企业管理论文：利用用户画像进行精准推荐技术研究

摘要：随着4G或更高的技术和移动终端的迅速发展, 访问移动互联网的用户与日俱增。越来越多的用户选择使用移动终端来完成购物、支付、查询、娱乐等以往需要通过PC端来完成的日常生活需求。移动设备已经成为人类必不可少的设备。根据用户访问网络偏好, 形成了丰富的用户网络标签和画像, 利用用户画像对用户进行分类, 并针对不同分类进行业务推荐, 特别是在用户身处特定的地点、商户, 根据用户画像进行商户和用户的匹配, 并将相应的优惠和广告信息通过不同渠道对用户进行推送。

　　关键词：用户画像,推荐系统,精准营销

　　1 客户画像的定义

　　客户画像是指根据收集的客户信息, 包括客户的基本社会属性, 客户生活习惯和消费水平等信息, 而刻画出来的具有多种标签的客户“外貌”, 也即客户模型。构建模型的过程中最重要的是对客户标签进行精准识别, 所识别的标签能准确的刻画出客户的明显特征。客户画像可以对一个客户进行定量和定性的分析。定量的分析就是分析客户标签, 按照重要性进行排序, 将重要的、核心的、关键的、规模量较大的客户成功的凸显出来。定性分析可以对客户的资料进行分类、归纳、比较, 类似与聚类的方法将具有一定属性和特征的客户归为一类, 以便后期的分析和处理。用定量和定性的分析方法可以快速准确的将客户进行刻画和分类。

　　2 用户画像的应用

　　客户画像是将抽象的用户定量定性的描绘成一种具体的, 标签化的客观实物, 在现实生活中的各个领域得到了广泛的应用。例如:

　　(1) 精准营销:根据产品的属性以及定位匹配适用产品的用户, 针对适合该产品的用户进行多种手段的推荐, 进行精准营销。

　　(2) 数据挖掘:通过机器学习的方法编写程序, 构建智能推荐系统, 根据客户的查询记录迅速抓取客户的需求, 对客户精准推荐。

　　(3) 进行效果评估:完善产品运营机制, 根据客户标签迅速定位应该服务群体, 向这类人群提供高水平、高质量的服务, 使产品的市场效果达到最好。

　　(4) 业务经营分析以及竞争分析:收集客户资料, 对比使用客户画像对客户进行精准营销和未使用前后, 销售业绩状况, 分析其中的关键信息。通过客户画像可以了解竞争对手的具体情况, 了解该行业的发展状况, 在掌握信息的前提下, 更容易走在一个行业的前面。

　　(5) 对服务或产品进行私人定制:未来的服务将走向私人定制的轨道上, 更多的客户要求进行个性化的产品和服务。通过客户的画像可以系统的了解一个客户的需求, 更好的将其个人习惯融合到产品和服务中, 最大限度的为每一位客户进行服务。

　　3 推荐系统的定义

　　进入21世纪后, 信息技术和互联网的应用得到快速的发展, 全球的数据量以指数型模式增长, 人类被淹没在数据的海洋中, 如何从如此海洋般的数据中挑选出如“针”般的有用信息, 成为摆在人类面前的一大难题。在这个难题中信息消费者和信息生产者都遇到了瓶颈般的困境。对信息消费的大众来说很难找到自己感兴趣的信息, 很多人都患上了“选择恐惧症”;对信息生产的各大互联网公司来说, 怎样替客户做出选择让自己的产品在众多产品中脱颖而出, 收到大众的喜爱, 成为扩展业务的一大难题。推荐系统就是来解决双方问题应用而生的工具。推荐系统的第一个任务就是根据客户的要求, 通过各种条件进行筛选最终为客户选择最为合理的产品。第二个任务就是收集商家的信息, 将优惠信息和符合条件的信息展示在客户面前。

　　4 推荐系统的应用

　　推荐系统在互联网和电子商务中得到广泛应用, 我们较为熟知的天猫、京东、苏宁等购物网站和百度、腾讯等互联网公司都广泛的应用了推荐系统。除了这些应用广泛的领域还有娱乐方面也得到应用, 常见的有影视推荐、阅读推荐、地理位置的推荐、精准广告的推荐、精准营销的推荐等。尽管不同的网站使用不同的推荐系统技术, 但总地来说, 几乎所有的推荐系统应用都是由前台的展示页面、后台的日志系统以及推荐算法系统3部分构成的。

　　5 利用用户画像进行精准推荐

　　通过手机等移动设备收集用户标签 (收入、时尚轨迹、性别、母婴情况、购物习惯等) , 用这些标签对用户进行描述, 从抽象的用户标签中描绘出用户的具体喜好。收集周边商铺的具体信息 (地理位置 (经纬度) 、商铺类型、打折优惠等) , 根据用户画像和商铺进行匹配, 得到最适合用户的商铺, 将该商铺推荐给用户。

　　案例:我们对用户A进行精准推荐。

　　根据用户A的移动设备, 我们可以精确的定位A的地理位置、到达时间 (arrival_time) 、停留时间 (during_time) 。通过用户A的地理位置匹配曾经同样来过该位置的用户 (根据这些用户的历史购买行为, 已经知道该用户的购买喜好) 共N个曾经来过该位置的用户, 计算用户A与这N个用户的相似度, 我们使用的是余弦相似度:

　　其中是u集合中的元素, 是v集合中的元素, 代表u和v相交元素的长度, 表示u和v元素长度的乘积的开方。接着我们计算用户A与N个用户之间的停留时间差△DT (during_time) , 到达时间差△AT (arrival_time) 。我们根据、△DT、△AT的筛选顺序对N个用户进行筛选, 筛选标准为, 选择相似度最大、△DT和△AT最小的用户。也就是说, 我们首先从N个与A用户到达过同一地理位置的用户中选择相似度最大的N1用户作为A的相似用户, 再从N1个用户中, 通过最小的△DT进一步筛选更为相似的N2个用户, 最后从N2个用户中, 通过最小的△AT筛选得到最终与的A用户最为相似的B用户。将B用户的喜爱的商铺直接推荐给A用户作为A用户的最终推荐用户。

　　参考文献
　　[1]项亮.推荐系统实践[M].北京:人民邮电出版社, 2012:44-73.
　　[2]吴丽花, 刘鲁.个性化推荐系统用户建模技术综述[J].情报学报, 2006, 25 (1) :55-62.
　　[3]刘建国, 周涛, 汪秉宏.个性化推荐系统的研究发展[J].自然科学进展, 2009, 19 (1) .
　　[4] 简士尧.以内容为基础之网络学习导览推荐之研究[D].台湾:台湾铭传大学资讯工程学系, 2004.