導(dǎo)語(yǔ)：大數(shù)據(jù)分析和消費(fèi)心理模式研究一文來(lái)源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

一、引言

隨著移動(dòng)網(wǎng)絡(luò)技術(shù)發(fā)展越來(lái)越深化，用戶接觸到的網(wǎng)絡(luò)應(yīng)用越來(lái)越多，從大型百貨式銷(xiāo)售平臺(tái)到專(zhuān)業(yè)化服務(wù)平臺(tái)，便捷的網(wǎng)絡(luò)服務(wù)呈現(xiàn)爆發(fā)式的增長(zhǎng)。然而，如何從這些數(shù)量龐大的服務(wù)中找到符合個(gè)體需求的服務(wù)，如何從大量同質(zhì)化嚴(yán)重的同類(lèi)服務(wù)中找到可信任的服務(wù)提供者，成了用戶需要面對(duì)的一個(gè)難題。對(duì)于當(dāng)前的服務(wù)提供平臺(tái)來(lái)說(shuō)，如何精準(zhǔn)的、方便的、貼心的、有保障的提供服務(wù)推薦[1]，成為轉(zhuǎn)化新用戶、留住老用戶的關(guān)鍵。

二、相關(guān)研究

在目前關(guān)于服務(wù)推薦方面，基本從兩個(gè)方面介入功能設(shè)計(jì)。一是從引入當(dāng)前流行的推薦算法升級(jí)系統(tǒng)功能，二是從目標(biāo)用戶的消費(fèi)心理上進(jìn)行功能調(diào)整。2.1基于大數(shù)據(jù)分析的推薦模型在推薦算法部分，目前比較突出的有基于RatingJ、標(biāo)簽和社交網(wǎng)絡(luò)等。由于目前的應(yīng)用數(shù)據(jù)量龐大，以上推薦算法都需要大量用戶特征數(shù)據(jù)數(shù)據(jù)才能體現(xiàn)出優(yōu)越性。這些算法我們可以統(tǒng)一歸類(lèi)到基于大數(shù)據(jù)分析的推薦模型?？尚磐扑]模型是大數(shù)據(jù)推薦模型中的一個(gè)大類(lèi)。在服務(wù)網(wǎng)絡(luò)中，節(jié)點(diǎn)處于自身利益會(huì)進(jìn)行虛假推薦，這樣的情況在我們熟知的大型網(wǎng)購(gòu)平臺(tái)已經(jīng)非常普遍，其惡果就是大眾對(duì)模型給出的推薦結(jié)果的不信任，間接增加了用戶在選擇服務(wù)的過(guò)程周期，影響用戶體驗(yàn)度。在此基礎(chǔ)上，又出現(xiàn)了諸如CRBTrust推薦模型和基于貝葉斯網(wǎng)絡(luò)的Agent服務(wù)推薦機(jī)制[2]。CRBTrust模型將節(jié)點(diǎn)分為誠(chéng)信節(jié)點(diǎn)和非誠(chéng)信節(jié)點(diǎn)，建立“節(jié)點(diǎn)考察表”對(duì)每個(gè)節(jié)點(diǎn)進(jìn)行打分，以約束非誠(chéng)信節(jié)點(diǎn)的惡意推薦行為[3]。貝葉斯網(wǎng)絡(luò)推薦模型是一種基于概率值的分組推薦策略。其主要過(guò)程是根據(jù)目標(biāo)用戶的行為習(xí)慣進(jìn)行建模，并預(yù)測(cè)用戶今后可能會(huì)需要的服務(wù)分組[4]。2.2基于消費(fèi)心理模式的推薦模型消費(fèi)心理學(xué)是目前推薦領(lǐng)域的熱點(diǎn)。用戶在選擇服務(wù)的過(guò)程中同樣表現(xiàn)出消費(fèi)心理學(xué)現(xiàn)象。推薦是為了促成交易，對(duì)應(yīng)到消費(fèi)者，則是選擇服務(wù)的過(guò)程心理狀態(tài)。消費(fèi)者對(duì)于選擇服務(wù)，有三個(gè)普遍心理想象：一是性價(jià)比，二是服務(wù)信譽(yù)，三是售后[5]。服務(wù)提供者做到三點(diǎn)一般都會(huì)有好的消費(fèi)者滿意度。然而，放到互聯(lián)網(wǎng)交易平臺(tái)上，這些指標(biāo)變得不那么確定了，甚至在選擇服務(wù)的過(guò)程中，服務(wù)需求等心理過(guò)程都會(huì)變得模糊和不確定[6]，要精確推薦服務(wù)變得難上難。目前的大數(shù)據(jù)推薦模型都力求分析用戶的購(gòu)買(mǎi)行為，并根據(jù)分析結(jié)果推薦個(gè)性服務(wù)供用戶選擇。然而，這些模型只顧及與交易轉(zhuǎn)化，卻忽略了這些交易伴隨的用戶其他類(lèi)型的行為關(guān)聯(lián)。這些關(guān)聯(lián)行為包括用戶瀏覽路徑、比較點(diǎn)擊次數(shù)、單筆交易成交周期等，而這些行為與用戶選擇動(dòng)機(jī)和消費(fèi)心理關(guān)系緊密。交易周期是衡量用戶體驗(yàn)的一個(gè)重要指標(biāo)。交易周期是指用戶選擇服務(wù)并最終成交發(fā)生的一系列針對(duì)多種相似競(jìng)爭(zhēng)產(chǎn)品的點(diǎn)擊、比較行為以及結(jié)算行為所組成的全部行為序列。針對(duì)專(zhuān)業(yè)領(lǐng)域的服務(wù)提供平臺(tái)，如果還是采用傳統(tǒng)電商的服務(wù)推薦模型，即使解決了可信度的難題，如果在交易周期上讓用戶產(chǎn)生了不友好的體驗(yàn)，不管推薦算法可以覆蓋多龐大的數(shù)據(jù)量，仍然是失敗的推薦應(yīng)用案例。

三、大數(shù)據(jù)分析和消費(fèi)心理模式結(jié)合的推薦模型

將傳統(tǒng)的基于大數(shù)據(jù)分析的可信服務(wù)推薦的方式與基于用戶選擇行為的心理模式相結(jié)合，是目前比較推崇的營(yíng)銷(xiāo)應(yīng)用場(chǎng)景。其整體結(jié)構(gòu)如圖1所示。圖1大數(shù)據(jù)分析和消費(fèi)心理學(xué)結(jié)合的推薦模型結(jié)構(gòu)圖從圖1展示的結(jié)構(gòu)，大數(shù)據(jù)推薦是核心，可信度屬性分組是服務(wù)推薦的個(gè)性化需求，目標(biāo)用戶的選擇行為模型是最終的體驗(yàn)升級(jí)?？尚哦葘傩苑纸M是支撐可信服務(wù)的各種指標(biāo)集合。特別是專(zhuān)業(yè)領(lǐng)域的服務(wù)提供平臺(tái)，由于服務(wù)內(nèi)容相似度高，服務(wù)品質(zhì)參差不齊，如果沒(méi)有與信任度相關(guān)的支持保障，很難促成交易的發(fā)生，更不用說(shuō)長(zhǎng)久的留住的用戶。目前在可信度指標(biāo)上，主要有能力評(píng)級(jí)、服務(wù)評(píng)價(jià)、社交推薦、服務(wù)資歷等，有的是單一出現(xiàn)，更多是以集合的方式出現(xiàn)。以家政服務(wù)為例，能力評(píng)級(jí)體現(xiàn)在服務(wù)推薦平臺(tái)或第三方權(quán)威機(jī)構(gòu)給出的對(duì)家政人員的服務(wù)能力評(píng)價(jià)；服務(wù)評(píng)價(jià)則在售后客戶評(píng)分是體現(xiàn)；社交推薦需要在社交網(wǎng)絡(luò)中實(shí)現(xiàn)，也就是“熟人推薦”行為；服務(wù)資歷主要體現(xiàn)在服務(wù)年限或服務(wù)累計(jì)次數(shù)上。其他形式還有服務(wù)保險(xiǎn)等，體現(xiàn)售后服務(wù)保障方面。大數(shù)據(jù)分析服務(wù)推薦中的應(yīng)用很多，除開(kāi)可信度這個(gè)指標(biāo)，還有服務(wù)需求匹配等應(yīng)用場(chǎng)景。根據(jù)不同的功能需求，大數(shù)據(jù)分析技術(shù)都可以發(fā)揮作用。同時(shí)，根據(jù)業(yè)務(wù)的不斷深入，業(yè)務(wù)量的不斷積累，通過(guò)數(shù)據(jù)挖掘技術(shù)，也可以發(fā)掘出新穎的推薦模式。用戶的選擇行為模式的分析，可以在用戶體驗(yàn)上提高用戶滿意度。選擇行為模式和用戶消費(fèi)心理狀態(tài)相關(guān)，根據(jù)對(duì)目標(biāo)用戶的消費(fèi)行為模式的刻畫(huà)，設(shè)計(jì)個(gè)性化的人機(jī)交互方式，最終盡可能的趨近精準(zhǔn)的推薦結(jié)果。在家政服務(wù)推薦的過(guò)程中，底層大數(shù)據(jù)分析會(huì)提供一個(gè)服務(wù)推薦序列，那么是不是需要將所有的結(jié)果都展示給用戶呢？根據(jù)我們對(duì)目前用戶的行為建模結(jié)果，發(fā)現(xiàn)用戶對(duì)于同質(zhì)化的服務(wù)進(jìn)行區(qū)分的能力是有限的，起選擇的標(biāo)準(zhǔn)也是模糊的，過(guò)多的選擇會(huì)增加用戶的交易周期，甚至交易流產(chǎn)。那么從推薦序列中進(jìn)行符合用戶行為模式的2次推薦，可以達(dá)到更好的效果。

四、總結(jié)

本文著重描述了一種基于大數(shù)據(jù)分析和消費(fèi)心理模型的可信服務(wù)推薦模式，相較于傳統(tǒng)的服務(wù)推薦模式，該模式在肯定傳統(tǒng)大數(shù)據(jù)分析的前提下，提高了用戶消費(fèi)行為模式在推薦過(guò)程中的地位。二者相輔相成，能夠進(jìn)一步趨近推薦的精確度，并高效的促成交易轉(zhuǎn)化。

作者:李紅蕾 姚麗 單位:1.重慶市電子工程職業(yè)學(xué)院 2.重慶大學(xué)