手機上的大數據用戶行為模式的挖掘和利用

通過手機閱讀、手機音樂上的用戶行為，我們可以看到手機大數據在移動互聯網應用上的威力，但同時，手機上的大數據也不是萬能的，它的發展還面臨著很多實際的問題和挑戰。數據的稀疏性智能手機端的App應用數以十萬計，但是每個應用中兩個用戶之間選擇的重疊非常少，如果用用戶和商品之間已有的選擇關系占所有可能存在的選擇關系的比例來衡量系統的稀疏性，在我們研究的幾個App數據中，稀疏度均不超過4%，其實這些其實都是非常密的數據。想想一個具有千萬級用戶，百萬級歌手的App，平均而言一個用戶能聽100首歌嗎，估計不能，所以稀疏度應該在萬分之一或以下的量級。這個問題本質上是無法完全克服的，但是有很多辦法，可以在相當程度上緩解這個問題。比如擴散方法、隨機缺省值方法、隨機選擇等冷啟動問題在我們前面討論的音樂APP中，我們發現歌曲的覆蓋只有2%左右，這個是由于大量歌曲出于冷啟動狀態造成的。這是因為新商品由于被選擇次數很少或沒有，難以找到合適的辦法推薦給用戶結論。最近一個有趣的研究顯示，新用戶更容易選擇特別流行的商品—這無論如何是一個好消息，說明使用熱歌榜也能獲得不錯的結果。大數據處理與增量計算問題盡管數據很稀疏，大部分數據都包含百千萬計的用戶，與此同時新用戶不停進入系統。數據量不僅大，而且數據本身還時時動態變化，如何快速高效處理這些數據成為迫在眉睫的問題。在這個大前提下，算法時間和空間的復雜性，尤其是前者，獲得了空前重視。一般而言，一個高效的算法，要么自身復雜性很低，要么能夠很好并行化，要么兩者兼具。隨著加入的信息量的增多，最終每過一段時間還是需要利用全局數據重新進行計算。更先進但也更苦難的辦法，是設計出一種算法，能夠保證其誤差不會累積，也就是說其結果與利用全部數據重新計算的結果之間的差異不會單調上升。用戶行為模式的挖掘和利用深入挖掘用戶的行為模式能更準確的抓住用戶喜好，從而有希望做出更好的用戶體驗。譬如說在音樂APP中，新用戶和老用戶具有很不一樣的選擇模式：一般而言，新用戶傾向于選擇熱門的歌曲，而老用戶對歌曲的多樣性關注更多。用戶行為的時空統計特性也可以用于提高者設計針對特定場景的應用。舉個例子，在進行手機個性化閱讀推薦的時候，如果曾經的數據顯示某個用戶只在7點到8點之間有一個小時左右的手機閱讀行為(可能是上班時在地鐵或者公交車上)，那么9點鐘發送一個電子書閱讀的短信廣告就是很不明智的選擇。從含時數據中還可以分析出影響用戶選擇的長期和短期的興趣，通過將這兩種效應分離出來，可以明顯提高推薦的精確度。多維數據的交叉利用目前手機端的APP還出于孤立的狀態，并沒有真正的完成數據打通及數據共享的地步。想象如果能夠把這些數據整合起來，特別是知道每個節點身份的對應關系(不需要知道你真實身份，只需要知道不同APP中存在的若干節點是同一個人)，可以帶來的巨大的社會經濟價值。舉個例子，你可能已經在新浪微博上關注了很多數據挖掘達人的微博，并且分享了很多算法學習的心得和問題，當你第一次上當當網購書的時候，如果主頁向你推薦數據挖掘的最新專著并附有折扣，你會心動嗎？所以多維數據挖掘是真正有望解決系統內部冷啟動問題的法寶——只要用戶在系統外部的其他系統有過活動。目前有很多技術方法可以實現這種多維數據挖掘，比如統計物理學的物質擴散、熱傳導方法，機器學習的遷移學習方法都有望解決這種多維數據挖掘。結論與展望由于移動互聯網的迅速崛起，讓互聯網大數據變得更為多樣、豐富。它不但可以作為互聯網大數據的一個有益補充，而且還可以作為移動互聯網新業務本身的行動指導。在市場營銷領域，數據可以用來洞察客戶，例如衡量他們的生命周期價值或者預測可能的購買行為。對于整個企業而言，利用數據進行分析和應對的能力，對于進行正確的決策并最終取得更好的業績是至關重要的。真正實現“精準營銷”需要底層海量的用戶行為數據做支撐，網絡營銷追求的都不應是曝光率，而是用戶轉化率。而對用戶轉化過程進行有效的數據分析，可實現效果的優化。效果可從三個層面分解：目標是否清晰、向過程要效果，最終目標達成率就是效果。利用數據工具控制和優化營銷過程，可不斷提升ROI效率。這需要具體了解客戶的業務發展目標和推廣需求，可以考慮借助專業的第三方服務公司作有關于網絡營銷策略的效果評估。以制定出或調整有關于網絡營銷策略。一般來說，對于不同的營銷平臺會有不同的廣告形式投放，從而產生的效果也多種多樣，各家說各家的好。網絡營銷中，品牌認知、提升偏好、主動尋找、購買轉化、分享/再購各階段，分別對