우리는 물냉 Douban처럼 맞춰 B2C 전자 상거래 클래스와 같은 훌륭한 책들을 추천뿐만 아니라, 사이트에 관심을뿐만 아니라, 추천 콘텐츠가 포함된 사이트를 많이 찾을 수 있습니다. 이러한 기능은 의심할 여지없이 사용자들이 상품 구매 및 서비스 응용 프로그램의 수요, 승진을 찾는 데 도움이되는 중요한 효과를 재생. 이러한 권고는 그것을 얻는 방법인가? 실제로, 사이트의 데이터 분석과 함께, 우리는 단순히 원리 및 구현 볼 수 있습니다.

협회 권장 마케팅은 두 가지 범주로 나눌 수 있습니다 :

마케팅 (마케팅 최대) 최대 : 기존 고객에 대한 소비자의 선호에 따라 원래의 기능 또는 사용하는 제품이나 서비스를 강화하기 위해 높은 가치를 제공합니다.

크로스 마케팅 (크로스 마케팅) 관련 제품이나 서비스를 판매하는 고객의 행동을 사는 고객의 다양한 요구.

마케팅이 유사한 제품 라인을 기반으로 백업 업그레이 드하거나 권장하는 제품을 최적화 및 크로스 마케팅은 제품의 비슷하지만 다른 유형의 권고에 따라 달라집니다. 간단한 예제를 줘, 애플의 제품 라인보고 :

당신이 제품 nano4, nano5 또는 마케팅을 불리는 itouch과 유사한 기능을 업그레이 드하도록 권장하는 아이팟 nano3을 구입할 때, 권장 아이폰, Mac 또는 ipad 것은 '크로스 마케팅'이다.

연결 기준으로 추천 제품 분석 및 사용자 분석을 바탕으로 관련 추천 : 협회는 구현이 두 가지 유형으로 나눌 수있다하는 것이 좋습니다. 제품 분석 관련 추천 같은 웹 분석 및 웹 분석 2.0 "저자 Avinash Kaushik 아니라 그들 사이에 공통점을 발견 제품의 특성을 분석하여 웹 사이트이며, 제목은 웹 분석을 포함하는 의미 분석 클래스 서적뿐만 아니라 언론 ... 그럼 제품의 관련성을 기준은 웹 Analytics는 웹 분석 2.0 "구입한 사용자에게 추천합니다. 사용자의 과거 행동 데이터를 분석하여 사용자의 추천을 바탕으로 분석은 웹 분석의 여러 사용자들도 책 "사용자 경험의 요소, 그때 권장 이러한 발견에 기초를 구입 구입 찾을 수 있습니다 이 방법은 가장 고전적인 예 중 하나가 맥주와 기저귀 이야기의 월마트는 데이터 마이닝에서의 마이닝 연관 규칙 (협회, 규칙)입니다.

구현이 훨씬 간단하기 때문에, 제품의 수준을 바탕으로 협회 권장 또는 제품의 대부분을 바탕으로, (제품 데이터의 관점에서 사이트에 대한 훨씬 적은 사용자 행동 데이터를보다, 그리고 진도의 여러 명령에 의해 다를 수 있습니다, 분석 훨씬 가볍고 될 것입니다 때문에) 이상의 추천 마케팅 도구 두 종류의 더 전통적인 "압력"마케팅 (개인, 특히 "번들"와 같은 마케팅이 유형의 맘에 안)에 찬성 편견 달성하기 위해 위에서 설명했다.

관련 추천 사용자 행동 분석에 근거

개인 사용자가 사용자에 의해 그들이 필요한 제품의 더 나은 선택은 구매 여부를 결정하려면, 사용자의 잠재적인 수요의 발견에 더 도움이되는 기능은 사용자를 기반으로 분석의 찬성 편견, 그, 소위 "드롭"마케팅이다. 사용자가 "사용자 중심"컨셉에 맞춰 사용자가 소비 자세한 메시지를 표시, 사용자의 잠재 욕구를 자극 참조하여 제품 또는 서비스를 제공합니다. 당신이 전자 상거래 사이트 또는 사이트의 다른 종류의인지 여부, 협회 권장을 기반으로 사용자의 행동 분석에 대한 간단한 설명을 따라, 사실이 기능은 달성될 수있는 한 당신은 다음과 같은 전제가로 :

1. 효율적으로 사용자를 식별할 수;
2. 사용자의 과거 행동 데이터 (스트림 데이터 (클릭 스트림) 또는 운영 데이터 (결과)를 클릭하십시오) 유지;
3. 물론, 역시 좋은 사이트 데이터 분석가가 필요합니다.

여기에 어떤 연관 규칙의 구체적인 실현을 예시하는 예제와 같은 전자 상거래 사이트로. 사용자 ID (사용자 식별 방법 - 현재 사용자 등록의 기능을 제공하는 대부분의 전자 상거래 사이트, 쇼핑, 사용자가 일반적으로 로그인을 기반으로 조건이기 때문에 여기에 가장 효과적인 식별자를 식별하기 위해 사용자에게 제공됩니다 문서를 참조하십시오 - 사용자의 식별 ), 웹 사이트는 모든 사용자의 쇼핑 데이터베이스 내부에 자체 운영에 저장되며,이 데이터베이스 - 사용자 행동 분석을 위해 사용자 역사적 쇼핑 데이터입니다. 그래서 위 첫 번째 두 가지 조건을 충족, 우리는 분석과 함께 진행할 수 있습니다.

모든 사용자가 쇼핑의 데이터에서 연관 규칙의 원칙은 사용자가 제품에게 구입한 B를 구입했을 때 찾을 수 (데이터가 너무 큰 경우, 당신은 년 같이 특정 시간 간격, 분기, 등등을 선택할 수 있습니다) 상품의 개수의 비율,이 비율은 기본의 목표 수준에 도달했을 때, 우리는 사용자가지만, 아직 구입하지 B 제품을 제품을 구입하였습니다 그럼 언제 거기 두 상품이 어떤 상관 관계가 있다고 생각 우리는 이러한 사용자에게 추천할 수있는 B는 제품입니다. 은 다음과 같습니다 :

세 벌뿐이라서요 참여 : U-구입한 상품의 모든 사용자가 전체 작품을 상품은 사용자가 G 설정한 물품 구매 구입이 그림에서 볼 수 A와 B 제품을 설정합니다 구입했습니다. 세 가지 컬렉션의 두 가지 핵심 지표를 바탕으로 연관 규칙 마이닝 계산할 수 - 지원 (지원)과 자신감을 (신뢰) :

지원 번호 = A와 B (G를 설정) / 모든 구매 물품 (U로 설정)의 물품을 구입하는 사람들의 수를

자신감 = 상품의 A와 B (G로 설정) / 구매 (의 모음)의 개수의 물건을 구입하는 사람들의 수를

이 두 지표는이 두 지표에 대한 최소 기준, 최소 지원 및 최소 신뢰를 구축해야합니다. 또한 고객 확보에서 구입한, 상품의 구매는 사용자는 상품의 범위에, C, D, E, 등등을 B 물건을 살 수 없습니다, 그래서 우리가 지원하고 이러한 모든 조합의 신뢰를 계산해야만이 예> 0.6이 상품 포트폴리오에 대한 링크가 생각할 수> 0.2 신뢰 수준에 대한 지원으로 만나고, 그것을 권장합니다.

귀하의 사이트가 전자 상거래 사이트가 아닌 경우에는 물론, 당신은 또한 사용자가 사이트를 추천 기능과 관련된 버튼을 클릭 스트림 데이터를 탐색 사용할 수 있습니다. 같은 사용자의 기록을 바탕으로 같은 동작, 사용자는 또한 사용자가 B 비디오를 봤는데 비디오를 볼 때, B 페이지를 탐색할 수있는 페이지를 탐색, 다운로드 파일은 사용자 B 파일을 다운로드한 ...

광업 협회 규칙은 데이터 마이닝에서, 일반적으로 비교적 간단하고 효과적인 구체적으로 소개하지 알고리즘, 다음과 같은 정보를 확인하는 데 가서 관심이있는 친구는 자주 itemsets을 바탕으로 Apriori 알고리즘을 사용합니다.

협회 규칙은 문제의 일부에 대한 관심을 지불할 필요가 중

• 협회가 범위와 전제를 권장 참고 사이트의 모든 유형의 적절한하거나 권장과 관련된 필요가 없습니다;
• 웹 사이트 운영자의 특성에 따라 설정할 필요가 최소 지원 및 최소 실행 년에 설립된 것은 최적의 트레이드 오프 지점을 찾기 위해 지속적인 최적화의 기초 실험이나 실습을 바탕으로 추천 높거나 낮은 수 없습니다.
• 특별한주의를 요구 협회 규칙에 상품과 상품 B가, B 상품과 상품은 상관 관계가 있기 때문에 두 알고리즘의 신뢰 설립한 것은 아닙니다은 연결된 방향이 돌이킬 수없는, 다릅니다.
• 알고리즘에 협회 규칙은 어려운 것이 아니라, 진정으로 좋은 사이트로, 지속적인 최적화 알고리즘의 필요성에 기초하여 세 가지 위의 전제를 충족하고, 달성하기 위해 사이트의 여러 부서의 협력이 필요 .

따라서 협회가 더욱 밀접하게 사용자의 잠재 수요를 발견하기 위해 사용자의 행동을 일치 관련 제품 간의 간단한 비교보다 더욱 더 효과적으로 분석하는보기의 사용자의 관점에서 완전히 사용자의 행동 분석을 바탕으로 한 권장 시도하실 수 있습니다.

»본 논문에서는 BY-NC-SA의 : 계약, 복제, 소스를 지정해주십시오 데이터 분석 » 마케팅까지, 크로스 마케팅 및 추천 관련을

관련 기사 :

1. KNN를 기반으로 추천 컨텐츠
2. 웹 사이트의 전환율 및 퍼널 모델
3. 요인 포기율 영향
4. 비교 분석은 사용자의 세그먼트에 기초
5. 채점 시스템의 사용자 가치

• 마지막으로 하나의 웹 로그 클릭 - 스트림에서
• 다음 : 깔때기 모델과 웹사이트의 전환율