王叁军
广州城建职业学院
摘要：信息化时代，电子商务带动了经济的发展，改变了生活的消费习惯。很多的企业也都开始通过电子商务平台进行产品的销售，这样不仅可以增大客户群体，而且方便快捷。然而，在这种大趋势下，电子商务平台很多，每一个平台上发布的产品也非常的多，面对琳琅满目的商品，消费者不知道该如何选择。为了解决这一问题，论文提出了基于用户画像的产品个性化推荐系统的解决方案，将不同平台内的日常营销数据进行集中处理，形成大数据中心，在此基础上对客户的日常行为、购买能力以及兴趣爱好进行分析，对每一个客户建立用户画像，这样就可以将商品与用户画像进行匹配，如果匹配成功，则采用K-means 聚类算法和BP神经网络算法将该产品推送给客户，如果匹配不成功，则不推送。通过这种方式，可以实现商品的精准营销。
关键词：用户画像，个性化推荐，产品营销，K-means 聚类算法，推荐算法
1背景分析
在电商平台中，为了满足不同用户的购物需要，尤其是对于B2B的一些网站而言，多个企业在平台中进行注册，注册后的企业都可以将自己的零售产品发布到电子商务平台中。而对于一些实际的消费者而言，当进行了注册之后需要检索某一类商品的时候，电子商务平台会将所有类似的产品信息进行显示，如果通过了检索，但是得到的结果仍然是很多，面对琳琅满目的产品，很多的消费者无从下手，不知道如何去选择。针对这种情况，不仅没有给客户带来便利，反而给客户带来了一定的困扰。
大数据的应用可以很好的解决这些问题，意义非凡，主要体现在以下几个方面：
（1）理论意义
对于零售商而言，服务的对象是客户，更好的服务客户才是王道。通过大数据的应用，可以很好的分析客户的个性行为和聚类行为，比如：通过用户的浏览日志，可以分析客户对哪些产品有兴趣。通过分析客户的访问日志，分析客户访问的时段和频段，进而推算出客户的流失概率，进而可以采取有效的挽留措施。可以根据获取到的客户的信息，构建用户画像，分析用户的基本属性、日常行为以及兴趣偏好等，这将极大的促进用户画像技术在零售行业中的应用研究，进一步的扩大了用户画像的应用范围，通过深入的研究可以形成成熟的理论成果，为后续的其它行业的应用提供参考。
（2）现实意义
通过精准营销管理系统，不仅可以扩大零售商的业务范围，而且可以解决现实中货架不够、摆放困难等问题。管理员将商品信息发布到系统中，用户通过系统进行产品的选购，不需要实体商店，只需要有存储仓库即可，可以减少店铺的租赁资金投入，便于销售商将更多的利润让利给客户，对于发展新客户和挽留老客户都是非常有利的。通过对业务信息进行收集，可以分析每一类产品的销售情况，进而得知产品的市场喜爱程度，为后续的产品的采购和销售提供参考依据。通过对用户画像进行构建，分析用户的兴趣爱好，然后将匹配度比较高的产品推荐给用户，提高用户的依赖性和粘合性，对于零售商的长远发展而言是非常有利的。
2大数据平台设计
（1）数据采集与清洗
要想对消费者的购买行为、兴趣偏好以及购买能力进行分析，就必须对日常的一些上网记录或者是消费记录进行采集和存储，这样才能够为精准营销提供良好的数据支持。这就需要对大数据平台进行建立，通过各种接口对信息进行采集。为了获取到用户的全面信息，不仅需要通过系统所提供的业务功能来获取用户信息，还需要通过接口在外部获取信息，采用图1对这些数据进行抽取、转换和加载处理，最终形成数据中心。
.png)
（2）数据存储与共享
为了能够对这些来自于不同应用系统的数据进行集中管理，通过采集到的这些数据，只是用来进行数据交换，而不涉及到具体业务的关联处理，在该系统中的应用主要就是用来对用户的信息进行挖掘分析的，为后续的精准营销决策的制定提供参考依据。在该系统中，将信息分为了不同的业务领域进行了存储，主要包括：基础库、用户库、商品库以及营销库等。并提供了不同的服务接口，比如：REST、SOAP、XML、JSON接口等等，图2对形成的大数据平台的存储体系给出了架构说明。
.png)
（3）数据分析与管理
首先通过对提取和集成得到的数据进行梳理、分类和归纳，整理出相对独立的数据主题域；然后进行数据的趋势分析，为电子商务企业的精准营销管理提供不同业务领域的数据支持。大数据整合完成之后，就可以以不同的形式进行展示，在展示的过程中，可以根据实际情况选择数据表显示、图形显示等方式。还需要根据实际业务的需要在数据展现界面提供下载或者是导出功能。
3用户画像模型设计
在对用户画像进行构建的时候，首先确定标签以及标签权重，然后获取这些标签数据，主要包括：访问日志信息、身份认证信息、日常交易订单信息、业务定制信息以及客户基本信息等。最后，根据这些信息以及标签规则，对用户画像进行构建，构建完成之后，通过接口为营销提供决策支持。
不同的业务领域关注的客户的信息不同，也就决定了所设计的标签库的不同，在该系统中，将标签分为了两大类：静态标签和动态标签，这两类标签数据可以通过多种方式来获取，比如：文本语义解析、数据预处理等，然后以不同的形式存储到数据库中，最终为用户画像的构建提供基础数据，图3给出了该功能架构的设计描述。
.png)
对客户进行用户画像，要把各种系统中的信息进行综合运用，并建立尽量细化的标签模型，从而实现对不同客户的不同分析，最终刻画出不同客户的个性化特点。在图4中对客户进行了标签业务体系架构设计，从客户数据的动态性和静态性角度对用户画像有关的内容进行了细化设计。
在该公式中，每一个（）都是模型的一部分，并且各自表示了不同的含义，前者是读者的兴趣关键词，后者对应的是该兴趣关键词的权重，并且是从左到右依次减小的顺序。在该公式中，是通过TF-IDF 算法进行计算的。表示的是关键词在对应的文档中出现的次数和含有该关键词的文档树的比值。具体计算公式是：
.png)
在电子商务平台中通过传统的客户管理系统，也收集到了一些客户的信息，这里就采用这些数据来对用户的行为进行模型构建。
4 推荐算法设计
4.1 基于K-mesns的客户样本分群
在客户历史价值数据分析中需要借助BP神经网络算法展开统计分析，首先要进行客户的聚类分析，选择经典的K-means 聚类算法，借助 Spark技术最终实现，从而使系统设计中的客户无监督数据转变为有监督数据样本，在图6中是对应的样本数据分析设计图。
4.2 BP神经网络的历史价值指数计算
在图7中对BP神经网络进行了模型分析设计，主要包括三个层次的架构特点。分别是输入层、隐藏层和输出层。对于BP神经网络而言，信号的传递包括两部分，一是信号前向传播，二是错误信息是反向传播。
对于前者而言，就是按个按照数据的输入输出进行传播，期间信号将会经过隐藏层的处理。后者则是反向传播过程，可以对其数据传输的权重以及偏置情况进行设置和管理。
在对应的步骤的具体处理过程中，需要经过以下处理阶段，即神经网络初始化、隐藏层输出、输出层输出、误差计算、权值更新、偏置更新和判断算法迭代是否满足条件终止等步骤和过程。
4.3 推送流程设计
分析了用户的画像之后，将商品与用户的画像进行匹配，针对匹配成功的情况，营销管理人员可以将其主动的推送给用户，这样用户在登录电子商务系统以后，系统就会在设定的位置显示该推送信息，用户就可以直接点击该信息进行详情的查看。除了这种主动推送的方式之外，还需要进行被动的响应。这样，就满足了不同用户的商品选择需要，实现了双向推送，提高消费者的满意度。其中，商品主动推送处理流程和被动推送处理流程如图8所示。
5推荐算法仿真测试
论文采用的了改进的了k-means聚类算法，下面对算法实现的产品推荐效果进行测试，在论文中通过客户的点击率来验证其推荐的成功率，点击率由查看详细产品或服务的点击数除以推荐的产品或服务总数来表达，即系统推荐的产品或服务数中，如果客户点击其中产品链接信息，则表明此条产品推送信息是推荐成功。由图10可知，改进的k-means算法的推荐更准确，优化传统的k-means算法。
7 总结
总体来看，系统数据采集及时、运行稳定，实现了系统开发之初所提出了系统功能、运行性能，实现了电商企业要求的各种数据统计分析需要，并把系统分析结果应用到电商平台中，为用户购买系统商品时提供主动营销推荐，提升了电商平台的个性化服务水平，也彰显出了不同产品的差异化营销能力。
参考文献
[1]王诗棋,刘琬. 基于大数据的4G网格化精准营销管理系统探究[J]. 中国集体经济,2019(03):60-62.
[2]杨博. 养老服务机构的营销管理体系构建研究[J]. 现代营销(经营版),2019(01):96.
[3]唐昊,白云龙. 广电大数据精准营销实践[J]. 广播电视信息,2019(03):63-65.
[4]赵秋峰. 借助大数据实现电信运营商网格化精准营销策略分析[J]. 现代营销(下旬刊),2019(04):57-58.
[5]蔡和熙,郎太忠,柴华,李一平,刘志龙. 信息技术支撑邮政代理金融营销转型策略研究[J]. 邮政研究,2019,35(03):16-19.