数据挖掘在电视产品营销推荐上的应用

江苏商论2018.9摘要院伴随着互联网技术的快速发展和应用拓展袁广播电视运营商可以与众多的家庭用户实现信息的实时交互袁电视产品对于观众的推荐变得越来越重要遥因此袁对观众的观看喜好进行分析袁了解社会大众不同阶层不同年龄的观看需求和喜好袁为广大观众提供他们喜爱的电视节目有着十分重要的意义遥本文将基于某广电网络运营公司给出的观看记录信息数据和运营公司的产品信息数据进行数据挖掘袁提取我们需要的部分进行深度分析遥关键词院数据抽取曰属性规约曰K-means聚类分析中图分类号院F713.36文献标识码院A收稿日期院2018-06-18作者简介院袁泽宇袁邹振伟袁钱旭袁黄雪怡袁浙江海洋大学遥数据挖掘在电视产品营销推荐上的应用袁泽宇袁邹振伟袁钱旭袁黄雪怡渊浙江海洋大学袁浙江舟山316000冤一尧分析方法为适应社会信息的快速传递袁了解现代社会观众人群的收看习惯袁增加电视产品在媒体市场上的竞争力袁本文通过数据分析构建当前观众群体的收看习惯模型袁以此进行产品营销推荐遥本文先通过某广电网络运营公司给出的观看记录信息数据和运营公司的产品信息数据袁获取各个时段不同机顶盒编号收看点播电视节目的相关数据袁并以国家发布的相关电视产品价格目录对已有的数据进行匹配袁得到一连串由用户号尧设备号尧点播日期尧节目名称尧点播金额等属性构成的观众收视率原始数据遥本文的数据抽取是以2015要01要01为开始时间袁2017要01要01为结束时间袁选取各类电视节目的收视率袁抽取所有观众的收看点播数据形成历史数据遥对于之后的收视率数据袁本文会以新增的时间点进行动态抽取袁形成后续的增量数据袁避免抽取的固定数据所带来的一系列分析误差遥数据抽取后袁本文主要采用数据清洗与数据变换遥数据中存在一些与电视产品本身属性有关的记录与分析无关袁如果不加以删减会对后续的分析造成影响袁本文抽取数据包含用户号尧设备号尧点播日期尧节目名称尧点播金额和二级目录等七种属性遥其中数据繁多杂乱袁对后续的分析不利袁在分析过程中袁只需针对单个电视机顶盒号的所有观看节目袁可以选择数据规约减少其他影像统计时间尧收看时段之类的无关属性遥在对数据进行预处理后袁本文对数据进行属性构造遥在这里一共将电视产品分为精彩看点尧属性分类尧院线专区三个板块遥精彩看点板块下属二级目录为精彩点尧热门影视尧热点专题遥属性分类板块下属二级目录有少儿乐园尧动漫剧场两个二级目录遥院线专区下属有院线大片尧潮语专区两个二级目录遥为了便于寻找规律袁我们将一个机顶盒编号的点播观看划分为一位客户的观看遥但是在分析的时候袁我们需要对数据进行数据变换遥数据变换是将数据转换成相应的格式以适应算法的需要遥本题中所采取的是数据标准化遥对观看点播数据进行归类计算袁各部分的数据差异过大袁为了消除数据差异所带来的影响袁我们在进行聚类之前需要对数据进行标准化处理淤袁这种方法基于原始数据的均值和标准差进行数据的标准化遥将A的原始值x使用z-score标准化到x'遥z-score标准化方法适用于属性A的最大值和最小值未知的情况袁或有超出取值范围的离群数据的情况遥标准化公式如下院Pi=xi移ni=1xi标准化后的数据结果如表1遥二尧构建模型与分析渊一冤模型分析窑电子商务窑39江苏商论2018.9表4观众群价值排名表注院上表中的数据只是样本数据中所截取的五行数据遥用户号精彩看点节目属性分类节目数院线专区节目数1.661-0.349-0.2540.1091.631-0.4610.1560.5141.583-0.4610.1170.7001.437-0.125-0.2540.7001.370-0.461-0.2540.109表1标准化后的样本数据渊部分冤类别优势特征弱势特征观众群1无属性分类院线专区精彩看点观众群2属性分类院线专区精彩看点观众群3属性分类院线专区精彩看点表2观众的聚类结果聚类类别精彩看点属性分类院线专区观众群1-0.17595-0.11271-0.089732观众群2-0.461127.41263.3474观众群33.6142-0.254260.64892表3观众群的特征描述表观众群排名排名意义观众群21重要价值观众观众群32可发展观众观众群13低价值观众本文的电视产品营销推荐模型构建主要是由两部分构成院第一个部分根据电视产品的三个种类的数据袁对观众进行聚类分析遥第二部分结合观众习惯对各个观众群进行特征分析袁分析其观众价值袁并对每个观众群进行价值排名遥本文利用K-Mean聚类分析对用户数据进行分类于遥出于计算需要袁将客户种类与之前节目属性构造的三个板块相对应袁构造聚类中心袁接着对之前标准化后的样本数据进行聚类遥得到观众收看的电视产品所偏向的聚类中心以及每个样本的聚类号遥聚类结果如表2遥以上可得每个观众群体的优势特征以及弱势特征描述如表3遥渊二冤观众价值分析每一个观众群都有各自显著不同的特征表现袁基于之前的特征描述袁在这里可以将观众分为重要价值观众尧可发展观众以及低价值观众三个等级类盂遥1.重要价值观众院这类观众平均点播观看电视节目很多袁在所有的电视产品种类中袁一般会有多个经常观看的节目属性袁并且点播观看比较稳定遥这类观众群体是电视产品运营商最为理想的观众类型袁对电视节目的点播率以及收视率也是贡献最大袁但是所占比率最小遥运营商应该优先将最好最新的电视产品资源投放到他们身上袁使得宣传良性发展袁尽可能保持这类观众的收看水平袁扩大这类观众的规模人数遥2.可发展观众院这类观众平时观看电视节目较多袁但观看节目种类缺乏改变袁一般只有一个经常观看的节目属性遥这类观众是运营商潜在的价值观众遥虽然当前这类观众的收看能力不像重要价值观众这么高袁但有很大的潜力遥运营商要努力促使这类观众发现其他属性节目的精彩之处袁通过节目种类以及其他服务的丰富性来加强这类观众的收看满意度袁使他们逐渐成为重要价值观众遥3.低价值观众院这类观众平时的观看时长比较少袁对所有的节目属性也没有明显的偏好遥他们是运营商的低价值观众袁可能空闲偶尔会观看电视节目遥在进行排名后袁运营商可以针对不同类型的观众群体提供不同质量的推荐服务袁从而稳定和提升观众的价值遥本文聚类模型的建立采用的是历史数据建模袁分析具有固定性遥为了保证模型的精确性袁考虑到电视产品市场的变化性袁营销商可以隔一段时间运行一次模型袁对新增观众的信息进行聚类袁对他们的特征进行分析遥如果模型前后结果差异过大袁应及时检查袁同时对模型进行相应的调整遥三尧模型应用根据本文之前对每类观众群的特征分析袁运营商可以以此来制定相应的营销手段与宣传策略榆遥下面给出三点建议院渊一冤针对客户喜爱偏好分类营销与分类拓展1.针对价值排名第1的观众群2来说袁此类观众属于电视产品营销的重点关注对象遥对于此类用户袁电视产品运营商应该把各类产品进行模块分类规划遥建议按照属性分类袁院线专区以及精彩看点三类进行分化遥根据观众群的特征描述表袁我们可以直观地看出属性分类与院线专区是观众群2中最具明显优势袁可以对这两类模块进行重点宣传与突出营销遥针对其弱势特征中的精彩看点可以进行潜力挖掘袁对此类观众群进行客户兴趣引导袁不进行重点推销袁而是运用宣传手段重点趣味版面或者趣味活动引导或挖掘客户此模块的观看兴趣遥2.针对价值排名第2的观众群3来说袁此类观众属于电视产品营销的重要发展对象袁对于此类用窑电子商务窑40江苏商论2018.9户袁在模块分化的基础上袁营销策略应主要用于应对此类观众观看过于单一的情况例如院根据观众群的特征描述表可以直观地看出观众群3只对于精彩看点有优势袁那么在运用营销策略时袁可以将宣传版面多元化袁将其余两个板块进行重点突出与兴趣引导袁并且做出相应特色介绍袁在保持其原有兴趣模块的基础上袁发展与挖掘其他模块兴趣遥3.针对价值排名第3的观众群1来说袁此类观众群对电视产品的兴趣度很低袁电视产品运营商的营销侧重点应该在做好宣传与兴趣挖掘方面袁减小推销力度袁避免此类客户产生厌恶感遥利用其少量的实用信息进行对应的兴趣引导与兴趣挖掘袁并利用优惠策略袁提升此类客户好感度遥策略优点院运用此种营销方式进行拓展袁不仅可以有效地加大产品营销热度尧营销效果以及营销效率袁还可以对不同观众群有最大程度上的兴趣挖掘遥渊二冤客户观看时长兑换等级会员此种方案主要针对观众群2渊重要价值观众冤和观众群3渊可发展观众冤遥类似于淘宝账号中的购买次数制度的会员等级袁电视产品运营商也可以根据观众的观看时长实施相似的会员等级制度袁并且对相应的等级客户群进行相应的优惠策略和高价值体验遥策略优点院这种营销策略可以避免长时间没有特色策略袁导致老客户群流失袁或者满意度袁好感度下降影响营销运行遥这样既可以满足观众群的要求袁稳固观众群袁还可以提高客户的满意度袁好感度遥渊三冤实时性营销稳定客户群及扩大客户群信息化时代袁热门信息与热门关注点都会根据近期的时事热点进行变化袁不同的观众群之间也会有相应的流动尧扩大或者不同的模块方面同一或不同观众群喜爱偏好程度也会发生变化袁不同的时间段都可以经过数据信息处理与挖掘获得观众群总体变化情况遥策略优点院这种方式可以提高客户的忠诚度并在很大程度上吸引观众源袁对观众群进行扩大化遥四尧总结本文利用收集到的561288条用户收视信息数据袁分析用户的收视偏好袁并给出相关产品的营销推荐方案遥利用561288条用户收视数据尧41876条电视产品信息数据尧1329条用户基本信息数据袁在数据进行基本的数据抽取以及属性规约后袁采用数据变换袁以其电视产品的二级标签构造出三个聚类属性袁运用K-Means算法对观众偏好和喜爱电视节目类型进行聚类袁并对聚类结果进行排名袁深入分析各类型产品的需求增长趋势袁时段分布情况袁节目播放特征以及其他因素遥结合当前实际的宣传情况袁给出合适的营销推荐方案遥注释院淤MATLAB数据分析与挖掘实战/张良均等著[M].北京:机械工业出版社,2015.于李远成,阴培培,赵银亮.基于模糊聚类的推测多线程划分算法[J].计算机学报,2014,(03).盂王千,王成,冯振元,叶金凤.K-means聚类算法研究综述[J].电子设计工程,2012,(07).榆陈克寒,韩盼盼,吴健.基于用户聚类的异构社交网络推荐算法[J].计算机学报,2013,(02).withtherapiddevelopmentandapplicationofInternettechnology,radioandtelevisionoperatorscaninteractwithmanyfamilyusersinrealtime.TherecommendationofTVproductstotheaudiencebecomesmoreandmoreimportant.Therefore,itisofgreatsignificancetoanalyzetheviewingpreferencesoftheaudience,tounderstandtheneedsandpreferencesofthedifferentagegroupsofthepublic,andtoprovidetheaudiencewiththeirfavoriteTVprograms.Thispaperisbasedontheinformationdatafromaradionetworkoperatingcompanyandthecompany'sproductinformationdata,andextractsthepartsofourneedsfordepthanalysis.dataextraction,attributespecification,K-meansclusteringanalysis窑电子商务窑41