肖巧龍

摘 要：隨著個性化時代的到來，個性化定價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性化定價，能夠為商家選擇具有較強購買意愿的目標客戶，實現(xiàn)個性化的定價。在挖據(jù)目標客戶方面具有一定的準確性和實用性。

關鍵詞：個性化服務；個性化定價；目標客戶；遺傳算法

中圖分類號：TP311

隨著Internet的普及，電子商務市場日益繁榮，互聯(lián)網(wǎng)承載著越來越多的信息，信息過載的時代即將來臨。如何過濾無關信息，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)挖掘學科和個性化推薦服務得到一定的發(fā)展。電子商務進入個性化時代，以用戶為中心的個性化定價還不像個性化商品那樣迅速發(fā)展、受人矚目，但是在文獻[2]中作者對電子商務中個性化定價的未來給予了肯定：“考慮到電子商務的先天優(yōu)勢以及愈加復雜的定價機制，我們對個性化定價在電子商務領域的前景是樂觀的”。本文將對電子商務中的個性化定價的特點，如何通過遺傳算法進行個性化的定價等問題進行探討。

1 電子商務中的個性化定價及其特點

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

個性化定價主要包括三個步驟：

第一：識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上，我們需要決定商品應該賣給哪些客戶。

第三：設計“價格歧視”的機制：在以上兩步驟的基礎上，我們需要制定一個“價格歧視”機制。這個機制能讓不同的顧客享受不同商品價格的優(yōu)惠。

電子商務中的個性化定價主要有以下幾個特點：

1.1 個性化定價需要對用戶個體數(shù)據(jù)進行精確分析。電子商務網(wǎng)站在這方面具有先天優(yōu)勢，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、性別等個人信息，產品購買和瀏覽信息等，并利用各種智能算法工具對這些信息進行分析挖掘，并獲得準確的客戶支付意愿信息。

1.2 個性化定價能夠為電商企業(yè)挖掘“隱藏利潤”。個性化定價可以從愿意支付高價的客戶身上獲得超額利潤，并且能夠用低價吸引顧客。

1.3 個性化價格能夠提高在線客戶的忠誠度和滿意度。個性化價格方案把每一個客戶看成一個細分市場，從而真正實現(xiàn)一對一營銷，使得消費者愿意和企業(yè)保持一個良好的關系。

2 遺傳算法在個性化中的應用

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。它利用結構化的隨機信息交換技術組合群體中各個結構中最好的生存因素，從而復制出最佳代碼串使之一代一代地進化，最終獲得滿意的優(yōu)化結果。在本文中把個性化定價問題轉化為尋找最優(yōu)的目標客戶的問題。對客戶的購買特性進行遺傳編碼，從而構成一個個用戶染色體，通過選擇、交叉、變異等遺傳操作，不斷的搜索問題域空間，使其不斷得到進化，逐步得到最優(yōu)的目標客戶。

2.1 遺傳編碼。定義：設商品集為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商品并且累計購買數(shù)量為f2個。在個性化定價和促銷活動中，我們在已知促銷商品的情況下，盡可能的向買過此類商品或者有意愿的客戶進行推薦。但是考慮到推薦數(shù)量和利益的最大化有時購買此類商品的客戶并不能滿足商家的需求，因此我們在選取目標客戶時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，我們保證進行交叉和變異的因子在促銷商品的位置進行變異，這樣可以增加交叉率和變異率來改進遺傳算法的性能，而不必擔心高的變異率和交叉率造成太多的隨機變動。同時可以保證算法的迅速收斂。

2.3 適應度函數(shù)。適應度函數(shù)是評價染色體優(yōu)劣的重要標準。如前所述，我們需要從眾多的客戶中獲取對促銷商品最感興趣的用戶。設染色體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算法來快速檢測兩個集合的相似性。

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。為了更好的反應客戶的購買意愿，我們把顧客購買的商品數(shù)量作為權值帶入計算。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值越大目標客戶的購買值就越大。

2.4 算法及結果

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

（2）初始化種群P（t）。

（3）按照適應度函數(shù)的定義，計算各個體適應度值。

（4）遺傳操作。

（5）若滿足終止條件，則退出，否則轉（3）。

本次的實驗中，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（熱門商品為10個），促銷商品數(shù)量分別為4，10，15，20個。測試結果如下圖所示：

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

3 總結

應用本文中的算法，可以準確的獲得商家所需的目標客戶，進行個性化的定價。遺傳算法是目前實現(xiàn)個性化定價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上，幫助我們決定應該把商品推薦給哪些客戶，實現(xiàn)企業(yè)利潤的最大化。

參考文獻：

[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.個性化商業(yè)的未來，2012.

[4]郭建，郭華.電子商務的個性化定價研究，2012.