大資料丨Sogou搜狗業務OP任嘉興帶你解讀“網際網路醫美商品推薦機制”

專案簡介

本案例為嘉賓過往真實案例分享，其中涉及商業機密數值均進行了模糊處理

• 專案TOB：四川省某醫美網際網路巨頭（年營業額≈4億）

• 專案背景：隨著線上使用者量的不斷增長，需要對使用者潛在消費需求進行精準洞察，從而 幫助企業挖掘使用者最大價值

• 專案需求：構建醫美線上商城個性化推薦演算法，實現商品關聯推薦

專案目標

透過對醫美線上商城的購買資料進行科學分析，得到自主使用者的購買行為特徵，挖掘商品的關聯性規律，建設商品智慧推薦機制

• 構建線上商品的關聯規則模型，分析商品之間的關聯性

• 根據模型輸出結果實現商品推薦

分析思路

關聯分析主要透過以下指標進行衡量

過程簡述

一、資料基礎處理：

1.1資料欄位獲取

獲取線上商城近1年的自主使用者訂單資料（排除非自主下單）

• 使用者id

• 使用者型別（新客/老客）

• 商品品類id

• 商品A（完成購買並核銷）

• 商品A瀏覽次數

• 商品B（瀏覽次數高且未購買）

• 商品B瀏覽次數

1.2異常值處理

• 四分位數分箱（QUARTILE(col:col,1,2,3)）

• 四分位數差（IQR）
  

• 空值（NONE）

• 極大值（MAX(col:col)）

• 極小值（MIN(col:col)）

• 異常值

• 標準化
  

• 其它條件規則

二、資料細化處理

2.1計算商品A/B出現次數

商品A是使用者在對應品類下購買核銷商品的集合，並獲取每個商品出現的次數，例如透過在表單中使用"關鍵詞萬用字元"模糊匹配商品A/B，從而獲取每個商品的出現次數，並求和計數項

=VLOOKUP("*"關鍵詞"*",商品A,1,)

=VLOOKUP("*"關鍵詞"*",商品B,1,)

2.2計算商品A和商品B共現次數

當商品A與商品B共現次數越多，則可以認為商品A和商品B的關聯度越高；反之則關聯度越低

=IF(AND(商品A=”【急納美眼第八代】”,商品B=”【急納美眼第9代】”),1,IF(AND(商品B=”【急納美眼第八代】”,商品A=”【急納美眼第9代】”),1)；無論"A共現B"還是"B共現A"，都視為一次共現關係，並求和計數項

2.3計算商品AB總數

=COUNTA(表單區域)商品A和商品B，並求和計數項

三、資料建模處理

3.1計算支援度

P(AnB)，即商品A和商品B同時出現的機率，可以判斷該共現組合的可信程度

支援度=AB共現次數/商品總數*100%

3.2計算置信度

P(A|B) ，即AB共現次數佔商品A出現次數的佔比，可以衡量商品A對商品B產生了多大的影響

置信度=AB共現次數/商品A出現次數*100%

3.3計算提升度

L= P(AnB)/[P(A)*P(B)]，即判斷AB商品被購買的次數是否高於單獨商品的購買次數，可自定義區間值以簡化模型

提升度=支援度/((購買A的訂單數/總購買訂單數)*(購買B的訂單數/總購買訂單數))

3.4計算推薦值

推薦值=SUM(支援度+置信度+提升度)，數值越大則判斷商品關聯程度越高；理論上當使用者產生的行為資料越多，則該推薦模型越準確

最終生成全品類醫美商品的相關性網路，並透過權重倒序，實現對不同的使用者推薦不同的商品