[发明专利]一种网络消费者细分的优化方法及优化系统

说明书

本发明属于网络消费者信息处理技术领域，公开了一种网络消费者细分的优化方法及优化系统，首先利用心理词汇学证据，针对消费者词汇使用行为构建两种主要的心理细分词典，获取消费者心理地图特征；其次利用聚类方法，选取不同聚类簇距离，获取消费者细分簇；再次，在每个聚类簇中，构建面向用户消费偏好的机器学习预测模型，通过与基准方法的比较确定聚类簇的可靠性和有效性；最后选取最优的用户偏好预测模型，人工检视此模型中的用户聚类簇，并赋予市场细分标签。本发明两种评价指标(RMSE和R²)下，与未经优化的用户细分相比，本发明可以找到对用户偏好预测具有显著提升作用最优的网络消费者细分组。

技术领域

本发明属于网络消费者行为信息处理技术领域，尤其涉及一种网络消费者细分的优化方法及优化系统。

背景技术

目前，最接近的现有技术：

现有市场细分技术，大都基于用户人口统计学、心理地图和行为指标等数据进行细分，如事前细分法采用预定义细分标签和支持向量机、决策树、随机森林等监督机器学习进行分类；而事后细分基于K-means等聚类方法自动生成细分簇，采用人工观察来赋予聚类簇相应的细分标签，从而获取细分消费者组和相对应的消费者市场细分标签；亦或混合细分法，即在事前细分结果基础上，进行聚类分析。无论选择哪种细分变量和方法，所产生的细分都必须是可操作和有用的，以支持营销策略的制定和实施。具体而言，判别细分的成功与否应具有五个标准：可识别性(细分是否可识别)、实质性(细分的大小)、可接近性(是否易于营销人员开展活动)、可区分性(细分之间是否可区分)和可操作性(细分是否与企业竞争力一致)。

总体而言，在电子商务等网络情境中，现有技术存在的问题是：

(1)现有事前细分法存在实质性、可接触性、可接近性和可操作性等方面问题。事前细分采用预定义标签作为细分目标，这些标签大部分来源于过往经验，很有可能与现实用户数据不符，进而导致细分不可识别、细分规模大小差别过大、不利于营销人员开展活动和与企业竞争力背道而驰等问题。

(2)现有事后细分法存在可识别性、可接近性和可操作性等方面问题。事后细分采用聚类等无监督方法自动识别用户数据中的细分簇，其所获取的细分仅在数据意义上的不同，未经人工检视，进而导致细分效果存疑、不利于营销活动开展和细分不符合企业利益等问题。

(3)现有混合细分法也继承了上述两种方法的优势，同时也不同程度上存在以上两种方法的如实质性、可接近性和可操作性等劣势。

特别在网络情境下，营销活动的自动化、智能化已成为主流，而现有细分方法和系统却未与相应的在线企业服务和产品的定位、推广和递送等聚焦用户偏好、需求的营销活动结合起来。因而现有方法普遍存在可接触性和可操作性等突出问题。

解决上述技术问题的难度：

要实现消费需求和偏好预测的准确预测和动态解释，就必须全面提取和挖掘网络消费者行为。但是，一方面，网络环境中消费者的行为是动态、异构的，现有的市场细分方法难以支撑对异构数据的有效挖掘。另一方面，要满足市场细分簇在消费偏好预测中的实质性、可接近性和可操作性等要求，细分方法就必须要适应动态的消费者偏好。而现有的消费细分方法缺乏对这一功能需求的实现思路、操作方法和系统实现。

解决上述技术问题的意义：

本发明实现了网络消费者用户细分的准确预测和动态解释，优化了网络市场细分功能模块和技术路线，为网络服务和产品的定位、推广和递送等电子营销决策的制定和智能电子营销组件的开发提供了支撑。

发明内容

针对现有技术存在的问题，本发明提供了一种网络消费者细分的优化方法及优化系统。

本发明是这样实现的，一种网络消费者细分的优化方法，所述网络消费者细分的优化方法包括：