基于客户生命周期与交易偏好的商品推荐方法
来源:用户上传
作者: 廖 华
摘 要：商品推荐是吸引客户注意力和迎合客户需要的一种重要的商业行为，对于商品推荐系统研究的目的就是要提高商品推荐的质量(成功率)，以激发和满足顾客需要(本文论述的对象主要是针对网上购物的顾客)。目前使用的推荐系统绝大部分是基于协同过滤技术的推荐，本文中提出了基于客户偏好的协同过滤和基于加权的客户生命周期值两种理论形成的混合推荐方法。
关键词：商品推荐客户生命周期值(CLV)
协同过滤(CF)关联规则
随着网络技术以及企业数字信息化程度的不断提高，电子商务的应用越来越受到重视，电子商务网站已不再只单纯作为企业对外的一个门户，而成为企业进行经营的场所。随着电子商务规模的进一步扩大，为用户提供越来越多选择的同时，其结构也变得更加复杂。一方面，用户面对大量的商品信息束手无策，用户经常会迷失在大鼠的商品信息空间中，无法顺利找到自己需要的商品；另一方面，商家也失去了与消费者的联系。推荐系统的基本功能是模拟商店销售人员向用户提供商品推荐，帮助用户找到所需商品，从而顺利完成购买过程。因此可以有效防止用户流失，提高客户的忠诚度，提高电子商务系统的销售，商家也可以通过推荐系统保持与客户的联系，稳定与客户的关系。
一、基于客户生命周期与交易偏好的混合推荐方法的提出
在单独采用基于客户生命周期的推荐方法方法进行推荐时，其核心思想是要提取出顾客的RFM(最近交易时间、交易频率、交易金额)参数，据此分类。但是在实际操作中，往往会出现这样的顾客，他们的交易频率较低，交易金额很少并且已经很长时间没有在公司网站上续写交易记录了，这样，虽然仍能将他们分类，但从这种顾客类型中要提取出有意义和有价值的商品推荐规则显然是不现实的，也没有实际的意义，这种推荐方法适用于忠诚度较高的客户。
资哪个细分客户(本文中可以理解为客户类型)及投资多少是由每一细分的客户生命周期价值(本文中是三个加权变量R、F、M作为指标体现的)决定的。哪个细分客户区隔的潜在总利润最大，哪个细分客户区隔(类型)就应得到最多的投资。如果企业(本文中特指经营网站的商家)能够通过客户生命周期值方法(WRFM)了解客户所处的不同生命周期阶段(不同类型)，那么就可以对那些低CLV(意味着忠诚度较低)的客户采取第二种方法(基于客户偏好)进行推荐，而对那些高CLV(意味着忠诚度较高)的客户采取第一种方法(基于客户生命周期值)进行商品推荐，同时为了维持他们的忠诚度，还可以适当加大营销成本，而对前者则需要减少营销成本。
使用混合方法其中的一种方法都只是一种一维的、单向的考虑角度。而使用两种方法的混合就从一个二维的角度更全面地考虑了客户的一种综合类型，即从横向的各种偏好的维度和纵向的客户生命周期类别的维度(时间段角度)来综合定位客户群，从而使推荐规则更趋合理化，更加有针对性。
二、对混合方法的说明
根据在上节中所叙述的理由，本文分别使用了基于WRFM和客户偏好的两种聚类方法，前者的分类标准是相近的加权客户生命周期值(RFM)，后者的分类标准是客户对于商品的相似偏好，事实上，在基于加权客户生命周期值方法中已经对所有顾客进行了归类(基于WRFM)，这个归类还标示出了不同类顾客的CLV排名，这个排名也可以理解为顾客的忠诚度排名，根据在下面讲到的理论，可以对这个忠诚度的排名进行区分，也就是说分出这些排名中哪些是忠诚度高的客户，哪些是忠诚度低的客户。接下来运用关联规则挖掘来抽取出每一类顾客群的推荐规则。最后从加权客户生命周期分类的客户中抽取出的推荐规则应用到忠诚度高的客户族群中，同样，从客户偏好分类的客户中抽区出的推荐规则应用到忠诚度低的客户族群中，也就是分别进行对应的商品推荐。
三、关于混合方法的实施步骤
本文所使用的混合方法在进行实验时，将按照以下步骤进行：
第一、数据准备。根据实验要求搜集相关数据，包括购买商品历史数据和客户数据，其中还涉及商业网站管理者的调查数据。在这一阶段还应进行数据清洗，以便去掉那些无使用价值的客户数据，如长时间没有交易记录的客户数据等。
第二、计算RFM变量的相关权重。使用AHP方法得到。
第三、根据CLV值的近似度进行归类。用K-means的方法将客户聚类
第四、将客户按照交易偏好进行分类，同样使用K-means的方法，客户之间的相似度由皮尔森相关系数得到。
第五、对大样本的目标客户群，根据其加权的RFM值，可以得到忠诚度排名。对需要推荐商品的目标客户就能够分辨出其所在的客户类别。
第六、推荐阶段。无论是按照WRFM或是按照基于客户偏好的分类方法，都需要使用关联规则进行挖掘，从而选择出推荐给目标顾客的商品。
在上面推荐商品的产生中，一个很重要的条件就是首先要从WRFM聚类所产生的CLV排名客户组中判定目标顾客是不是属于高忠诚度的客户，这个判定在本文中可以给出这样也个可行的方法，即设定一个“阀值”α，如果CLV排名指数(加权的RFM)大于这个阀值，那么认为该客户组是高忠诚度的，反之，则是低忠诚度的，相应的，属于这个客户组的目标客户也就有了忠诚度的判定。需要强调的是按照WRFM聚类和按照客户偏好聚类产生的客户会出现交叉，即属于WRFM中的某一类，但同时又属于客户偏好聚类中的某一类，但我们只需判定他在CLV排名中的忠诚度，然后按照其高低分别在不同的类别中找到适用于他的推荐产品。具体实施的步骤可以归结为如下步骤：
第一、计算目标客户的WRFM值，找到其在CLV排名中的客户类归属；
第二、设定一个适当的阀值，根据上面步骤中的WRFM值，判定此客户是否属于高忠诚度客户(大于等于或小于阀值)；
第三、如果判定为高忠诚度客户，则找出对应的WRFM客户组的推荐规则，提取top-N商品；反之，则重新在基于客户偏好的客户分类中找到其归属，接下来依然找出对应的推荐规则，并提取top-N商品；
第四、推荐结束。
本文所提到的混合推荐方法一定程度上是基于WRFM和客户偏好两种方法的物理性叠加，作为这种混合推荐方法的引申，还可以考虑同时从WRFM和客户偏好两个维度进行推荐，也就是说给两种方法加上某一组权重(两者权重之和为1)，在划分客户组群时同时考虑这种加权后的相关性，据此进行分类、推荐规则抽取和商品推荐。但在一般的实践中，作为一种有意义的推荐指导方法，混合方法依然能在客户确定和商品推荐中起到良好的作用。
转载注明来源:https://www.xzbu.com/5/view-1374158.htm
