【摘要】：目前,網(wǎng)絡(luò)零售業(yè)給實(shí)體零售企業(yè)帶來(lái)了一定的沖擊,在實(shí)體零售企業(yè)消費(fèi)的客戶有所減少,導(dǎo)致其銷售業(yè)績(jī)不佳。隨著客戶消費(fèi)觀念的轉(zhuǎn)變,消費(fèi)關(guān)注點(diǎn)逐漸從商品價(jià)格轉(zhuǎn)向商品的品質(zhì)以及個(gè)性化。在這種背景下,將個(gè)性化推薦方法應(yīng)用到實(shí)體零售企業(yè)是有必要的。傳統(tǒng)推薦方法中的協(xié)同過(guò)濾算法主要依據(jù)客戶對(duì)商品的評(píng)價(jià)為客戶進(jìn)行推薦,然而實(shí)體零售企業(yè)卻無(wú)法獲得客戶對(duì)商品的評(píng)價(jià)信息,因此實(shí)體零售企業(yè)無(wú)法直接采用該方法為客戶進(jìn)行推薦。本文針對(duì)實(shí)體零售企業(yè)的現(xiàn)狀,提出一種適用于實(shí)體零售企業(yè)的混合推薦方法。即在Recency Frequency Monetary Values(RFM)模型的基礎(chǔ)上提出定性和定量結(jié)合分析法的Recency Frequency Profit(RFP)模型,再加入了客戶人口統(tǒng)計(jì)特征,采用協(xié)同過(guò)濾算法、排序?qū)W習(xí)算法,并通過(guò)實(shí)際數(shù)據(jù)實(shí)驗(yàn)驗(yàn)證了算法的有效性。解決實(shí)體零售企業(yè)無(wú)法獲得客戶對(duì)商品評(píng)價(jià)信息的情況下,為客戶進(jìn)行推薦的問(wèn)題。最后針對(duì)不同價(jià)值的客戶制定個(gè)性化的推薦策略,以幫助企業(yè)以有限的成本獲取盡可能高的利潤(rùn)。本文的主要工作如下:第一,針對(duì)實(shí)體零售企業(yè)無(wú)法獲取客戶對(duì)商品評(píng)價(jià)的問(wèn)題,本文在RFP模型的基礎(chǔ)上計(jì)算客戶對(duì)商品的價(jià)值得分來(lái)解決。雖然RFM模型計(jì)算出的客戶對(duì)商品的價(jià)值得分可以表達(dá)客戶的購(gòu)物偏好,但是RFM模型在確定參數(shù)時(shí)采用層次分析法,不能從數(shù)據(jù)角度出發(fā),具有一定的主觀性,且RFM模型在表達(dá)客戶購(gòu)物偏好時(shí),無(wú)法準(zhǔn)確地識(shí)別那些購(gòu)買金額相同但給企業(yè)帶來(lái)利潤(rùn)不同的客戶。因此,本文采用定性與定量結(jié)合分析法的RFP模型計(jì)算出客戶商品價(jià)值得分代替客戶對(duì)商品的評(píng)分,再采用協(xié)同過(guò)濾算法對(duì)商品進(jìn)行預(yù)測(cè)推薦。通過(guò)實(shí)際數(shù)據(jù)實(shí)驗(yàn),驗(yàn)證了基于定性與定量結(jié)合分析法的RFP模型能很好地反映客戶的購(gòu)物偏好,推薦的準(zhǔn)確度更高。第二,為了提高推薦商品的準(zhǔn)確度,本文從客戶注冊(cè)的基本信息中,提煉出客戶年齡、性別、職業(yè)以及受教育程度四個(gè)統(tǒng)計(jì)特征,計(jì)算出客戶間的綜合特征相似度。與上述基于定性與定量結(jié)合分析法的RFP模型計(jì)算出的客戶價(jià)值相似度相結(jié)合,形成客戶混合相似度,進(jìn)行協(xié)同過(guò)濾推薦。通過(guò)實(shí)驗(yàn),驗(yàn)證了基于混合相似度的協(xié)同過(guò)濾算法推薦準(zhǔn)確度優(yōu)于只基于定性與定量結(jié)合分析法RFP模型的協(xié)同過(guò)濾算法。第三,推薦方法的最終結(jié)果是向客戶展示一個(gè)商品推薦列表或者推薦商品排序。因此,在本文提出的基于混合相似度的協(xié)同過(guò)濾算法基礎(chǔ)上,融入排序?qū)W習(xí)算法。通過(guò)舒爾茨排序?qū)W習(xí)算法和貪婪排序?qū)W習(xí)算法分別優(yōu)化協(xié)同過(guò)濾算法下的待推薦商品列表,得到最終的商品推薦列表。實(shí)驗(yàn)表明,通過(guò)排序?qū)W習(xí)算法最終得出的商品推薦列表,可以在一定程度上進(jìn)一步提高推薦的準(zhǔn)確度,且舒爾茨排序?qū)W習(xí)算法的提升效果優(yōu)于貪婪排序?qū)W習(xí)算法。最后,本文基于RFP模型識(shí)別不同價(jià)值的客戶,針對(duì)不同價(jià)值的客戶提出不同的推薦方案,進(jìn)行內(nèi)容和方式相結(jié)合的個(gè)性化推薦,且通過(guò)客戶分類幫助企業(yè)確定在不同價(jià)值客戶上的投入成本,進(jìn)而以有限的成本獲取盡可能高利潤(rùn)。
【圖文】：

圖 3.2 響應(yīng)率與客戶 P、F 所處等級(jí)關(guān)系示意圖 3.2 中，橫軸 P 代表客戶利潤(rùn)等級(jí)，縱軸 F 代表客戶購(gòu)買頻次等級(jí)n 代表 PF 的響應(yīng)率。其中客戶給企業(yè)帶來(lái)的利潤(rùn)越高，P 等級(jí)越高頻次越高，F(xiàn) 等級(jí)越高。由圖 3.2 中可以得到，P、F 與響應(yīng)率呈正相變時(shí)，隨著 P 的等級(jí)越高響應(yīng)率越大；當(dāng) P 不變時(shí)，隨著 F 的等級(jí)越大；當(dāng) P、F 等級(jí)均為最高等級(jí)時(shí)響應(yīng)率最大為 0.7852。

圖 3.2 響應(yīng)率與客戶 P、F 所處等級(jí)關(guān)系示意圖 3.2 中，橫軸 P 代表客戶利潤(rùn)等級(jí)，縱軸 F 代表客戶購(gòu)買頻次等級(jí)n 代表 PF 的響應(yīng)率。其中客戶給企業(yè)帶來(lái)的利潤(rùn)越高，P 等級(jí)越高頻次越高，F(xiàn) 等級(jí)越高。由圖 3.2 中可以得到，P、F 與響應(yīng)率呈正相變時(shí)，隨著 P 的等級(jí)越高響應(yīng)率越大；當(dāng) P 不變時(shí)，隨著 F 的等級(jí)越大；當(dāng) P、F 等級(jí)均為最高等級(jí)時(shí)響應(yīng)率最大為 0.7852。
【學(xué)位授予單位】：蘭州財(cái)經(jīng)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：F724.2

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 高永梅;琚春華;鄒江波;;基于電信領(lǐng)域客戶細(xì)分模型的個(gè)性化服務(wù)構(gòu)建[J];數(shù)學(xué)的實(shí)踐與認(rèn)識(shí);2015年05期

2 蔡玖琳;張磊;張秋三;;一種基于數(shù)據(jù)挖掘的零售業(yè)客戶細(xì)分方法研究[J];重慶工商大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年02期

3 方匡南;吳見(jiàn)彬;謝邦昌;;基于隨機(jī)森林的保險(xiǎn)客戶利潤(rùn)貢獻(xiàn)度研究[J];數(shù)理統(tǒng)計(jì)與管理;2014年06期

4 徐翔斌;王佳強(qiáng);涂歡;穆明;;基于改進(jìn)RFM模型的電子商務(wù)客戶細(xì)分[J];計(jì)算機(jī)應(yīng)用;2012年05期

5 孫玲芳;張婧;;基于RFM模型和協(xié)同過(guò)濾的電子商務(wù)推薦機(jī)制[J];江蘇科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年03期

相關(guān)碩士學(xué)位論文 前5條

1 張?zhí)霷，

本文編號(hào)：2652413