慕善文 趙會(huì)群

摘要：精準(zhǔn)營(yíng)銷可以幫助企業(yè)節(jié)約營(yíng)銷成本、提升營(yíng)銷效果，基于大數(shù)據(jù)的消費(fèi)者行為分析也是大數(shù)據(jù)領(lǐng)域的一個(gè)熱點(diǎn)研究。為此，基于運(yùn)營(yíng)商大數(shù)據(jù)對(duì)汽車用戶精準(zhǔn)營(yíng)銷算法進(jìn)行研究，提出基于專家經(jīng)驗(yàn)與統(tǒng)計(jì)學(xué)方法的精準(zhǔn)營(yíng)銷算法。首先對(duì)用戶上網(wǎng)日志數(shù)據(jù)進(jìn)行加工，得到用戶行為標(biāo)簽，然后根據(jù)專家經(jīng)驗(yàn)與統(tǒng)計(jì)學(xué)公式計(jì)算用戶購(gòu)車意向得分，輸出潛在購(gòu)車客戶信息。通過在某運(yùn)營(yíng)商真實(shí)環(huán)境下進(jìn)行實(shí)驗(yàn)，驗(yàn)證了算法的可行性與有效性。實(shí)驗(yàn)結(jié)果表明，面向運(yùn)營(yíng)商大數(shù)據(jù)的汽車用戶精準(zhǔn)營(yíng)銷算法成功率可達(dá)到5.98%，相比現(xiàn)有推薦算法效率明顯提升。

關(guān)鍵詞：運(yùn)營(yíng)商大數(shù)據(jù);專家經(jīng)驗(yàn);汽車營(yíng)銷：精準(zhǔn)營(yíng)銷

DOI： 10. 11907/rjdk.191273

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

中圖分類號(hào)：TP319

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1672-7800（ 2020）001-0148-04

0 引言

大數(shù)據(jù)目前已成為人們關(guān)注的熱點(diǎn)之一，隨著計(jì)算機(jī)技術(shù)的迅速發(fā)展，人們對(duì)大數(shù)據(jù)的分析也越來越深入，并將其應(yīng)用于各個(gè)領(lǐng)域，可以說如今人們已生活在一個(gè)大數(shù)據(jù)時(shí)代。為了適應(yīng)時(shí)代需求，各行業(yè)都發(fā)生了變革，營(yíng)銷行業(yè)也是其中之一。傳統(tǒng)營(yíng)銷模式在大數(shù)據(jù)的沖擊下正慢慢被精準(zhǔn)營(yíng)銷取代。與傳統(tǒng)營(yíng)銷模式相比，精準(zhǔn)營(yíng)銷既能節(jié)省營(yíng)銷成本，又能最大化營(yíng)銷效果[1-3]。

出于保護(hù)用戶隱私等因素，通常企業(yè)不會(huì)公開自己的數(shù)據(jù)，使得新客引入成為一個(gè)難題。傳統(tǒng)營(yíng)銷模式存在新客戶增長(zhǎng)速度緩慢且成本高昂等問題，長(zhǎng)此以往不利于企業(yè)發(fā)展。運(yùn)營(yíng)商作為移動(dòng)網(wǎng)絡(luò)的經(jīng)營(yíng)者，擁有其它企業(yè)無法企及的海量數(shù)據(jù)資源[4-6]。企業(yè)利用通信運(yùn)營(yíng)商大數(shù)據(jù)進(jìn)行精準(zhǔn)營(yíng)銷有利于企業(yè)新客戶引入與老客戶復(fù)購(gòu)。所以研究面向運(yùn)營(yíng)商大數(shù)據(jù)的精準(zhǔn)營(yíng)銷算法對(duì)企業(yè)而言顯得尤為必要。

本文研究來自企業(yè)項(xiàng)目，基于運(yùn)營(yíng)商大數(shù)據(jù)構(gòu)建企業(yè)精準(zhǔn)營(yíng)銷數(shù)據(jù)分析模型，在運(yùn)營(yíng)商大數(shù)據(jù)中篩選購(gòu)車意向較高的用戶，以幫助汽車企業(yè)實(shí)現(xiàn)對(duì)用戶的精準(zhǔn)營(yíng)銷。

1 相關(guān)研究

眾多學(xué)者針對(duì)基于大數(shù)據(jù)的精準(zhǔn)營(yíng)銷進(jìn)行研究，如Liu等[7]針對(duì)服裝企業(yè)營(yíng)銷問題，基于4C理論構(gòu)建“人物”數(shù)據(jù)庫(kù)，通過挖掘數(shù)據(jù)庫(kù)對(duì)消費(fèi)者進(jìn)行細(xì)分，并在此基礎(chǔ)上，從營(yíng)銷角度建立精準(zhǔn)的營(yíng)銷細(xì)分模型;Zhang等[8]提出一種基于電信大數(shù)據(jù)挖掘的高檔汽車營(yíng)銷模型以預(yù)測(cè)潛在的高端豪華車購(gòu)買者，采用邏輯回歸算法與神經(jīng)網(wǎng)絡(luò)挖掘算法構(gòu)建預(yù)測(cè)模型。但由于運(yùn)營(yíng)商掌握的數(shù)據(jù)粒度無法像企業(yè)自身掌握的那么精細(xì)，可能使機(jī)器學(xué)習(xí)建模結(jié)果受到影響;Chen等[9]針對(duì)汽車銷售的個(gè)性化推薦需求，提出汽車個(gè)性化分析與推薦模型，根據(jù)用戶購(gòu)車行為習(xí)慣建立評(píng)估算法，通過機(jī)器學(xué)習(xí)方法訓(xùn)練評(píng)估模型參數(shù)，從而獲得用戶購(gòu)車排名，并通過真實(shí)數(shù)據(jù)集測(cè)試了算法有效性。但其提出的極大似然估計(jì)評(píng)估模型，僅考慮了少量汽車選擇條件概率，從概率論角度評(píng)估模型的完備性不夠充分，評(píng)估效果自然會(huì)受到影響;Peng等[10]采用爬蟲技術(shù)對(duì)用戶瀏覽汽車網(wǎng)頁(yè)的行為進(jìn)行收集分析，然后對(duì)收集到的信息進(jìn)行順序化處理與清洗，在此基礎(chǔ)上使用Apriori算法挖掘用戶瀏覽網(wǎng)頁(yè)的行為關(guān)聯(lián)規(guī)則，從而為網(wǎng)站提供個(gè)性化的用戶信息，以便為用戶推薦感興趣的汽車信息;Oiao-man[11]介紹基于分布式處理技術(shù)的分析挖掘技術(shù)，設(shè)計(jì)并實(shí)現(xiàn)了基于電信網(wǎng)絡(luò)包業(yè)務(wù)平臺(tái)的精準(zhǔn)營(yíng)銷系統(tǒng)。該方案使用K-means劃分基于用戶的業(yè)務(wù)支付特征，Hadoop用于算法的并行實(shí)現(xiàn)?；贛 apReduce實(shí)現(xiàn)的精準(zhǔn)營(yíng)銷應(yīng)用還有很多[12-15]，借助MapReduce強(qiáng)大的批數(shù)據(jù)處理能力，可以很好地實(shí)現(xiàn)對(duì)數(shù)據(jù)的清洗任務(wù);文獻(xiàn)[16]-[18]介紹了基于貝葉斯推斷的推薦算法。

其中，本文研究方法與文獻(xiàn)[7]相似，都采用了大量專家經(jīng)驗(yàn)，但研究領(lǐng)域不同，研究的數(shù)據(jù)也不同;本文研究與文獻(xiàn)[8]、[9]相比，優(yōu)勢(shì)在于本文研究重點(diǎn)是用戶行為分析，通過對(duì)用戶行為的分析計(jì)算意向性得分，通過處理用戶上網(wǎng)日志分析用戶行為，結(jié)果不受其它數(shù)據(jù)影響;文獻(xiàn)[10]與本文研究都是根據(jù)用戶瀏覽網(wǎng)頁(yè)的痕跡信息挖掘用戶喜好，推薦個(gè)性化服務(wù)，但與本文研究不同的是，該研究?jī)H使用傳統(tǒng)Apriori算法發(fā)現(xiàn)關(guān)聯(lián)規(guī)則，而沒有開發(fā)新的算法;與文獻(xiàn)[11]相比，本文算法的優(yōu)勢(shì)在于其是基于Spark實(shí)現(xiàn)的，計(jì)算速度更快;與文獻(xiàn)[16]-[18]相比，本文研究可以有效地克服冷啟動(dòng)與數(shù)據(jù)稀疏問題。

2 汽車精準(zhǔn)營(yíng)銷算法

設(shè)s表示用戶購(gòu)車意向分?jǐn)?shù)，be表示行為得分，p表示價(jià)格契合度，br表示品牌契合度，。表示汽車類APP偏好得分。s定義為：

s=be×p×br×a

根據(jù)專家經(jīng)驗(yàn).各因子對(duì)用戶購(gòu)車行為影響大小的關(guān)系為be>p>br>a。be由用戶上網(wǎng)瀏覽痕跡計(jì)算得出，相比其它因子更能反映出用戶關(guān)注的內(nèi)容;其次是p，價(jià)格通常是用戶在購(gòu)車過程中考慮的重要因素;然后是br，在用戶購(gòu)車過程中，一般也會(huì)考慮汽車品牌;最后是a，用戶可以通過汽車類APP了解汽車信息，也可以通過其它渠道了解，加上汽車類APP種類繁多，大多存在購(gòu)車功能，導(dǎo)致a相比其它因子對(duì)用戶購(gòu)車意向影響較小。

行為是指用戶在汽車類APP上瀏覽時(shí)的操作，行為對(duì)用戶購(gòu)車意向的影響稱為行為權(quán)重，記為w，根據(jù)專家經(jīng)驗(yàn)得出不同行為權(quán)重大小關(guān)系為：提交個(gè)人信息獲取底價(jià)>查看經(jīng)銷商>車型對(duì)比>查看貸款購(gòu)車>查看購(gòu)車計(jì)算器>詢底價(jià)>預(yù)約試駕>提車。設(shè)t表示該行為發(fā)生的次數(shù)，be定義為：

式（2）可以用JAVA Math類中的loglp方法實(shí)現(xiàn)，利用該方法參數(shù)與1求和的自然對(duì)數(shù)，可實(shí)現(xiàn)對(duì)數(shù)值的平滑處理。隨著某行為發(fā)生次數(shù)的增加，次數(shù)對(duì)行為得分的影響逐漸降低，行為得分保持平緩增長(zhǎng)。

價(jià)格契合度表示用戶瀏覽汽車價(jià)格的穩(wěn)定性，價(jià)格契合度越高，表示用戶瀏覽汽車的價(jià)格越接近，越低則代表表示用戶瀏覽汽車的價(jià)格波動(dòng)越大。通常價(jià)格契合度越高，用戶購(gòu)車意向越強(qiáng)。p定義為：

品牌契合度反映用戶瀏覽汽車品牌的集中性。品牌契合度越高，說明用戶對(duì)某品牌的關(guān)注度越高，購(gòu)買該品牌的意向越強(qiáng)烈。設(shè)用戶瀏覽車系對(duì)應(yīng)品牌的出現(xiàn)次數(shù)為bsi，用戶瀏覽的車系數(shù)量為bs，br定義為：

br=√bsi|bs

（6）

將汽車類APP分成兩類，一類是汽車愛好者類APP，一類是購(gòu)車類APP。設(shè)購(gòu)車類APP出現(xiàn)次數(shù)為at，APP出現(xiàn)總次數(shù)為sat，a定義為：

a=1+at/sat

（7）

根據(jù)以上分析，面向運(yùn)營(yíng)商大數(shù)據(jù)的汽車精準(zhǔn)營(yíng)銷算法流程如圖1所示。

精準(zhǔn)營(yíng)銷算法偽代碼為：

Input：用戶上網(wǎng)日志

Output：潛在購(gòu)車用戶信息

1.begin

2.讀取行為權(quán)重和汽車信息;

3.廣播行為權(quán)重和汽車信息;

4.i=0：

5.repeat

6.獲取行為權(quán)重和汽車信息廣播值;

7.car= carlnfo;/*關(guān)聯(lián)汽車信息*/

8.w= behaviorWeight;

9.if（汽車價(jià)格不為O）then

10.do totaIPrice= totalPrice+ t*ori_price;/*總價(jià)*/

11. be=be+ w*loglp（t+1）;/

12.

totalAudi= totalAudi+ audi;

13.

brandList= brandList+ hrand：

14. if（audi>l|| audi==l &t>1）then

15.

do avgPrice= totaIPrice/t;

16.

avgWeigPrice= sum（ be*avgPrice） /smu（ be）;

17.

p=pow （0.5， abs （avgPrice - avgWeigPrice）， avg-WeigPrice）;

18.

br=sqrt（ brandList.length/totaIAudi）;

19.

if（是購(gòu)車類APP） then

20. dox+x+t：

21.

a=l+x/t;

22.

s=be*p*br*a

23.

else

24. do delete midResult[i];

25. else

26. do delete midResult[i];

27. until i

28.文件輸出

29. end

3 實(shí)驗(yàn)研究

3.1 數(shù)據(jù)準(zhǔn)備

實(shí)驗(yàn)所需用戶上網(wǎng)日志樣例如圖2所示。

對(duì)圖2中數(shù)據(jù)進(jìn)行預(yù)處理后，在HDFS上輸出的中間結(jié)果如圖3所示。其中，手機(jī)號(hào)已經(jīng)過脫敏處理，APP和行為均使用編碼代替。具體實(shí)驗(yàn)環(huán)境如表1所示。

3.2 結(jié)果分析

通過兩組實(shí)驗(yàn)驗(yàn)證以上提出的算法。

第一組實(shí)驗(yàn)選取5天的汽車用戶上網(wǎng)日志數(shù)據(jù)，采用天數(shù)逐漸遞增的方式讀取數(shù)據(jù)，即第一天讀取一天的數(shù)據(jù)，第二天讀取前兩天的數(shù)據(jù)，以此類推直到第五天讀取前五天數(shù)據(jù)。實(shí)驗(yàn)數(shù)據(jù)集如表2所示。

分別在5個(gè)數(shù)據(jù)集上運(yùn)行以上提出的精準(zhǔn)營(yíng)銷算法，然后根據(jù)客戶實(shí)際需求，在每天輸出結(jié)果中取分?jǐn)?shù)最高的前1 000個(gè)用戶進(jìn)行外呼營(yíng)銷。同時(shí)，采用某運(yùn)營(yíng)商現(xiàn)有推薦算法篩選出1 000個(gè)用戶進(jìn)行外呼營(yíng)銷。二者成功用戶數(shù)對(duì)比如圖4所示。此處的成功是指利用營(yíng)銷話術(shù)進(jìn)行推薦后，成功要到用戶聯(lián)系方式。

從圖4可知，在5天的數(shù)據(jù)集中，面向運(yùn)營(yíng)商大數(shù)據(jù)的汽車精準(zhǔn)營(yíng)銷算法的成功用戶有299人，成功率為5.98%，高于某運(yùn)營(yíng)商現(xiàn)有推薦算法，其成功用戶共有53人，成功率為1.06%。

根據(jù)程序輸出日志統(tǒng)計(jì)結(jié)果，算法在不同數(shù)據(jù)集下運(yùn)行時(shí)長(zhǎng)如圖5所示。

從圖5可知，面向運(yùn)營(yíng)商大數(shù)據(jù)的汽車精準(zhǔn)營(yíng)銷算法處理20G數(shù)據(jù)量需要lOmin左右，隨著數(shù)據(jù)量的增加，消耗時(shí)間的增長(zhǎng)趨勢(shì)減緩。目前在公司內(nèi)，通常情況下采用7天數(shù)據(jù)運(yùn)行一次算法，預(yù)計(jì)耗時(shí)0.5h以內(nèi)。在硬件資源固定的情況下，該時(shí)間可以被企業(yè)接受。

第二組對(duì)比實(shí)驗(yàn)場(chǎng)景為汽車線上廣告。企業(yè)與某互聯(lián)網(wǎng)廣告平臺(tái)合作，進(jìn)行汽車線上廣告營(yíng)銷。合作方提供9 000個(gè)帶標(biāo)簽的運(yùn)營(yíng)商用戶信息，其中可以識(shí)別的特征有終端、話費(fèi)、APP偏好、購(gòu)物偏好等共52個(gè)，去除其中的無效特征，選擇其中的22個(gè)特征作為輸入，用這些數(shù)據(jù)分別訓(xùn)練Spark MLlib中的邏輯回歸算法與決策樹算法。分別采用面向運(yùn)營(yíng)商大數(shù)據(jù)的汽車精準(zhǔn)營(yíng)銷算法與上述兩種算法篩選出100萬個(gè)用戶，對(duì)其進(jìn)行互聯(lián)網(wǎng)廣告營(yíng)銷，分別統(tǒng)計(jì)每種算法的廣告點(diǎn)擊率，實(shí)驗(yàn)結(jié)果如表4所示。

面向運(yùn)營(yíng)商大數(shù)據(jù)的汽車精準(zhǔn)營(yíng)銷算法優(yōu)勢(shì)在于對(duì)輸入數(shù)據(jù)的要求低于邏輯回歸算法和決策樹算法。主要體現(xiàn)在：

（1）面向運(yùn)營(yíng)商大數(shù)據(jù)的汽車精準(zhǔn)營(yíng)銷算法對(duì)原始數(shù)據(jù)的加工次數(shù)少于邏輯回歸算法和決策樹算法，只需對(duì)用戶上網(wǎng)日志數(shù)據(jù)加工一次即可得到所需的輸人數(shù)據(jù)，而邏輯回歸算法和決策樹算法需要消耗更多的集群資源與數(shù)據(jù)資源對(duì)其所需的特征數(shù)據(jù)作多次加工，導(dǎo)致企業(yè)營(yíng)銷成本增加。

（2）邏輯回歸算法和決策樹算法非常依賴特征數(shù)據(jù)選取與訓(xùn)練數(shù)據(jù)集，若選擇無效特征或訓(xùn)練數(shù)據(jù)量不夠，都會(huì)影響算法準(zhǔn)確性。然而，面向運(yùn)營(yíng)商大數(shù)據(jù)的汽車精準(zhǔn)營(yíng)銷算法通過用戶上網(wǎng)日志分析用戶行為，可以大大降低無效特征的影響;采用專家經(jīng)驗(yàn)和統(tǒng)計(jì)學(xué)公式計(jì)算用戶購(gòu)車意向得分，其結(jié)果不受訓(xùn)練數(shù)據(jù)量影響。

上述實(shí)驗(yàn)結(jié)果充分表明面向運(yùn)營(yíng)商大數(shù)據(jù)的汽車精準(zhǔn)營(yíng)銷算法具有一定的可行性與有效性。

4 結(jié)語

由于不同行業(yè)用戶需求的多樣性，提出一個(gè)普遍適用的精準(zhǔn)營(yíng)銷算法是非常困難的。本文提出的面向運(yùn)營(yíng)商大數(shù)據(jù)的汽車精準(zhǔn)營(yíng)銷算法結(jié)合了專家經(jīng)驗(yàn)與統(tǒng)計(jì)學(xué)相關(guān)計(jì)算方法，可以幫助企業(yè)在運(yùn)營(yíng)商大數(shù)據(jù)中找到購(gòu)車潛在客戶。主要工作為：①提出用戶購(gòu)車意向分?jǐn)?shù)計(jì)算方法，該方法對(duì)于汽車行業(yè)的精準(zhǔn)營(yíng)銷具有一定借鑒意義;②提出面向運(yùn)營(yíng)商大數(shù)據(jù)的汽車精準(zhǔn)營(yíng)銷算法，基于算法實(shí)現(xiàn)的程序現(xiàn)已部署在運(yùn)營(yíng)商集群中，為合作企業(yè)帶來了一定收益。

然而，本文研究還有需要完善的地方，如需要進(jìn)一步提升算法成功率與執(zhí)行效率。另外，提升算法在不同行業(yè)精準(zhǔn)營(yíng)銷的適用性也是下一步研究的重點(diǎn)。

參考文獻(xiàn)：

[1] 嚴(yán)明.基于大數(shù)據(jù)的精準(zhǔn)營(yíng)銷應(yīng)用研究[D].蘭州：蘭州交通大學(xué)， 2016.

[2]林權(quán)，盧軍，嚴(yán)雄偉.基于大數(shù)據(jù)的運(yùn)營(yíng)商精準(zhǔn)營(yíng)銷系統(tǒng)應(yīng)用研究[J].電子測(cè)試，2016（ Zl）：51-54.

[3] 陳鵬.基于大數(shù)據(jù)的A房地產(chǎn)公司精準(zhǔn)營(yíng)銷研究[D].大連：大連海事大學(xué)，2016.

[4] 張?jiān)朴拢娦胚\(yùn)營(yíng)商大數(shù)據(jù)發(fā)展建議[J].電信科學(xué)，2018（1）：103-108.

[5] 陳科帆，周洪成.電信運(yùn)營(yíng)商大數(shù)據(jù)資源變現(xiàn)模式及策略研究[J].移動(dòng)通信，2016（1）：63-67.

[6]李研，高書波，馮忠偉.基于運(yùn)營(yíng)商大數(shù)據(jù)技術(shù)的精準(zhǔn)營(yíng)銷應(yīng)用研究[J].信息技術(shù)，2017（5）：178-180.

[7]LIUH，HUI L U. RUAN J， et al. Research on precision marketing seg-mentation model based on mining“persona”[J]. Journal of Silk，2015，52（ 12）：37-42.

[8]ZHANG H，ZHANG L， CHENC X. et al.A novel precision marketingmodel based on telecom big data analysis for luxury cars[C].Interna-tional Symposium on Communications&Information Technologies，2016：307-311.

[9]CHEN Z， FENC Y. LI H.A novel Top-K automohiles prohabilisticrecommendation model using user preference and user communitv[C]. 2014 IEEE llth International Conference on e-Business Engi- neering，2014： 105-111.

[10]PENG Y，YU K.User hehavior analysis of automobile websites basedon distrihuted computing and sequential pattern mining [Cl. 2016 IEEE International Conference on NetWork Infrastructure and DigitalContent.2016：84-88.

[11]LIU Q.Design and implementation of precision marketing system un—der cloud computing environment[C].2017 International Conferenceon Smart Grid and Electrical Automation. 2017： 231-234.

[12] 曾小青，張若欣，歐陽文光，等.大數(shù)據(jù)環(huán)境下精準(zhǔn)客戶定位的社交網(wǎng)絡(luò)分析[J].計(jì)算機(jī)工程與應(yīng)用，2017（ 15）：85-94.

[13] 盧坤.云平臺(tái)上日志存儲(chǔ)與分析系統(tǒng)關(guān)鍵技術(shù)研究[D].合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2015.

[14] 張韜.基于在線視頻用戶數(shù)據(jù)的DMP系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].北京：北京交通大學(xué)，2016.

[15] 鄒倩穎，王小芳.改進(jìn)遺傳算法在實(shí)體商業(yè)中精準(zhǔn)營(yíng)銷研究與實(shí)現(xiàn)[J].現(xiàn)代電子技術(shù)，2018，41（ 13）：185-189.

[16] 范敏.基于貝葉斯網(wǎng)絡(luò)的學(xué)習(xí)與決策方法研究及應(yīng)用[D].重慶：重慶大學(xué)，2008.

[17] 吳瓊玲.貝葉斯網(wǎng)絡(luò)模型在旅游大數(shù)據(jù)分析中的應(yīng)用[D].哈爾濱：黑龍江大學(xué)，2018.

[18]姚衡.基于貝葉斯網(wǎng)絡(luò)的大數(shù)據(jù)因果關(guān)系挖掘[D].昆明：云南財(cái)經(jīng)大學(xué)，2016.

（責(zé)任編輯：黃?。?/p>

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（ 61672041）

作者簡(jiǎn)介：慕善文（1993-），男，北方工業(yè)大學(xué)信息學(xué)院碩士研究生，研究方向?yàn)榇髷?shù)據(jù)處理;趙會(huì)群（1960-），男，博士，北方工業(yè)大學(xué)信息學(xué)院教授，研究方向?yàn)檐浖こ毯痛髷?shù)據(jù)收理。