大数据分析和消费心理模式研究.docVIP

大数据分析和消费心理模式研究 一、引言 随着移动网络技术发展越来越深化，用户接触到的网络应用越来越多，从大型百货式销售平台到专业化服务平台，便捷的网络服务呈现爆发式的增长。然而，如何从这些数量庞大的服务中找到符合个体需求的服务，如何从大量同质化严重的同类服务中找到可信任的服务提供者，成了用户需要面对的一个难题。对于当前的服务提供平台来说，如何精准的、方便的、贴心的、有保障的提供服务推荐[1]，成为转化新用户、留住老用户的关键。 二、相关研究 在目前关于服务推荐方面，基本从两个方面介入功能设计。一是从引入当前流行的推荐算法升级系统功能，二是从目标用户的消费心理上进行功能调整。2.1基于大数据分析的推荐模型在推荐算法部分，目前比较突出的有基于RatingJ、标签和社交网络等。由于目前的应用数据量庞大，以上推荐算法都需要大量用户特征数据数据才能体现出优越性。这些算法我们可以统一归类到基于大数据分析的推荐模型。可信推荐模型是大数据推荐模型中的一个大类。在服务网络中，节点处于自身利益会进行虚假推荐，这样的情况在我们熟知的大型网购平台已经非常普遍，其恶果就是大众对模型给出的推荐结果的不信任，间接增加了用户在选择服务的过程周期，影响用户体验度。在此基础上，又出现了诸如CRBTrust推荐模型和基于贝叶斯网络的Agent服务推荐机制[2]。CRBTrust模型将节点分为诚信节点和非诚信节点，建立“节点考察表”对每个节点进行打分，以约束非诚信节点的恶意推荐行为[3]。贝叶斯网络推荐模型是一种基于概率值的分组推荐策略。其主要过程是根据目标用户的行为习惯进行建模，并预测用户今后可能会需要的服务分组[4]。2.2基于消费心理模式的推荐模型消费心理学是目前推荐领域的热点。用户在选择服务的过程中同样表现出消费心理学现象。推荐是为了促成交易，对应到消费者，则是选择服务的过程心理状态。消费者对于选择服务，有三个普遍心理想象：一是性价比，二是服务信誉，三是售后[5]。服务提供者做到三点一般都会有好的消费者满意度。然而，放到互联网交易平台上，这些指标变得不那么确定了，甚至在选择服务的过程中，服务需求等心理过程都会变得模糊和不确定[6]，要精确推荐服务变得难上难。目前的大数据推荐模型都力求分析用户的购买行为，并根据分析结果推荐个性服务供用户选择。然而，这些模型只顾及与交易转化，却忽略了这些交易伴随的用户其他类型的行为关联。这些关联行为包括用户浏览路径、比较点击次数、单笔交易成交周期等，而这些行为与用户选择动机和消费心理关系紧密。交易周期是衡量用户体验的一个重要指标。交易周期是指用户选择服务并最终成交发生的一系列针对多种相似竞争产品的点击、比较行为以及结算行为所组成的全部行为序列。针对专业领域的服务提供平台，如果还是采用传统电商的服务推荐模型，即使解决了可信度的难题，如果在交易周期上让用户产生了不友好的体验，不管推荐算法可以覆盖多庞大的数据量，仍然是失败的推荐应用案例。 三、大数据分析和消费心理模式结合的推荐模型 将传统的基于大数据分析的可信服务推荐的方式与基于用户选择行为的心理模式相结合，是目前比较推崇的营销应用场景。其整体结构如图1所示。图1大数据分析和消费心理学结合的推荐模型结构图从图1展示的结构，大数据推荐是核心，可信度属性分组是服务推荐的个性化需求，目标用户的选择行为模型是最终的体验升级。可信度属性分组是支撑可信服务的各种指标集合。特别是专业领域的服务提供平台，由于服务内容相似度高，服务品质参差不齐，如果没有与信任度相关的支持保障，很难促成交易的发生，更不用说长久的留住的用户。目前在可信度指标上，主要有能力评级、服务评价、社交推荐、服务资历等，有的是单一出现，更多是以集合的方式出现。以家政服务为例，能力评级体现在服务推荐平台或第三方权威机构给出的对家政人员的服务能力评价；服务评价则在售后客户评分是体现；社交推荐需要在社交网络中实现，也就是“熟人推荐”行为；服务资历主要体现在服务年限或服务累计次数上。其他形式还有服务保险等，体现售后服务保障方面。大数据分析服务推荐中的应用很多，除开可信度这个指标，还有服务需求匹配等应用场景。根据不同的功能需求，大数据分析技术都可以发挥作用。同时，根据业务的不断深入，业务量的不断积累，通过数据挖掘技术，也可以发掘出新颖的推荐模式。用户的选择行为模式的分析，可以在用户体验上提高用户满意度。选择行为模式和用户消费心理状态相关，根据对目标用户的消费行为模式的刻画，设计个性化的人机交互方式，最终尽可能的趋近精准的推荐结果。在家政服务推荐的过程中，底层大数据分析会提供一个服务推荐序列，那么是不是需要将所有的结果都展示给用户呢？根据我们对目前用户的行为建模结果，发现用户对于同质