| 标题 | 基于k—核分解的在线社交网络精准营销新客户识别研究 |
| 范文 | 高鹏群 邓建高 [摘 要]在线社交网络精准营销是现代营销理论的重点发展方向。文章以新浪微博用户作为研究对象，分析用户微博文本内容信息，创建微博用户交互内容数据库。运用复杂网络分析方法构建加权用户关系网络。最后，基于潜在用户价值分析，采用改进的k-核分解方法实现在线社交网络新客户识别。该方法兼顾文本内容信息和用户影响力因素，精准识别在线社交网络中的新客户，实现企业精准化营销对象发现。 [关键词]k-核分解；在线社交网络；精准营销；新客户识别 [DOI]10.13939/j.cnki.zgsc.2018.17.119 1 引 言 中国已形成庞大的在线社交网络。2018年中国互联网络信息中心（CNNIC）发布的第41次《中国互联网络发展状况统计报告》[1]数据显示，截至2017年12月，中国网民规模达7.72亿，互联网普及率达到55.8%。网民数量的激增推动了新浪微博、微信等在线社交网络新媒体平台的迅猛发展，其对市场营销和计算广告产生重大影响。 基于在线社交网络和大数据的精准营销将是企业营销理论发展的方向。一方面，在线社交网络塑造了全新的社会生活形态，成为产品推广、营销互动以及挖掘潜在客户的重要平台。低成本、高效率以及个性化传播等特点，决定了其作为精准营销手段的巨大潜力。在线社交网络被认为是现代企业开展高效精准营销最有效的方法。[2]另一方面，大数据环境下，在线社交网络平台保存了大量用户数据信息，海量数据为目标客户准确定位提供了强大的支持。面对以“分众市场”为主要特征的现代市场，消费者需求越来越细分化，企业具备从网络平台获取营销信息的能力，有助于细分目标市场，识别潜在新客户。 目前，关于精准营销的研究主要集中在内涵分析和体系构建等方面。现代营销大师Philip Kotler首先分析了精准营销的内涵，他认为企业需要更精准、可衡量和高投资回报的营销沟通，制定更具针对性的营销策略。新客户的精准识别正是企业精准营销的重要目标，精准营销的关键在于理解目标客户的行为、爱好与需求，然后将这些信息应用到获取新客户的过程中。现有研究多从新客户的特点和重要性出发，提出了新客户识别的技术和方法，其成果为精准营销新客户识别的深入探究提供了借鉴。然而，现有基于海量数据的精准营销新客户识别研究成果较少。在线社交网络环境下，企业精准营销新客户识别的关键是找到合适的数据，掌握潜在客户的情况，特别是影响力大的潜在客户，并进行精准的归类与定位。下文以新浪微博用户为例，采用复杂网络改进k-核分解法进行新客户的挖掘。 2 微博文本分析与用户关系网络构建 微博作为在线社交网络主要应用形式，兼具社会网络和社交平台的特征，微博已成为企业开展营销策划活动的重要平台。以新浪微博华为荣耀手机相关微博信息为例，其微博内容可分为两类：一类为华为荣耀手机购买者的微博信息，他们发布的购买以及使用体验信息对其他用户产生购买影响，对这部分贡献现金流的老客户，企业应深入分析客户资料，提高客户关系管理水平，进而提高客户忠诚度；另一类为华为荣耀手机的潜在购买者的微博信息，他们对荣耀手机有一定的关注，会对相关微博内容进行转发和推送，他们利用其社会声望对广大用户产生影响，为企业带来丰富的社会关系和强大的社会影响力，帮助企业识别新客户。 传播在用户间的微博信息蕴含了巨大的营销价值，然而由于目标群体过于庞大，企业营销资源有限，亟须缩小范围，对部分用户实施更具针对性的营销策略。一方面，现代企业的发展更看重预期收益，相比于老客户流失的必然性，新客户的获得带动市场新增长，为企业创造新的市场空间，开发新客户意义远大于维护老客户。另一方面，在线社交网络的兴起，影响力已经成为用户行为管理和关系形成的关键因素，[3]这种社会影响力有利于营销信息的广泛传播，[4]而高影响力的客户正是新客户识别的关键。[5]潜在购买用户群体中，尤其是购买意愿强烈且具有广泛社会影响力的用户将是精准营销的重点客户。 2.1 微博信息的抓取与整理 基于新浪微博数据平台，通过八爪鱼采集器爬取了27023条华为荣耀手机潜在用户的微博信息，共956名微博用户。将采集到的微博信息进行分类整理，建立微博用户交互内容数据库。采集到的荣耀手机微博信息主要包括以下六个方面：一是微博信息发布者；二是微博文本信息；三是微博转发者；四是微博评论；五是微博推送对象；六是微博转发和推送次数。 2.2 微博内容文本分析 在新浪微博中，华为荣耀手機关注者对该产品的相关意见和观点直接反映了用户对产品的态度以及购买意愿。结合词典，基于R语言软件中的Rwordseg、jiebaR等程序包编写代码，对抓取到的微博文本内容进行分词处理，剔除停用词和频率较低的特征词，最终实现文档分词。[6]然后提取与荣耀手机相关的关键评价词，由于用户购买意愿程度不同，因而对产品的评价褒贬不一，按照购买意愿程度将评价词由强到弱分为五类，依据评价词赋予原微博文本内容发布者或评论者不同等级的评分（用δ表示），如表1所示。 鉴于用户可能发布或评论多条微博内容，文本内容亦可能包含多个评价词，因此，对用户所被赋予的所有评分取平均值（若不为整数则向上取整）作为该用户的最终评分值。用户直观分类使得企业可以有针对性地识别出潜在消费用户。 2.3 构建加权用户关系网络 分析微博平台的特征、微博用户间转发和推送行为可以很好地表示用户之间的信任关系及亲密程度。下文依据前文所建微博用户交互内容数据库，通过转发和推送行为，构建加权用户关系网络。其中，用户关系网络中的节点代表微博用户，节点间有边相连，边即社会连带，指通过分享经验或交流信息而产生的互动关系。边上的权值表示用户间联系的紧密程度，权值越高，则表示联系越紧密。借鉴复杂信任网络构造理论，[7]用户间关系权值可由式（1）计算： wij=[SX（]α[JB（（]N（r）i，j+N（r）j，i[JB））]+β[JB（（]N（m）j，i+N（m）i，j[JB））][]Ni+Nj[SX）]（1） 其中：r表示转发行为，m表示推送行为；Ni，j表示用户i和用户j之间转发和推送的互动次数；Ni表示用户i发起的行为次数；α与β为权重因子，分别表示转发行为与推送行为的权重。由于推送微博信息中常含有用户不感兴趣的信息，因而赋予转发行为较高的权重，取α=0.6，取推送行为权重β=0.4。下文结合荣耀手机的营销推广信息，集中选取数据库中30名微博潜在用户，根据用户关系权值公式，构建用户加权网络，如图1所示。 图1 用户加权网络图情况 3 在线社交网络关键节点k-核挖掘算法 关键节点挖掘，即复杂网络中最广泛传播影响节点发现问题，已成为目前最具研究价值的领域之一，[8]其目的是挖掘复杂网络中最具信息传播影响力的节点集合。[9]该问题是一个优化问题，并且已经被证明是NP-难的。[10]关键节点研究应用领域极广，学者们从不同的实际问题出发设计出各种各样的算法。Kitsak等学者通过研究表明，在信息传播影响力方面，核数比度数和介数等节点属性更为有效地刻画了节点的传播效率，并认为信息传播更稳健的节点是根据k-核分解算法求得处于网络中心的节点。[11]k-核分解算法对于识别复杂网络传播动力学中最关键节点具有重要价值。[12] k-核分解法计算复杂度低，在分析大规模网络层级结构等方面应用广泛。近几年不少学者受到这种思想的启发，对k-核算法进行了扩展改进，使之应用范围更广，准确性更好。曹久新等学者考虑节点影响区域的重叠问题，提出核覆盖算法（CCA），该算法在核数相同的情况下，考虑了节点的度数属性，确保传播节点可以更大程度上影响网络中的其他节点。[13] 4 在线社交网络新客户识别 微博中最具影响力的少数用户所发微博很快就能传遍整个网络，[14]这些用户的挖掘是企业微博精准营销的关键。用户关系网络中新客户的挖掘，类似于复杂网络中关键节点的筛选。此类关键节点一般数量不多，但其影响却能够迅速波及网络中大部分节点。[15]在信息传播功能背景下对节点角色区分和排序，挖掘具有“消息引爆能力”的关键节点，可以应用于市场营销和广告投放策略的研究中。[16]企业通过在线社交网络平台进行营销推广过程中，精准营销下的新客户对企业的产品最可能做出积极回应并表现出强烈购买意愿；[17]同时，他们具有广泛的社会影响力，能够对其他用户产生影响，为企业发展规模庞大的潜在消费者群体，最终给企业带来丰富利润。 4.1 新客户价值计算 基于微博文本信息和用户行为信息，精准营销新客户价值包括用户本身对企业产品的强烈购买意愿以及用户为企业带来的高社会影响力价值。以此为依据，结合Wei等学者关于k-核分解加权度的改进计算，[18]进行在线社交网络下精准营销新客户的挖掘，其计算方法如下： 4.2 基于k-核分解的新客户挖掘过程 基于已构建好的加权用户网络（见图1），按照经典k-核分解算法对网络进行分解，结果如图2所示。 图2 用户加权网络k-核分解图情况 节点核数从外至里依次是1，2，3，4，其分布呈层次结构。依据用户微博文本信息，对照购买意愿赋分表，由式（4）计算新用户价值，对图3中已分层的用户网络进行精准营销新客户的挖掘。考虑到用户节点的广泛影响能力及影响区域重叠问题，选定用户节点后，标识其所有邻居用户节点为信息传播的覆盖状态，覆盖状态下的用户节点将不再考虑。初始阶段，每个节点都处于未覆盖状态，每步在当前核数最大并且未被覆盖的节点中选定价值最大的节点用户作为精准营销新客户。 首先，考虑核数最大的用户节点集合，选取其中用户价值最大的节点。核数为4的用户节点计算数据如表2所示。 由表2得知，用户节点B20的用户价值为最大值144，因此选定用户节点B20为精准营销新客户。同时，标识用户节点B20所有邻居节点的集合{B13、B14、B15、B19、B23、B24}为信息传播覆盖状态；其次，重复第一步，挖掘得到用户节点B18、B11和⑧；最后，考虑到小核值用户节点的影响能力相对较弱，当用户节点③选定后，对剩下核值为1的用户节点不再进行精准营销用户节点的挖掘。综上所述，精准营销用户节点集合为S={B20、B18、B11、⑧、③}。 对企业来说，精准营销目标客户群体确定后，企业可以集中资源，采取各种精准营销手段对上述集合S中的用户进行高效营销推廣，最终实现企业精准营销目标。 5 结 论 文章兼顾微博文本内容与用户影响力，探索了基于复杂网络k-核分解算法的在线社交网络精准营销新客户识别方法，为今后的研究提供理论和实践参考。理论方面，对复杂网络关键节点挖掘的k-核分解算法进行了扩展和改进，并运用到精准营销新客户识别的研究中。该方法可以准确、快速地挖掘出企业精准营销所需新客户；实践方面，在线社交网络的普及和低成本特性使得企业可以通过媒体平台精准快速地识别新客户，扩大企业市场占有率，提高经济效益。同时，在线社交网络新媒体平台上产生了大量的用户文本信息，这些文本内容的商业化和价值化使得微博、微信等平台具备了成为强有力营销工具的潜能。 此外，复杂网络作为描述自然界和人类社会各种复杂系统的有力工具，目前已广泛应用于社会科学、生命科学和信息科学等领域。在线社交网络属于典型复杂网络问题，它的发展优化了大数据时代海量信息的共享、推荐和挖掘。运用复杂网络技术手段开展在线社交网络精准营销研究将是未来研究工作的重点。 参考文献： [1]中国互联网络信息中心（CNNIC）.第41次《中国互联网络发展状况统计报告》[EB/OL].（2018-01-31）.http：//www.cac.gov.cn/2018-01/31/c_1122346138.htm. [2]L PEI，Z YINI，Q F，et al.Information Diffusion in Structured Online Social Networks[J].Modern Physics Letters B，2015，29（13）：65-76. [3]Z ZHIGUO，S JINGQIN，K LIPING.Measuring Influence in Online Social Network Based on the User-content Bipartite Graph[J].Computers in Human Behavior，2015（52）：184-189. [4]ALFALAHI K，ATIF Y，ABRAHAM A.Models of Influence in Online Social Networks[J].International Journal of Intelligent Systems，2014，29（2）：161-183. [5]KUMAR V，PETERSEN JA，LEONE RP.How valuable is word of mouth？[J].Harvard Business Review，2007，85（10）：2-9. [6]伍萬坤，吴清烈，顾锦江.基于EM-LDA综合模型的电商微博热点话题发现[J].现代图书情报技术，2015（11）：33-40. [7]唐晓波，孙飞.基于复杂信任网络的社会化媒体好友推荐研究[J].情报理论与实践，2015，38（11）：96-102. [8]L JIANHONG，G QIANG，D WENZHAO，et al.Identifying the Node Spreading Influence with Largest K-core Values[J].Physics Letters A，2014，378（45）：3279-3284. [9]方滨兴.在线社交网络分析[M].北京：电子工业出版社，2014：365-368. [10]许宇光，潘惊治，谢惠扬.基于最小点覆盖和反馈点集的社交网络影响最大化算法[J].电子与信息学报，2016，38（4）：795-802. [11]MAKSIM K，LAZAROSK G，SHLOMO H，et al.Identification of Influential Spreaders in Complex Networks[J].Nature Physics，2010（11）：888-893. [12]任卓明，刘建国，邵凤，等.复杂网络中最小K-核节点的传播能力分析[J].物理学报，2013，62（10）：474-479. [13]曹玖新，董丹，徐顺，等.一种基于k-核的社会网络影响最大化算法[J].计算机学报，2015，38（2）：238-248. [14]WENG J，LIM E P，JIANG J，et al.Twitterrank：Finding Topic-sensitive Influential Twitterers[M].Proceedings of the Third ACM International Conference on Web Search and Data Mining.New York：ACM Press，2010：261-270. [15]ALBERT R，JEONG H，BARABASI A L.Error and attack tolerance of complex networks[J].Nature，2000（406）：378-382. [16]任晓龙，吕琳媛.网络重要节点排序方法综述[J].科学通报，2014（59）：1175-1197. [17]CUI G，WONG ML，WAN X.Targeting High Value Customers while Under Resource Constraint：Partial Order Constrained Optimization with Genetic Algorithm[J].Journal of Interactive Marketing，2014（29）：27-37. [18]WEI B，LIU J，WEI D，et al.Weighted K-shell Decomposition for Complex Networks based on Potential Edge Weights[J].Physica A：Statistical Mechanics and its Applications，2015（420）：277-283. |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。