1.推荐系统的作用

　　随着信息技术和互联网的发展，我们已经进入一个信息过载的时代。在这个时代，无论是信息消费者还是信息生产者都遇到了巨大的挑战，即如何生产和获取适合的信息，都是一件困难的事情，而基于数据分析的推荐系统则是解决这一挑战的重要利器。所谓推荐系统，就是通过对用户的购买，访问等信息进行分析，从中识别出用户的偏好，从而建立起用户同信息之间的关系，将用户感兴趣的信息推送给该用户。

　　在电子商务行业，推荐系统不单单可以更好地帮助商家进行热门产品的销售，更多的在于挖掘商品的长尾，从而实现更多的冷门商品销售。但就商品而言，那些冷门的长尾商品往往只代表了一小部分用户的个性化需求，只有通过对用户兴趣的充分分析，才能更好的挖掘出商品的需求，最终提升这些产品的销售情况。

　　推荐系统，主要是通过对用户访问、浏览和购买产品等行为进行分析，从中识别出用户的商品偏好，帮助电子商务商家进行更为个性化的产品推荐，在这个过程中，数据分析起到了关键性的作用。我们通过数据分析，去识别用户的行为以及其同产品之间的关联性，将适合的产品在适合的时间，通过便捷的操作方式提供给适合的用户。

　　2.冷门商品的推荐

　　就现在情况来看，当前最为普遍的商品推荐主要是利用产品之间的关联性进行推荐。比如用户去电商网站点击浏览了A商品，那么电商网站立即基于产品之间的关联性，将具有高关联度的产品B推荐给该用户。但在传统的关联算法中，当A和B同为热门商品时，商品本身购买的次数就很多，商品A和B的支持度较高，商品A和B之间的关联性就更加容易被发现;反之，如果商品A或者B是一件冷门商品，它们之间的支持度可能较低，但一旦它们之间有着较强的置信度，可以确认两者之间有着较强的关联性，进行冷门商品的推荐，对于用户和商家来说，都是更有意义的。但在实际的挖掘过程中，这些冷门商品的关联分析，由于购买记录数量较少，传统的关联算法可能难以实现对于冷门商品关联性的挖掘，也给我们的冷门商品的推荐带来了不小的难题。

　　对于冷门商品的推荐，我们需要人工的去从数据出发，通过不断探索数据之间的关系，去更好地找到关联产品，并基于规则进行计算。很多我们事先设定好的规则，在这里的效果都不是太好，它更倾向于通过人的思维去逐步发现蕴含着数据之间的蛛丝马迹。JMP，作为SAS(全球最大的统计学软件公司)推出的一种交互式可视化统计发现软件系列，强调以统计方法的实际应用为导向，交互性、可视化能力强。我们借助JMP强大的数据交换能力，可以实现对于海量数据的探索性数据分析，帮助我们快速地进行数据分析工作，更为重要的是，JMP的交互性可以满足我们对于数据分析的种种要求，实现从未知到已知，从多到少，逐步识别各种商品之间的关系，更好地进行商品关联分析。

图：利用JMP的图形生成器进行图形化的探索性分析

　　3.用户的分类及识别

　　除了利用产品之间的关联性进行产品推荐之外，利用用户之间的关系进行产品推荐也是一种重要的产品推荐方式。当我们认定A用户同B用户是具有相同偏好的用户时，如果A用户成功购买过A商品，我们即可将A商品也推荐给B用户。通过分类，我们可以很好地识别用户，进而实行更有针对性的产品推荐，但现在的问题是我们面临的商品分类和数量超乎我们的想象，商品之间的特性不尽相同，一个普遍性的用户分类难以应用于所有商品的推荐，即A和B用户都是40岁左右已婚中年妇女，但A用户爱好文学，平时喜欢看文学小说，B用户热衷理财投资，关注投资理财知识的学习，她们之间的收入也存在较大差异。我们只有在确定各类商品特性的情况下，基于商品的特性再进行分类属性的选择，才能为每一类商品的客户选择提供更为准确的依据。但实现情况下，商品种类太多，用户人群太大，都成为阻碍我们进行精细客户分类的障碍。JMP提供的分割(即决策树)平台，可以基于任意目标变量，进行基于关键因子的用户筛选，帮助我们快速找到区分客户的关键因素，实现基于不同问题的快速用户分类。

图：基于分割(即决策树)平台的客户分类

　　4.其他规则的发现

　　除了商品和用户之间的关系之外，用户对于信息需求的时间，获取的方式等等规律也是推荐系统需要关注的问题。只有将这些因素更好的结合到一起，用户才能更好的响应我们的推荐，而这些都依赖于数据分析的作用。