我們會發(fā)現(xiàn)很多網(wǎng)站都具備了內容推薦的功能，不僅是像B2C電子商務類的卓越的圖書推薦，也包括興趣類網(wǎng)站像豆瓣的豆瓣猜等。這類功能無疑在幫助用戶發(fā)現(xiàn)需求，促進商品購買和服務應用方面起到了顯著性的效果。那么這類的推薦是怎么得到的呢？其實跟網(wǎng)站數(shù)據(jù)分析不無相關，我們可以來簡單看一下它的原理和實現(xiàn)。
關聯(lián)推薦在營銷上被分為兩類：
向上營銷（Up Marketing）：根據(jù)既有客戶過去的消費喜好，提供更高價值或者其他用以加強其原有功能或者用途的產(chǎn)品或服務。
交叉營銷（Cross Marketing）：從客戶的購買行為中發(fā)現(xiàn)客戶的多種需求，向其推銷相關的產(chǎn)品或服務。
向上營銷是基于同類產(chǎn)品線的升級或優(yōu)化產(chǎn)品的推薦，而交叉營銷是基于相似但不同類的產(chǎn)品的推薦。舉個簡單的例子，可以看一下蘋果的產(chǎn)品線：
當你購買一個ipod nano3的時候，向你推薦升級產(chǎn)品nano4、nano5或者功能類似的itouch就叫做“向上營銷”；而推薦Iphone、Mac或ipad的時候就是“交叉營銷”了。
而關聯(lián)推薦在實現(xiàn)方式上也可以分為兩種：以產(chǎn)品分析為基礎的關聯(lián)推薦和以用戶分析為基礎的關聯(lián)推薦。產(chǎn)品分析的關聯(lián)推薦指的是通過分析產(chǎn)品的特征發(fā)現(xiàn)它們之間的共同點，比如《Web Analytics》和《Web Analytics 2.0》的作者都是Avinash Kaushik，而且書名都包含Web Analytics，都是網(wǎng)站分析類的書籍，同時也可能是同一個出版社……那么基于產(chǎn)品的關聯(lián)就可以向購買了《Web Analytics》的用戶推薦《Web Analytics 2.0》。而基于用戶分析的推薦是通過分析用戶的歷史行為數(shù)據(jù)，可能會發(fā)現(xiàn)購買了《Web Analytics》的很多用戶也買了《The Elements of User Experience》這本書，那么就可以基于這個發(fā)現(xiàn)進行推薦，這種方法就是數(shù)據(jù)挖掘中的關聯(lián)規(guī)則（Association Rules）挖掘，其中最經(jīng)典的案例就是沃爾瑪?shù)钠【坪湍虿嫉墓适隆?/P>
目前很多的關聯(lián)推薦還是基于產(chǎn)品層面的，因為實現(xiàn)上更為簡單（對于網(wǎng)站而言，產(chǎn)品數(shù)據(jù)明顯少于用戶行為數(shù)據(jù)，而且可能相差好幾個數(shù)量級，所以分析工作就會輕很多），基于產(chǎn)品的推薦更多地以上面所述的兩種營銷手段來實現(xiàn)，更偏向于傳統(tǒng)的“推式”營銷（個人對這種營銷方式比較沒有好感，尤其“捆綁銷售”之類）。
基于用戶行為分析的關聯(lián)推薦
所以個人更偏向于基于用戶分析的實現(xiàn)方式，這樣更有利于發(fā)現(xiàn)用戶的潛在需求，幫助用戶更好的選擇它們需要的產(chǎn)品，并由用戶決定是否購買，也就是所謂的“拉式”營銷。通過向用戶推薦產(chǎn)品或服務，激發(fā)用戶的潛在需求，促使用戶消費，更加符合“以用戶為中心”的理念。所以下面主要簡單描述下以用戶行為分析為基礎的關聯(lián)推薦，無論你是電子商務網(wǎng)站或是其他任何類型的網(wǎng)站，其實都可以實現(xiàn)這個功能，只要你具備以下前提：
1.能夠有效地識別網(wǎng)站用戶；
2.保留了用戶的歷史行為數(shù)據(jù)（點擊流數(shù)據(jù)（clickstream）或運營數(shù)據(jù)（outcomes））；
3.當然還需要一個不錯的網(wǎng)站數(shù)據(jù)分析師。
這里以電子商務網(wǎng)站為例來說明一下關聯(lián)規(guī)則的具體實現(xiàn)。目前大部分電子商務網(wǎng)站都提供用戶注冊的功能，而購物的用戶一般都是基于登錄的條件下完成的，所以這里為用戶識別提供了最為有效的標示符——用戶ID（關于用戶識別的方法，請參考這篇文章——網(wǎng)站用戶的識別）；同時網(wǎng)站會把所有用戶的購物數(shù)據(jù)儲存在自己的運營數(shù)據(jù)庫里面，這個為用戶行為分析提供了數(shù)據(jù)基礎——用戶歷史購物數(shù)據(jù)。所以滿足了上述的前兩個條件，我們就可以著手進行分析了。
關聯(lián)規(guī)則的實現(xiàn)原理是從所有的用戶購物數(shù)據(jù)中（如果數(shù)據(jù)量過大，可以選取一定的時間區(qū)間，如一年、一個季度等），尋找當用戶購買了A商品的基礎上，又購買了B商品的人數(shù)所占的比例，當這個比例達到了預設的一個目標水平的時候，我們就認為這兩個商品是存在一定關聯(lián)的，所以當用戶購買了A商品但還未購買B商品時，我們就可以向該類用戶推薦B商品。如下圖：
從上圖可以看到其中牽涉3個集合：所有購買過商品的用戶全集U、購買了A商品的用戶集合A以及在購買了A商品之后又購買了B商品的用戶集合G。基于這3個集合可以計算關聯(lián)規(guī)則挖掘中的2個關鍵指標——支持度（Support）和置信度（Confidence）：
支持度=購買了A和B商品（集合G）的人數(shù)/所有購買過商品（集合U）的人數(shù)
置信度=購買了A和B商品（集合G）的人數(shù)/購買了A商品（集合A）的人數(shù)
得到這兩個指標之后，需要為這兩個指標設立一個最低門檻，即最小支持度和最小置信度。因為在用戶的購買行為中，購買A商品的用戶可能不僅購買B商品，還購買了C、D、E……等一系列商品，所以我們需要分別算出所有這些組合的支持度和置信度，只有滿足比如支持度》0.2，置信度》0.6的這些商品組合才可以認為是有關聯(lián)的，值得推薦的。
當然，如果你的網(wǎng)站不是電子商務網(wǎng)站，你同樣可以用用戶瀏覽網(wǎng)站的點擊流數(shù)據(jù)實現(xiàn)關聯(lián)推薦的功能。同樣是基于用戶歷史行為，比如瀏覽了A頁面的用戶也瀏覽的B頁面、觀看了A視頻的用戶也觀看了B視頻、下載了A文件的用戶也下載了B文件……
數(shù)據(jù)挖掘中的關聯(lián)規(guī)則挖掘一般采用基于頻繁集的Apriori算法，是一個較為簡單有效的算法，這里就不具體介紹了，有興趣的朋友可以去查下資料。
在進行關聯(lián)規(guī)則分析時需要注意的一些問題
1.注意關聯(lián)推薦的適用范圍和前提條件，并不是每一類網(wǎng)站都適合或需要進行關聯(lián)推薦的；
2.最小支持度和最小執(zhí)行度的設立需要根據(jù)網(wǎng)站運營的特征設定，不宜偏高或偏低，建議基于實驗或實踐的基礎上不斷優(yōu)化，尋找一個最佳的權衡點。
3.需要特別注意的是，在關聯(lián)規(guī)則中A商品與B商品有關聯(lián)，并不意味著B商品與A商品的關聯(lián)也成立，因為兩者的置信度算法是不同的，關聯(lián)方向不可逆。
4.關聯(lián)規(guī)則分析在算法上其實并不難，但是要將其在網(wǎng)站上真正實現(xiàn)好，在滿足上面3個前提的基礎上還需要持續(xù)地優(yōu)化算法，而更主要的是需要網(wǎng)站各部門的協(xié)作實現(xiàn)。
所以，基于用戶行為分析的關聯(lián)推薦完全從用戶的角度進行分析，比單純地比較產(chǎn)品間的關聯(lián)更為深入和有效，更加符合用戶的行為習慣，有利于發(fā)現(xiàn)用戶的潛在需求，不妨嘗試一下。
.
