|
Post by raselbd296 on Dec 24, 2023 5:52:16 GMT 2
但这还不是全部。您还可以考虑与特定公司的特殊性相关的事件或影响其运营的雇用员工重组所用技术的变化购买 实施新的 系统等然而在实践中我们通常无法访问大部分此类信息。因此预测客户需求的能力取决于你拥有的数据与客户购买决策之间的相关程度。 回归 分类 拥有一定购买历史的客户可以为我们提供有关购买特定产品的金额的重要信息。我们假设这些金额与其业务需求和产品价格相关。 如果两种类似的产品同样满足客户的需求那么销售方最好推荐利润更高的产品。 因此我们推荐的产品不仅是客户需要的而且还会为我们带来最高的收入 利润。 该方法的本质是训练一个回归模型预测具有特定特征的客户在购买给定产品上平均花费多少。然后我们对目录中的所有产品进行计算并推荐销售支出预测最高的产品。 该方法成功的条件是已知的客户特征与特定产品的购买量之间存在高度相关性。如果没有这种 电子邮件数据 明显的相关性回归模型就会出现非常大的预测误差。 在这种情况下值得尝试分类。我们可以预测特定范围的值而不是预测产品销售的确切收入金额。这通常会更好地拟合数据但同时会降低此类预测的有用性。 协同过滤 实际上前面提出的方法在很多情况下都行不通。客户的购买决策受到隐藏因素的影响 我们无法访问这些数据。此外值的分布太大无法使用回归或分类。 如果我们不知道顾客购物时的动机是什么则值得检查具有相似购买历史的顾客购买了什么。他们有相似的购买历史因此我们预计他们将来也会有类似的行为。 为了计算客户的相互相似度我们创建了所谓的 购买向量其中各个坐标对应于后续产品并取值 或 具体取决于客户是否购买了给定产品。
|
|