移动互联网环境下多源大数据驱动的个性化推荐效果研究

With the development of the big data and mobile internet, personalized recommendation system has become a ubiquitous tool for online firms to offer unique shopping experience to the consumers who are searching on their websites. However, the traditional recommender system’s performance is constrained by the limited data sources that the firm can access. Meanwhile, the performance of recommender system using multi-source data, as well as the mechanisms of how the recommender system influence consumers’ shopping behaviors are largely unknown. This research utilizes field experiment to establish the causal inference between the recommender system based multi-source big data and consumers’ online shopping behaviors. This approach can solve endogeneity problem and achieve good external validity. Since the consumers who use mobile devices are more likely to see the recommended products, we proposed a two-stage model to jointly estimate the probability of seeing the recommended products and the probability of clicking those products to avoid the estimation bias. This research explores not only the short-term influence of the recommender system based on multi-source big data on the consumers’ shopping behaviors at the focal website, but also the long-term influence of this new recommender system on their shopping behaviors at both the focal website and other external websites. The conclusions of this research project will provide empirical evidence for the big data driven personalized marketing theory and offer important guidance for the firms’ personalized marketing practice, as well as the pricing strategy for trading data between firms.

随着大数据和移动互联网的发展，个性化推荐系统已成为电商向消费者提供独特的购物体验时普遍使用的工具之一。尽管如此，传统推荐系统的性能受到公司有限数据资源的限制，而且基于不同数据源的个性化推荐系统的效果及影响消费者购物行为的内部机制还存在很大的未知性。本课题利用实地实验方法，得到基于多源大数据的推荐系统和消费者购物行为之间的因果关系。该方法不仅能解决内生性问题，而且具有很好的外部有效性。由于使用移动互联网的消费者更容易看到推荐栏，本课题提出一个两阶段模型对看到推荐商品与点击推荐商品两个过程联合估计，以此避免估计偏差。此外，本课题不仅考虑基于多源大数据的推荐系统对消费者在焦点网站购物行为的短期影响，而且深入探索它对消费者在焦点网站及外部其他网站上购物行为的长期影响。本研究的结论将对基于多源大数据的个性化营销理论提供实证支持，并对公司个性化营销实践以及公司间数据交易过程中的定价策略提供重要指导。

个性化推荐系统已成为各大电商向消费者提供个性化购物体验的重要工具之一，通过商家可以通过推荐系统获取消费者需求并提高消费者满意度。相比于传统推荐系统通常只利用消费者在当前网站的历史信息推荐个性化商品的特性，大数据时代的推荐系统则能获得消费者在其他网站的数据来优化推荐效果。然而，这种新型的推荐系统对消费者购物行为的影响存在极大的未知性。本课题旨在基于多源大数据探究个性化推荐系统对消费者购物行为的影响。为了建立推荐系统与消费者购物行为之间的因果关系，本课题采用实地实验的研究方法可以有效地避免传统研究方法存在的内生性问题，并具有较好的外部有效性。一方面，基于内部数据和外部数据构造解释性变量，探究内部数据特征和外部数据特征与推荐效果之间的关系;另一方面，通过检验消费者特征与内外部数据的推荐效果间的交互效应，进一步分析外部数据和内部数据的推荐效果如何随消费者的特征变化，帮助企业更好地利用多源大数据提升推荐效果。.本课题结果表明，基于内部数据的推荐系统能够显著提升消费者点击个性化推荐商品的概率，可以降低消费者决策时间，激励消费者浏览更多的商品。外部数据的推荐效果不仅与外部公司网站的用户数量相关，也会受到外部网站与当前网站的关联程度的影响。研究结果对如何利用多源数据构建更加有效的推荐系统具有重要指导价值，并为不同网站之间的数据共享机制提供重要的管理建议。