学位论文 > 优秀研究生学位论文题录展示

Mining the Profitability of Customers and Making Right Recommendations

作　者: 许敏
导　师: 邱玉辉
学　校: 西南师范大学
专　业: 基础心理学
关键词: 推荐系统客户分层多智能主体协作过滤网络价值核心客户盈利率用户模型客户价值数据驱动
分类号: F713.5
类　型: 博士论文
年　份: 2003年
下　载: 234次
引　用: 0次
阅　读: 论文下载

内容摘要

电子商务平台上的推荐系统致力于为顾客提供满足其心理和实际需求的商品及服务。其在增强网站的智能化和个性化、提高潜在销售、制造交叉营销的同时，也使得顾客对网站具有了更高的忠诚度。因此，推荐系统可谓面向电子商务企业与用户的双赢策略。推荐系统的研究是以顾客购买行为的分析为基础的。本文中我们首先分析了顾客购买过程的决策影响因素，特别是社会因素和心理因素，并将其与协作过滤和智能主体分别进行结合。用协作过滤的思想来模拟解决社会因素对于购买过程的影响，同时，用智能主体的自适应性和学习能力来进行网络用户的模型建立。特别值得提出的是在用智能主体进行用户购买行为心理因素的分析上，我们利用了多智能主体思想以使用户模型建立更加立体。此外在对推荐系统的研究中我们注意到，进入网络经济时代，大众营销策略已经没落。取而代之的是数据驱动的一对一营销。一对一战略是以保持目标客户为基础。在充分挖掘每一位客户的价值的基础上进行的，而数据挖掘的结果，正如Pareto原则所暗示的一样，企业的大部分利润是由小部分的客户所创造的。这就是有名的80／20法则。即80％的企业利润是由20％的核心客户所创造的。Reicheld和Sasser在《哈佛商业周刊》中的一项研究甚至表明：一些公司获得利润的100％是来自于保持仅仅5％的核心客户。由此可见，不同的客户有着截然不同的盈利率。可如何根据客户对企业不同的贡献将客户分层，目前为止这仍然是个需要深入的问题。当企业制定推荐策略时，是应本着“所有的浏览者都可能成为潜在购买者”的乐观估计而对所有用户实施同样的客户关怀呢?还是应本着数据驱动的原则，计算客户的价值和其预期回报是否会高过对其的营销费用，再作不同层次的用户服务和营销决策呢?本文将就以上问题展开讨论，提出基于用户模型的客户分层方法，客户的网络价值在本文中首次被应用到客户分层中。本文的主要实验工作在于两个部分，一是基于客户价值的分层；二是对分层后的用户进行有针对性的推荐策略研究。提出了基于多智能主体、协作过滤、和Top—N相结合的混合推荐策略，并对其性能进行了实际的实验测试。在这两部分中，第一部分的主要的贡献在于：首先讨论了客户价值的范畴。明确指出高价值客户可体现在两个方面：一是具有高自身价值的客户，二是具有高网络价值（客户的网络影响力）的客户；其次，由顾客的历史和当前行为，特别是从Recency（最近访问时间）、FreqUenCy（访问频度）、MOn6t8ry（购买投人）因素出发，进行顾客内部价值挖掘：并通过形式化顾客的网络价值，给出完整的分层算法和相应实验。对于第二部分，其主要工作是在完成客户分层的基础上，本文提出了基于多智能主体和协作过滤相结合的高盈利率客户推荐策略，通过智能主体对用户兴趣的分析，结合协作过滤中的群体意见，最终完成推荐。该推荐经实验证明具有高于传统推荐策略的精确度。在该混合系统推荐策略的选取上，本文给出了基于智能主体的选择策略框架，并进行相应实验。同时，对干低盈利率客户，高效易行的几P—N推荐策略也在系统中彼应用。通过客户的分层和相应混合推荐系统的构建，最终完成经济、高效、有针对性的客户服务。

全文目录

Abstract  7-9
Abstract(in Chinese)  9-11
Outline of the Dissertation(in Chinese)#ⅸ  11-13
List of Abbreviations  13-14
List of Figures  14-15
List of Tables  15-16
Chapter 1 Introduction  16-29
  1.1 Background  17-22
  1.2 Motivation  22-24
  1.3 Objective  24-25
  1.4 Outline of the Dissertation  25-27
  References  27-29
Chapter2 Buying Behavior Analysis From Social and Psychology View  29-43
  2.1 Introduction  29-31
  2.2 Social Factors and Collaborative Filtering  31-35
  2.3 Psychological Factors and Personalized Agent  35-37
  2.4 Using Input Output Analysis to Perform Black Box Test  37-41
  References  41-43
Chapter 3 Customer Segmentation  43-49
  3.1 Introduction  43-44
  3.2 Theoretical Framework  44-48
    3.2.1 Pareto Principle  44-46
    3.2.2 Customer Pyramid  46-48
  References  48-49
Chapter 4 Customer Value Analysis  49-66
  4.1 Introduction  49-50
  4.2 Intrinsic Value  50-58
    4.2.1 RFM  50-51
    4.2.2 Mining for Profitable Customers Based on RFM Analysis  51-54
    4.2.3 Experiment on RFM Model  54-58
  4.3 Network Value  58-64
    4.3.1 The Model  60-62
    4.3.2 Discussion  62-64
  References  64-66
Chapter 5 Using Hybrid System to Create Better Recommendations  66-88
  5.1 Introduction  66-67
  5.2 Data Resource  67-68
  5.3 Evaluation Metrics  68-70
  5.4 Experiment  70-77
    5.4.1 Collaborative Filtering  70
    5.4.2 Personalized Agents  70-76
    5.4.3 Top-N  76-77
  5.5 Results and Discussions  77-86
  References  86-88
Chapter 6 Conclusion and Further Work  88-92
  References  91-92
Acknowledgements  92-93
List of Publications  93-95
List of Oral Presentations  95-96

Mining the Profitability of Customers and Making Right Recommendations

内容摘要

全文目录

相似论文