TGI-SOM模型在直播带货中的应用.pdf

SCIENCE&TECHNOLOGY INFORMATION科技资讯探 索 与 争 鸣 2023 NO.20 SCIENCE&TECHNOLOGY INFORMATION科技资讯TGI-SOM模型在直播带货中的应用伍国飞 1 王和勇 1*曾斌 2(1.华南理工大学 广东广州 510641;2.广州科技贸易职业学院 广东广州 511442)摘要：短视频平台的直播带货已成为当前企业营销获客研究的新热点，如何实现该营销渠道下的精细化营销成为企业亟需解决的问题。该模型融合目标群体指数（Target Group Index，TGI）和自组织映射（Self-Organizing Map，SOM）技术对平台Q公司进行客户细分，研究其细分人群的属性特征和产品服务偏好，并分析了不同产品服务间的相似性。结果表明：Q公司的目标消费群体集中在三线以上城市；十二大产品服务可以划分四类进行组合营销。该研究证实，TGI与SOM的结合可有效地分析人群对产品服务的偏好行为，为企业在营销推广管理过程中根据消费者偏好选择合适直播达人，匹配合适产品服务提供数据决策支持。关键词：直播带货 客户细分 目标群体指数 自组织神经网络中图分类号：TP391.1;TP183文献标识码：A 文章编号：1672-3791(2023)20-0238-06Application of the TGI-SOM Model in Live-Streaming E-CommerceWU Guofei1 WANG Heyong1*ZENG Bin2(1.South China University of Technology,Guangzhou,Guangdong Province,510641 China;2.Guangzhou Vocational College of Technology&Business,Guangzhou,Guangdong Province,511442 China)Abstract:Live-streaming e-commerce on short video platforms has become a new hot spot for the current research on enterprises marketing and customer acquisition,and how to achieve refined marketing under this marketing channel has become an urgent problem for enterprises to solve.This model integrates the target group index(TGI)and self-organizing map(SOM)technology to segment the customers of Q Company on the platform,studies the attribute characteristics and product service preferences of its segmented population,and analyzes the similarities among different product services.The results show that the target consumer group of Q Company is mainly concentrated in cities above third-tier,and that 12 major product services can be divided into four categories for combined marketing.This study confirms that the combination of the TGI and the SOM can effectively analyze the preference behavior of the population for product services and provide data decision-making support for enterprises to choose suitable live-streaming talents and match suitable product services based on consumers preferences in the management process of marketing promotion.Key Words:Live-streaming e-commerce;Customer segmentation;Target group index;Self-organizing map随着短视频用户规模快速增长，形成了用户黏性大、获客成本低的短视频平台，为直播电商的高速发展DOI：10.16661/ki.1672-3791.2304-5042-6236基金项目：广东省自然科学基金项目“制造业数字化转型效果多视角评价及提升策略研究”（项目编号：2022A1515011848）。作者简介：伍国飞（1986），男，硕士在读，工程师，研究方向为机器学习。曾斌（1984），男，硕士，讲师，研究方向为电子商务。通信作者：王和勇（1973），男，博士，教授，研究方向为机器学习。E-mail：。238SCIENCE&TECHNOLOGY INFORMATION科技资讯 2023 NO.20 探 索 与 争 鸣科技资讯SCIENCE&TECHNOLOGY INFORMATION营造了良好的外部环境1。在以短视频平台为基础的直播电商产业链中，品牌企业、工厂等为产业链上游，主播达人、MCN机构为产业链中游，粉丝用户为下游，位于中游的主播达人重构了当前交易模式的“人货场”，以其个人魅力、信魅力、高度互动性、信任因素影响着粉丝群体的购买行为2，进而提升了交易效率和品牌认知度。因此，在当前流量红利逐渐见顶、消费需求放缓、企业竞争日益激烈的背景下，直播带货已成为企业在降低营销成本、维持用户增长，促进交易和维护品牌忠诚度等营销管理上亟须开拓和探索的新模式。企业在直播带货营销方面面临着两大问题：首先，面对短视频平台上海量的直播达人，企业如何筛选契合企业目标消费群体的优质达人，以获取有效的用户；其次，对于提供多品类的企业，如何围绕客户特点制订跨产品线的产品组合营销方案，向优质的达人投放合适的广告，以促进用户达成交易。1 文献回顾市场细分是实现精细化营销活动中较为流行的策略模型。市场细分根据客户的需求、行为、或某种特征将他们分类到相似的群体中，其过程有5个活动：细分市场、描述细分市场、评估细分市场的吸引力、选择目标细分市场并将资源分配给细分市场以及寻找目标客户。目标群体指数（Target Group Index，TGI）是一种应用在媒体投放、覆盖广大目标群体的细分技术，反映某个目标群体在某项研究特征（如地理区域、人口统计、媒体受众等）中偏好强弱程度，用来衡量某种品牌、产品或服务在特定目标群体中的知名度和吸引程度，例如：吴文瀚3基于搜索引擎数据，结合使用TGI和关联规则来发现年轻用户的汽车需求。自组织映射（Self-Organizing Map，SOM）算法是一种聚类和高维可视化的无监督神经网络学习算法，由芬兰赫尔辛基大学教授Teuvo Kohonen提出，SOM是一个两层前馈网络，每个神经元学习识别一个特定的输入模式。具有保持拓扑结构、自适应以及可视化上的特点，广泛应用于分类聚类、数据降维，组合优化等众多信息处理领域。例如：宋新平等人4基于SOM构建竞争对手识别模型，并根据模型结果识别酒店企业的竞争对手。基于上述分析，考虑到短视频平台开放的直播达人粉丝群体画像包括人口统计属性（如性别、地理位置、使用手机品牌、年龄等），本文以市场细分为理论基础，以人口统计属性为细分维度，融合TGI和SOM细分技术，构建两层的细分用户群体，进而使营销人员在主播达人筛选和产品投放过程中实现精细化管理。2 研究方法2.1 模型与流程TGI-SOM模型的构建流程共3步：首先，采集Q公司会员数据及订单数据为原始数据，以人口统计属性的细分维度构建用户群体-产品服务的TGI矩阵M；其次，以TGI矩阵M作为SOM的输入层，通过迭代更新每个样本与神经元的权重，输出竞争获胜者，并映射在二维的拓扑关系平面阵；最后，使用KMean算法对用户群体进行二次聚类，生成分组人群。2.1.1 TGI矩阵设A为相同特征（如购买某类产品的行为），B（BT）为目标群体（如使用某个手机品牌的人群），其中T表示总体人群，TGI计算公式5如下：TGI=card()ABcard()Bcard()Acard()T（1）根据公式（1）构造一个TGI矩阵M M，其中每一行代表一个人群分组，每一列代表产品服务类型。设矩阵M M有m行及n列，其中元素cij（i1，2，m；j1，2，n）为第i个人群分组对第j个的产品服务类别的TGI值，如式（2）所示：M=c11 c12c21c22c1nc2ncm1cm2cmn（2）2.1.2 SOM算法过程设TGI矩阵M M为输入层，c=（c1,c2,cn）是一个n维样本，输出层是有N个节点的二维网络，wij是第i个输入神经元节点与第j个输出神经元节点之间的权值，该算法的训练过程如下。（1）将连接权重、学习效率以及邻域初始化，wij选择0,1之间数值作为随机值，且随机值互不相同。（2）对样本和连接向量进行归一化，计算归一化后输入向量在到输出节点的距离d（c,w），公式如下：d(cw)=i=1n()ci-wij2（3）（3）选择最小距离节点中的d（c,w）为最佳匹配节点，即神经元i为获胜神经元。（4）使用式（4）调整权值向量值：wij(t+1)=wij(t)+(t)h(t)c(t)-wij(t)（4）式（4）中：(t)是学习效率，0(t)1，且随着时间t而减少；h（t）是邻域内第i个神经元和获胜神经元j之间的拓扑距离的函数。239SCIENCE&TECHNOLOGY INFORMATION科技资讯探 索 与 争 鸣 2023 NO.20 SCIENCE&TECHNOLOGY INFORMATION科技资讯重复上述步骤，直到对M所有样本学习后，学习效率（t）100时表示倾向性高于平均水平；反之倾向性则低于平均水平。且通常当TGI120时表示某项特征具有正向显著性；当TGI80时表示某项特征具有负向显著性。在SOM算法中，组件平面图（Component Plane Diagram）是常用分析聚类结果的可视化工具，展示了聚类结果中每个神经元在不同的特征维度上的分布情况，如果两个特征在相同的神经元上有较强的响应，则它们之间可能存在较强的相似性。TAO X等人6通过应用SOM组件平面图更好地理解不同形态的砾石在自组织映射模型中的分布情况，并进一步探索不同类型之间的相似性和差异性。3 实验过程与结果分析3.1 数据收集与研究工具TGI-SOM模型构建所需要的数据来自于Q公司（一家会员制特权电商平台企业，为消费者提供出行、美容、餐饮、住宿、购物、玩乐等多项产品服务）。原始数据包括该平台企业20192021年间注册用户数据及其用户在2022年前平台上消费的订单数据，其中注册用户数据包括其注册地省份、注册地所在城市等级、使用手机品牌，以及性别等用户属性，订单数据包含十二大产品服务类型。该模型采用MATLAB R2022b软件下的SOM Toolbox 2.0工具包来训练SOM。3.2 TGI矩阵构建考虑到TGI为比例类型数据，为避免少量的数据对实验效果的影响，因此剔除掉注册用户数汇总后不足25 000的分组数据，最终生成TGI矩阵，如表1所示。3.3 SOM构建及参数优化处理3.3.1 选择SOM训练算法SOM有两种训练算法：序列训练算法（Sequential training）和批训练算法（Batch training），其区别在于更新权向量时前者是每当处理完一个输入样本后就更新而后者则是等到所有的输入样本都处理完后才更新。考虑到批训练算法训练的SOM具有较好的一致性和更快的训练速度，因此采用批训练算法训练SOM。3.3.2 确定SOM数据标准化方法及网络结构大小SOM网络采用欧几里得距离来度量矢量的距离，为避免SOM训练结果的影响，加快模型训练速度，需要对输入数据进行规范化处理，常用的SOM规范化处理的方法有4种：正态标准化、线性标准化、逻辑回归标准化和对数标准化。评估SOM训练结果有3个重要的评估指标：量化误差（Quantization Error）、拓扑误差（Topographic Error）和综合误差（Combined Error）。其中，量化误差表示聚类中心和最近的数据点之间的距离误差，即样本点到其所属聚类中心的欧几里得距离，量化误差越小，表示聚类效果越好；拓扑误差表示聚类结果在拓扑结构上的误差，即相邻聚类之间在输入空间中的距离，拓扑误差越小，表示聚类结果在输入空间中的拓扑结构越好；综合误差则是量化误差和拓扑误差的加权和，值越小越好。表1 用户人群属性-产品服务的TGI矩阵表（部分数据）省份安徽安徽上海云南城市等级三线三线一线五线性别女女男女手机品牌HuaweiiPhoneXiaomiHuawei产品服务1-TGI759013269产品服务2-TGI991518291产品服务11-TGI741138366产品服务12-TGI6913966128表2 不同标准化方法、不同网络结构大小所对应的SOM的量化误差、拓扑误差和综合误差二维网络结构大小166=96137=91128=96正态标准化量化误差1.3561.3631.355拓扑误差0.0170.0250.020综合误差2.0692.1202.095线性标准化量化误差0.2500.2580.253拓扑误差0.0250.0170.006综合误差0.3900.3960.389逻辑回归标准化量化误差0.2760.2810.274拓扑误差0.0250.0280.045综合误差0.4190.4250.425对数标准化量化误差0.8760.8930.880拓扑误差0.0170.0280.031综合误差1.3271.3621.333240SCIENCE&TECHNOLOGY INFORMATION科技资讯 2023 NO.20 探 索 与 争 鸣科技资讯SCIENCE&TECHNOLOGY INFORMATION最后，参考Vesanto建议的公式S=m5对SOM的二维网络结构大小进行估计，得S=353594。根据表2可以看出，当采用线性化标准化方法、二维网络结构大小取值为128=96时，拓扑误差和综合误差值最小，分别为0.389和0.006，量化误差值（0.253）也较小，表明训练输出的SOM网络结构是可靠且较优的7。3.3.3 确定SOM聚类数目由于SOM算法本身只能将数据点映射到二维网格结构中，无法对数据点进行实际的聚类操作，需要使用K-Means算法对SOM算法得到的聚类结果进行二次聚类。同时，确定聚类结果的最佳的分类数目需要引入聚类效果的评估指标，最佳的聚类效果是使得分类后的类内数据间的距离最小而类间的距离最大。常图1 不同聚类数目对应戴维森堡丁指数图2 细分人群属性特征的词云图图3 各产品服务下细分人群TGI值的箱线图分布241SCIENCE&TECHNOLOGY INFORMATION科技资讯探 索 与 争 鸣 2023 NO.20 SCIENCE&TECHNOLOGY INFORMATION科技资讯用的聚类评估指标有轮廓系数、Calinski-Harabaz指数和Davies-Bouldin Index（戴维森堡丁指数）等，本文采用戴维森堡丁指数来确定最佳分类数。由图1来看，当数据聚类成6类时，戴维森堡丁指数值最小，聚类效果最优。3.4 结果分析3.4.1 细分人群属性特征-产品服务偏好分析以细分人群的标签为维度，统计6个细分人群下人口属性特征，考虑到每个样本数据数量级不一致的问题，如一线城市只有4个，但新一线城市有15个，单纯统计其出现的次数会出现数据偏差问题，因此以每个样本的激活数为计算指标，汇总其每个样本对应的数量并生成词云图见图2。对6大细分人群在12个产品服务TGI偏好值进行描述性统计，生成箱线图，具体见图3。结合图2与图3，汇总各细分群组对应的产品服务的偏好结果如表3所示。从表3可以得出以下内容。（1）产品服务4和产品服务6呈现明显的性别差异特征，且6个细分群组明显划分了性别属性，其中男性标签人群（分群2、分群3、分群4）对产品服务4显著正向偏好，同时对产品服务6显著弱偏好；而女性（分群1、分群2、分群6）标签人群则与之相反。（2）分析分群5的偏好产品服务，其不存在任何正向偏好的产品服务，且存在较多负向偏产品服务，同时结合其他具有三线以上的细分人群的产品偏好，结果显示Q公司所销售的产品服务，其目标消费群体主要集中在一线、新一线、二线以及三线城市。3.4.2 产品服务相似性分析将TGI矩阵M映射在SOM的组件平面图上（见图4），可以清晰地分析各个产品类别间的相似性。其中黑色表示TGI偏好值越高，白色的表示TGI偏好值越低。从图4发现：产品服务1、产品服务6、产品服务10在左下角区域有较强的响应，它们具有较强的相似性；产品服务2、产品服务5、产品服务7、产品服务9和产品服务11在下部中间区域有较强的相似性；同时产品服务3集中在偏右下角区域，与之有部分相似；产品服务4、产品服务12在右侧中部位置有较强的相似性；产品服务8集中在左侧中上区域，相对独立。表3 细分人群属性特征-产品服务偏好汇总表细分群组分群1分群2分群3分群4分群5分群6用户数占比/%15.809.8716.6512.8330.1314.71人群属性特征标签绝大部分女性；主要使用华为、OPPO/Vivo品牌手机；居住在山东、河南、湖南等四线、三线、二线、新一线城市绝大部分女性；主要使用华为品牌手机；居住在北上广深及广东、江苏和四川的新一线、二线城市绝大部分男性；主要使用华为、小米及iPhone等手机；居住在北上广深及广东、江苏和浙江的新一线、二线、三线城市绝大部分男性；且使用iPhone手机；居住在广东、山东江苏新一线、二线、三线、四线城市绝大部分男性；主要使用华为、Oppo/Vivo品牌手机；居住在河南、山东等三线、四线、五线城市绝大部分女性且使用iPhone手机；居住在广东、浙江、江苏等新一线、二线、三线城市正向偏好的产品服务（TGI平均值120）产品服务6、产品服务8产品服务6、产品服务10产品服务4产品服务2、产品服务4、产品服务5、产品服务7、产品服务12无正向偏好产品服务产品服务2，产品服务3、产品服务5，产品服务6、产品服务7，产品服务9、产品服务11，产品服务12负向偏好的产品服务（TGI平均值80）产品服务1、产品服务4、产品服务5、产品服务12产品服务4、产品服务12产品服务6产品服务6产品服务2、产品服务3、产品服务5、产品服务6、产品服务7、产品服务10产品服务4242SCIENCE&TECHNOLOGY INFORMATION科技资讯 2023 NO.20 探 索 与 争 鸣科技资讯SCIENCE&TECHNOLOGY INFORMATION根据以上的结果，将12类产品服务按相似性划分成4类，制订标准的产品组合营销方案，同时为企业建立科学合理的管理组织结构。4 结论与建议基于TGI-SOM构建的细分群体模型，为企业在直播带货中实现精细化营销提供了数据决策支持。首先，在匹配企业的优质达人选择上，营销人员可以根据模型输出各细分人群下不同产品类型消费偏好的分析结果，了解企业的目标消费群体的特点和潜在需求，聚焦企业核心目标群体（三线城市以上），结合短视频平台开放的直播达人粉丝群体画像，将广告和有限的资源投放到合适的达人，进而为企业获取有效的用户群体；其次，在优质的达人投放合适的产品组合营销方案上，营销人员可以根据模型输出四类产品型相似性结果，为合适的用户群体提供切实所需的产品服务，以增加平台的吸引力和用户黏性，更好地满足不同用户群体的需求，实现管理和运营的分离，提高经营策略以及提升服务体验。参考文献1 郭全中.中国直播电商的发展动因、现状与趋势J.新闻与写作,2020(8):84-91.2 刘平胜,石永东.直播带货营销模式对消费者购买决策的影响机制J.中国流通经济,2020,34(10):38-47.3 吴文瀚.搜索引擎全量数据的用户画像模型研究:计与实证J.图书情报工作,2022,66(4):129-141.4 宋新平,吕国栋,申彦,等.大数据环境下基于SOM神经网络的竞争对手识别方法研究J.情报理论与实践,2022,45(5):107-112,6.5 任正东,章骏腾,任东晓.基于目标群体指数的大学生画像分析J.黑龙江生态工程职业学院学报,2021,34(2):113-116.6 TAO X,HUAN Y,XIA Q,et al.Analysis of Morphological Characteristics of Gravels Based on Digital Image Processing Technology and Self-organizing MapJ.Journal of Arid Land,2023,15(3):310-326.7 林小苹.基于SOM和CCA的柘林湾浮游动物群落结构及其与环境因子关系的研究D.汕头:汕头大学,2010.图4 由SOM生成的各产品服务TGI偏好值组件平面图243