李姣燕 侯彬鈺

摘要：捆綁銷售是商家慣用的銷售策略，在電子商務(wù)領(lǐng)域，可以根據(jù)每個用戶個性化數(shù)據(jù)，可以進行個性化的捆綁方案。該文設(shè)計并實現(xiàn)了一個基于用戶和商品兩方面的個性化捆綁銷售系統(tǒng)，并通過對用戶購買力分類，計算顧客對推薦出的商品的購買欲望，從而得出優(yōu)惠的捆綁價格。經(jīng)過實驗驗證，該系統(tǒng)提高了商品銷售量并獲得了更多利潤。

關(guān)鍵詞：個性化;捆綁銷售;電子商務(wù)

中圖分類號：TP311 文獻標識碼：A

文章編號：1009-3044（2019）34-0071-03

1 概述

捆綁銷售作為一種重要的銷售策略，能幫助商家擴大銷售，增加利潤。個性化服務(wù)已經(jīng)是一個互聯(lián)網(wǎng)服務(wù)廣泛采用的技術(shù)，個性化推薦音樂，個性化推薦商品，個性化新聞推送應(yīng)用越來越多。將個性化技術(shù)與捆綁銷售結(jié)合起來，可依據(jù)互聯(lián)網(wǎng)獲得的用戶數(shù)據(jù)進行針對性更強的個性化定制商品捆綁和定價，可獲得更高的銷售量并獲取更多利潤。

當前針對捆綁銷售的研究涉及捆綁銷售的經(jīng)濟、管理決策及其影響，以及捆綁銷售不同的策略選擇。Adams and Yellen[1]研究捆綁模式下的福利水平，并奠定來捆綁銷售的重要基礎(chǔ)。Schmalensee[2]則考慮了需求連續(xù)分布的情況，及分布對企業(yè)利潤的影響。Wendi Hui[3]考慮了顧客兩種異質(zhì)性，并分析不同情況下哪種捆綁策略更優(yōu)。則Bitran[4]則提出了一個捆綁組合，并且最優(yōu)定價。為了更符合顧客心意，Hitt[5]則提出了顧客白定義的捆綁組合方案。互聯(lián)網(wǎng)發(fā)展使得個性化推薦得到廣泛應(yīng)用，個性化捆綁推薦策略變得更為容易和準確。Moran Beladev[6]等提出的捆綁推薦中考慮了顧客個人消費特征對保留價格的影響，以進行個性化定價。Guannan Liu[7]考慮用圖來表示物品之間的關(guān)系，在此基礎(chǔ)上來進行推薦。Tang Lei[8]第一次提出了將推薦商品集做一個整體來進行研究。

本文提出并設(shè)計實現(xiàn)了一個個性化捆綁銷售系統(tǒng)，系統(tǒng)由兩大塊組成，捆綁商品推薦部分和捆綁商品定價部分。捆綁商品推薦部分主要負責(zé)分析商品和用戶信息，針對用戶個性化推薦捆綁商品，而捆綁商品定價模塊，對推薦的商品組進行綜合定價。

2 系統(tǒng)模型

圖1為個性化捆綁銷售模型。

系統(tǒng)由兩大塊組成，捆綁商品推薦部分和捆綁商品定價。捆綁商品推薦部分主要負責(zé)分析商品和用戶信息，針對用戶個性化推薦捆綁商品，而捆綁商品定價模塊，對推薦的商品組進行綜合定價。

推薦部分主要由三個模塊構(gòu)成，商品模塊、用戶模塊、推薦計算模塊。商品模塊和用戶模塊主要作為推薦的數(shù)據(jù)處理，推薦計算模塊則是數(shù)據(jù)的計算，按照公式得出結(jié)果后，以TOP-N的方式向用戶推薦前N項捆綁商品。

定價部分則由用戶行為模塊計算的用戶行為，及推薦的TOP-N商品，個性化定價模塊計算出推薦商品的捆綁定價。

2.1 商品模塊

該模塊主要功能有兩塊，一是篩選和轉(zhuǎn)換商品數(shù)據(jù)，生成推薦系統(tǒng)能直接使用的lson數(shù)據(jù)，不同電商網(wǎng)站對商品的處理也不同，推薦系統(tǒng)建立中間層轉(zhuǎn)換商品數(shù)據(jù)，之后的運算則不需要擔(dān)心數(shù)據(jù)格式問題。二是依據(jù)商品數(shù)據(jù)計算商品杰卡德相似系數(shù)。商品杰卡德相似系數(shù)的計算需要將商品的一些屬性標簽化，這些屬性包括商品自有屬性和關(guān)于用戶行為的屬性。

部分屬性可以直接轉(zhuǎn)換為標簽，比如商品的分類，在該推薦系統(tǒng)中，商品分類有三個層次，都可以直接作為商品的標簽，部分屬性則需要進行處理，比如價格，可將價格細分等級作為商品標簽，等級的價格的跨度逐漸增大。用戶行為也能作為商品標簽的一部分，根據(jù)商品訪問次數(shù)和購買次數(shù)，可以將商品的熱度分級，再將商品熱度增添至商品的標簽中。

某些電商網(wǎng)站可供用戶自定義商品標簽，此類標簽為大部分用戶所承認，可以直接用作杰卡德相似系數(shù)的計算，商品的標簽可以隨時拓展和更新，以滿足不同電商系統(tǒng)的需求，以及應(yīng)對可能出現(xiàn)的特殊商品。

2.2 用戶模塊

用戶模塊主要做用戶畫像分析和用戶皮爾遜相關(guān)系數(shù)計算，用戶的購買行為，按商品的分類進行統(tǒng)計，作為計算用戶皮爾遜相關(guān)系數(shù)的主要依據(jù)，用戶畫像則主要用于捆綁商品的定價，使用戶對捆綁商品有較大的購買欲望。

用戶畫像分析的主要數(shù)據(jù)來源是用戶行為，包括了購買記錄、手機型號、手機系統(tǒng)、ip地址等數(shù)據(jù)，用戶畫像是動態(tài)的，所以也需要能隨時更新與拓展。

2.3 推薦計算模塊

推薦計算模塊主要負責(zé)統(tǒng)計用戶的購買數(shù)據(jù)，為計算商品杰卡德相似系數(shù)和用戶皮爾遜相關(guān)系數(shù)提供依據(jù)，還有商品捆綁支持度和商品捆綁置信度的計算，該模塊不對用戶信息和商品信息進行任何調(diào)整操作，只進行數(shù)據(jù)統(tǒng)計和計算。

用戶的購買數(shù)據(jù)也需要進行篩選，不能盲目地收集用戶所有的信息，比如商品的集中頻繁購買，少量數(shù)據(jù)的計算結(jié)果可能會有較大誤差，但是垃圾數(shù)據(jù)和異常數(shù)據(jù)則可能直接導(dǎo)致計算結(jié)果錯誤，所以統(tǒng)計時需要有目的的篩選，篩選的規(guī)則是需要不斷更新變化的，在統(tǒng)計過程中要預(yù)留拓展篩選的功能。

2.4 用戶行為模塊

用戶行為模塊主要用于補充用戶畫像。用戶行為中包含了大量的用戶信息，比如性別，購買記錄和瀏覽記錄的統(tǒng)計結(jié)果判斷傾向，根據(jù)常用收貨地址或者用戶ip地址判斷用戶地區(qū)，以及根據(jù)用戶的購買記錄等判斷用戶購買力，根據(jù)當時未購買，短期內(nèi)瀏覽或購買推薦商品輔助判斷用戶興趣。

2.5 捆綁商品定價模塊

捆綁商品的定價，可用收益期望來衡量是否最優(yōu)。優(yōu)惠的程度和用戶購買的傾向是成正比的，用戶購買欲望可以用指數(shù)函數(shù)來表示，我們認為價格的變化對購買概率的影響剛開始比較劇烈，隨后變得平緩，這與指數(shù)函數(shù)分布的圖像極為相似。當用戶購買數(shù)據(jù)過少時，可從用戶畫像分析可推測用戶的購買力區(qū)間，購買力區(qū)間是計算用戶購買概率的重要因素之一。用戶購買概率與捆綁商品利潤的乘積，得到收益期望，計算得到最大的收益期望時的定價作為最終推薦捆綁商品的定價。

參考文獻：

[1] Adams W J，Yellen J L.Commodity bundling and the burdenof monopoly[J]. Quarterly Journal of Economics， 1976， 90（3）：475-498.

[2] Schmalensee R.Cauddian demand and commodity bundling[J].journal of business ，1984，57（1）：58-73.

[3] Wendy Hui， Byungjoon Yoo， Vidyanand Choudhary，et al.Sellby bundle or unit？： Pure bundling versus mixed bundling of in-formation goods[J]. Decision Support Systems， 2012（53）：517-525.

[4] Bitran G R，F(xiàn)errer J C.On pricing and composition ofbundles[J].Production&Operations Management，2007， 16（1）， 93-108.

[5] Hitt L M，Chen P Y.Bundling with customer self-selection：asimple approach to bundling low-marginal-cost goods. Man-agement Science， 2005，5 1（10）： 1481-1493.

[6] Beladev M，Rokach L，Shapira B.Recommender systems forproduc bundling[M]. Elsevier Science Publishers B.V.2016.

[7] Guannan Liu， YanjieFu， GuoqingChen. Modeling Buying Mo-tives for Personalized Product Bundle Recommendation[J]. ACMTransactions on Knowledge Discovery from Data， 11（3）：1-26.

[8] Tang L，Tang L，Tang L，et al.Bundle recommendation inecommerce[C]// International Acm Sigir Conference on Re-search&Development in Information Retrieval. ACM， 2014.

[9] Wang H，Shi X，Yeung D Y.Relational Stacked DenoisingAutoencoder for Tag Recommendation[C]// Twenty-ninth AaaiConference on Artificial Intelligence. AAAI Press， 2015.[10Toine Bogers， Marijn Koolen， Cataldo Musto. Report onRecSys 2016Workshop on New Trends in Content-Based Rec-ommender Systems[J]. Acm Sigir Forum， 2017， 51（1）：45-51.

【通聯(lián)編輯：唐一東】

收稿日期：2019-08-15

基金項目：本課題得到湖南省教育廳科學(xué)研究項目一般項目資助（12C0769）

作者簡介：李姣燕，講師，研究方向為商務(wù)智能，運籌學(xué);候彬鈺，學(xué)生，研究方向為個性化推薦系統(tǒng)。