我々は、クレソンDoubanように推測B2C電子商取引のクラスのような優れた書籍をお勧めしますが、またサイトに興味を持っているだけでなく、推奨されるコンテンツと多くのサイトを見つける。 このような機能は間違いなく、ユーザーが商品購入やサービスアプリケーションの需要、販売促進を見つけるのに役立つ重要な影響を果たした。 そのような勧告は、それを得るためにはどうですか？ 実際には、サイトのデータ分析では、単にその原理と実装を見ることができます。

協会推奨のマーケティングは、次の2つのカテゴリに分かれています。

マーケティング（マーケティング上）戻る：既存の顧客に対する消費者の好みに応じて、本来の機能や使用の製品またはサービスを強化するため、より高い価値を提供します。

クロスマーケティング（クロスマーケティング）：顧客の多様なニーズに関連する製品やサービスを販売する顧客の購買行動。

マーケティングは、同様の製品ラインに基づいてアップ、アップグレード、または推奨される製品を最適化し、クロス·マーケティングは、製品の似ているが、異なる種類の勧告に基づいています。 簡単な例を与える、Appleの製品ラインを見てみましょう。

あなたは、製品nano4をアップグレードするには、あなたにお勧めするnano3 ipodのnano5やマーケティングに呼び出さiTouchに同様の機能を購入する場合、推奨のiPhone、Mac、またはiPadが "クロスマーケティング"です。

アソシエーションに基づいて推奨される製品の分析やユーザー分析に基づいて、関連付けられた勧告：アソシエーションは、実装は、2つのタイプに分けることができますことをお勧めします。 製品分析関連の勧告は、このようなウェブ解析とWeb Analytics 2.0の "著者Avinashカウシィクとしてそれらの間で共通に見られる製品の特性を解析することにより、Webサイトで、タイトルはWeb分析が含まれていることを指し分析クラスの図書だけでなく、プレス...そして、製品の関連性に基づいては、Web AnalyticsのWeb解析2.0 "を購入したユーザーにお勧めすることができます。 ユーザーの過去の行動データを分析することにより、ユーザーの推奨事項に基づいて、分析は、Web Analyticsの多くのユーザーがまた本 "この発見に基づいて推奨されるユーザーエクスペリエンスの要素を、買って購入すること見つけられるかもしれませんこのメソッドは、最も典型的な例の一つはビールとおむつの物語のウォルマートであるデータマイニングにおける相関ルールマイニング（協会規則）です。

協会の多くは、実装がはるかに簡単ですので、（大幅に少ないユーザーの行動データより製品データの観点からサイトに、と数桁のオーダーで異なる場合がありますので、分析がはるかに軽くなります）、製品レベルに基づいて推奨または製品に基づいて、以上の推薦マーケティングツールの2種類がより伝統的な "プッシュ"マーケティング（個人、特に "バンドリング"などをマーケティングのこのタイプが好きではない）に有利に偏っ達成するために、上述した。

ユーザーの行動分析に基づいて関連付けられた勧告

個人的には、ユーザーが、つまり、いわゆる "プル"マーケティングを購入するかどうかを決定することによって、彼らが必要とする製品のユーザーよりよい選択を支援するために、ユーザーの潜在需要の発見をより助長しているユーザーに基づいて分析に有利にバイアスされています。 ユーザーが "ユーザー中心"のコンセプトに沿ったユーザーの消費量より多くを求める、ユーザーの潜在ニーズを刺激するために参照することにより、製品またはサービスを提供します。 協会は、eコマースサイトまたはサイトの他のタイプであるか​​どうか、お勧め基づいてユーザの行動分析学の簡単な説明に続いて、実際には、この機能がある限りは、以下の前提を持っている限り、実現できます。

1. 効率的にユーザーを識別することができる。
2. ユーザーの過去の行動データ（ストリームデータ（クリックストリーム）やオペレーショナル·データ（結果）をクリックします）を保持します。
3. もちろん、また優れたサイトのデータアナリストを必要としています。

ここでどのような相関ルールの具体的な実現を説明する例として、電子商取引サイトへ。 ユーザーID（ユーザー識別方法 - 現在、ユーザー登録の機能を提供するほとんどの電子商取引サイトは、ショッピング、ユーザは一般的にログインに基づいて条件ですので、ここに最も効果的な識別子を識別するためにユーザーに対して提供されていますの記事を参照してください- ユーザの識別 ）、ウェブサイトは、すべてのユーザーのショッピング·データがデータベース内に独自の操作に格納され、このデータ·ベース-ユーザーの行動の分析のためのユーザの履歴のショッピングデータ。 したがって、上記の最初の2つの条件を満たし、我々は分析を続行することができます。

ユーザーが商品を買ったBを購入したときに見つけるためにすべてのユーザーのショッピングのデータから相関ルール（データが大きすぎる場合は、このような、年、四半期などの一定の時間間隔を選択することもできます）の原理商品数の割合は、この比率がデフォルトの目標レベルに到達したとき、我々は一定の相関関係があるこれら二つの商品と信じているので、ユーザーは製品を購入し、まだB製品を購入していないとき我々はこのようなユーザーにお勧めできるBは、製品。 以下のように：

3セットの関与：U-購入した物品のすべてのユーザー全集を、ユーザーがGを設定する商品の購入購入は、図からわかるようにAとBの製品を設定する物品を購入しました。 3つのコレクションの2つの重要な指標に基づいて相関ルールマイニングを計算することができます- サポート（サポート）と信頼（信頼）：

サポートの数= AとB（Gの設定）/購入したすべての物品の物品を購入する人々の数（Uを設定します）

自信= AとB（Gの設定）/物品の購入（のコレクション）の商品を購入する人々の数の数

これら2つの指標は、これら2つの指標の最小しきい値、最小サポートと最小値の信頼を確立する必要があります。 また、顧客獲得で購入した、唯一の、物品の購入ユーザーは、C、D、EをBの商品を購入しないかもしれないので、商品の範囲に、私たちは、これらすべての組み合わせの支持度と信頼度を計算する必要がありますこのような商品ポートフォリオの> 0.6のリンクがあると考えることができます> 0.2信頼レベルのサポートとして満たす、それは推奨されます。

あなたのサイトに電子商取引サイトでない場合はもちろん、また、ユーザーが推奨されている機能に関連付けられているサイトのクリックストリーム·データを閲覧することができます。 など、ユーザーの履歴に基づいて、同じ動作が、ユーザーは、ユーザーがBビデオを見てビデオを見て、Bのページを閲覧することができますページを参照し、ダウンロードしたファイルは、ユーザーは、Bファイルをダウンロード...

データマイニングにおけるマイニング相関ルールは、一般的に具体的に導入していない、比較的単純かつ効果的なアルゴリズムであり、高頻度項目セットに基づいて、Aprioriアルゴリズムを使用して、興味を持っている友人は、次の情報をチェックするために行くことができます。

相関ルールの間にいくつかの問題に注意を払う必要があり

• 関連スコープを推奨前提条件ではなく、サイトのすべてのタイプが適切であるか、または推奨されるに関連付けられていることが必要に注意してください。
• Webサイトの演算子の特性に応じて設定する必要がある最小サポートと最小の実行に設立すると、最適なトレードオフポイントを見つけるために継続的な最適化に基づいて実験や実践に基づいたリコメンデーション、ハイまたはローではありません。
• 、特別な注意を必要とするアソシエーションルールに商品と商品Bが、B品と商品は相関関係があるため、両方のアルゴリズムの信頼性の確立されたことを意味するものではありません、関連付けられている方向が不可逆的な、異なっています。
• アルゴリズムにおける相関ルールは難しいことではありませんが、本当に良いサイトに存在する、連続的な最適化アルゴリズムの必要性に基づいて上記の3つの前提を満たし、達成するために、サイトのさまざまな部門の協力が必要です。

したがって、さらに多くのより密接に、ユーザーの潜在需要を発見するために、ユーザーの行動を一致させる関連した製品間の単純な比較より効果的に分析するために完全にユーザの視点から、ユーザーの行動分析に基づいて推奨される協会は、試してみたいと思うかもしれません。

»この論文では、 BY-NC-SA契約 、複製、ソースを明記してください： データ分析を見る » マーケティングをバックアップし、クロスマーケティング、推奨される関連した

関連記事：

1. KNNに基づいて推奨コンテンツ
2. Webサイトのコンバージョン率と漏斗モデル
3. 要因の放棄率の影響
4. 電子商取引のウェブサイトのユーザーの分析
5. eコマースサイトのRFM分析

• 最後の1：Webログ、クリックストリームから
• 次：漏斗モデルとウェブサイトのコンバージョン率