【文章內(nèi)容簡(jiǎn)介】 理的用戶(hù)分群模型，以實(shí)現(xiàn)差異化的用戶(hù)維系和價(jià)值提升策略。 ?熱門(mén)網(wǎng)站分類(lèi) ?網(wǎng)站內(nèi)容爬取與分類(lèi) ?根據(jù)用戶(hù)訪(fǎng)問(wèn)的分類(lèi)確定 用戶(hù)偏好。 ④ 用戶(hù)其他行為如上網(wǎng)時(shí)段、使用業(yè)務(wù)等分析 第 28頁(yè) 移動(dòng)互聯(lián)網(wǎng)分析平臺(tái) 應(yīng)用 營(yíng)業(yè)廳 推薦套餐訂購(gòu)嘗試數(shù) 套餐成功訂購(gòu)數(shù) 推薦套餐升級(jí)嘗試數(shù) 套餐成功升級(jí)數(shù) 推薦成功率 青羊營(yíng)業(yè)廳 115 22 20 7 21% 少城營(yíng)業(yè)廳 43 9 8 2 22% 八寶街營(yíng)業(yè)廳 52 13 9 2 25% 人東廳 244 49 55 21 23% 合計(jì) 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(yíng)業(yè)廳在 11月 1日 5日利用顧問(wèn)營(yíng)銷(xiāo)系統(tǒng)進(jìn)行手機(jī)上網(wǎng)套餐推薦的試驗(yàn)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(shí)間 用戶(hù)樣本 響應(yīng)用戶(hù) 響應(yīng)率 8:00 5000 1145 % 11:00 5000 868 % 17:00 5000 1277 % 19:00 5000 933 % 通過(guò)用戶(hù)上網(wǎng)行為的分析，整體用戶(hù)手機(jī)上網(wǎng)集中在上午 79點(diǎn)、下午 1618點(diǎn)、晚上 24點(diǎn)，三個(gè)時(shí)段。因此在通過(guò) WAP PUSH的方式，刺激用戶(hù)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(xiàn)上營(yíng)銷(xiāo)）。 2 營(yíng)銷(xiāo)響應(yīng)率提升 。同一用戶(hù)群，同一 PUHS內(nèi)容在用戶(hù)上網(wǎng)高峰期，可以獲得更高營(yíng)銷(xiāo)響應(yīng)率。 3 用戶(hù)活躍度提升 。借助用戶(hù)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(hù)進(jìn)行針對(duì)性的內(nèi)容投放，逐步培育用戶(hù)上網(wǎng)行為。 第 29頁(yè) 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(hù)挖掘模型與統(tǒng)一視圖 號(hào)立方用戶(hù)關(guān)系管理平臺(tái) 移動(dòng)互聯(lián)網(wǎng)分析平臺(tái) 內(nèi)容推薦 12530WAP個(gè)性化音樂(lè)推薦產(chǎn)品 基于 wap日志的用戶(hù)偏好分析及推薦系統(tǒng) 無(wú)線(xiàn)音樂(lè)用戶(hù)使用偏好模型及欺詐行為識(shí)別模型 營(yíng)銷(xiāo)支持與目標(biāo)選擇 高校用戶(hù)特征挖掘模型 Wlan用戶(hù)分析與挖掘系統(tǒng) 定制終端營(yíng)銷(xiāo)決策支持模型 第 30頁(yè) 12530WAP個(gè)性化音樂(lè)推薦產(chǎn)品 (四川 )目標(biāo)與技術(shù)路線(xiàn) 目標(biāo) 通過(guò)個(gè)性化推薦，增強(qiáng)用戶(hù)粘性，增加用戶(hù)的回訪(fǎng)率，提升用戶(hù)的轉(zhuǎn)化率，培養(yǎng)一批具有高價(jià)值、高活性會(huì)員用戶(hù)群體。 高 頻 用 戶(hù) 中 頻 用 戶(hù) 低 頻 用 戶(hù) SlopeOne 按照用戶(hù)歷史訪(fǎng)問(wèn)項(xiàng)目集合，根據(jù)音樂(lè)間的線(xiàn)性擬合評(píng)分偏差，預(yù)測(cè)推薦期望最高的音樂(lè) 關(guān)聯(lián)規(guī)則 查找與某一音樂(lè)共現(xiàn)的其他音樂(lè)，用歌曲熱度、用戶(hù)訪(fǎng)問(wèn)時(shí)間、頻次等加權(quán)進(jìn)行相關(guān)性排序 TOPN 根據(jù)歌曲熱門(mén)程度、流行程度、推薦程度、下載次數(shù)等進(jìn)行排序，選取最大的 N個(gè)進(jìn)行推薦 每個(gè)用戶(hù)的音樂(lè)推薦列表 運(yùn)營(yíng)規(guī)則干預(yù) 原則：針對(duì)不同類(lèi)型的用戶(hù)采用與之相應(yīng)的推薦算法 第 31頁(yè) 12530WAP個(gè)性化音樂(lè)推薦產(chǎn)品 應(yīng)用形式 首頁(yè) 1 2 原暢銷(xiāo)歌曲頁(yè) 3 個(gè)性化推薦頁(yè) 第 32頁(yè) 12530WAP個(gè)性化音樂(lè)推薦產(chǎn)品 應(yīng)用效果 實(shí)驗(yàn)前推薦頁(yè)轉(zhuǎn)化率 實(shí)驗(yàn)后推薦頁(yè)轉(zhuǎn)化率 20% 將個(gè)性化推薦模型部署在 12530 WAP現(xiàn)網(wǎng)系統(tǒng)的 1臺(tái)前端機(jī)中，進(jìn)行了近 20天的實(shí)驗(yàn)，結(jié)果表明推薦模型大幅提升頁(yè)面訪(fǎng)問(wèn)的轉(zhuǎn)化率。 % 使用個(gè)性化推薦模型之后 推薦頁(yè)面訪(fǎng)問(wèn)轉(zhuǎn)化率提升了 % 同時(shí)， WAP門(mén)戶(hù)每用戶(hù)訪(fǎng)問(wèn)頁(yè)面深度增加，表明推薦模型能提升用戶(hù)黏性。 使用個(gè)性化推薦模型之后 每用戶(hù)訪(fǎng)問(wèn)頁(yè)面深度增加 (13%) 實(shí)驗(yàn)前每用戶(hù)訪(fǎng)問(wèn)頁(yè)面數(shù) 實(shí)驗(yàn)后每用戶(hù)訪(fǎng)問(wèn)頁(yè)面數(shù) 第 33頁(yè) 基于 wap日志的用戶(hù)偏好分析及推薦系統(tǒng) (安徽） 目標(biāo)與技術(shù)路線(xiàn) WAP網(wǎng)關(guān)記錄 數(shù)據(jù)清理 資訊訪(fǎng)問(wèn)記錄 資訊類(lèi)型標(biāo)注 資訊類(lèi)型訪(fǎng)問(wèn)記錄 聚類(lèi)分析 用戶(hù)群體聚類(lèi)結(jié)果 計(jì)算群體偏好 數(shù)據(jù)采樣 群體對(duì)各資訊類(lèi)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(hù)內(nèi)容偏好模型 待推薦資訊 用戶(hù)內(nèi)容 偏好模型 類(lèi)型特征矢量 標(biāo)注類(lèi)型 類(lèi)型標(biāo)注 模型匹配 產(chǎn)生推薦列表 排序 用戶(hù)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(hù)內(nèi)容偏好標(biāo)簽，開(kāi)展內(nèi)容營(yíng)銷(xiāo) ? 根據(jù)客戶(hù)偏好， 有效細(xì)分客戶(hù)，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(kāi)展內(nèi)容營(yíng)銷(xiāo)，引導(dǎo)第三方產(chǎn)品到移動(dòng)自有產(chǎn)品的遷移 第 34頁(yè) 基于 wap日志的用戶(hù)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(lè) 健康 商旅 時(shí)尚 游戲 交友 生活便民 新聞 /時(shí)事 各類(lèi)偏好用戶(hù)分布 各偏好客戶(hù)細(xì)分 細(xì)分客戶(hù)群 通過(guò)對(duì)客戶(hù)的偏好梳理，可將客戶(hù)細(xì)分為不同偏好用戶(hù)群。 財(cái)經(jīng)偏好群 1 游戲偏好群 2 體育偏好群 3 時(shí)尚娛樂(lè)偏好群 4 影視偏好群 5 … 選擇地市偏好類(lèi)型 將客戶(hù)偏好部署到營(yíng)銷(xiāo)管理平臺(tái)中，營(yíng)銷(xiāo)人員可方便利用平臺(tái)分析客戶(hù)偏好需求： ? 可篩選各類(lèi)別偏好的客戶(hù)群； ? 可篩選各數(shù)據(jù)及信息業(yè)務(wù)的不同偏好客戶(hù)群； ? 指導(dǎo)地市開(kāi)展內(nèi)容型業(yè)務(wù)營(yíng)銷(xiāo)； 第 35頁(yè) 基于 wap日志的用戶(hù)偏好分析及推薦系統(tǒng) 應(yīng)用效果 經(jīng)過(guò)安徽公司對(duì)有手機(jī)上網(wǎng)行為的用戶(hù)進(jìn)行隨機(jī)抽取營(yíng)銷(xiāo)和個(gè)性化推薦營(yíng)銷(xiāo)發(fā)現(xiàn)，用戶(hù)對(duì)推薦內(nèi)容的響應(yīng)率要遠(yuǎn)高于隨機(jī)發(fā)送的內(nèi)容。 第一組實(shí)驗(yàn)：普通上網(wǎng)用戶(hù)隨機(jī)推薦命中率 %，個(gè)性化推薦命中率 %， 命中率提高 。 第一組實(shí)驗(yàn)：普通上網(wǎng)用戶(hù)隨機(jī)推薦命中率 %，個(gè)性化推薦命中率 %， 命中率提高 。 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(wàn)左右普通用戶(hù)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)。 ?所有用戶(hù)進(jìn)行兩次實(shí)驗(yàn)，前后兩次推送的內(nèi)容不同。 ?計(jì)算指標(biāo)為“命中率”，即記錄推薦用戶(hù)中有多少用戶(hù)成功訪(fǎng)問(wèn)推薦的信息。計(jì)算公式：命中率 =訪(fǎng)問(wèn)用戶(hù)數(shù)（推薦內(nèi)） /推薦用戶(hù)數(shù) 第 36頁(yè) 目標(biāo)：通過(guò)對(duì)全網(wǎng)音樂(lè)市場(chǎng)、用戶(hù)構(gòu)成、消費(fèi)習(xí)慣、內(nèi)容偏好、用戶(hù)欺詐等用戶(hù)相關(guān)行為以及營(yíng)銷(xiāo)渠道等進(jìn)行全面的分析，建立一個(gè)用戶(hù)、產(chǎn)品、渠道的用戶(hù)行為分析體系，指導(dǎo)實(shí)際營(yíng)銷(xiāo)和管理應(yīng)用。 無(wú)線(xiàn)音樂(lè)用戶(hù)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(xiàn) 號(hào)碼 ID 139***** Web登錄次數(shù) 20 Web試聽(tīng)次數(shù) 25 Web購(gòu)買(mǎi)次數(shù) 5 Wap登錄次數(shù) 10 Wap試聽(tīng)次數(shù) 30 Wap購(gòu)買(mǎi)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(tīng)次數(shù) 2 購(gòu)買(mǎi)次數(shù) 5 號(hào)碼 ID 139***** Web偏好得分 95 Wap偏好得分 85 ???? ?? 門(mén)戶(hù)使用數(shù)據(jù) 偏好打分方法 各門(mén)戶(hù)偏好得分 門(mén)戶(hù)偏好確定 把門(mén)戶(hù)、渠道、產(chǎn)品等偏好進(jìn)行交叉組合形成用戶(hù)偏好 取最大的偏好得分為該用戶(hù)的第