肖巧龍

摘 要：隨著個(gè)性化時(shí)代的到來，個(gè)性化定價(jià)逐步受到人們的重視，得到了一定程度的發(fā)展。本文提出基于遺傳算法的個(gè)性化定價(jià)，能夠?yàn)樯碳疫x擇具有較強(qiáng)購買意愿的目標(biāo)客戶，實(shí)現(xiàn)個(gè)性化的定價(jià)。在挖據(jù)目標(biāo)客戶方面具有一定的準(zhǔn)確性和實(shí)用性。

關(guān)鍵詞：個(gè)性化服務(wù)；個(gè)性化定價(jià)；目標(biāo)客戶；遺傳算法

中圖分類號(hào)：TP311

隨著Internet的普及，電子商務(wù)市場(chǎng)日益繁榮，互聯(lián)網(wǎng)承載著越來越多的信息，信息過載的時(shí)代即將來臨。如何過濾無關(guān)信息，將用戶"感興趣"的直接呈現(xiàn)給用戶，是互聯(lián)網(wǎng)發(fā)展中亟待解決的問題。在這種情形下，數(shù)據(jù)挖掘?qū)W科和個(gè)性化推薦服務(wù)得到一定的發(fā)展。電子商務(wù)進(jìn)入個(gè)性化時(shí)代，以用戶為中心的個(gè)性化定價(jià)還不像個(gè)性化商品那樣迅速發(fā)展、受人矚目，但是在文獻(xiàn)[2]中作者對(duì)電子商務(wù)中個(gè)性化定價(jià)的未來給予了肯定：“考慮到電子商務(wù)的先天優(yōu)勢(shì)以及愈加復(fù)雜的定價(jià)機(jī)制，我們對(duì)個(gè)性化定價(jià)在電子商務(wù)領(lǐng)域的前景是樂觀的”。本文將對(duì)電子商務(wù)中的個(gè)性化定價(jià)的特點(diǎn)，如何通過遺傳算法進(jìn)行個(gè)性化的定價(jià)等問題進(jìn)行探討。

1 電子商務(wù)中的個(gè)性化定價(jià)及其特點(diǎn)

在20世紀(jì)的最后二十年和本世紀(jì)的前十年里，我們見證了商業(yè)管理從“以產(chǎn)品為中心”向“以客戶為中心”的轉(zhuǎn)變。信息技術(shù)的迅猛發(fā)展把我們帶入了個(gè)性化的時(shí)代，以客戶為中心的個(gè)性化定價(jià)得到了一定程度的發(fā)展。個(gè)性化定價(jià)：在我們擁有的大量客戶信息的基礎(chǔ)下，通過數(shù)據(jù)挖據(jù)技術(shù)建立個(gè)人興趣模型，根據(jù)個(gè)人的支付意愿來制定個(gè)性化的價(jià)格。

個(gè)性化定價(jià)主要包括三個(gè)步驟：

第一：識(shí)別每位顧客最多愿意支付多少錢。

第二：在了解客戶支付意愿支付的基礎(chǔ)上，我們需要決定商品應(yīng)該賣給哪些客戶。

第三：設(shè)計(jì)“價(jià)格歧視”的機(jī)制：在以上兩步驟的基礎(chǔ)上，我們需要制定一個(gè)“價(jià)格歧視”機(jī)制。這個(gè)機(jī)制能讓不同的顧客享受不同商品價(jià)格的優(yōu)惠。

電子商務(wù)中的個(gè)性化定價(jià)主要有以下幾個(gè)特點(diǎn)：

1.1 個(gè)性化定價(jià)需要對(duì)用戶個(gè)體數(shù)據(jù)進(jìn)行精確分析。電子商務(wù)網(wǎng)站在這方面具有先天優(yōu)勢(shì)，能夠提供比傳統(tǒng)零售企業(yè)更方便地收集在線用戶的數(shù)據(jù)，包括年齡、性別等個(gè)人信息，產(chǎn)品購買和瀏覽信息等，并利用各種智能算法工具對(duì)這些信息進(jìn)行分析挖掘，并獲得準(zhǔn)確的客戶支付意愿信息。

1.2 個(gè)性化定價(jià)能夠?yàn)殡娚唐髽I(yè)挖掘“隱藏利潤”。個(gè)性化定價(jià)可以從愿意支付高價(jià)的客戶身上獲得超額利潤，并且能夠用低價(jià)吸引顧客。

1.3 個(gè)性化價(jià)格能夠提高在線客戶的忠誠度和滿意度。個(gè)性化價(jià)格方案把每一個(gè)客戶看成一個(gè)細(xì)分市場(chǎng)，從而真正實(shí)現(xiàn)一對(duì)一營銷，使得消費(fèi)者愿意和企業(yè)保持一個(gè)良好的關(guān)系。

2 遺傳算法在個(gè)性化中的應(yīng)用

遺傳算法（Genetic Algorithm，GA）是一種集效率與效果于一身的優(yōu)化搜索方法。它利用結(jié)構(gòu)化的隨機(jī)信息交換技術(shù)組合群體中各個(gè)結(jié)構(gòu)中最好的生存因素，從而復(fù)制出最佳代碼串使之一代一代地進(jìn)化，最終獲得滿意的優(yōu)化結(jié)果。在本文中把個(gè)性化定價(jià)問題轉(zhuǎn)化為尋找最優(yōu)的目標(biāo)客戶的問題。對(duì)客戶的購買特性進(jìn)行遺傳編碼，從而構(gòu)成一個(gè)個(gè)用戶染色體，通過選擇、交叉、變異等遺傳操作，不斷的搜索問題域空間，使其不斷得到進(jìn)化，逐步得到最優(yōu)的目標(biāo)客戶。

2.1 遺傳編碼。定義：設(shè)商品集為I={i1，i2，….，in}，客戶集為U={u1，u2…um}，客戶購買特征集（用戶購買商品數(shù)量）為F（u->i）={f1，f2，…fn}。由此可以建立客戶于購買商品的二維矩陣（0表示客戶已購買，1表示未購買）：

在二維矩陣中，例如第一行0/f1表示客戶u1沒有買過i1商品，1/f2表示客戶u1買過i2商品并且累計(jì)購買數(shù)量為f2個(gè)。在個(gè)性化定價(jià)和促銷活動(dòng)中，我們?cè)谝阎黉N商品的情況下，盡可能的向買過此類商品或者有意愿的客戶進(jìn)行推薦。但是考慮到推薦數(shù)量和利益的最大化有時(shí)購買此類商品的客戶并不能滿足商家的需求，因此我們?cè)谶x取目標(biāo)客戶時(shí)帶入購買過熱門商品的客戶以滿足需求。在以上的分析的基礎(chǔ)上我們可以在每一行中選取待促銷商品和熱門商品所在列組成一個(gè)染色體。如：我們促銷商品為i1，i2，熱門商品為i9，i10..，所以我們的一個(gè)染色體可以為0110。

2.2 遺傳操作。交叉、變異因子：在已知促銷商品的前提下，我們保證進(jìn)行交叉和變異的因子在促銷商品的位置進(jìn)行變異，這樣可以增加交叉率和變異率來改進(jìn)遺傳算法的性能，而不必?fù)?dān)心高的變異率和交叉率造成太多的隨機(jī)變動(dòng)。同時(shí)可以保證算法的迅速收斂。

2.3 適應(yīng)度函數(shù)。適應(yīng)度函數(shù)是評(píng)價(jià)染色體優(yōu)劣的重要標(biāo)準(zhǔn)。如前所述，我們需要從眾多的客戶中獲取對(duì)促銷商品最感興趣的用戶。設(shè)染色體A={i1，i2…}，i1到in表示客戶購買的商品，集合B={i1，i2，i3，j1，j2…}，集合B為促銷商品和熱門商品的合集。我們可以通過MinHash算法來快速檢測(cè)兩個(gè)集合的相似性。

J（A，B）=|A∩B|/|A∪B|=|A|/|B|（在本文中|A∩B|=|A|，|A∪B|=|B|）

容易知道該系數(shù)是0-1之間的值。兩個(gè)集合越相似那么該值越接近1，反之越接近0。通過MinHash算法可以得到具有購買意愿的待選擇的客戶。為了更好的反應(yīng)客戶的購買意愿，我們把顧客購買的商品數(shù)量作為權(quán)值帶入計(jì)算。促銷商品的系數(shù)α，熱門商品的系數(shù)β分別取1和0.8。CF（購買意愿）=∑（in×fn）+∑0.8×（jm×fm），CF值越大目標(biāo)客戶的購買值就越大。

2.4 算法及結(jié)果

（1）確定遺傳算法的有關(guān)參數(shù)，用戶/商品的二維矩陣，迭代次數(shù)。

（2）初始化種群P（t）。

（3）按照適應(yīng)度函數(shù)的定義，計(jì)算各個(gè)體適應(yīng)度值。

（4）遺傳操作。

（5）若滿足終止條件，則退出，否則轉(zhuǎn)（3）。

本次的實(shí)驗(yàn)中，數(shù)據(jù)來源視客眼鏡網(wǎng)（www.sigo.cn）2012年的銷售數(shù)據(jù)。選取的商品規(guī)模為100個(gè)（熱門商品為10個(gè)），促銷商品數(shù)量分別為4，10，15，20個(gè)。測(cè)試結(jié)果如下圖所示：

從結(jié)果可以看出當(dāng)促銷商品數(shù)量較小時(shí)準(zhǔn)確率越高，促銷商品越多，購買過此次促銷所有商品的客戶數(shù)量相對(duì)減少，購買過熱門商品的客戶的比重相對(duì)增加。為了盡可能的減少熱門商品的影響可以降低系數(shù)β，提高準(zhǔn)確率。

3 總結(jié)

應(yīng)用本文中的算法，可以準(zhǔn)確的獲得商家所需的目標(biāo)客戶，進(jìn)行個(gè)性化的定價(jià)。遺傳算法是目前實(shí)現(xiàn)個(gè)性化定價(jià)的所采用的主要方法之一，在現(xiàn)有存貨、商品利潤率等信息的基礎(chǔ)上，幫助我們決定應(yīng)該把商品推薦給哪些客戶，實(shí)現(xiàn)企業(yè)利潤的最大化。

參考文獻(xiàn)：

[1]Liang Xiang.Temporal Recommendation，Phd.Thesis，CASIA，2011.

[2]蘇萌.Putting One-to-One Marking to Work：Personalization，Customization and Choice，2008.

[3]蘇萌，柏林森.個(gè)性化商業(yè)的未來，2012.

[4]郭建，郭華.電子商務(wù)的個(gè)性化定價(jià)研究，2012.