[论文解读] Portrait of an Online Shopper: Understanding and Predicting Consumer Behavior

Farshad Kooti, Kristina Lerman+4 more|arXiv (Cornell University)|Dec 15, 2015

Digital Marketing and Social Media被引用 10

一句话总结

本研究基于1.21亿封电子邮件确认数据中的在线购买记录，对消费者行为进行建模与预测，发现男性比女性购买更频繁且消费金额更高，消费高峰出现在30多岁，且收入与购买频率及价格呈强相关性。时间模式和社会网络显著提升了预测准确率，其中时间特征在预测下次购买时间和金额方面优于人口统计学数据。

ABSTRACT

Consumer spending accounts for a large fraction of the US economic activity. Increasingly, consumer activity is moving to the web, where digital traces of shopping and purchases provide valuable data about consumer behavior. We analyze these data extracted from emails and combine them with demographic information to characterize, model, and predict consumer behavior. Breaking down purchasing by age and gender, we find that the amount of money spent on online purchases grows sharply with age, peaking in late 30s. Men are more frequent online purchasers and spend more money when compared to women. Linking online shopping to income, we find that shoppers from more affluent areas purchase more expensive items and buy them more frequently, resulting in significantly more money spent on online purchases. We also look at dynamics of purchasing behavior and observe daily and weekly cycles in purchasing behavior, similarly to other online activities. More specifically, we observe temporal patterns in purchasing behavior suggesting shoppers have finite budgets: the more expensive an item, the longer the shopper waits since the last purchase to buy it. We also observe that shoppers who email each other purchase more similar items than socially unconnected shoppers, and this effect is particularly evident among women. Finally, we build a model to predict when shoppers will make a purchase and how much will spend on it. We find that temporal features improve prediction accuracy over competitive baselines. A better understanding of consumer behavior can help improve marketing efforts and make online shopping more pleasant and efficient.

研究动机与目标

• 利用来自购买确认邮件的大规模真实世界数据，理解在线消费者行为的驱动因素。
• 考察人口统计因素（年龄、性别、收入）对购买模式和消费行为的影响。
• 对在线购物的时间动态进行建模，包括每日和每周周期以及预算约束。
• 探究社交网络在塑造关联用户之间购买相似性方面的作用。
• 构建并评估用户下次在线购买时间与金额的预测模型。

提出的方法

• 从发送至Yahoo Mail用户的商家确认邮件中提取购买数据（商品名称、价格、时间戳）。
• 通过电子邮件用户档案，将购买数据与用户的人口统计信息（年龄、性别、邮政编码）进行关联。
• 分析购买行为中的时间模式，识别每日和每周周期，以及高价商品的基于预算的等待时间。
• 构建电子邮件通信网络，以评估社交影响对用户间购买相似性的作用。
• 利用时间特征、人口统计学特征和网络特征构建机器学习分类器，以预测下次购买的时间与金额。
• 通过相对改进度量指标，将模型性能与随机基线进行对比评估。

实验结果

研究问题

• RQ1 年龄与性别如何影响在线购买频率和消费水平？
• RQ2 通过邮政编码推断的收入水平在多大程度上与购买频率和平均商品价格相关？
• RQ3 在线购物行为的时间模式（每日、每周、等待时间）有何特征，它们如何反映预算约束？
• RQ4 通过电子邮件连接的用户是否表现出比未连接用户更高的购买行为相似性，且这种相似性是否因性别而异？
• RQ5 与人口统计学或基线模型相比，时间特征是否能显著提升对用户下次购买时间和金额的预测能力？

主要发现

• 男性比女性购买更频繁，且消费金额显著更高，平均消费在30多岁达到峰值。
• 在线消费随年龄增长而上升，于30多岁达到高峰，60岁后开始下降，且收入水平与总消费呈强相关性。
• 来自更富裕地区的消费者购买更昂贵的商品，且购买更频繁，导致总消费显著更高。
• 购买行为表现出明显的日周期和周周期特征，工作日及工作时间的活跃度较高，周末则较低。
• 购买间隔随商品价格增加而延长，表明大多数消费者处于有限预算约束之下。
• 社交关联用户（电子邮件往来者）的购买物品相似度高于非关联用户，且同性别用户对（尤其是女性）表现出最高相似度。