商务智能理论与实践教学课件第13章精准营销.pdf

商务智能吴江、胡忠义武汉大学信息管理学院吴江,胡忠义,万欣.商务智能理论与实践M.北京：电子工业出版社,2022目 录第13章 精准营销0113.1 精准营销概述0213.2 推荐系统概述0313.3 几种常见的推荐方法0413.4 使用基于用户的推荐方法推荐电影0513.5 推荐系统评测指标第13章 精准营销 学习目标1.掌握精准营销的基本概念、特征与实现方法；2.掌握推荐系统的相关概念，了解推荐系统的发展背景；3.掌握几种常见推荐方法的原理，利用Python实现基于用户的推荐方法及推荐系统的评价方法13.1 精准营销概述 精准营销的概念精准营销(Precision Marketing)是指企业通过市场定量分析的手段，运用现代信息技术、个性化沟通技术(如数据库、客户关系管理、现代物流等)开展的营销活动，实现企业对效益最大化的追求精准营销的核心思想可以从以下三点进行理解精准营销使企业摆脱了对传统营销体制和机构的依赖，使营销更加直接和有效；另外，现代物流手段减少了流通环节，大幅度地降低了营销成本精准即精确、可衡量在市场定位上，传统营销只能做到定性的程度，精准营销却可以实现精确的市场定位，达到定量的程度。

精准营销凭借现代信息技术和个性化沟通技术能实现与消费者的长期个性化沟通，企业和消费者的沟通持续而有效，在不断满足消费者个性化需求的同时，可以建立稳定的忠实客户群一方面其能够减少企业投放传统广告的高额费用，使企业的营销活动达到可度量、可调控的精准要求，促进企业低成本快速发展；另一方面能够实现客户链式反应增值，促进企业长期稳定发展13.1 精准营销概述 精准营销的核心思想13.1 精准营销概述 精准营销的特征从精准营销的概念中可以看出，精准营销是以客户为中心的，运用各种可利用的方式，通过正确的渠道在正确的时间以合适的价格向正确的客户提供正确、合适的产品精准营销具备以下五个特征目标客户的针对性最基本的、首要的特征需要将目标客户和非目标客户区分开来，只针对目标客户进行高效精准的沟通成本的经济性精准营销要求和强调在找到目标客户后，尽可能地减少浪费，实现高投资回报精准程度的动态性精准营销并不是一步达成的，而是通过一个循序渐进和不断进步的过程达成的其精准程度不是绝对的而是相对的，通过不断改进，现在只会比过去更精准，而未来又会比现在更精准所以，精准程度是动态的而非静止的沟通的互动性在传统的营销中，由于企业与目标客户之间一般是单向沟通的，信息量有限并且信息传播和沟通的形式单一，目标客户无法深入了解满足其需求或感兴趣的内容，并且企业将错过目标客户的当时反馈和进一步应对引导的时机。

效果的可衡量性精准营销能够通过对营销活动过程的跟踪，对营销的结果进行衡量和控制，用数据说话现代技术的发展和成熟应用为精准营销活动的过程和效果提供了技术支持，可以通过现代技术的监控手段对营销过程和各个环节的效果进行检查，从而优化营销的流程13.1 精准营销概述充分利用各种有效的工具随着互联网的发展和网民数量的快速增加，各种互联网方式和手段都可以成为在电子商务中实现精准营销的重要工具，如短信、E-mail广告、搜索引擎、门户网站、博客、、微博、竞排名搜索、关键词搜索广告等高效的客户沟通系统精准营销提倡一对一沟通，拉近企业业务人员和客户之间的距离为实现企业和目标客户的双向互动沟通的即时性和有效性，企业需要建立高效率、高质量的客户沟通系统在多次互动沟通中，客户对企业和产品的好感会提升，最终可能会产生购买行为由于客户群体可以根据其特征分为不同的类别和群体，而与之对应的产品就需要进行市场定位为了实现精准营销，企业首先要做的是根据细分的依据来对市场进行细分，并选择合适的市场作为企业的目标市场，以此来找到自己的市场定位不同企业的市场定位不同，同一企业的不同产品的市场定位也不尽相同精准的市场定位建立目标客户的信息数据库明确的目标客户和精准的市场定位为信息数据库的建立提供了得天独厚的条件。

用户每次使用互联网时，都会留下行为痕迹和行为轨迹，用户查询或访问产品的类别和次数、浏览停留的时间、购买的频率、购买经历、购买力等历史记录都是宝贵的数据13.1 精准营销概述 精准营销的实现方法13.2 推荐系统概述 推荐系统的发展背景随着网络的迅速发展而带来的网上信息量的大幅增长，使得用户在面对大量信息时无法从中获得对自己真正有用的信息，信息的使用效率反而降低了，这就是所谓的信息超载(Information Overload)问题13.2 推荐系统概述 推荐系统的发展背景解决信息超载问题的一个非常有潜力的办法是推荐系统它是根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户的个性化信息推荐系统和搜索引擎相比，推荐系统通过研究用户的兴趣偏好进行个性化计算，由系统发现用户的兴趣点，从而引导用户发现自己的信息需求一个好的推荐系统不仅能为用户提供个性化的服务，还能和用户之间建立密切关系，让用户对推荐系统产生依赖13.2 推荐系统概述 推荐系统的模块推荐系统有三个重要的模块：用户建模模块、推荐对象建模模块、推荐算法模块推荐系统通用模型如图所示推荐系统把用户模型中的用户偏好信息和推荐对象模型中的特征信息进行匹配，同时使用相应的推荐算法进行计算筛选，找到用户可能感兴趣的推荐对象，然后推荐给用户。

13.2 推荐系统概述 推荐系统需要解决的关键问题推荐系统(Recommend System，RS)，广义上可以理解为：为用户(User)推荐相关的物品(Item)的系统推荐系统需要解决的关键问题如图13.2 推荐系统概述 推荐系统的模块(1)收集数据，建立推荐值矩阵收集的数据具体包括用户的喜爱度、打分、点赞数、评价等2)利用推荐值矩阵预测未知的数据在用户和物品数量都比较大的情况下，推荐值矩阵通常是稀疏矩阵3)评价推荐系统的推荐效果13.2 推荐系统概述 推荐系统的分类推荐系统现已广泛应用于很多领域，其中最典型并具有良好的发展和应用前景的领域就是电子商务领域推荐系统逐渐形成了一门独立的学科13.3.1 基于用户的协同推荐User Collaborative Filtering，UserCF基本假设：如果两个用户对同一物品的打分相似，则这两个用户具有相似的偏好因此，他们对其他物品的打分也会相似相似用户对物品的偏好也会相似如果要预测目标用户是否会喜欢某物品，首先找出与目标用户相似的用户，然后综合利用相似用户对目标物品的打分来得出目标用户对目标物品的打分打分是用户对物品喜好程度的一种反映，在实际应用中可以利用用户是否购买了某物品、是否在网站上浏览过此物品、用户购买此物品后的使用反馈等信息对其加以量化。

13.3.1 基于用户的协同推荐三个用户分别为用户A、用户B、用户C，他们看过的电影既有相同的，也有不同的比如，想要计算待推荐的用户A与所有用户的相似度，进而找到与用户A最相似的N个用户，假设N=1，即需要找到与用户A最相似的1个用户，通过计算可以找到用户B与用户A是最相似的，从而将用户B看过而用户A没有看过的机器猫推荐给用户A13.3.1 基于用户的协同推荐 算法第一步（相似度计算）找出与用户u有共同爱好的用户v，然后通过Jaccard公式或余弦相似度公式来计算Jaccard公式：余弦相似度公式：N(u)表示用户u有过正反馈的物品集合，正反馈表示感兴趣|N(u)|表示集合的长度这种算法在用户量大的时候计算量非常大，且因为用户-物品矩阵的稀疏性(有很多用户的兴趣根本没有交集)，很多用户间的余弦相似度为0，导致了大量不必要的计算这个问题可以通过以下办法解决：建立物品-用户的倒排表，把对同一个物品感兴趣的用户放入一个集合中，逐个扫描物品，如果集合中同时出现了用户u和用户v，那么余弦相似度的分子加1这样就能做到只对出现在同一集合中的用户计算余弦相似度，可以避免不必要的计算)()()()uvN uN vwN uN v=()()()()uvN uN vwN uN v=13.3.1 基于用户的协同推荐 算法第二步（兴趣度计算）计算出用户间的相似度之后，选择与目标用户相似度最高的K个用户，把他们感兴趣的物品推荐给目标用户。

那么接着就要计算用户对物品的兴趣度，公式如下S(u,K)表示与用户u相似度最高的K个用户N(i)是对物品I有过行为的用户的集合wuv是用户u和用户v的兴趣相似度rvi代表用户v对物品i的兴趣也就是说，用户对物品的兴趣度是与该用户相似的用户对物品的兴趣度的加权和，与他越相似的用户对该物品的兴趣度越大，则他对该物品的兴趣度也会越大)()(,)uv viv S u KN ip u iw r=13.3.1 基于用户的协同推荐在基于用户的协同推荐算法中，参数K是一个非常重要的参数，和准确率及召回率没有线性关系但参数K与覆盖率和新颖度关系很大，参数K越大，参考的人越多，越可能选到热门商品，覆盖率和新颖度都会降低，流行度会提高John S.Breese提出了一种改进余弦相似度的算法：用户对热门物品的兴趣不能真正代表他们之间的相似度，对冷门物品的兴趣才能代表，因此在计算余弦相似度时加入了惩罚项，公式如下：N(i)是用户u和用户v都有过正反馈的物品中第i个物品的热度，也就是对该物品有过正反馈的用户数，这个数字越大，对兴趣度的影响就越小1()()log(1)()()()uviN uN vN iwN uN v+=13.3.2 基于物品的协同推荐Item-Based Collaborative Filtering基本假设：如果大多数用户喜欢物品i的同时也喜欢物品j，若一个用户a喜欢物品i，则他也可能喜欢物品j。

为此，需要计算物品之间的相似度，而不是用户之间的相似度由于物品之间的相似度相对于用户之间的相似度更稳定，因此物品之间的相似度的更新不必像用户之间相似度的更新那样频繁，因而可以提高系统的运行效率该算法弥补了基于用户的协同推荐算法在用户量增长后计算难度急剧增大的缺点，目前在业界应用最为广泛13.3.2 基于物品的协同推荐 算法第一步计算物品间的相似度，公式如下N(i)表示喜欢物品i的用户的集合，即喜欢物品i的用户中有多少用户同时喜欢物品j很显然，这样有一个大问题，就是热门物品大家都喜欢，那么热门物品之间的相似度会很高，就会导致买过热门物品的用户会一直收到热门物品的推荐，因此需要对这个计算方法做一点修正：()()()ijN iN jwN i=()()()()ijN iN jwN iN j=13.3.2 基于物品的协同推荐 算法第二步计算用户对物品的兴趣度，公式如下N(u)是用户u喜欢的物品的集合S(j,k)是和物品j最相似的K个物品的集合wij是物品i和物品j的相似度rui是用户u对物品i的兴趣也就是说，和用户感兴趣的物品越相似的物品，用户对它的兴趣度越大)(,)ujij uii N uS j KPw r=13.3.2 基于物品的协同推荐和基于用户的协同推荐一样，基于物品的协同推荐的值对准确率和召回率没有明显的影响，但随着值增大，覆盖率会降低，新颖度也会降低。

同样地，也要给予过于活跃的用户一些惩罚，和惩罚过于热门的物品一个道理，否则一个用户买了80%的物品，这些物品之间的相似度在一定程度上都比应该有的相似度高，加入惩罚项后的相似度计算公式如下：物品的相似度计算最后需要进行归一化处理，在同类物品内部除以最大的相似度值，这样有利于提高准确率及覆盖率一方面，对于最大相似度较低的品类的物品来说，即使有用户喜欢也会一直得不到推荐，因为该类物品的相似度整体不如别的品类高进行归一化处理能够避免差异化比较大的品类得不到正确推荐另一方面，如果不进行归一化处理，就会因为大家都喜欢热门物品而导致物品之间的相似度很高，热门物品将总是得到推荐1()()log(1)()()()ijuN iN jN iwN iN j+=13.3.2 基于物品的协同推荐二者对比13.3.3 隐语义模型方法隐语义模型(Latent。