基于智能优化方法的个性化营销策略研究

发布时间：2020-05-06 12:49

【摘要】：个性化营销策略的设计与优化已经成为电子商务企业满足消费者差异化需求、创新服务内容、提高核心竞争力的重要方向。网络的无限可达性、实时性和激烈的竞争环境为个性化营销策略的建模与优化带来了新的挑战。分析电子商务环境下个性化营销的特征,研究并建立与应用环境相适应的个性化营销策略的优化模型以及模型求解方法,对发展面向消费者的新型电子商务模式,创新企业在线服务内容,提高消费者满意度具有重要意义。本文以个性化营销策略的建模与模型求解为研究主题,以智能优化方法为建模或模型求解的工具,以吸引潜在消费者、提高消费者满意度、实现收益最大化为目标,研究个性化产品推荐方法以及面向推荐产品的个性化促销策略和价格策略的建模与优化方法。主要研究思路如下：首先,利用蚁群优化算法、关联分类和证据理论等方法构建消费者需求和偏好模型,研究个性化产品的推荐方法和推荐产品的优化方法；其次,构建基于非线性混合整数规划的个性化促销策略优化模型,研究并设计基于遗传算法的模型求解方法,获得吸引消费者购买推荐产品的最优促销策略；最后,建立个性化价格策略的非线性混合整数规划模型,研究并设计基于启发式算法的模型求解方法,得到吸引消费者购买推荐产品的最优价格策略。本文的具体研究内容和创新点如下： (1)单信息源的个性化产品推荐方法：提出了大规模营销数据的约简方法和同时优化获取效率、推荐精度以及推荐能力的推荐规则获取方法。为了从大规模数据中构建消费者需求和偏好模型,本文首先利用蚁群优化算法对数据规模进行约简；然后,提出了一种基于β强关联分类的推荐规则获取方法,从约简后的营销数据中获取消费者的个性化需求。本文研究表明,基于蚁群优化算法的特征选择方法能够有效约简营销数据的规模,为个性化产品推荐提供高质量的数据源。基于β强关系的规则获取方法在保证推荐精度的同时,提高了规则的获取效率和推荐能力。单信息源的个性化产品推荐方法能够提高消费者需求建模的效率和效果,是优化个性化营销策略的基础。 (2)多信息源的推荐产品融合与优化：提出了冲突推荐规则的转换与合成方法以及基于在线评论的推荐产品优化方法。为了综合利用不同信息源构建个性化产品推荐的优化模型,本文提出了将冲突规则转换为推荐证据的推荐结果保留策略；然后,研究了证据合成中的融合效用悖论问题,提出了基于证据理论的效用分析方法对推荐证据进行合成：最后将在线评论集成到个性化推荐中,通过预测消费者的用后满意度,对个性化产品推荐的结果进行优化。本文研究表明,冲突推荐规则的转换和合成方法能够有效地保留并利用多信息源中不一致的推荐结果,结合推荐问题的差异和决策者的经验得到更加合理的推荐产品集合。基于在线评论的消费者满意度预测方法能够推荐消费者真正满意的产品,优化个性化产品推荐的结果。 (3)面向推荐产品的个性化促销策略建模与优化：提出了促销产品及其替代品、互补品和独立品的促销收益计算方法,构建了促销推荐优化模型,设计了基于遗传算法的模型求解方法。为了以促销策略吸引消费者购买推荐的产品,本文以促销收益最大化为目标,研究了基于非线性混合整数规划方法的促销折扣和推荐产品综合优化模型和基于遗传算法的模型求解方法。本文研究表明,企业在促销活动中只有将价格折扣与产品推荐相结合才能取得最优的促销收益。促销推荐优化模型能够利用促销产品的价格折扣和个性化推荐策略吸引消费者购买推荐的产品,最大化企业的促销收益。 (4)面向推荐产品的个性化价格策略建模与优化：提出了消费者实时性和多阶段性在线购买决策的建模方法,构建了在线动态捆绑定价模型,设计了基于启发式算法的模型求解方法。为了以价格策略吸引消费者购买推荐的产品,本文在综合考虑消费者需求、消费者节省和企业利润的基础上,以企业利润最大化为目标,研究了基于非线性混合整数规划方法的在线动态捆绑定价模型(ODBP模型)和基于启发式算法的模型求解方法。本文研究表明,ODBP模型能够吸引消费者购买更多的推荐产品,为企业带来最大化的利润；基于启发式算法的模型求解方法能够对模型进行快速求解,满足网络环境实时性的要求。ODBP模型的提出扩展了网络环境下个性化价格策略建模与优化的研究思路。基于UCI数据库的数据分析和基于亚马逊网站的实验表明,本文提出的优化模型及模型求解方法能够从大规模数据中高效地构建消费者需求和偏好模型,有效融合了多信息源的推荐结果,优化了个性化产品的推荐决策,满足了消费者的个性化需求；能够帮助电子商务企业制定准确的个性化促销策略和价格策略,以吸引消费者购买推荐产品,实现企业利润最大化。本文成果扩展了个性化营销策略的研究思路,丰富了个性化营销策略建模与求解的方法体系,为个性化营销策略的建模与优化提供了较为系统的解决方案。
【学位授予单位】：合肥工业大学
【学位级别】：博士
【学位授予年份】：2011
【分类号】：F713.5;F224;F713.36

【参考文献】