文摘
在数字营销,核心优势的科学和人工智能等技术手段和大数据分析逐渐出现并关注它们。本文研究数字营销的准确性和数据分析的基础上,提出了一种智能算法,提高了营销传播的效果。通过智能算法的组合和大数据分析,数据是令人信服的。通过智能算法的比较和改进逻辑回归和XGBoost,提出一种改进的算法基于贝叶斯的XGBoost优化参数,可以提高数字营销传播的效率,增强数字营销的社会影响。
1。介绍
近年来,婴儿前千禧年的购买力逐渐出现在市场上。大企业也积极地制定营销策略。目前主要的互联网平台也在争夺这个市场蛋糕,积极应用数字营销沟通策略来影响这一代的购买行为,积极与消费者沟通通过简短的视频等数字媒体互动和社交媒体(1]。通过添加聊天机器人和智能算法引入平台,每个平台积极与目标消费者,设计公司的营销策略,收集并分析数据与消费者购买之前和之后协助平台,制定合理、有效的数字营销计划和决策提供帮助和支持2]。
对数字营销的研究已逐步深化。一些研究人员把消费者的身份到购买决策支持,创造消费者需求无意识地通过社交平台,形成的社会心理机制的干预,挖掘消费者的潜在消费,可以提供有针对性的销售建议制造商(3]。
整合数字营销的过程中,计算机和通信技术,采用数字工具创新,开展交互式数字营销研究,为制造商提供市场决策支持通过数据驱动营销是未来发展的新方向4]。
在工业市场,一些研究提出的方法评估工业企业的营销绩效通过相关性分析,优化沟通效率,利用数字营销,增加销售机会在工业市场上通过数据的统计分析5]。
品牌营销传播的过程中,通过人工智能算法,大量的数据收集是基于消费者的个人情感,和网络环境中的移情作用机制是建立一个沟通消费者和生产者之间的桥梁,提高品牌传播意识通过消费者情感细分。(6在数字营销的发展过程,人工智能,和大数据技术,是数字营销的发展趋势的有效评估营销效果和定制营销。与传统模式相比,数字营销体现了效率高、可测性和灵活性(7]。
数字化的流行,结合人工智能算法分析和大数据环境,可以增强企业的战略决策,经营风险和机遇可以早期发现的。通过结构方程建模技术的问卷调查,发现大数据和人工智能算法对数字营销的营销活动产生积极的影响8]。
网络营销和在现代企业市场营销、数字营销互补和当前时尚市场逐渐从离线到在线迁移,建立公司品牌形象在线和离线(9]。在数字营销环境中,本文结合了常见的人工智能算法逻辑回归算法和XGBoost算法改进并提出了贝叶斯优化算法来提高XGBoost算法的参数优化过程。
2。数字营销传播模式
市场营销模式10)经历了三个历史时期,即传统的营销模式,网络营销模式,数字营销模式。从根本上来说,基于路线三种营销方法是有区别的,类别,和方法论。每个阶段的变化是改变消费者的购物带来的技术和科技进步的结果。
数字营销结合的计算机、通讯、数字多媒体、和其他技术来实现传统营销的目的,和它的本质是一种营销方法来源于传统营销方法或工具所取代(11]。追求数字营销是有效地从大量的数据中提取目标客户信息信息,最大化的使用计算机技术有效地开拓市场,挖掘消费者的需求来满足需求。数字营销通过营销矩阵(12:使用流行的互动数字多媒体手段,如Douyin短视频,Aauto更快,微博,论坛,微信的朋友圈,选择有效的有针对性的营销目标数据库中实现高转化率。数字营销作为一个桥梁,降低营销成本,体现了定制的,有针对性的、有效的沟通。通过数字营销传播的多渠道合作,它可以有效地与消费者互动,提高消费者和制造商之间的沟通效率,增强企业的数字转换。具体的营销系统模型如图1。
产品还活着,这个问题应该充分考虑数字营销的过程。从进入市场,产品将进入市场,从0空白(开放时期,引入期)1市场认可(成长期、成熟时期),并为0退出市场(经济衰退时期)。这个生命周期主要包括四个阶段。营销策略和算法结合不同产品的生命周期,以提高产品的生命周期的活动,与此同时,让消费者产生共鸣和认同感很高的产品。以下是产品生命周期和产品销量的对比曲线,如图2。
3所示。智能算法
通过了解消费者的需求,一个著名的管理大师彼得•德鲁克指出,营销的最终目标是获得业务洞察力和理解用户的需求。随着人工智能的发展和大数据技术(13),企业可以了解用户的实际需要,提高企业的服务质量,通过技术手段建立企业的品牌形象。通过大数据技术,我们分析每个用户的消费和购买行为,编译用户的“肖像”,区分客户,并提供差异化和有价值的有针对性的服务14]。例如,小李网上买了一双跑鞋,和他的购买记录是记录在数据库中。然后,他将推动各种袜子,运动装,跑步有关的项目和健身知识小李。通过数据记录下用户的每日在线消费、购买和浏览,结合人工智能算法和其他技术,消费者的消费逻辑购买行为挖掘,数字营销提供决策依据,促进市场交易。(15日常行为数据的用户通过技术手段进行了分析,预测未来行为消费路径,逐渐丰富了人物的“肖像”,公司的文化价值观传播,引起了消费者的认可,提高营销效率,实现营销效果。图3显示了消费者需求的数字营销反馈训练模型,形成一个闭环的互动反馈。
移动互联网数字营销快速增长。主要的互联网平台每天产生的大量数据是真正的实际内容的公共参与。企业密切关注数据的充分利用主要的互联网平台和实施有针对性的营销传播。如今,短视频和在线电视剧很受年轻一代(16),这些视频是有趣的。通过记录用户的使用习惯,结合相应的人工智能算法,该平台使得目标客户有针对性的建议,建立风机产品经济,实现精确营销,实现交通实现而收获大交通(17]。为了实现精确营销、决策将越来越多的数据和分析的基础上,基于数据分析和企业将优化操作(18]。机器学习的本质是计数和找到类似的数据与某些统计法律、和它的目标是找到一个从常规数据空间优化模型(19]。数字营销的框架设计如图通过机器学习算法4。评估标准和营销传播性能测量模型质量的重要依据。结合具体需求,评价指标和通信性能参考参数选择适合这个问题。智能算法可以提高数字营销的准确性,提高个性化推荐系统,优化付费广告,优化时间和市场推广渠道,改善营销过程的自动化,并理解和预测用户行为等。
摘要相对常用的几种分类算法在现实生活中,选择和最优组合方法适合数字营销是通过建模,比较分析,比较结果,定量和定性指标是有区别的(20.]。下面介绍了选择算法和改进算法。
3.1。多变量逻辑回归
本文是基于数字营销用户的分类类别。如果有N类,它们可以表达为{1,2,…,k}。假设数据集 , ; ,我= 1,…,n。
二元逻辑回归(21)模型假设后验概率之比的对数属于两类0和1是线性的,如以下公式所示:
通过上述公式的逻辑,逻辑回归模型也可以称为对数概率模型(22]。这是一个模型类0作为基类。以此类推,扩展到多个类,环境类K基类的对数概率K−1也如下: 在哪里 。
从上面的推导,我们可以知道对数概率的预测结果可以反映出多元逻辑回归的线性回归模型。这种模式被称为“对数概率回归”,也被称为逻辑回归(23),和逻辑回归函数将不会受到错误的假设,所以可以直接进行数据建模。
3.2。XGBoost
XGBoost算法(24),其全称是限制梯度提升算法,是一种改进的决策树学习算法。这是陈Tianqi博士提出的在2014年华盛顿大学。该算法具有良好的能力,广泛应用于工业、医学、航空、经济和其他领域。算法的特点是并行计算,发挥CPU多线程的优势和改善数据传播通过改进算法的效率。
鉴于n数据样本 ,与米特征属性,添加剂模型用来预测输出。 回归树空间是用在哪里 代表所有树,每棵树的结构用吗问,总数量的叶子在树上用T。每一个学习者对应于一个独立的树结构问和叶重 ,并决定是否选择算法参数是最好的效果(25通过使用目标函数定义如下:
从上面的公式可以看出,它包含两个部分。左侧的加号是损失函数的一部分 ,也称为可微的损失函数,它是用来测量预测值之间的差异和实际价值 。这个结果也被称为训练误差。右边的一部分加号表示为正则项,惩罚叶节点的重量,达到优化目标函数通过增加培训的目的(26),以避免过度拟合的影响。
合并的预测价值为下面的公式最小化损失函数:
把损失项(27,如以下公式所示:
在这里 第一次和第二次偏导数的损失函数l分别为(28]。常数项删除,把它改为以下公式:
通过上面的函数定义中,正则化项被定义为
在公式(9),的值越小γ和λ更复杂的模型。让 是叶节点的样本j,可以更改公式如下:
重量的j值对应的目标函数如下:
最优解可以通过将上述公式引入目标函数如下:
3.3。算法的改进
通过优化模型参数的概念,我们可以选择贝叶斯优化算法来提高参数优化。通过设置好的值,我们训练贝叶斯模型优化,最终形成分类的结果评价。最优参数替换成XGBoost算法(29日]。具体步骤如下:(1)让t= 0,参数初始种群(0)。(2)选择候选解决方案年代(T)P(T)被选中。(3)构造贝叶斯网根据以下公式: (4)一个新的解决方案O(T根据上面的公式生成)。(5)一个新的人口P(T+ 1)推导出从O (T)。(6)循环计算终止计算结束后,输出最终的优化结果。如果没有结束,跳转到(2),按顺序继续执行,直到找到最优结果的计算。通过优化XGBoost与上述的贝叶斯优化算法模型参数的方法,文献[30.)可以提高预测最终结果的准确性。
4所示。数据建模
数据采集模型如图5。
通过网络数据抓取和数据建模,根据描述性统计,我们筛选关键指标如下:类别浏览,购买,品牌浏览时代,品牌持续保持查看时间,最后观看这一类,和用户的性别、级别、年龄、婚姻、教育程度、职业、单价、和每个客户的购买力在最新的月,包括13个指标和预测价值γ(31日]。
4.1。逻辑回归模型
通过数据处理和清洗,程序执行R语言软件,33变量的参数估计值,如表所示1。从表中,可以发现23个变量显著改变表中被保留,例如,分类浏览 ,购买的次数也会增加 ,购买时间 ,等;考虑删除无关紧要的变量,比如品牌购买 ,年龄 ,单价/客户在最新的月等,不重要,测试新模型是否更适合。在新的拟合得到的实验结果,发现每一个新的模型中的回归系数是非常重要的(< 0.5)(32]。
根据方差分析表的结果2卡方值不显著(p= 0.28),这表明新模型的拟合效果和23个独立变量基本上是一致的,与33完成模型的变量。因此,我们可以选择一个简单的模型来计算。
两种模型的对比图如图6。不同标准下的独立变量,自变量的重要值对应不同的选择独立变量。
相应的算法与误差之间的关系是由决策树如图演变而来的7。
概率预测的值是通过逻辑回归模型,反例的预测概率值小于或等于0.5,和积极的概率预测价值大于0.5,和训练集误差矩阵,如表所示3。
使用这个模型在测试集,测试集的误差矩阵,如表所示4。
逻辑回归模型进行了分析和计算,结果如图所示8。
4.2。XGBoost建模
训练集也是XGBoost中使用的建模和算法和误差矩阵如表所示5。
同样的,当XGBoost模型用于测试集,由此产生的误差矩阵如表所示6。
模型的精度和召回的训练集和测试集计算通过分析表中的数据6如图9。
本文提出的方法解决了数字营销的分类精度。XGBoost考虑的训练数据稀疏,从而提高算法的效率。XGBoost算法模型简单,防止过度拟合。不仅XGBoost使用一阶导数,二阶导数。
4.3。XGBoost改进贝叶斯优化算法
通过贝叶斯优化参数,提高XGBoost和一些重要的属性参数被选中,如图10。
从图10相比,改进算法功能的重要性,根据优化参数的选择。
训练集建模,用于改善XGBoost算法和误差矩阵如表所示7。
同样,使用测试集XGBoost模型,由此产生的误差矩阵如表所示8。
数据比较,如图11。
5。结论
摘要智能数据分析算法逻辑回归和XGBoost算法和改进的贝叶斯优化参数XGBoost算法集成到数字营销。结合产品生命周期,一直爬通过网络的数据处理,数据集建模,其中60%的数据作为训练集随机选择,40%作为测试集,精度和召回作为性能度量模型的方法。通过验证,改进XGBoost算法明显优于基于贝叶斯参数选择逻辑回归精度和召回,其计算效率也明显优于逻辑回归,显示了一定的优势在数据处理和分析。
数据可用性
使用的实验数据来支持本研究的发现可以要求作者。
的利益冲突
作者宣称没有利益冲突的这方面的工作。