服務(wù)于個(gè)性化營(yíng)銷的推薦系統(tǒng)實(shí)現(xiàn)與應(yīng)用展示課件

服務(wù)于個(gè)性化營(yíng)銷的推薦系統(tǒng)實(shí)現(xiàn)與應(yīng)用服務(wù)于個(gè)性化營(yíng)銷的推薦系統(tǒng)實(shí)現(xiàn)與應(yīng)用項(xiàng)目背景商務(wù)活動(dòng)的電子化大數(shù)據(jù)時(shí)代（BigData）個(gè)性化商業(yè)項(xiàng)目背景商務(wù)活動(dòng)的電子化大數(shù)據(jù)時(shí)代（BigData）個(gè)性化推薦系統(tǒng)在電子商務(wù)的應(yīng)用推薦系統(tǒng)利用特殊的信息過濾技術(shù)，將不同的物品或內(nèi)容推薦給可能對(duì)它們感興趣的用戶。推薦系統(tǒng)在電子商務(wù)的應(yīng)用推薦系統(tǒng)利用特殊的信息過濾技術(shù)，將不推薦系統(tǒng)的應(yīng)用現(xiàn)狀A(yù)mazon35%銷售額來(lái)自推薦尋求先進(jìn)算法Netflix放出百萬(wàn)大獎(jiǎng)淘寶銷售額90%以上仍來(lái)自搜索與類目等傳統(tǒng)手段京東，淘寶上的應(yīng)用仍是基于關(guān)聯(lián)規(guī)則的非個(gè)性化推薦國(guó)內(nèi)少量個(gè)性化推薦的實(shí)現(xiàn)多是基于協(xié)同過濾算法（豆瓣猜）VS國(guó)外國(guó)內(nèi)Amazon35%銷售額來(lái)自推薦國(guó)外尋求先進(jìn)算法Netflix放出百萬(wàn)大獎(jiǎng)Amazon35%銷售額來(lái)自推薦國(guó)外VS尋求先進(jìn)算法Netflix放出百萬(wàn)大獎(jiǎng)Amazon35%銷售額來(lái)自推薦國(guó)外淘寶銷售額90%以上仍來(lái)自搜索與類目等傳統(tǒng)手段VS尋求先進(jìn)算法Netflix放出百萬(wàn)大獎(jiǎng)Amazon35%銷售額來(lái)自推薦國(guó)外國(guó)內(nèi)淘寶銷售額90%以上仍來(lái)自搜索與類目等傳統(tǒng)手段VS尋求先進(jìn)算法Netflix放出百萬(wàn)大獎(jiǎng)Amazon35%銷售額來(lái)自推薦國(guó)外京東，淘寶上的應(yīng)用仍是基于關(guān)聯(lián)規(guī)則的非個(gè)性化推薦國(guó)內(nèi)淘寶銷售額90%以上仍來(lái)自搜索與類目等傳統(tǒng)手段VS尋求先進(jìn)算法Netflix放出百萬(wàn)大獎(jiǎng)Amazon35%銷售額來(lái)自推薦國(guó)外國(guó)內(nèi)少量個(gè)性化推薦的實(shí)現(xiàn)多是基于協(xié)同過濾算法（豆瓣猜）京東，淘寶上的應(yīng)用仍是基于關(guān)聯(lián)規(guī)則的非個(gè)性化推薦國(guó)內(nèi)推薦給淘寶帶來(lái)的銷售額卻低于10%VS尋求先進(jìn)算法Netflix放出百萬(wàn)大獎(jiǎng)Amazon35%銷售額來(lái)自推薦國(guó)外推薦系統(tǒng)的應(yīng)用現(xiàn)狀A(yù)mazon35%銷售額來(lái)自推薦尋求先進(jìn)算個(gè)性化營(yíng)銷的技術(shù)體系技術(shù)體系的優(yōu)勢(shì)：Python語(yǔ)言的靈活性與C語(yǔ)言的運(yùn)算高效性相結(jié)合；基于SQL+Python語(yǔ)言的數(shù)據(jù)分析與高精度的算法相結(jié)合。個(gè)性化營(yíng)銷的技術(shù)體系技術(shù)體系的優(yōu)勢(shì)：算法體系：核心算法+常規(guī)算法核心算法：基于網(wǎng)絡(luò)的物質(zhì)擴(kuò)散方法(MD)：基于用戶-商品二部分網(wǎng)絡(luò)上的物質(zhì)擴(kuò)散過程。擴(kuò)展方法：多步擴(kuò)散非均勻擴(kuò)散法熱傳導(dǎo)-物質(zhì)擴(kuò)散混合算法初始資源加權(quán)法算法體系：核心算法+常規(guī)算法核心算法：全局排序(GRM)：用戶沒有選擇過的最熱門的商品；基于商品的協(xié)同過濾算法(OCF)：基于商品之間的關(guān)聯(lián)性。常規(guī)算法常規(guī)算法算法體系的優(yōu)勢(shì)核心算法的優(yōu)勢(shì)算法新。原型算法相關(guān)文章最新發(fā)表在2010年P(guān)NAS（美國(guó)科學(xué)院院刊）上，在學(xué)術(shù)界是獨(dú)樹一幟，企業(yè)界還是首次應(yīng)用；精度高，解決了數(shù)據(jù)稀疏性問題。標(biāo)準(zhǔn)數(shù)據(jù)集（movielens,netflix）上精度比一般協(xié)同過濾算法高14%；在數(shù)據(jù)稀疏性高的數(shù)據(jù)集上（淘寶書類目下），精確度比協(xié)同過濾高900%；代碼易實(shí)現(xiàn)，占用資源少，執(zhí)行效率高。拋棄了協(xié)同過濾計(jì)算關(guān)聯(lián)矩陣這一耗時(shí)和占用內(nèi)存的步驟，易在大規(guī)模數(shù)據(jù)集上實(shí)現(xiàn)。多種的算法結(jié)合，針對(duì)不同特點(diǎn)的數(shù)據(jù)集，彌補(bǔ)算法間的不足。算法體系的優(yōu)勢(shì)核心算法的優(yōu)勢(shì)成功案例一：在手機(jī)閱讀平臺(tái)的應(yīng)用成功案例一：在手機(jī)閱讀平臺(tái)的應(yīng)用個(gè)性化營(yíng)銷體系的數(shù)據(jù)分析功能手機(jī)閱讀時(shí)間的分析手機(jī)平臺(tái)匹配性分析手機(jī)閱讀種類分析 手機(jī)行為量的統(tǒng)計(jì)分析手機(jī)營(yíng)銷參數(shù)分析手機(jī)閱讀用戶年齡分析個(gè)性化營(yíng)銷體系的數(shù)據(jù)分析功能手機(jī)閱讀時(shí)間的分析手機(jī)平臺(tái)匹配性數(shù)據(jù)分析舉例：閱讀時(shí)間的分析分析結(jié)論：周末效應(yīng)明顯，星期日總是局部高峰；營(yíng)銷建議：建議在周末進(jìn)行短信推送等相關(guān)營(yíng)銷。數(shù)據(jù)分析舉例：閱讀時(shí)間的分析分析結(jié)論：周末效應(yīng)明顯，星期日總數(shù)據(jù)分析舉例：平臺(tái)匹配性分析分析結(jié)論：對(duì)于部分低端手機(jī)，由于平臺(tái)不匹配，因此要成為活躍的閱讀用戶可能性非常??；過于高端可能會(huì)有更豐富的娛樂選擇而放棄手機(jī)閱讀；營(yíng)銷建議：手機(jī)閱讀營(yíng)銷活動(dòng)建議區(qū)分手機(jī)平臺(tái)，中端智能手機(jī)用戶是比較好的潛在用戶。數(shù)據(jù)分析舉例：平臺(tái)匹配性分析分析結(jié)論：對(duì)于部分低端手機(jī)，由于數(shù)據(jù)分析舉例：手機(jī)閱讀用戶年齡分析分析結(jié)論：20～40這個(gè)年齡階段是主力群體，占據(jù)了70%用戶份額；18～22是大學(xué)期間，份額不??；另外則是剛畢業(yè)進(jìn)入職場(chǎng)的群體。數(shù)據(jù)分析舉例：手機(jī)閱讀用戶年齡分析分析結(jié)論：20～40這個(gè)年數(shù)據(jù)分析起到的作用與企業(yè)談判前期，通過數(shù)據(jù)分析給出有價(jià)值的營(yíng)銷建議取得合作方的信任個(gè)性化推送展開后，通過數(shù)據(jù)挖掘找出潛在的用戶群體，選擇最佳時(shí)間點(diǎn)進(jìn)行推送，以便得到更佳的推送效果數(shù)據(jù)分析起到的作用與企業(yè)談判前期，通過數(shù)據(jù)分析給出有價(jià)值的營(yíng)個(gè)性化短信推送的實(shí)施方案用戶選取了總pv量大于10間的共49892個(gè)用戶，并分為了兩組；useid為奇數(shù)的有24828個(gè)，為實(shí)驗(yàn)組，對(duì)此組用戶進(jìn)行個(gè)性化推薦；useid為偶數(shù)的有25064個(gè)，為對(duì)照組，移動(dòng)公司方選取一本熱門書對(duì)所有用戶推薦（這次的書名為《北海戀人》）。然后比較這兩組的推薦效果；每人只做一次推薦，一次只推薦一本書。個(gè)性化短信推送的實(shí)施方案用戶選取了總pv量大于10間的共49個(gè)性化短信推送的實(shí)施效果推薦當(dāng)日的激發(fā)pv量以及隨后9天的激發(fā)pv量比較（紅色代表實(shí)驗(yàn)組

黃色代表對(duì)照組）個(gè)性化短信推送的實(shí)施效果推薦當(dāng)日的激發(fā)pv量以及隨后9天的激個(gè)性化推薦效果總結(jié)個(gè)性化推薦比移動(dòng)公司推薦11天激發(fā)的pv總量提高了35倍；pv次日保持率比企業(yè)方推薦提高了8倍；當(dāng)日激發(fā)用戶數(shù)比企業(yè)方推薦提高了9倍。說(shuō)明：以上效果對(duì)比是抵消了通過數(shù)據(jù)分析在時(shí)間，用戶選擇方面優(yōu)化后的提升，因此實(shí)際提升應(yīng)該是更大。個(gè)性化推薦效果總結(jié)個(gè)性化推薦比移動(dòng)公司推薦11天激發(fā)的pv總成功案例二：基于淘寶的個(gè)性化推薦系統(tǒng)實(shí)踐成功案例二：基于淘寶的個(gè)性化推薦系統(tǒng)實(shí)踐淘寶數(shù)據(jù)具有高度稀疏性女裝包括的用戶：2863380，商品：305003；平均每個(gè)用戶購(gòu)買：1.7425個(gè)商品；平均每個(gè)商品被購(gòu)買：16.36次；數(shù)據(jù)稀疏性達(dá)百萬(wàn)分之六；書包括的用戶：1046493，商品：77967；平均每個(gè)用戶購(gòu)買：2.068個(gè)商品；平均每個(gè)商品被購(gòu)買：2.776次；數(shù)據(jù)稀疏性達(dá)百萬(wàn)分之二點(diǎn)六。淘寶數(shù)據(jù)具有高度稀疏性女裝包括的用戶：2863380，商品：全局排序（藍(lán)色）、協(xié)同過濾（黃色）、熱傳導(dǎo)（紫色）與物質(zhì)擴(kuò)散（紅色）等四種算法的比較結(jié)果圖示。淘寶推薦實(shí)驗(yàn)的理論效果全局排序（藍(lán)色）、協(xié)同過濾（黃色）、熱傳導(dǎo)（紫色）與物質(zhì)擴(kuò)散對(duì)于書的推薦算法的精度與協(xié)同過濾相比提高了9倍；而對(duì)于女裝的推薦算法的精度提高了6倍。說(shuō)明：我們的核心算法不僅解決了淘寶數(shù)據(jù)的稀疏性難題，而且其精確度遠(yuǎn)遠(yuǎn)優(yōu)于淘寶現(xiàn)有算法。對(duì)于書的推薦算法的精度與協(xié)同過濾相比提高了9倍；感謝各位的傾聽!感謝各位的傾聽!服務(wù)于個(gè)性化營(yíng)銷的推薦系統(tǒng)實(shí)現(xiàn)與應(yīng)用服務(wù)于個(gè)性化營(yíng)銷的推薦系統(tǒng)實(shí)現(xiàn)與應(yīng)用項(xiàng)目背景商務(wù)活動(dòng)的電子化大數(shù)據(jù)時(shí)代（BigData）個(gè)性化商業(yè)項(xiàng)目背景商務(wù)活動(dòng)的電子化大數(shù)據(jù)時(shí)代（BigData）個(gè)性化推薦系統(tǒng)在電子商務(wù)的應(yīng)用推薦系統(tǒng)利用特殊的信息過濾技術(shù)，將不同的物品或內(nèi)容推薦給可能對(duì)它們感興趣的用戶。推薦系統(tǒng)在電子商務(wù)的應(yīng)用推薦系統(tǒng)利用特殊的信息過濾技術(shù)，將不推薦系統(tǒng)的應(yīng)用現(xiàn)狀A(yù)mazon35%銷售額來(lái)自推薦尋求先進(jìn)算法Netflix放出百萬(wàn)大獎(jiǎng)淘寶銷售額90%以上仍來(lái)自搜索與類目等傳統(tǒng)手段京東，淘寶上的應(yīng)用仍是基于關(guān)聯(lián)規(guī)則的非個(gè)性化推薦國(guó)內(nèi)少量個(gè)性化推薦的實(shí)現(xiàn)多是基于協(xié)同過濾算法（豆瓣猜）VS國(guó)外國(guó)內(nèi)Amazon35%銷售額來(lái)自推薦國(guó)外尋求先進(jìn)算法Netflix放出百萬(wàn)大獎(jiǎng)Amazon35%銷售額來(lái)自推薦國(guó)外VS尋求先進(jìn)算法Netflix放出百萬(wàn)大獎(jiǎng)Amazon35%銷售額來(lái)自推薦國(guó)外淘寶銷售額90%以上仍來(lái)自搜索與類目等傳統(tǒng)手段VS尋求先進(jìn)算法Netflix放出百萬(wàn)大獎(jiǎng)Amazon35%銷售額來(lái)自推薦國(guó)外國(guó)內(nèi)淘寶銷售額90%以上仍來(lái)自搜索與類目等傳統(tǒng)手段VS尋求先進(jìn)算法Netflix放出百萬(wàn)大獎(jiǎng)Amazon35%銷售額來(lái)自推薦國(guó)外京東，淘寶上的應(yīng)用仍是基于關(guān)聯(lián)規(guī)則的非個(gè)性化推薦國(guó)內(nèi)淘寶銷售額90%以上仍來(lái)自搜索與類目等傳統(tǒng)手段VS尋求先進(jìn)算法Netflix放出百萬(wàn)大獎(jiǎng)Amazon35%銷售額來(lái)自推薦國(guó)外國(guó)內(nèi)少量個(gè)性化推薦的實(shí)現(xiàn)多是基于協(xié)同過濾算法（豆瓣猜）京東，淘寶上的應(yīng)用仍是基于關(guān)聯(lián)規(guī)則的非個(gè)性化推薦國(guó)內(nèi)推薦給淘寶帶來(lái)的銷售額卻低于10%VS尋求先進(jìn)算法Netflix放出百萬(wàn)大獎(jiǎng)Amazon35%銷售額來(lái)自推薦國(guó)外推薦系統(tǒng)的應(yīng)用現(xiàn)狀A(yù)mazon35%銷售額來(lái)自推薦尋求先進(jìn)算個(gè)性化營(yíng)銷的技術(shù)體系技術(shù)體系的優(yōu)勢(shì)：Python語(yǔ)言的靈活性與C語(yǔ)言的運(yùn)算高效性相結(jié)合；基于SQL+Python語(yǔ)言的數(shù)據(jù)分析與高精度的算法相結(jié)合。個(gè)性化營(yíng)銷的技術(shù)體系技術(shù)體系的優(yōu)勢(shì)：算法體系：核心算法+常規(guī)算法核心算法：基于網(wǎng)絡(luò)的物質(zhì)擴(kuò)散方法(MD)：基于用戶-商品二部分網(wǎng)絡(luò)上的物質(zhì)擴(kuò)散過程。擴(kuò)展方法：多步擴(kuò)散非均勻擴(kuò)散法熱傳導(dǎo)-物質(zhì)擴(kuò)散混合算法初始資源加權(quán)法算法體系：核心算法+常規(guī)算法核心算法：全局排序(GRM)：用戶沒有選擇過的最熱門的商品；基于商品的協(xié)同過濾算法(OCF)：基于商品之間的關(guān)聯(lián)性。常規(guī)算法常規(guī)算法算法體系的優(yōu)勢(shì)核心算法的優(yōu)勢(shì)算法新。原型算法相關(guān)文章最新發(fā)表在2010年P(guān)NAS（美國(guó)科學(xué)院院刊）上，在學(xué)術(shù)界是獨(dú)樹一幟，企業(yè)界還是首次應(yīng)用；精度高，解決了數(shù)據(jù)稀疏性問題。標(biāo)準(zhǔn)數(shù)據(jù)集（movielens,netflix）上精度比一般協(xié)同過濾算法高14%；在數(shù)據(jù)稀疏性高的數(shù)據(jù)集上（淘寶書類目下），精確度比協(xié)同過濾高900%；代碼易實(shí)現(xiàn)，占用資源少，執(zhí)行效率高。拋棄了協(xié)同過濾計(jì)算關(guān)聯(lián)矩陣這一耗時(shí)和占用內(nèi)存的步驟，易在大規(guī)模數(shù)據(jù)集上實(shí)現(xiàn)。多種的算法結(jié)合，針對(duì)不同特點(diǎn)的數(shù)據(jù)集，彌補(bǔ)算法間的不足。算法體系的優(yōu)勢(shì)核心算法的優(yōu)勢(shì)成功案例一：在手機(jī)閱讀平臺(tái)的應(yīng)用成功案例一：在手機(jī)閱讀平臺(tái)的應(yīng)用個(gè)性化營(yíng)銷體系的數(shù)據(jù)分析功能手機(jī)閱讀時(shí)間的分析手機(jī)平臺(tái)匹配性分析手機(jī)閱讀種類分析 手機(jī)行為量的統(tǒng)計(jì)分析手機(jī)營(yíng)銷參數(shù)分析手機(jī)閱讀用戶年齡分析個(gè)性化營(yíng)銷體系的數(shù)據(jù)分析功能手機(jī)閱讀時(shí)間的分析手機(jī)平臺(tái)匹配性數(shù)據(jù)分析舉例：閱讀時(shí)間的分析分析結(jié)論：周末效應(yīng)明顯，星期日總是局部高峰；營(yíng)銷建議：建議在周末進(jìn)行短信推送等相關(guān)營(yíng)銷。數(shù)據(jù)分析舉例：閱讀時(shí)間的分析分析結(jié)論：周末效應(yīng)明顯，星期日總數(shù)據(jù)分析舉例：平臺(tái)匹配性分析分析結(jié)論：對(duì)于部分低端手機(jī)，由于平臺(tái)不匹配，因此要成為活躍的閱讀用戶可能性非常小；過于高端可能會(huì)有更豐富的娛樂選擇而放棄手機(jī)閱讀；營(yíng)銷建議：手機(jī)閱讀營(yíng)銷活動(dòng)建議區(qū)分手機(jī)平臺(tái)，中端智能手機(jī)用戶是比較好的潛在用戶。數(shù)據(jù)分析舉例：平臺(tái)匹配性分析分析結(jié)論：對(duì)于部分低端手機(jī)，由于數(shù)據(jù)分析舉例：手機(jī)閱讀用戶年齡分析分析結(jié)論：20～40這個(gè)年齡階段是主力群體，占據(jù)了70%用戶份額；18～22是大學(xué)期間，份額不??；另外則是剛畢業(yè)進(jìn)入職場(chǎng)的群體。數(shù)據(jù)分析舉例：手機(jī)閱讀用戶年齡分析分析結(jié)論：20～40這個(gè)年數(shù)據(jù)分析起到的作用與企業(yè)談判前期，通過數(shù)據(jù)分析給出有價(jià)值的營(yíng)銷建議取得合作方的信任個(gè)性化推送展開后，通過數(shù)據(jù)挖掘找出潛在的用戶群體，選擇最佳時(shí)間點(diǎn)進(jìn)行推送，以便得到更佳的推送效果數(shù)據(jù)分析起到的作用與企業(yè)談判前期，通過數(shù)據(jù)分析給出有價(jià)值的營(yíng)個(gè)性化短信推送的實(shí)施方案用戶選取了總pv量大于10間的共49892個(gè)用戶，并分為了兩組；useid為奇數(shù)的有24828個(gè)，為實(shí)驗(yàn)組，對(duì)此組用戶進(jìn)行個(gè)性化推薦；useid為偶數(shù)的有25064個(gè)，為對(duì)照組，移動(dòng)公司方選取一本熱門書對(duì)所有用戶推薦（這次的書名為《北海戀人》）。然后比較這兩組的推薦效果；每人只做一次推薦，一次只推薦一本書。個(gè)性化短信推送的實(shí)施方案用戶選取了總pv量大于10間的共49個(gè)性化短信推送的實(shí)施效果推薦當(dāng)日的激發(fā)pv量以及隨后9天的激發(fā)pv量比較（紅色代表實(shí)驗(yàn)組

黃色代表對(duì)照組）個(gè)性化短信推送的實(shí)施效果推薦當(dāng)日的激發(fā)pv量以及隨后9天的激個(gè)性化推薦效果總結(jié)個(gè)性化推薦比移動(dòng)公司推薦11天激發(fā)的pv總量