面向精確營(yíng)銷的用戶行為分析模型研究與應(yīng)用-wenkub
2023-05-27 02:53:14 本頁面
【正文】 圈等信息，精準(zhǔn)判別用戶之間的關(guān)系 ? 3 對(duì)相同關(guān)系用戶進(jìn)行判別，獲得相同關(guān)系的社區(qū)，如家庭用戶、集團(tuán)用戶、朋友圈等 實(shí)際測(cè)試模型準(zhǔn)確度約： 79% 第 13頁 社會(huì)網(wǎng)絡(luò)關(guān)系判定與社區(qū)發(fā)現(xiàn)研究 可視化 一個(gè)家庭所在地和成員工作地點(diǎn) 家庭的兩個(gè)成員回家的動(dòng)態(tài)軌跡 一個(gè)用戶從家上班的典型軌跡 一個(gè)集團(tuán)的位置和成員家庭位置 第 14頁 推薦算法與平臺(tái)研究 目標(biāo) ?使用 SaaS模式為中國(guó)移動(dòng)各門戶、 業(yè)務(wù)平臺(tái)提供遠(yuǎn)程推薦及分析服務(wù) ?具備支持資訊、電子商務(wù)、音樂 等應(yīng)用場(chǎng)景的個(gè)性化精準(zhǔn)推薦能力 ?具備不良信息過濾能力 ?部署容易，無需后臺(tái)系統(tǒng)改造 ?支持匿名推薦，確保用戶隱私不受侵犯 ?支持實(shí)時(shí)行為計(jì)算與推薦，結(jié)果個(gè)性化 程度和相關(guān)性高 ?云計(jì)算架構(gòu)，支持大規(guī)模并發(fā)用戶推薦， 易于擴(kuò)展處理能力 ?分析功能強(qiáng)大，可幫助站點(diǎn)進(jìn)行改進(jìn) 中國(guó)移動(dòng) 精準(zhǔn)營(yíng)銷 推薦服務(wù) 平臺(tái) 在中國(guó)移動(dòng)自有平臺(tái)上實(shí)現(xiàn)推薦服務(wù)的整合應(yīng)用，促進(jìn)產(chǎn)品銷售 第 15頁 推薦算法與平臺(tái)研究 技術(shù)路線 音樂平臺(tái) 資訊類網(wǎng)站 電子商務(wù)類網(wǎng)站 數(shù)據(jù)獲取 數(shù)據(jù) 預(yù)處理 推薦模型 配置訓(xùn)練 推薦生成 推薦平臺(tái) 頁面插碼 html? /html js??/js 頁面嵌入 JS代碼 （采集和推薦） 推薦內(nèi)容 網(wǎng)站為您推薦的資訊 ?? 瀏覽該資訊的用戶還看過 ?? 同主題資訊推薦 ?? 推薦內(nèi)容 網(wǎng)站為您推薦的產(chǎn)品 ?? 購買該產(chǎn)品的用戶還買過 ?? 相似產(chǎn)品推薦 ?? 推薦內(nèi)容 網(wǎng)站為您推薦的歌曲 ?? 喜歡該音樂的用戶還喜歡 ?? 同類音樂推薦 ?? 云計(jì)算平臺(tái) 第 16頁 推薦算法與平臺(tái)研究 算法模塊 第 17頁 推薦算法與平臺(tái)研究 應(yīng)用形式 Labs上訪問過此內(nèi)容的用戶還訪問過 …… Labs給你推薦的相關(guān)資訊、博文和話題 …… Labs相關(guān)標(biāo)簽擴(kuò)展閱讀 前臺(tái)產(chǎn)品 第 18頁 推薦算法與平臺(tái)研究 應(yīng)用效果評(píng)測(cè) 推薦結(jié)果：主題相符或相近內(nèi)容占比 80%以上，較之關(guān)鍵字匹配，在擴(kuò)展性和精準(zhǔn)性方面都有所提升。 第 22頁 家庭客戶挖掘模型與統(tǒng)一視圖 – 技術(shù)路線 第 23頁 家庭客戶挖掘模型與統(tǒng)一視圖 – 統(tǒng)一視圖及模型驗(yàn)證 家庭成員 57％ 其它關(guān)系 22％ 樣本 經(jīng)分員工 密友 21％ 抽樣驗(yàn)證準(zhǔn)確率 家庭成員部分： 個(gè)人基本信息：年齡、 ARPU等、通話時(shí)長(zhǎng)、通話分鐘數(shù)、短信條數(shù)等 與戶主對(duì)應(yīng)關(guān)系： 與戶主交往情況：各時(shí)段通話次數(shù)以及占比，各時(shí)段通話分鐘數(shù)以及占比、各時(shí)段短信條數(shù)以及占比 與戶主位置關(guān)系：重合的基站數(shù) 家庭客戶部分： 家庭整體情況：成員數(shù)、固話數(shù)、小靈通數(shù)等等、家庭的 ARPU、通話次數(shù)、通話分鐘數(shù)、平均在網(wǎng)時(shí)長(zhǎng)、年齡等 家庭內(nèi)指標(biāo)：與戶主的各時(shí)段通話次數(shù)、短信條數(shù)、通話分鐘數(shù)等 家庭位置信息：與戶主平均位置重合情況 家庭標(biāo)簽：基于位置、交往圈大小、交往密切情況、家庭平均年齡等等打上標(biāo)簽 家庭客戶統(tǒng)一視圖 結(jié)果集 1 目標(biāo)家庭數(shù)： 660萬 總成員數(shù)： 1000萬 結(jié)果集 2 目標(biāo)家庭數(shù)： 200萬 總成員數(shù)： 300萬 根據(jù)營(yíng)銷的規(guī)模選擇相應(yīng)的結(jié)果集 目標(biāo)家庭客戶 模型準(zhǔn)確率： 79% 青浦屬地自營(yíng)廳外呼總數(shù) 7835，其中考慮用戶占35%， 2742位，拒絕用戶（拒絕 +掛機(jī)）占 33%，2585；關(guān)機(jī) \停機(jī) \銷戶等非正常狀態(tài)客戶占 13%，1081位，直接愿意辦理用戶占 2%，共 157戶；無人接聽占 17%，共 1332戶；相比原先隨機(jī)抽取用戶的外呼模式 (隨機(jī)選取 arpu30的用戶，考慮用戶占 10%, 直接愿意辦理的用戶 % ），該模型提升 營(yíng)銷成功率 3倍 以上。 ?熱門網(wǎng)站分類 ?網(wǎng)站內(nèi)容爬取與分類 ?根據(jù)用戶訪問的分類確定 用戶偏好。因此在通過 WAP PUSH的方式，刺激用戶活性時(shí)，盡可能利用前兩個(gè)高峰期（第三個(gè)高峰期時(shí)間段不適宜進(jìn)行線上營(yíng)銷）。借助用戶內(nèi)容偏好分析的結(jié)論，利用我省四川風(fēng)采的WAP網(wǎng)站進(jìn)行內(nèi)容資源的整合，為嘗試期的用戶進(jìn)行針對(duì)性的內(nèi)容投放，逐步培育用戶上網(wǎng)行為。 使用個(gè)性化推薦模型之后 每用戶訪問頁面深度增加 (13%) 實(shí)驗(yàn)前每用戶訪問頁面數(shù) 實(shí)驗(yàn)后每用戶訪問頁面數(shù) 第 33頁 基于 wap日志的用戶偏好分析及推薦系統(tǒng) (安徽） 目標(biāo)與技術(shù)路線 WAP網(wǎng)關(guān)記錄 數(shù)據(jù)清理 資訊訪問記錄 資訊類型標(biāo)注 資訊類型訪問記錄 聚類分析 用戶群體聚類結(jié)果 計(jì)算群體偏好 數(shù)據(jù)采樣 群體對(duì)各資訊類的偏好 存儲(chǔ)隸屬關(guān)系 數(shù)據(jù)清理 推薦模型合成 用戶內(nèi)容偏好模型 待推薦資訊 用戶內(nèi)容 偏好模型 類型特征矢量 標(biāo)注類型 類型標(biāo)注 模型匹配 產(chǎn)生推薦列表 排序 用戶喜好程度 推薦列表 模型構(gòu)建 模型應(yīng)用 目標(biāo)：建立客戶內(nèi)容偏好標(biāo)簽，開展內(nèi)容營(yíng)銷 ? 根據(jù)客戶偏好， 有效細(xì)分客戶，結(jié)合業(yè)務(wù)本身特性，設(shè)計(jì)增值業(yè)務(wù)產(chǎn)品包，開展內(nèi)容營(yíng)銷，引導(dǎo)第三方產(chǎn)品到移動(dòng)自有產(chǎn)品的遷移 第 34頁 基于 wap日志的用戶偏好分析及推薦系統(tǒng) 應(yīng)用方案 507850 697538 702314 938627 1186351 1271182 1415249 1420311 1468784 1865701 2993337 8598955 9309672 體育 科技 八卦 財(cái)經(jīng)證券 文學(xué) 影視娛樂 健康 商旅 時(shí)尚 游戲 交友 生活便民 新聞 /時(shí)事 各類偏好用戶分布 各偏好客戶細(xì)分 細(xì)分客戶群 通過對(duì)客戶的偏好梳理，可將客戶細(xì)分為不同偏好用戶群。 實(shí)驗(yàn)方案 ： ?11月 30～ 12月 3，對(duì)有手機(jī)上網(wǎng)行為的 20萬左右普通用戶推薦手機(jī)上網(wǎng)助手的內(nèi)容 (URL)； ?對(duì) ，根據(jù)其興趣偏好推薦上網(wǎng)內(nèi)容 (URL)。 無線音樂用戶使用偏好模型及欺詐行為識(shí)別模型（四川 )目標(biāo)與技術(shù)路線 號(hào)碼 ID 139***** Web登錄次數(shù) 20 Web試聽次數(shù) 25 Web購買次數(shù) 5 Wap登錄次數(shù) 10 Wap試聽次數(shù) 30 Wap購買次數(shù) 1 ???? ?? 層次分析法定權(quán) 維度 權(quán)重 登錄次數(shù) 1 試聽次數(shù) 2 購買次數(shù) 5 號(hào)碼 ID 139***** Web偏好得分 95 Wap偏好得分 85 ???? ?? 門戶使用數(shù)據(jù) 偏好打分方法 各門戶偏好得分 門戶偏好確定 把門戶、渠道、產(chǎn)品等偏好進(jìn)行交叉組合形成用戶偏好 取最大的偏好得分為該用戶的第一偏好 用戶偏好沉淀 結(jié)果傳輸?shù)綘I(yíng)銷平臺(tái)進(jìn)行針對(duì)的營(yíng)銷 用戶偏好營(yíng)銷 用此方法確定用戶的偏好，確定了門戶、渠道、歌手、歌曲四個(gè)方面等28個(gè)大類，上百個(gè)交叉組合的子類的用戶偏好 第 37頁 無線音樂用戶使用偏好模型及欺詐行為識(shí)別模型 欺詐識(shí)別模型 我們以全曲業(yè)務(wù)為例來簡(jiǎn)單介紹欺詐用戶模式識(shí)別的過程。 第 39頁 研究成果介紹 ? 方法研究 社會(huì)網(wǎng)絡(luò)關(guān)系判定與社區(qū)發(fā)現(xiàn) 推薦算法與平臺(tái) ? 應(yīng)用研究 業(yè)務(wù)推薦 家庭客戶挖掘模型與統(tǒng)一視圖 號(hào)立方用戶
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1