Documentos de Académico
Documentos de Profesional
Documentos de Cultura
A Precision Marketing Strategy of E-Commerce Platform Based On Consumer Behavior Analysis in The Era of Big Data Trans
A Precision Marketing Strategy of E-Commerce Platform Based On Consumer Behavior Analysis in The Era of Big Data Trans
Hindawi
Problemas matemáticos en ingeniería
Volumen 2022, ID de artículo 8580561, 8
páginas https://doi.org/10.1155/2022/8580561
Artículo de investigación
1
Di Zhang1,2 y Minghao Huang
1
Escuela de Graduados en Gestión de Tecnología, Universidad Nacional de Pukyong, Busan 612022, República de Corea
2
Facultad de Economía y Administración, Hulunbuir College, Inner Mongolia, Hulunbuir 021008, China
Copyright © 2022 Di Zhang y Minghao Huang. Este es un artículo de acceso abierto distribuido bajo la licencia Creative Commons Attribution License, que permite
el uso, la distribución y la reproducción sin restricciones en cualquier medio, siempre que se cite correctamente la obra original.
Con el fin de desarrollar una estrategia de marketing más eficiente y precisa para el comportamiento de compra de los consumidores, este documento establece
un modelo de valor para el usuario mediante el modelado y el aprendizaje de los datos históricos de los usuarios de las empresas de comercio electrónico. El
algoritmo K-means mejorado se usa para agrupar el comportamiento de compra de los usuarios, y la matriz de valor del cliente se construye a partir de dos
dimensiones de frecuencia de consumo y cantidad de consumo promedio. Finalmente, los usuarios de comercio electrónico se clasifican en cuatro categorías
mediante puntos de marcado. Los resultados de las pruebas muestran que el algoritmo K-means mejorado es estable y eficiente, y el análisis de las características
de agrupación de usuarios es útil para desarrollar estrategias de marketing más precisas.
1. Introducción efecto del marketing, por lo que es una tendencia general introducir
marketing de precisión basado en tecnología de big data en la industria
Debido a la mejora de la capacidad de almacenamiento de la tecnología del comercio electrónico [3, 4].
informática, la cantidad de datos producidos por las personas también La tecnología de minería de datos es popular en países extranjeros
ha aumentado exponencialmente. En este contexto, el modelo de en los últimos años, lo cual es una tendencia para aplicar la tecnología
marketing comercial tradicional es cada vez más incapaz de adaptarse de minería de datos al marketing de precisión. Zhu y Gao [5] estudiaron
al entorno social complejo y cambiante, especialmente la industria del el método de segmentación de clientes basado en minería de datos.
comercio electrónico que depende de Internet. Además, el número de Qiujin et al. [6] trató de reexaminar el marketing de precisión desde la
clientes es grande, por lo que cada vez es más difícil llevar a cabo perspectiva de Internet. Propuso que la tecnología de Internet se puede
actividades de marketing para los clientes. Además, con la mejora usar para ubicar con precisión a los clientes en la implementación del
continua del sistema de compras en línea, la psicología y la forma de marketing de precisión, llevar a cabo actividades de marketing
consumo de los consumidores están cambiando, y el método de específicas para diferentes usuarios y usar el marketing de precisión
marketing tradicional ha estado lejos de satisfacer las necesidades de para lograr el crecimiento de los beneficios empresariales. Wu y Yao
los consumidores actuales [1, 2]. En esta etapa, muchas empresas de [7] estudiaron la aplicación de tecnología de minería de datos en
comercio electrónico no tienen un público objetivo claro en su actividades de marketing. Señaló que la tecnología de minería de datos
comercialización, por lo que todos los usuarios son publicitados y puede proporcionar información más precisa para las empresas y tiene
promocionados en gran cantidad y de manera de cobertura total, lo cierto significado de orientación para que las empresas especifiquen
que hará que los usuarios reciban una gran cantidad de mensajes sin estrategias de marketing, a fin de mejorar las ganancias de las
ninguna diferencia. A la larga, puede conducir a la psicología de empresas. Zhao [8] y Sophie et al. [9] señaló que, en el contexto de los
resistencia del usuario y causar la pérdida de usuarios objetivo. Esto grandes datos, las empresas deben prestar atención a la recopilación
no es solo un desperdicio de recursos y capital, sino que también de datos al realizar actividades de marketing porque el papel de los
conduce a la falta de un método de evaluación cuantitativa para el datos es crucial en la era de los grandes datos y predijo el desarrollo
Machine Translated by Google
de minería de datos en el campo del marketing de precisión en el futuro, para guiar el marketing preciso, por otro lado, de acuerdo con los
mientras que Yu [10] estudió la estrategia de marketing basada en el registro comentarios de los consumidores sobre el uso de los resultados de
de datos de usuarios en Internet en el contexto de big data. la minería de datos, continuar ajustando y optimizando los métodos
de análisis de minería de datos
La investigación actual sobre la construcción del comercio electrónico
(2) De acuerdo con la recopilación de datos, elegimos el sistema de mismos resultados cada vez que se ejecuta el modelo. El proceso de
clasificación de usuarios de la industria del comercio electrónico se muestra
índice de comportamiento del consumidor apropiado
en la Figura 2:
(3) La preparación de datos incluye la selección de datos y la limpieza de
datos, debido a que hay tantos comportamientos de los consumidores
que se pueden estudiar, es necesario seleccionar el modelo de (1) Recopilar datos de transacciones relacionados con usuarios en la
comportamiento del consumidor de acuerdo con la disponibilidad de industria del comercio electrónico, preprocesar los datos, eliminar
datos. los datos anormales en el conjunto de datos y luego estandarizar los
(4) De acuerdo con los diferentes objetivos de minería de datos y las datos en el conjunto de datos después del preprocesamiento.
características de los datos en sí, se pueden usar y mejorar diferentes (2) Calcular los valores de D, Q, M y C por datos, y se forma la matriz de
algoritmos de minería sobre la base del algoritmo original. valor de los usuarios.
(6) Establecer el modelo, analizar cada índice de datos en el modelo y (4) El algoritmo de agrupamiento se usa para agrupar la matriz y se
finalmente obtener los resultados de la investigación obtienen las categorías de usuario correspondientes.
(7) De acuerdo con los resultados de la minería de datos, por un lado, es (5) Utilice el peso con el valor calculado en el tercer paso para calcular el
necesario plantear estrategias específicas valor de cada categoría y cada usuario.
Machine Translated by Google
Conclusión
Índice De Extracción De Consumidor
Monitor
modelo de comportamiento
retroalimentación y
Preparación de datos
Mejoramiento
Agrupación
D q METRO C
Algoritmo Retrato de usuario
Resultado final
(7) Para cada categoría, según las características de Tabla 1: Propiedades del conjunto de datos.
usuarios, se proponen estrategias de marketing específicas para
Atributo Describir
lograr un marketing de precisión.
Identificación de usuario
)e identidad del usuario
Comentario Datos de comentarios de usuarios sobre productos
3. Establecimiento del Modelo de Clustering
identificación de la mercancía Identificación de mercancías
Producto
3.1. Preprocesamiento de datos. ) se utilizan dos tipos de conjuntos de datos Identificación de la categoría de producto
categoría
en este documento, uno es un conjunto de datos de comentarios de usuarios y el otro es
Descripción del comportamiento del usuario, como
conjunto de datos de comportamiento del usuario. )e valores de atributo de estos dos Comportamiento del usuario
haga clic, recoger, comprar.
Los conjuntos de datos se describen en la Tabla 1.
Marca de tiempo Cuando se produce el comportamiento del usuario
De acuerdo con los atributos del conjunto de datos, los pasos previos al Cantidad de )e cantidad de dinero que consume un usuario
procesamiento son el procesamiento de valores faltantes, la estandarización de datos dinero cuando hace una compra
y la selección de características.
de indicador estadístico de atributo. conserva la información del conjunto de datos original si el min max
)El método de eliminación simple es conveniente y efectivo se utiliza el método. )Por lo tanto, se utiliza el método de normalización
y es adecuado para la mayoría de los datos de muestra. cuando el numero de para estandarizar el conjunto de datos.
Machine Translated by Google
El método Z-score es el más utilizado, que es diferente del método comportamiento de consumo. Sin embargo, en el mismo período de
min max anterior, y el conjunto de datos original debe normalizarse a la tiempo, las dos variables de frecuencia de consumo y cantidad de consumo
zona [0, 1]. Sin embargo, el resultado final no siempre está en este rango. total tienen multicolinealidad, por lo que este documento transforma la
Supongamos que hay un conjunto de para normalizar esta secuencia, cantidad de consumo total en la cantidad de consumo promedio. Dado que
fórmula es la siguiente: secuencias x1, x2, x3, . . . , xn , la los datos de consumo provienen del mismo centro comercial, de acuerdo
con la identificación de membresía del consumidor, el backstage del centro
xi ÿ x comercial puede obtener la cantidad de consumo promedio a través del
yi ÿ ,
s resumen de los registros de consumo, y los datos se pueden rastrear
norte muchas veces, lo que conduce a los comerciantes para recuperar la
1
xn cantidad de consumo promedio en diferentes períodos de tiempo de
xi,
_
iÿ1 (1) acuerdo a las diferentes necesidades. Además, se pueden obtener más
ÿÿÿÿÿÿÿÿÿÿÿÿÿÿ
a 2
3.2. Agrupación de usuarios basada en K-Means mejorados
xmáx ÿ xmín
ÿ
1 yo - + xmín.
3.2.1. Matriz de valor. La segmentación de clientes generalmente se basa a 2
en el intervalo, la frecuencia y la cantidad de
Machine Translated by Google
Alto
2/b
Monto
Consumidor Alta calidad
Clientes Clientes K12 K22
Consumo
medio
1/B
hacer que los resultados de la agrupación sean más dinámicos, pero también distinguir
diferentes tipos de clientes según el posicionamiento. s(yo) ÿ ÿÿÿÿÿÿÿÿÿÿÿÿ
0, a(i) ÿ b(i), (8)
El algoritmo de agrupamiento K-means utiliza la distancia euclidiana para
calcular la distancia entre cada punto y el centro bi)
punto de agrupamiento: ÿ 1, a(yo) > b(yo),
ÿÿÿÿÿÿÿÿÿÿÿ
ai)
(1) Encuentre el valor máximo de todos los puntos (xmax, ymax)
donde ai representa la distancia promedio entre la muestra i
y mínimo (xmin, ymin ), inicializar k puntos
y otras muestras en su clase C. )cuanto más pequeño es ai , más
alrededor de kij como centroides de agrupamiento
muestra debería pertenecer a esta categoría. bi representa el
(2) Cada punto se asigna al clúster correspondiente
valor mínimo en bij de la distancia media entre
de acuerdo con su distancia euclidiana desde el baricentro
muestra i y todas las muestras en una determinada clase Cj. )e mayor bi es,
(3) Calcule el valor promedio en cada grupo como el nuevo menos muestra I pertenece a otras clases. )por lo tanto, el valor
centroide del grupo y regrese al paso (2) de s(i) está entre ÿ1 y 1, y cuanto más cerca está s(i) de 1, más
más razonable es el clúster.
(4) Juzgue si el centroide ha cambiado. Si lo hace
no cambia, el agrupamiento ha convergido; de lo contrario,
volver al paso (2) 4.2. Resultados de evaluación
(5) Salida de los resultados de agrupamiento
4.2.1. Análisis de Eficiencia de Clúster. Para clasificar
usuarios de comercio electrónico con mayor precisión, la situación de agrupamiento
4. Experimentos y Resultados bajo diferentes números de grupo se discute. )los resultados son
0.50 100
1.5
1.4 80
1.3 0,45
1.2
60
1.1 Coeficiente
silueta
de
1.0
Agrupación
tiempo
de
0.40
.9 40
.8
.7
20
.6 0.35
.5
.4 0
.3 2 345678
.2 Número de grupos K
.1
Coeficiente de silueta
.0
1 2345 6789 Agrupación de tiempo
Grado de distorsión promedio Figura 6: Eficiencia de agrupamiento bajo el conjunto de datos de cáncer de mama.
100 0.40
cada vez más pequeño, por lo que el punto de inflexión obvio en el gráfico es
el mejor valor del número de conglomerados. Según la Figura 5, cuando el
número de conglomerados es 5, existe un punto de inflexión evidente. La 80
0.38
eficiencia de agrupación del algoritmo con diferente número de agrupaciones
se muestra en las Figuras 6 y 7.
60
Agrupación
tiempo
de
0.36 Coeficiente
silueta
de
K; en segundo lugar, el tiempo de ejecución de K medias en los dos conjuntos K-medias 85.4 19.8 89.3 21,9
Sin embargo, la plataforma de comercio electrónico tiene un gran volumen de 4.3.1. Datos experimentales. Los datos utilizados en este documento provienen
transacciones, una gran escala de datos y dimensiones complejas, lo que de los datos de ventas de una tienda de ropa en la plataforma Taobao desde
requiere una alta eficiencia de agrupación. por lo tanto, es más noviembre de 2020 hasta junio de 2021, por un total de 57666 artículos.
Machine Translated by Google
Promedio Máximo mínimo Promedio Máximo mínimo Promedio Máximo mínimo Promedio Máximo mínimo
Categoría
Clase I 4.6 89 -111 2.03 5 1 29.1 149.5 0.01 5.7 8.9 3.7
La composición de datos proviene de dos aspectos: atributo de usuario y la cantidad de consumo son mucho más bajos que el promedio
datos y datos de ventas. Los datos de atributos de usuario incluyen los del comprador. valor. )Este tipo de usuarios pertenecen a los usuarios potenciales de las tiendas,
apodo, género, edad, grado de consumo, nivel de ciudad, universidad y no tienen un propósito claro en las actividades de compra. En
alumno, tipo de conducta, etc.; los datos de ventas incluyen los datos del comprador Además, este tipo de usuarios tienen una lealtad insuficiente a las tiendas,
apodo, fecha de pago, fecha de entrega, hora de finalización, pago por lo que su ciclo de compra y cantidad de consumo son pequeños.
importe, cantidad de compra, estado del pedido, provincia, ciudad y Sin embargo, si la estrategia de marketing dirigida correcta es
pronto. Para poder analizar más el funcionamiento de la tienda adoptado para tales usuarios, habrá potencial para que ellos
completamente, se recogen 11000 comentarios de usuarios de la convertirse en usuarios leales; para el segundo tipo de usuarios, cada índice es
tienda en 2021 a través del rastreador. inferior al valor medio del índice. ) es un tipo de usuarios
es de poco valor para las tiendas y puede haberse perdido. )por lo tanto, el
el primer tipo de usuarios se denomina clientes perdidos; para el tercer tipo
4.3.2. Análisis de la función de agrupamiento. )e resultados del clúster
de los usuarios, a excepción de que el índice D es bajo, los otros indicadores
El análisis muestra que es razonable dividir a los usuarios en cuatro
están básicamente por encima del índice promedio. ) es tipo de usuarios es
categorías. ) Las puntuaciones de valor de varios tipos de clientes son
importante para la tienda, pero existe cierto riesgo de pérdida.
se muestra en la Figura 8.
Por lo tanto, este tipo de usuarios se define como el foco a recuperar.
En la tabla anterior se puede ver que para la función D,
usuarios; para el cuarto tipo de usuarios, los indicadores son básicamente
describe si el usuario está en el tiempo normal de compras.
superior al valor medio de los indicadores, lo que indica que
Cuando el valor es negativo, significa que el normal
tales usuarios son leales a la tienda y son usuarios de alto valor de
se ha superado el ciclo de compra. ) cuanto mayor sea el valor, el la tienda.
queda más tiempo normal de compra. De acuerdo con la
valor promedio de la característica D en la tabla, usuarios en los cinco 5. Conclusión
categorías se encuentran actualmente en el ciclo de compra normal, pero
el valor de la cuarta clase de usuarios es grande, el valor de la )is paper clasifica a los clientes de la plataforma de comercio electrónico por datos
otras tres clases de usuarios es pequeño, y el valor mínimo tecnología minera, calcula el valor de cada tipo de
de la característica D se puede ver que la primera, la segunda y la clientes, y formula diferentes estrategias de marketing para
todas las terceras clases tienen el fenmeno de exceder el diferentes tipos de clientes. Un nuevo modelo de valor para el usuario es
ciclo normal de compras, lo que muestra que la cuarta clase es establecido. ) El algoritmo K-means mejorado se usa para
similar a la quinta categoría en términos de calidad. agrupar el comportamiento de compra de los usuarios, y el cliente
Para la característica Q, describe el número promedio de usuarios las categorías se distinguen por puntos de marcado. )e prueba
compras en el período estadístico. A partir de los datos medios de Los resultados muestran que el algoritmo es eficiente, y cuando los datos
característica Q, podemos ver que la cuarta categoría tiene la mayor se dividen en cuatro categorías, el coeficiente de contorno es el
número de compras, superando con creces el valor medio de la más grande, por lo que es razonable dividir a los usuarios en cuatro categorías.
otras tres categorías. )por lo tanto, la cuarta clase de usuarios )a través del análisis de conglomerados del comportamiento del consumidor, puede
pueden ser usuarios leales de la tienda. ayudar a la plataforma de comercio electrónico a atraer clientes potenciales,
Para la característica M, describe la compra promedio de los usuarios mantener clientes de alto valor y analizar las razones de
en el período estadístico, lo que se puede ver en los datos de rotación de clientes, a fin de formular estrategias de marketing más precisas
la tabla anterior que los valores de la tercera y cuarta
estrategias.
categorías son mucho más grandes que las de los otros tres Sin embargo, este documento incluyó diferentes categorías de
categorías, especialmente los valores medios y mínimos. usuarios para la agrupación, sin estadísticas específicas del número
Para la característica C, describe la tasa de conversión de compra de usuarios en cada categoría. )es parte de la investigación será
de usuarios De los datos de la tabla anterior, se puede ver que realizado en el trabajo de seguimiento.
la tasa de conversión de compra de los tipos tercero y cuarto de
usuarios es alta, que pueden ser usuarios leales. Disponibilidad de datos
Referencias
[1] X. Liu y Y. Yang, "Investigación sobre la aplicación del marketing de
precisión en el comercio electrónico [J]", Modernización del centro
comercial, vol. 23, núm. 05, págs. 25 a 27, 2022.
[2] DJ Kim, D. Park y JS Park, “Estudio sobre el cambio de la estrategia de
marketing a través de la técnica de minería de datos”, Korea Business
Review, vol. 22, núm. 2, págs. 177–194, 2018.
[3] Z. Chen, Y. Hu y X. Gu, "Investigación sobre la aplicación del algoritmo de
agrupamiento en la segmentación de clientes de telecomunicaciones [J]",
Aplicaciones informáticas, vol. 12, núm. 10, págs. 56 a 61, 2007.
[4] J. Li Zheng y Z. Wu, "Investigación sobre la segmentación de clientes de
comercio electrónico basada en el algoritmo k-means mejorado"
Diario de la Universidad China de metrología, vol. 31, núm. 04, págs. 482–
489, 2020.
[5] G. Zhu y X. Gao, "Estrategia de marketing minorista de precisión basada en
el modelo de marketing digital", Science Journal of Business and
Management, vol. 7, núm. 1, págs. 33 a 37, 2019.
[6] Z. Qiujin, D. Zhixia, Z. Haitang y X. Anxin, "Un estudio sobre la influencia del
marketing de Wechat en las actitudes de los consumidores de
supermercados", Revista de Matemáticas Interdisciplinarias, vol. 19, núm.
5 y 6, págs. 1077 a 1093, 2016.
[7] Y. Wu y B. Yao, "Investigación empírica sobre la estrategia de mercadeo en
red basada en tecnología de minería de datos", Revista de la Universidad
de Artes y Ciencias de Baoji, vol. 41, núm. 01, págs. 18 a 22, 2021.
[8] L. Zhao, “El impacto de la investigación de mercado basada en grandes
datos sobre la formulación de estrategias de marketing”, Time Honrado
Brand Marketing, vol. 16, núm. 09, págs. 95-96, 2021.
[9] H. Sophie, H. Carolina y C. Efthymios, “La transformación electrónica del
marketing de datos: cómo una lente ética en la recopilación de datos del
consumidor da forma al futuro del marketing”, Sustainability, vol. 13, núm.
20, 2021.
[10] H. Yu, "Investigación sobre el impacto del marketing de precisión en el
comportamiento de intención de compra de los consumidores -- Basado
en compras en línea", Modern Marketing, vol. 8, núm. 02, págs. 55–57, 2022.
[11] S. Ren, Análisis del comportamiento del usuario de la red basado en Big
Data Universidad de correos y telecomunicaciones de Beijing, Beijing,
China, 2015.
[12] H. Liu, H. Lu, J. Ruan, B. Tian y S. Hu, “Investigación sobre el modelo de
segmentación de marketing de precisión basado en el “perfil de usuario”,
Mining [J]Silk, vol. 52, núm. 12, págs. 37 a 42, 2015.
[13] C. Yu, Z. Zhang, C. Lin y YJ Wu, “¿Puede el marketing de precisión basado
en datos promover los clics de AD de los usuarios? Evidencia de publicidad
en momentos de WeChat”, Industrial Marketing Management, vol. 90,
págs. 481–492, 2020.
Los
derechos
de
autor
problemas
matemáticos
en
ingeniería
son
propiedad
de
Hindawi
Limited
ysu
contenido
no
puede
copiarse
ni
enviarse
por
correo
electrónico
a
varios
sitios
ni
publicarse
en
un
servidor
de
listas
sin
el
permiso
expreso
por
escrito
del
titular
de
los
derechos
de
autor.
Sin
embargo,
los
usuarios
pueden
imprimir,
descargar
oenviar
artículos
por
correo
electrónico
para
uso
individual.
Machine Translated by Google