1.推薦系統的作用

隨著信息技術和互聯網的發展，我們已經進入一個信息過載的時代。在這個時代，無論是信息消費者還是信息生產者都遇到了巨大的挑戰，即如何生產和獲取適合的信息，都是一件困難的事情，而基于數據分析的推薦系統則是解決這一挑戰的重要利器。所謂推薦系統，就是通過對用戶的購買，訪問等信息進行分析，從中識別出用戶的偏好，從而建立起用戶同信息之間的關系，將用戶感興趣的信息推送給該用戶。

在電子商務行業，推薦系統不單單可以更好地幫助商家進行熱門產品的銷售，更多的在于挖掘商品的長尾，從而實現更多的冷門商品銷售。但就商品而言，那些冷門的長尾商品往往只代表了一小部分用戶的個性化需求，只有通過對用戶興趣的充分分析，才能更好的挖掘出商品的需求，最終提升這些產品的銷售情況。

推薦系統，主要是通過對用戶訪問、瀏覽和購買產品等行為進行分析，從中識別出用戶的商品偏好，幫助電子商務商家進行更為個性化的產品推薦，在這個過程中，數據分析起到了關鍵性的作用。我們通過數據分析，去識別用戶的行為以及其同產品之間的關聯性，將適合的產品在適合的時間，通過便捷的操作方式提供給適合的用戶。

2.冷門商品的推薦

就現在情況來看，當前最為普遍的商品推薦主要是利用產品之間的關聯性進行推薦。比如用戶去電商網站點擊瀏覽了A商品，那么電商網站立即基于產品之間的關聯性，將具有高關聯度的產品B推薦給該用戶。但在傳統的關聯算法中，當A和B同為熱門商品時，商品本身購買的次數就很多，商品A和B的支持度較高，商品A和B之間的關聯性就更加容易被發現；反之，如果商品A或者B是一件冷門商品，它們之間的支持度可能較低，但一旦它們之間有著較強的置信度，可以確認兩者之間有著較強的關聯性，進行冷門商品的推薦，對于用戶和商家來說，都是更有意義的。但在實際的挖掘過程中，這些冷門商品的關聯分析，由于購買記錄數量較少，傳統的關聯算法可能難以實現對于冷門商品關聯性的挖掘，也給我們的冷門商品的推薦帶來了不小的難題。

對于冷門商品的推薦，我們需要人工的去從數據出發，通過不斷探索數據之間的關系，去更好地找到關聯產品，并基于規則進行計算。很多我們事先設定好的規則，在這里的效果都不是太好，它更傾向于通過人的思維去逐步發現蘊含著數據之間的蛛絲馬跡。JMP，作為SAS（全球***的統計學軟件公司）推出的一種交互式可視化統計發現軟件系列，強調以統計方法的實際應用為導向，交互性、可視化能力強。我們借助JMP強大的數據交換能力，可以實現對于海量數據的探索性數據分析，幫助我們快速地進行數據分析工作，更為重要的是，JMP的交互性可以滿足我們對于數據分析的種種要求，實現從未知到已知，從多到少，逐步識別各種商品之間的關系，更好地進行商品關聯分析。

圖：利用JMP的圖形生成器進行圖形化的探索性分析

3.用戶的分類及識別

除了利用產品之間的關聯性進行產品推薦之外，利用用戶之間的關系進行產品推薦也是一種重要的產品推薦方式。當我們認定A用戶同B用戶是具有相同偏好的用戶時，如果A用戶成功購買過A商品，我們即可將A商品也推薦給B用戶。通過分類，我們可以很好地識別用戶，進而實行更有針對性的產品推薦，但現在的問題是我們面臨的商品分類和數量超乎我們的想象，商品之間的特性不盡相同，一個普遍性的用戶分類難以應用于所有商品的推薦，即A和B用戶都是40歲左右已婚中年婦女，但A用戶愛好文學，平時喜歡看文學小說，B用戶熱衷理財投資，關注投資理財知識的學習，她們之間的收入也存在較大差異。我們只有在確定各類商品特性的情況下，基于商品的特性再進行分類屬性的選擇，才能為每一類商品的客戶選擇提供更為準確的依據。但實現情況下，商品種類太多，用戶人群太大，都成為阻礙我們進行精細客戶分類的障礙。JMP提供的分割（即決策樹）平臺，可以基于任意目標變量，進行基于關鍵因子的用戶篩選，幫助我們快速找到區分客戶的關鍵因素，實現基于不同問題的快速用戶分類。

圖：基于分割（即決策樹）平臺的客戶分類

4.其他規則的發現

除了商品和用戶之間的關系之外，用戶對于信息需求的時間，獲取的方式等等規律也是推薦系統需要關注的問題。只有將這些因素更好的結合到一起，用戶才能更好的響應我們的推薦，而這些都依賴于數據分析的作用。