网站数据分析:网站内容的关联推荐营销(2)

基于用户行为分析的关联推荐

所以个人更偏向于基于用户分析的实现方式，这样更有利于发现用户的潜在需求，帮助用户更好的选择它们需要的产品，并由用户决定是否购买，也就是所谓的“拉式”营销。通过向用户推荐产品或服务，激发用户的潜在需求，促使用户消费，更加符合“以用户为中心”的理念。所以下面主要简单描述下以用户行为分析为基础的关联推荐，无论你是电子商务网站或是其他任何类型的网站，其实都可以实现这个功能，只要你具备以下前提：

1.能够有效地识别网站用户；

2.保留了用户的历史行为数据（点击流数据（clickstream）或运营数据（outcomes））；

3.当然还需要一个不错的网站数据分析师。

这里以电子商务网站为例来说明一下关联规则的具体实现。目前大部分电子商务网站都提供用户注册的功能，而购物的用户一般都是基于登录的条件下完成的，所以这里为用户识别提供了最为有效的标示符——用户ID（关于用户识别的方法，请参考这篇文章——网站用户的识别）；同时网站会把所有用户的购物数据储存在自己的运营数据库里面，这个为用户行为分析提供了数据基础——用户历史购物数据。所以满足了上述的前两个条件，我们就可以着手进行分析了。

关联规则的实现原理是从所有的用户购物数据中（如果数据量过大，可以选取一定的时间区间，如一年、一个季度等），寻找当用户购买了A商品的基础上，又购买了B商品的人数所占的比例，当这个比例达到了预设的一个目标水平的时候，我们就认为这两个商品是存在一定关联的，所以当用户购买了A商品但还未购买B商品时，我们就可以向该类用户推荐B商品。如下图：

从上图可以看到其中牵涉3个集合：所有购买过商品的用户全集U、购买了A商品的用户集合A以及在购买了A商品之后又购买了B商品的用户集合G。基于这3个集合可以计算关联规则挖掘中的2个关键指标——支持度（Support）和置信度（Confidence）：

支持度=购买了A和B商品（集合G）的人数/所有购买过商品（集合U）的人数

置信度=购买了A和B商品（集合G）的人数/购买了A商品（集合A）的人数

得到这两个指标之后，需要为这两个指标设立一个最低门槛，即最小支持度和最小置信度。因为在用户的购买行为中，购买A商品的用户可能不仅购买B商品，还购买了C、D、E……等一系列商品，所以我们需要分别算出所有这些组合的支持度和置信度，只有满足比如支持度》0.2，置信度》0.6的这些商品组合才可以认为是有关联的，值得推荐的。

当然，如果你的网站不是电子商务网站，你同样可以用用户浏览网站的点击流数据实现关联推荐的功能。同样是基于用户历史行为，比如浏览了A页面的用户也浏览的B页面、观看了A视频的用户也观看了B视频、下载了A文件的用户也下载了B文件……

数据挖掘中的关联规则挖掘一般采用基于频繁集的Apriori算法，是一个较为简单有效的算法，这里就不具体介绍了，有兴趣的朋友可以去查下资料。

在进行关联规则分析时需要注意的一些问题

1.注意关联推荐的适用范围和前提条件，并不是每一类网站都适合或需要进行关联推荐的；

2.最小支持度和最小执行度的设立需要根据网站运营的特征设定，不宜偏高或偏低，建议基于实验或实践的基础上不断优化，寻找一个最佳的权衡点。

3.需要特别注意的是，在关联规则中A商品与B商品有关联，并不意味着B商品与A商品的关联也成立，因为两者的置信度算法是不同的，关联方向不可逆。

4.关联规则分析在算法上其实并不难，但是要将其在网站上真正实现好，在满足上面3个前提的基础上还需要持续地优化算法，而更主要的是需要网站各部门的协作实现。

所以，基于用户行为分析的关联推荐完全从用户的角度进行分析，比单纯地比较产品间的关联更为深入和有效，更加符合用户的行为习惯，有利于发现用户的潜在需求，不妨尝试一下。