融合消费者社交关系的新零售企业全渠道交叉推荐机制研究

The retailers interact with customers through various channels and integrate different channels into an integrated and seamless "omni-channel" experience. And Social network becomes the carrier of coordination between online and offline purchasing behaviors, which is the basis and path for the realization of in omni-channel marketing. However, how to obtain consumers' interests and needs from different channels and integrate them into the omni-channel personalization becomes the bottleneck of the development of social e-commerce under the new retail mode. In order to achieve a breakthrough in this bottleneck, the project uses data mining technology to study the changes of consumer interest based on the theory of dynamic interest and complex behavior. It mainly uses experimental methods, behavior modeling and situational simulation methods to collect online consumer behavior trajectories, to get the consumer's search behavior preferences by extracting consumer's dynamic interest and build the consumer's dynamic interest map, and to achieve the "omni-channel" cross-integration of personalized recommendation. The research conclusion could theoretically make up for the lack of methods for predicting complex behaviors of online purchases, providing a practical and operatable solution to the scientific research of related complex behaviors. At the same time, it will provide a scientific basis for individualized customer relationship management for e-commerce companies in practice, reduce the judgment cost of consumers' online purchase decisions, and improve the accuracy of decision-making.

新零售企业通过各种渠道与顾客互动，将不同的渠道整合成“全渠道”的一体化无缝式体验。而社交关系网络因其独特的粘合度成为全渠道营销中消费者线上和线下购买行为协同的载体，是全渠道运营模式得以实现的基础和路径。但是，如何从不同渠道获取消费者的兴趣和需求并融合到全渠道的个性化推荐中成为了限制新零售模式下社会化电子商务发展的瓶颈。为了突破这一瓶颈，本项目在动态兴趣和复杂行为理论基础上，利用实验法、行为建模和情景模拟法对消费者的在线浏览行为轨迹进行收集，估算消费者搜索行为偏好和提取消费者的动态兴趣，构建消费者的动态兴趣图谱，并以消费者社交关系为纽带，实现“全渠道”交叉融合的个性化推荐应用。研究结论将从理论上弥补基于动态兴趣的复杂性行为预测的方法缺失，为“全渠道”的交叉融合推荐科学研究提供一种可操作、可实践的解决方法。同时，将在实践中为新零售企业进行个性化客户关系管理提供科学的依据。

本项目分析用户对不同商品的对比行为，截取用户对商品的操作动作类型和权重数据，获得该用户在购物周期中的每个商品效用函数，从而得知用户的购物偏好。其次，结合用户点击流数据所呈现的购物行为特点，构建行为序列函数，分析和预测用户购买行为。构建商品效用函数与行为序列函数模型，建立基于用户商品-行为效用的个性化推荐机制。接着，安装“微分销”小程序进行实验，并采用埋点数据技术嵌入到微信中，用微信（微分销）作为纽带，协同全渠道的信息到企业系统中台。将不同的渠道来源的数据进行聚类统计，根据每个渠道来源的来访次数排序后存储。将行为基础信息库中的数据按类别抽取数据集后分类存储，统计出相同类别行为数据与不同类别行为数据之间的重合度。按照时间顺序将重合度数据组合，将组合后的数据在连续时间段内出现相同行为的数据存储为行为路径，将行为路径与存储的渠道来源关联，识别出每一类行为数据的意图行为数据。研究结论从理论上弥补基于动态兴趣的复杂性行为预测的方法缺失。同时，将理论研究的结论应用到“全渠道”交叉融合推荐的实践当中。由此，建立个性化的交互式推荐有助于帮助企业实现一对一的网络营销策略，帮助其占据网络市场中的长尾部分，在实践中为新零售企业进行个性化客户关系管理提供科学的依据。本项目计划完成4篇学术论文和1篇教学案例，实际完成7篇学术论文，其中5篇公开发表在SCI检索的期刊，2篇发表在EI检索期刊。同时完成1篇教学案例，1份研究报告，1份计算机软件著作权。因此，超额完成项目合同约定的任务，总体完成率达200%，相关研究结论已经在6个企业进行实际应用。