【文章內(nèi)容簡介】 理的用戶分群模型，以實現(xiàn)差異化的用戶維系和價值提升策略。 ?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。 ④ 用戶其他行為如上網(wǎng)時段、使用業(yè)務等分析 第 28頁 移動互聯(lián)網(wǎng)分析平臺 應用 營業(yè)廳 推薦套餐訂購嘗試數(shù) 套餐成功訂購數(shù) 推薦套餐升級嘗試數(shù) 套餐成功升級數(shù) 推薦成功率 青羊營業(yè)廳 115 22 20 7 21% 少城營業(yè)廳 43 9 8 2 22% 八寶街營業(yè)廳 52 13 9 2 25% 人東廳 244 49 55 21 23% 合計 454 93 92 32 23% 1 上網(wǎng)套餐推薦成功率上升 。成都分公司武侯區(qū)營業(yè)廳在 11月 1日 5日利用顧問營銷系統(tǒng)進行手機上網(wǎng)套餐推薦的試驗數(shù)據(jù)證明，該模型能夠提升推薦成功率 100%以上 (注：原推薦成功率約 10%)。 PUSH時間 用戶樣本 響應用戶 響應率 8:00 5000 1145 % 11:00 5000 868 % 17:00 5000 1277 % 19:00 5000 933 % 通過用戶上網(wǎng)行為的分析，整體用戶手機上網(wǎng)集中在上午 79點、下午 1618點、晚上 24點，三個時段。因此在通過 WAP PUSH的方式，刺激用戶活性時，盡可能利用前兩個高峰期（第三個高峰期時間段不適宜進行線上營銷）。 2 營銷響應率提升 。同一用戶群，同一 PUHS內(nèi)容在用戶上網(wǎng)高峰期，可以獲得更高營銷響應率。 3 用戶活躍度提升 。借助用戶內(nèi)容偏好分析的結(jié)論，利用我省四川風采的WAP網(wǎng)站進行內(nèi)容資源的整合，為嘗試期的用戶進行針對性的內(nèi)容投放，逐步培育用戶上網(wǎng)行為。 第 29頁 研究成果介紹 ? 方法研究 社會網(wǎng)絡(luò)關(guān)系判定與社區(qū)發(fā)現(xiàn) 推薦算法與平臺 ? 應用研究 業(yè)務推薦 家庭客戶挖掘模型與統(tǒng)一視圖 號立方用戶關(guān)系管理平臺 移動互聯(lián)網(wǎng)分析平臺 內(nèi)容推薦 12530WAP個性化音樂推薦產(chǎn)品 基于 wap日志的用戶偏好分析及推薦系統(tǒng) 無線音樂用戶使用偏好模型及欺詐行為識別模型 營銷支持與目標選擇 高校用戶特征挖掘模型 Wlan用戶分析與挖掘系統(tǒng) 定制終端營銷決策支持模型 第 30頁 12530WAP個性化音樂推薦產(chǎn)品 (四川 )目標與技術(shù)路線 目標 通過個性化推薦，增強用戶粘性，增加用戶的回訪率，提升用戶的轉(zhuǎn)化率，培養(yǎng)一批具有高價值、高活性會員用戶群體。 高 頻 用 戶 中 頻 用 戶 低 頻 用 戶 SlopeOne 按照用戶歷史訪問項目集合，根據(jù)音樂間的線性擬合評分偏差，預測推薦期望最高的音樂 關(guān)聯(lián)規(guī)則 查找與某一音樂共現(xiàn)的其他音樂，用歌曲熱度、用戶訪問時間、頻次等加權(quán)進行相關(guān)性排序 TOPN 根據(jù)歌曲熱門程度、流行程度、推薦程度、下載次數(shù)等進行排序，選取最大的 N個進行推薦 每個用戶的音樂推薦列表 運營規(guī)則干預 原則：針對不同類型的用戶采用與之相應的推薦算法 第 31頁 12530WAP個性化音樂推薦產(chǎn)品 應用形式 首頁 1 2 原暢銷歌曲頁 3 個性化推薦頁 第 32頁 12530WAP個性化音樂推薦產(chǎn)品 應用效果 實驗前推薦頁轉(zhuǎn)化率 實驗后推薦頁轉(zhuǎn)化率 20% 將個性化推薦模型部署在 12530 WAP現(xiàn)網(wǎng)系統(tǒng)的 1臺前端機中，進行了近 20天的實驗，結(jié)果表明推薦模型大幅提升頁面訪問的轉(zhuǎn)化率。 % 使用個性化推薦模型之后 推薦頁面訪問轉(zhuǎn)化率提升了 % 同時， WAP門戶每用戶訪問頁面深度增加，表明推薦模型能提升用戶黏性。 使用個性化推薦模型之后 每用戶訪問頁面深度增加 (13%) 實驗前每用戶訪問頁面數(shù) 實驗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 資訊類型標注 資訊類型訪問記錄 聚類分析 用戶群體聚類結(jié)果 計算群體偏好 數(shù)據(jù)采樣 群體對各資訊類的偏好 存儲隸屬關(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 標注類型 類型標注 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 模型應用 目標：建立客戶內(nèi)容偏好標簽，開展內(nèi)容營銷 ? 根據(jù)客戶偏好， 有效細分客戶，結(jié)合業(yè)務本身特性，設(shè)計增值業(yè)務產(chǎn)品包，開展內(nèi)容營銷，引導第三方產(chǎn)品到移動自有產(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) 應用方案 507850 697538 702314 938627 1186351 1271182 1415249 1420311 1468784 1865701 2993337 8598955 9309672 體育 科技 八卦 財經(jīng)證券 文學 影視娛樂 健康 商旅 時尚 游戲 交友 生活便民 新聞 /時事 各類偏好用戶分布 各偏好客戶細分 細分客戶群 通過對客戶的偏好梳理，可將客戶細分為不同偏好用戶群。 財經(jīng)偏好群 1 游戲偏好群 2 體育偏好群 3 時尚娛樂偏好群 4 影視偏好群 5 … 選擇地市偏好類型 將客戶偏好部署到營銷管理平臺中，營銷人員可方便利用平臺分析客戶偏好需求： ? 可篩選各類別偏好的客戶群； ? 可篩選各數(shù)據(jù)及信息業(yè)務的不同偏好客戶群； ? 指導地市開展內(nèi)容型業(yè)務營銷； 第 35頁 基于 wap日志的用戶偏好分析及推薦系統(tǒng) 應用效果 經(jīng)過安徽公司對有手機上網(wǎng)行為的用戶進行隨機抽取營銷和個性化推薦營銷發(fā)現(xiàn)，用戶對推薦內(nèi)容的響應率要遠高于隨機發(fā)送的內(nèi)容。 第一組實驗：普通上網(wǎng)用戶隨機推薦命中率 %，個性化推薦命中率 %， 命中率提高 。 第一組實驗：普通上網(wǎng)用戶隨機推薦命中率 %，個性化推薦命中率 %， 命中率提高 。 實驗方案 ： ?11月 30～ 12月 3，對有手機上網(wǎng)行為的 20萬左右普通用戶推薦手機上網(wǎng)助手的內(nèi)容 (URL)； ?對 ，根據(jù)其興趣偏好推薦上網(wǎng)內(nèi)容 (URL)。 ?所有用戶進行兩次實驗，前后兩次推送的內(nèi)容不同。 ?計算指標為“命中率”，即記錄推薦用戶中有多少用戶成功訪問推薦的信息。計算公式：命中率 =訪問用戶數(shù)（推薦內(nèi)） /推薦用戶數(shù) 第 36頁 目標：通過對全網(wǎng)音樂市場、用戶構(gòu)成、消費習慣、內(nèi)容偏好、用戶欺詐等用戶相關(guān)行為以及營銷渠道等進行全面的分析，建立一個用戶、產(chǎn)品、渠道的用戶行為分析體系，指導實際營銷和管理應用。 無線音樂用戶使用偏好模型及欺詐行為識別模型（四川 )目標與技術(shù)路線 號碼 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