大森林的blog

写一点关于渠道整合的事情

thebigforest — Fri, 05 Sep 2008 11:04:53 +0800

最近在思考一些关于传统行业尤其是以特许经营模式为主的企业在进入互联网以后所造成的渠道冲突的问题。整理了一下思路，先说说关于渠道整合的一些事情。

渠道整合大体可以分为一下几种：

1，垂直型：传统的渠道模式是由独立的生产商、独立的批发商、独立的零售商组成。每个成员都不惜以牺牲整体利益为代价来追求自身利益的最大化。每个成员都没有对其他成员的控制权。垂直型营销整合刚好相反。他是由某一个成员领导其他成员，从而消除渠道成员追求各自利益而造成的冲突。可口可乐就是典型的有制造商控制渠道的例子。值得一提的是现在大行其道的特许经营模式就是垂直行营销整合的一种。

2，水平型：只两个没有关系的公司联合资源或者方案共同开发一个营销机会。也可以叫做是异业合作。

3，多渠道混合型：指的是一个公司利用两个或是更多渠道以接触一个或更多的顾客细分市场。这样做有几个明显的好处：1.降低了渠道成本。2.扩大了覆盖面。然而这样做也是要付出巨大代价的，这个问题我们稍后再说。

每一种渠道整合方案都会产生与之相应的冲突：

1.垂直渠道冲突，指在同一渠道中，不同层次之间的冲突。比如可口可乐和他的灌装厂产生的冲突。

2.水平营销冲突，指在同一渠道中，相同层次之间的冲突，比如某品牌的经销商埋怨该地区的其他经销商在价格方面过于激进。

3.多渠道营销冲突，多个渠道向同一市场进行推销是就会产生多渠道冲突，当某一渠道降价时，渠道冲突更为激烈。换句白话说就是多个渠道商会因为了争抢一个客户而大打出手。这也正是现在很多人都在思考的网络营销对传统渠道的冲突的问题。因为传统渠道大多是按照地域划分的，而互联网恰恰是没有地域限制的。互联网和传统渠道所面向的市场存在这严重的重合。而互联网的渠道成本要低的多，价格方面存在着巨大的优势，促使冲突愈演愈烈。

存在必然尤其道理，有冲突就一定存在解决的办法，目前也有一些先行者这正在试图解决。具体方法下回再说。

毕业了，让我们开始实践吧！

thebigforest — Fri, 05 Sep 2008 08:33:25 +0800

大学三年的时光匆匆的流逝了。我忘记了学过什么，干过什么，懂得了什么，但我知道现在不是畏惧的时候了，我们要握紧手中的剑，坚毅的向远方宣战。

好朋友告诉我，把未来想的太具体就是空想主意。在我心里有着很多副关于未来的幸福画面，和爱人，和家人，和孩子，和朋友，但那绝不是空想，那是理想，是梦想，有梦才有远方。

经过了挺长一段时间的迷茫，我想我知道了前进的方向，同时我也为迷茫付出惨痛的代价。我确信的一句话“只要你知道去哪，全世界都会给你让路”。现在，我想是该上路的时间了，我不能停歇，更不能回头，朝着远方太阳升起的地方。

我不知道我为什么要写这乱七八糟的东西，我想我是要为这个决定立字为据吧！

毕业了，让我们开始实践吧！

电子商务中的个性化算法

thebigforest — Mon, 07 Jul 2008 10:33:56 +0800

声明：以下介绍纯属科普性质的，有些说法可能达不到学术上的严谨要求，全为更好的理解。

一、基于内容推荐
基于内容的推荐（Content-based Recommendation）是信息过滤技术的延续与发展，它是建立在项目的内容信息上作出推荐的，而不需要依据用户对项目的评价意见，更多地需要用机器学习的方法从关于内容的特征描述的事例中得到用户的兴趣资料。在基于内容的推荐系统中，项目或对象是通过相关的特征的属性来定义，系统基于用户评价对象的特征，学习用户的兴趣，考察用户资料与待预测项目的相匹配程度。用户的资料模型取决于所用学习方法，常用的有决策树、神经网络和基于向量的表示方法等。
基于内容的用户资料是需要有用户的历史数据，用户资料模型可能随着用户的偏好改变而发生变化。基于内容推荐方法的优点是：

不需要其它用户的数据，没有冷开始问题和稀疏问题。
能为具有特殊兴趣爱好的用户进行推荐。
能推荐新的或不是很流行的项目，没有新项目问题。
通过列出推荐项目的内容特征，可以解释为什么推荐那些项目。
已有比较好的技术，如关于分类学习方面的技术已相当成熟。

缺点是要求内容能容易抽取成有意义的特征，要求特征内容有良好的结构性，并且用户的口味必须能够用内容特征形式来表达，不能显式地得到其它用户的判断情况。

二、协同过滤推荐
协同过滤推荐（Collaborative Filtering Recommendation）技术是推荐系统中应用最早和最为成功的技术之一。它一般采用最近邻技术，利用用户的历史喜好信息计算用户之间的距离，然后利用目标用户的最近邻居用户对商品评价的加权评价值来预测目标用户对特定商品的喜好程度，系统从而根据这一喜好程度来对目标用户进行推荐。协同过滤最大优点是对推荐对象没有特殊的要求，能处理非结构化的复杂对象，如音乐、电影。
协同过滤是基于这样的假设：为一用户找到他真正感兴趣的内容的好方法是首先找到与此用户有相似兴趣的其他用户，然后将他们感兴趣的内容推荐给此用户。其基本思想非常易于理解，在日常生活中，我们往往会利用好朋友的推荐来进行一些选择。协同过滤正是把这一思想运用到电子商务推荐系统中来，基于其他用户对某一内容的评价来向目标用户进行推荐。
基于协同过滤的推荐系统可以说是从用户的角度来进行相应推荐的，而且是自动的，即用户获得的推荐是系统从购买模式或浏览行为等隐式获得的，不需要用户努力地找到适合自己兴趣的推荐信息，如填写一些调查表格等。
和基于内容的过滤方法相比，协同过滤具有如下的优点：

能够过滤难以进行机器自动内容分析的信息，如艺术品，音乐等。
共享其他人的经验，避免了内容分析的不完全和不精确，并且能够基于一些复杂的，难以表述的概念（如信息质量、个人品味）进行过滤。
有推荐新信息的能力。可以发现内容上完全不相似的信息，用户对推荐信息的内容事先是预料不到的。这也是协同过滤和基于内容的过滤一个较大的差别，基于内容的过滤推荐很多都是用户本来就熟悉的内容，而协同过滤可以发现用户潜在的但自己尚未发现的兴趣偏好。
能够有效的使用其他相似用户的反馈信息，较少用户的反馈量，加快个性化学习的速度。

虽然协同过滤作为一种典型的推荐技术有其相当的应用，但协同过滤仍有许多的问题需要解决。最典型的问题有稀疏问题（Sparsity）和可扩展问题（Scalability）。

三、基于关联规则推荐
基于关联规则的推荐（Association Rule-based Recommendation）是以关联规则为基础，把已购商品作为规则头，规则体为推荐对象。关联规则挖掘可以发现不同商品在销售过程中的相关性，在零售业中已经得到了成功的应用。管理规则就是在一个交易数据库中统计购买了商品集X的交易中有多大比例的交易同时购买了商品集Y，其直观的意义就是用户在购买某些商品的时候有多大倾向去购买另外一些商品。比如购买牛奶的同时很多人会同时购买面包。
算法的第一步关联规则的发现最为关键且最耗时，是算法的瓶颈，但可以离线进行。其次，商品名称的同义性问题也是关联规则的一个难点。

四、基于效用推荐
基于效用的推荐（Utility-based Recommendation）是建立在对用户使用项目的效用情况上计算的，其核心问题是怎么样为每一个用户去创建一个效用函数，因此，用户资料模型很大程度上是由系统所采用的效用函数决定的。基于效用推荐的好处是它能把非产品的属性，如提供商的可靠性（Vendor Reliability）和产品的可得性（Product Availability）等考虑到效用计算中。
五、基于知识推荐
基于知识的推荐（Knowledge-based Recommendation）在某种程度是可以看成是一种推理（Inference）技术，它不是建立在用户需要和偏好基础上推荐的。基于知识的方法因它们所用的功能知识不同而有明显区别。效用知识（Functional Knowledge）是一种关于一个项目如何满足某一特定用户的知识，因此能解释需要和推荐的关系，所以用户资料可以是任何能支持推理的知识结构，它可以是用户已经规范化的查询，也可以是一个更详细的用户需要的表示。
六、组合推荐
由于各种推荐方法都有优缺点，所以在实际中，组合推荐（Hybrid Recommendation）经常被采用。研究和应用最多的是内容推荐和协同过滤推荐的组合。最简单的做法就是分别用基于内容的方法和协同过滤推荐方法去产生一个推荐预测结果，然后用某方法组合其结果。尽管从理论上有很多种推荐组合方法，但在某一具体问题中并不见得都有效，组合推荐一个最重要原则就是通过组合后要能避免或弥补各自推荐技术的弱点。
在组合方式上，有研究人员提出了七种组合思路：

加权（Weight）：加权多种推荐技术结果。
变换（Switch）：根据问题背景和实际情况或要求决定变换采用不同的推荐技术。
混合（Mixed）：同时采用多种推荐技术给出多种推荐结果为用户提供参考。
特征组合（Feature combination）：组合来自不同推荐数据源的特征被另一种推荐算法所采用。
层叠（Cascade）：先用一种推荐技术产生一种粗糙的推荐结果，第二种推荐技术在此推荐结果的基础上进一步作出更精确的推荐。
特征扩充（Feature augmentation）：一种技术产生附加的特征信息嵌入到另一种推荐技术的特征输入中。
元级别（Meta-level）：用一种推荐方法产生的模型作为另一种推荐方法的输入。

主要推荐方法的对比

各种推荐方法都有其各自的优点和缺点，见表1。

表1 主要推荐方法对比

推荐方法

优点

缺点

基于内容推荐

推荐结果直观，容易解释；

不需要领域知识

稀疏问题；新用户问题；

复杂属性不好处理；

要有足够数据构造分类器

协同过滤推荐

新异兴趣发现、不需要领域知识；

随着时间推移性能提高；

推荐个性化、自动化程度高；

能处理复杂的非结构化对象

稀疏问题；

可扩展性问题；

新用户问题；

质量取决于历史数据集；

系统开始时推荐质量差；

基于规则推荐

能发现新兴趣点；

不要领域知识

规则抽取难、耗时；

产品名同义性问题；

个性化程度低；

基于效用推荐

无冷开始和稀疏问题；

对用户偏好变化敏感；

能考虑非产品特性

用户必须输入效用函数；

推荐是静态的，灵活性差；

属性重叠问题；

基于知识推荐

能把用户需求映射到产品上；

能考虑非产品属性

知识难获得；

推荐是静态的

注：本着不重复发明轮子的思想，以上部分内容转自http://www.guwendong.cn/post/2006/methods_for_recommender_system.html 但这个作者也应该转自某处吧，也为我见过里面原封不动的话。

下面是本人对于前文中提到的问题的一些解释：

稀疏性问题：由于每个用户只对很少的商品做出评价，所以得到的用户相似性就不够准确，寻找相似邻居不可靠。
冷开始问题：在加入一个新的项目的时候，没人评价，可定也不会有人推荐。
奇异发现问题：系统一般推荐给用户的都是些熟悉的商品，而用户真正需要的是不熟悉的商品。
新用户问题：在系统还不了解用户的时候无法推荐，所以如何尽快了解用户变得尤其重要。
健壮性问题：用户评价可能充斥着生产厂家和竞争对手的“假评价信息”，所以系统应该具有某种健壮型来抵御假数据。

举例说明个性化技术在电子商务中的一些应用

thebigforest — Fri, 04 Jul 2008 15:43:20 +0800

其实所谓的个性化技术也就是使用一些技术手段来增进用户体验，放大客户的部分需求，给客户一种于众不同的感受。但是这些技术的应用往往可以是一些网站之间产生差异化，提升网站的档次，吸引客户的眼球。

下面我就举例说说个性化技术在电子商务中的一些应用：

1.个性化印制服务

or……

他们都是提供个性化印制的网站，用户可以用自己设计的图案制作衣服、杯子、小家居用品等。并且如果设计的图案出色还会有一定的报酬。

2.个性化推荐

这应该是个性化技术最主要的应用了，它的原理是根据每个客户的不同信息，对客户进行差异化的商品推荐。比较典型的提供个性化推荐的网站是“豆瓣”和“amazon”。

豆瓣：

amazon：

至于推荐算法，我将在下一次博客中详细介绍一下。

3.试衣间

人们在网上买衣服是最害怕的就是衣服不合身，但是网络上有没有办法提供传统商店里的试穿服务，所以虚拟的试衣间对客户来说是非常必要的。但是一般网站上只有模特的照片，不能满足不同身材和容貌的客户试衣服的需求。下面这个真人内衣试穿的网站就提供了很多不同身材甚至不同肤色不同人种的模特来替客户试穿，不仅提供照片，而且还有视频。

http://www.knickerpicker.com/dressing-room.asp

淘宝也有自己的试衣间，不过只能用来简单的搭配一下衣服。

4.个性化主页

个性化主页在一些门户网站（msn、yahoo！）和社区中已经被广泛应用，在电子商务领域它依然有存在的价值。

thisnext.com是我非常喜欢的一个购物推荐的网站，他就提供了一种个性化主页的设置。用户可以输入自己感兴趣的关键字，然后当用户登陆时首页就会显示你所感兴趣的最新商品。

我总结的应用就只有这些了,肯定会有我落下的,而且今后也会出现一些更好的个性化应用.

个性化技术在电子商务中的应用（1）

thebigforest — Thu, 03 Jul 2008 22:30:38 +0800

个性化技术就是通过技术手段对每个客户提供有区别的服务。往大了说是增强了用户体验、影响购物过程，往小了说就是就是给每个用户一个不同的页面。

个性化技术中最核心的内容就是个性化推荐系统。

个性化推荐最典型的应用案例就要数豆瓣了。豆瓣里面有一个“豆瓣猜”的功能，它是根据协同过滤算法猜测出用户最可能喜欢的图书、音乐或者电影。由于豆瓣有相当大的用户基数和优秀的算法，所以推荐的结果非常准确。

个性化技术影响着整个用户购物的过程。

售前：例如，服装网站个性化的虚拟试穿，豆瓣的豆瓣猜……
售中：例如，亚马逊购买一本书后，会推荐一些可能你还要购买的书，进行打包销售。
售后：根据客户的一些个人信息进行一对一的回访等。

个性化推荐系统的组成：

输入：隐式、显式输入、关键词和项目属性输入、用户购买历史、评分、文本评价、团体购买历史、项目属性
推荐：建议、预测、个体评分、评论（其他人的评分和评论）
输出：查询推荐、相似推荐、email、评论、评分、top_n、搜索排序……

下一篇我会结合一些电子商务网站的实例，来介绍个性化技术。

解剖 thisnext.com

thebigforest — Sat, 07 Jun 2008 15:51:07 +0800

thisnext.com 是一个国外很好的商品分享与推荐网站。

网站的所有商品都是用户手工推荐的，所以商品多数以一些创意新奇的东西。
网站的网站联盟的模式（类似返利的模式）很有特点，以前的文章里面说过这个东西。
最新的一次改版加强了人与人的关系，能够在个人首页上显示好友的最新推荐。
有丰富的Blog工具。

以上都是泛泛的说一下，真正的解剖图在这里。

大图

thisnext已经做的很好，他的功能以及演变肯定都是经过深思熟虑的，我们根本没资格对他指指点点。所以我们能做的就是学习一下他的长处。

基于关系的信用体系

thebigforest — Thu, 05 Jun 2008 20:46:28 +0800

上一篇“关于关系”里提到，关系让人产生信任，关系是人的另一个侧面。这里我想着重讲一下，基于关系所建立的一个信用体系。

这个体系基于一个现实社会中的假设：存在关系的人的推荐或评论更有信服力。

那么这里说的存在关系的人到底是什么人那？我举几个简单的例子：明星（崇拜关系）、亲人、朋友、同学、跟自己说过话的人、讨厌的人……

以上例子中除了讨厌的人以外都是可以信任的人，这些人的推荐或评价对于我来说具有更大的意义。然而我所信任的人的信任人，和那些受到很多人信任的人也同样存在很高的信服力。

问题说明白了，那我们来说一下系统的结构：

每个人都有一个公众信任度，这个由信任这个人的人数决定。
每个人的联系人相对于这个人有一个附加信任度。
每个人的联系人的（联系人或信任的人）相对与这个人有一个附加信任度。
每个人有一个特有的有别于联系人的信任人列表，信任人列表里的人相对与这个人有一个较高的附加信任度。

人与人之间的信任度由公众信任度+附加信任度进行加权处理得出。

这样的一个体系应该是符合现实社会的，但是一定还存在很多问题，最明显的问题就是技术上实现很困难。在一个就是每个用户都要有关系，一个刚刚进入网站的人是不可能有什么关系的，这样他就体验不到这中信任模式的优点了。一种解决的办法是从别的地方导入关系，例如从Gmail、msn、QQ等导入联系人。但是这种方式也是需要很大的用户基数后才能很好的运转。另一种解决办法就是如果校内真的像F8一样开放了平台，那么把这个应用做成校内网的一个工具，利用校内已有的关系，那应该还是可能实现的。

为什么写博客？

thebigforest — Thu, 05 Jun 2008 19:40:43 +0800

为什么写博客？我反复的问自己，但最总仍然无果。

写博客有很多坏处，比如说很容易暴露自己的隐私，让所有人知道我是谁，我在干什么，我在想什么………………这不是天方夜谭，我最近就被这事情伤到了。

那写博客的好处那！分享知识，结交朋友……

利弊那头重呀？知道的，上来拍一板砖！

关于关系

thebigforest — Thu, 05 Jun 2008 16:56:07 +0800

web2.0有太多种解释，sns也有很多个版本！其中一个就是他们都注重关系的建立。关系是一种很难用语言解释清楚的微妙的东西。它存在与我们每个人的生活中，却又无影无形。

关系让人觉得舒服。

关系是现实生活中的一种基础物质，人们的生活离不开关系。正因如此当我们把显示映射到网络的时候如果加入了关系的元素，并且很好的建立一个关系系统，就会使网络更加的亲切、自然和真实。谁也不想到一个人都没有的地方呆着，更不想到没有熟人的地方居住。而周围的朋友往往使人们搬家是最割舍不掉的东西。

关系使人产生信任。

可能在很多年前广告很可信，可能在很多年前新闻很可信，可能……但是现在一切都不存在了，人们看够了不负责任的广告，看够了歪曲事实的新闻，人们不再相信公共场合里传出的声音。唯一相信的就是自己和自己的朋友。朋友的推荐胜过任何广告。这也是安利畅销的一个重要原因。

关系帮人解决问题。

闻道有先后，术业有专攻。当遇到无法解决的问题时，为什么不找一个专门人士来帮忙那？而这些人的人选一定先从和你有关系的人里面产生。为什么？因为关系产生信任。

关系是一个人的侧面

物以类聚、人以群分。什么样的人交什么样的朋友，我们可以通过一个人所在的圈子来了解他，校内网的陌生人主页里也仅仅显示了他的好友。

关系是网络中的主角吗？

网络的主角应该是人而不是关系，但是关系把每一个人联系起来。没有关系的web2.0是一个个孤立的人和人们的爱好等个人信息。他们和我没有关系，他做他的主页，我做我的，可能处于某种目的我通过搜索浏览了他的页面，但是我们仍然没有关系。如果在网络中加入了关系就大不一样了，我只看和我有关系的人的页面，我想知道的只是我朋友的信息，我就完全不用搜索了。

默哀……

thebigforest — Tue, 20 May 2008 08:16:28 +0800

大森林的blog

写一点关于渠道整合的事情

Related posts

毕业了，让我们开始实践吧！

Related posts

电子商务中的个性化算法

Related posts

举例说明个性化技术在电子商务中的一些应用

Related posts

个性化技术在电子商务中的应用（1）

Related posts

解剖 thisnext.com

Related posts

基于关系的信用体系

Related posts

为什么写博客？

Related posts

关于关系

Related posts

默哀……