【摘要】：O2O(Online To Offline)是一種將線上活動(dòng)與線下體驗(yàn)緊密結(jié)合的電子商務(wù)模式。在移動(dòng)互聯(lián)網(wǎng)背景下,發(fā)放O2O優(yōu)惠券是一種主要的營(yíng)銷手段。O2O平臺(tái)都在不斷思考如何挖掘用戶的行為特征和消費(fèi)偏好,并根據(jù)用戶需求精準(zhǔn)投放優(yōu)惠券,從而使用較低的營(yíng)銷成本去盤(pán)活老用戶、吸引更多的新用戶。由于O2O電子商務(wù)與傳統(tǒng)電子商務(wù)存在差異,擁有其特有的線下體驗(yàn)環(huán)節(jié),如果直接把傳統(tǒng)電子商務(wù)的研究運(yùn)用到O2O電子商務(wù)模式中會(huì)出現(xiàn)準(zhǔn)確率低、效果差的狀況,達(dá)不到精準(zhǔn)營(yíng)銷的目的。因此,通過(guò)分析O2O模式的具體特征,結(jié)合傳統(tǒng)電子商務(wù)的研究方法,構(gòu)建適用于O2O電子商務(wù)的預(yù)測(cè)模型,是本文研究的出發(fā)點(diǎn)和落腳點(diǎn)。本文主要研究目的是構(gòu)建O2O優(yōu)惠券精準(zhǔn)投放模型,著眼于O2O優(yōu)惠券的用戶使用預(yù)測(cè),通過(guò)預(yù)測(cè)結(jié)果將優(yōu)惠券發(fā)放給最有可能使用的人群,以達(dá)到精準(zhǔn)投放的目的。本文主要工作如下:(1)結(jié)合O2O優(yōu)惠券和精準(zhǔn)投放知識(shí),分析用戶使用優(yōu)惠券的影響因素,以此作為特征構(gòu)造的理論依據(jù);(2)在對(duì)原始數(shù)據(jù)處理分析后,結(jié)合業(yè)務(wù)邏輯,設(shè)計(jì)并構(gòu)造了可直接應(yīng)用于實(shí)際業(yè)務(wù)場(chǎng)景的特征,包含5個(gè)基礎(chǔ)特征群和4個(gè)組合特征群,共78個(gè)特征。(3)提出了一種新的特征選擇算法RFPS(Random Forest-Pearson-SBS),并使用RFPS算法篩選特征,最終得到特征影響因子高的52個(gè)特征;(4)為處理正負(fù)樣本不平衡問(wèn)題,將Easy-Ensemble算法與LightGBM算法結(jié)合為E-LightGBM,并用其構(gòu)建O2O優(yōu)惠券精準(zhǔn)投放模型,取得了良好的效果,證明該算法適合在類似的問(wèn)題中被廣泛推廣和應(yīng)用;(5)結(jié)合O2O行業(yè)發(fā)展?fàn)顩r和實(shí)驗(yàn)分析結(jié)果,為O2O優(yōu)惠券精準(zhǔn)投放提出建議。本文得出的主要結(jié)論有:(1)在O2O模式背景下,建立基于用戶歷史數(shù)據(jù)分析的優(yōu)惠券使用預(yù)測(cè)模型,為O2O優(yōu)惠券精準(zhǔn)投放提供理論依據(jù)和數(shù)據(jù)支持;(2)使用RFPS算法進(jìn)行特征篩選之后,模型運(yùn)行時(shí)間減少了16%,公測(cè)AUC值提升了0.028,在降低模型復(fù)雜度的同時(shí)提高了模型分類效果;(3)使用E-LightGBM算法構(gòu)建O2O優(yōu)惠券精準(zhǔn)投放模型,公測(cè)AUC值達(dá)0.798。實(shí)驗(yàn)證明該算法在分類性能上優(yōu)于其他分類集成算法,更適合處理正負(fù)樣本不平衡、數(shù)據(jù)量大、時(shí)效性要求高的O2O電子商務(wù)場(chǎng)景數(shù)據(jù)。
【學(xué)位授予單位】：山西財(cái)經(jīng)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：F724.6;F274
【圖文】：

論文基本框架圖

圖 2.5 隨機(jī)森林算法流程圖用 Bootstraping 方法隨機(jī)有放回采練集。分別訓(xùn)練 n 個(gè)決策樹(shù)模型。 m，使用第 i 個(gè) bootstrap 樣本訓(xùn)益/信息增益比/基尼指數(shù)選擇最直分裂下去，在決策樹(shù)的分裂過(guò)程樹(shù)按一定的集成策略組合成隨機(jī)定分類結(jié)果；對(duì)于回歸問(wèn)題，求得ng Decision Tree)是 Boosting 框架下

圖 3.1 用戶消費(fèi)特征圖圖 3.1（上）是優(yōu)惠券發(fā)放量與被使用量的分布圖，圖 3.1（下）展示相應(yīng)優(yōu)惠券的使用率[67]。由圖分析可知 O2O 優(yōu)惠券的使用率大多數(shù)在 20%以內(nèi)，從整體分布上看，O2O 優(yōu)惠券使用率很大程度上受到時(shí)間的影響。例如在 2016 年 2 月份左右，對(duì)應(yīng)的時(shí)間段為春節(jié)假期，優(yōu)惠券發(fā)放量是最多的，但優(yōu)惠券的使用率卻是最低的。其次在 3 月 20 日左右，在優(yōu)惠券發(fā)放量正常的情況下，優(yōu)惠券的使用率是最高的。通過(guò)對(duì)總體用戶消費(fèi)特征的可視化分析，可以發(fā)現(xiàn)數(shù)據(jù)中的隱藏信息，這些信息為后續(xù)的分析提供基礎(chǔ) 。3.2.2 缺失值處理缺失值是指數(shù)據(jù)集中部分屬性的值是不完全的，存在空缺。數(shù)據(jù)值缺失是數(shù)據(jù)挖掘過(guò)程中常遇到的問(wèn)題之一。缺失值的存在使分類器的不確定性更加顯著，可能

【相似文獻(xiàn)】

相關(guān)期刊論文 前4條

1 謝勇;項(xiàng)薇;季孟忠;彭俊;黃益槐;;基于Xgboost和LightGBM算法預(yù)測(cè)住房月租金的應(yīng)用分析[J];計(jì)算機(jī)應(yīng)用與軟件;2019年09期

2 王芳杰;王福建;王雨晨;邊馳;;基于LightGBM算法的公交行程時(shí)間預(yù)測(cè)[J];交通運(yùn)輸系統(tǒng)工程與信息;2019年02期

3 周文;王瑜;李長(zhǎng)勝;肖洪兵;邢素霞;;LightGBM算法在阿爾茨海默癥結(jié)構(gòu)磁共振成像分類中的應(yīng)用[J];中國(guó)醫(yī)學(xué)物理學(xué)雜志;2019年04期

4 熊蘇生;;基于改進(jìn)LightGBM的交通模式識(shí)別算法[J];計(jì)算機(jī)與現(xiàn)代化;2018年10期

相關(guān)碩士學(xué)位論文 前2條

1 譚晶;基于LightGBM算法的O2O優(yōu)惠券精準(zhǔn)投放研究[D];山西財(cái)經(jīng)大學(xué);2019年

2 姜加才;基于LightGBM算法的量化選股策略方案策劃[D];上海師范大學(xué);2019年

本文編號(hào)：2745021