提出并证明了两条比较实用的结论， 并利用这两条结论与一些合理的假设，求解出了新的分类模型。 在一对一销售、信用评价等商业活动中，经常需要判断哪些人的购买倾向更 高一些，哪些人的信用更好一些的问题。这实际上是如何进行分类的问题。分类 与聚类不同。聚类没有根据经验进行学习的过程。而分类模型根据以往的经验， 根据每个属性内的水平与类之间的对应关系，构造出分类模型。 分类模型的方法有：决策树、遗传算法、贝叶斯等。 在本文中，只分成两类，这两类用购买者与非购买者来代表。购买者表示购 买某产品，非购买者表示不购买某产品。 一、模型好坏评价的标准 预测结果的好坏也就是预测准确程度。本文以销售时的情况为例，假设结果分为 两类：购买者与非购买者。假设在以往数据中购买者与非购买者的个数分别是a 、 b 。我们利用某种模型在a 个购买者中预测准确 a1 个人，不准确 a2 个人（或者 说 a2 个人被预测成非购买者）；在 b 个非购买者中预测准确 b1 个人，不准确 b2 个人（或者说 b2 个人被预测成了购买者）。 很自然的想法是利用整体准确率来衡量： L1= （a1+b1）/ （a+b）×100%指标一 指标一的缺点是，有时购买者的个数要远低于非购买者的个数，比如，假设在某 个人群中非购买者的比例占 98% ，如果采用这样的预测方法：对于任何一个人， 都认为他是非购买者，按照指标一，预测准确率可以达到 98% ，属于很高的预测 精度。但这与商家的目标不一致：商家希望根据以往的经验，根据每个人的属性 特征，利用某种评价模型，从某个人群中挑出一部分人来，与没有应用该种模型 相比，挑出来的这部分人比原始人群具有很高的购买倾向。而利用指标一评价， 就属于一个人都没有挑出来。指标一的根本缺点是没有注意到预测准一个购买者 与预测准一个非购买者的重要程度是不一样的（在购买者与非购买者数量基本相 等时两者的重要程度是一致的）。 而以下指标就可以有效的克服上述缺点： L2= （a1/a+b1/b）×50%指标二 可以利用指标二来判别模型的预测能力，将 L2 称为分类模型拟合优度系数。容 易证明，在一般情况下，模型拟合优度系数在 0.5 与 1 之间。当 L2=0.5 时，说 明利用分类预测模型并没有提高预测精度；而当L2=1 时，说明分类模型将购买 者与非购买者完全区分开了。 将指标二进行变换，可以得到： L2= （a1/a+b1/b）×50% =50%+ （a1/a–b2/b）×50% 一般来说，a1/a–b2/b 显然大于0 。因为根据我们的目标利用模型挑选出来的人 中，购买者的比例与原始人群相比有所提高，也就是： a1/ （a1+b2）＞a/ （a+b）（1） 其中，模型的左边是利用模型挑选出的人群中购买者所占的比重，模型的右边是 原始人群中购买者所占的比例。 将式（1）两边同乘以（a1+b2）× （a+b），经过整理可以得到： a1/a＞b2/b 同理，可以得到： b1/b–a2/a＞0 ，并且容易得到： a1/a–b2/b=b1/b–a2/a （2） 本文将 a1/a–b2/b 或 b1/b–a2/a 称为模型的识别能力因子，识别能力因子越大， 则模型的挑选能力越高，越能够符合商家的需要。容易得到，能力识别因子在 0 与 1 之间。当能力识别因子等于 0 时，利用模型挑选出的人群中购买者占的比例 与原始人群相等，模型没有起到应有的挑选能力的作用。而当模型识别能力因子 等于 1 时，挑选出的人群全部是购买者或非购买者，也就是说将购买者与非购买 者完全分开，当然这是一种理想情形，实际上是不可能达到的。 二、评价模型 设有 m 个属性（比如性别、年龄、以往购买情况等），每个属性由一定的水平构 成，通过某种规则将每个属性的各个水平赋予一定的值，设 X 表示第 j 个人的 ki 第k 个属性对应的水平，将该水平赋予一定的数值 Ukj （比如如果第k 个属性是性 别，如果第 j 个人是男，那么