【Paper筆記】Graph database modeling of a 360-degree e-customer

Abstract

• 問題：在電子商務中，儲存和利用客戶的數位活動（如登錄、點擊和購買）來獲取有用的客戶洞察面臨諸多挑戰。
• 解決方案：本研究提出了一個基於圖形資料庫的模型框架，即客戶行為模型圖（CBMG），用於創建客戶的360度全景視圖，有效整合和分析客戶數據。

Introduction

• 隨著電子商務的迅速崛起，深入了解客戶的行為和需求變得越來越重要，這不僅可以增加客戶滿意度，同時也有助於減少客戶流失。
• 開發一種360度全景客戶視圖架構，使用客戶行為模型圖（CBMG）來實現這一目標。
• 另外探討如何使用Cypher查詢語言有效地解決數據庫中的客戶關係管理（CRM）關鍵問題，從而提高對客戶數據的理解和應用效率。

Related research

• 優質的數據管理能夠極大地提升資料庫記錄的價值，使決策更加精確，最終增強企業的獲利能力。
• 先前的研究中，學者們開發了一種用於追踪顧客行為的通用數據表達模型，這種模型提供了顧客行為的360度全景視圖。
• 模型為企業描述基於顧客中心的商業模型提供了強有力的工具，支持企業解決市場營銷中常見的問題，如市場細分、交叉銷售和客戶留存策略。

接下來是這篇論文的重點～

Bulding a model of a360-degree view of an e-cutomer

通過客戶行為模型圖（CBMGs）將顧客在電子商務網站上的行為軌跡轉化成有用的分析工具，進而將顧客意圖分類。

下面是三種典型的購物行為類型，反映了顧客的不同購物動機和行為模式：

1. 目標明確的購物行為：顧客知道自己要購買什麼，並有堅定的購買意向

目標明確的購物行為

2. 目標不明確的瀏覽行為 : 顧客進入網站時不確定要購買什麼，表現出較多的瀏覽行為

目標不明確的瀏覽行為

3. 猶豫不決的購物行為: 顧客雖然知道要購買什麼，但缺乏購買決心，反映在他們經常改變意見的行為上

猶豫不決的購物行為

這些行為類型的分析不僅有助於理解顧客在不同購物意圖下的行為模式，而且對於優化網站設計和提升用戶體驗具有重要意義。

客戶行為模型圖（CBMG）的結構的靜態與動態

理解客戶行為模式圖的靜態與動態的部分，可以更加瞭解如何描述電商網站上的結構及客戶行為模式。

CBMG的結構的靜態結構：說明電商網站的基本結構，無論顧客如何操作，這部分都不會改變。

1. 狀態（State）：

• 狀態#1：入口狀態（ENTRY）
• 狀態#N：退出或登出狀態（EXIT/LOGOUT）

2. 中間狀態（狀態2至N-1）：包括其他特定操作狀態，例如：

• 首頁（HOME）
• 瀏覽（BROWSE）
• 從購物車移除（REMOVE_FROM_CART）

3. 轉換（Transition）：不同狀態之間的可能轉換由有向弧線表示

4. 靜態特性：

• 不依賴於特定顧客的行為或操作
• 反映網站功能的架構設計
• 舉例來說：所有顧客無論如何操作，網站總是會有入口頁（ENTRY）和退出頁（EXIT）

CBMG的結構的動態結構: 說明顧客實際如何在網站上使用功能，即不同狀態之間的轉移概率，反映了真實的顧客的行為模式。

1. 轉移概率矩陣（Transition Probability Matrix）

• 是一個 N×NN 的矩陣，每個元素 Pij 代表從狀態 i 轉移到狀態 j的概率
• 如果有100次顧客從首頁（HOME）進入瀏覽頁（BROWSE），其中60次直接跳轉到購物車（CART），則從瀏覽頁到購物車的轉移概率為 pBROWSE,CART=0.6

2. 動態特性：

• 與顧客的實際行為有關，隨著顧客行為的不同而變化
• 舉例來說：某些顧客可能更偏向於直接搜索商品，而其他顧客可能更喜歡隨意瀏覽

ref paper: Figure 2. E-Customer-centric graph database model, resembling the interaction between e-Customers and a hypothetical generic B2C e-Commerce website

為什麼這樣要分成靜態和動態結構？

1. 靜態部分：幫助設計和優化網站的架構，確保所有基本功能和路徑完整。
2. 動態部分：用於分析實際顧客行為，找出常用路徑和瓶頸，從而改善用戶體驗並提升轉化率。

例如，如果數據顯示很多顧客從“瀏覽頁”直接退出，則可以考慮在該頁面上增加推薦商品，吸引顧客繼續購物。靜態部分確保這種路徑存在，而動態部分幫助優化該路徑的效果。

透過 Neo4j 視覺化實例客戶行為模型圖（CBMG）的結構

將這一理論模型應用於實際案例，透過 Neo4j 圖形資料庫來實作可視化的客戶行為模型圖（CBMG）。以一客戶在 B2C 的電商網站進行三次購物的 session。

ref paper:Figure 3. Excerpt from the Neo4j-based graph database, depicting the interactions between a specific e-Customer and a hypothetical B2C e-Commerce website during three online shopping sessions from two distinctive IP addresses

圖表說明

1. 節點：

• 藍色節點：網站主要頁面（如首頁、產品目錄頁）
• 綠色節點：具體產品（例如各種記憶體RAM模組）
• 橙色節點：功能性頁面（如登入、購物車）
• 灰色節點：顧客訪問的IP地址
• 粉紅色節點：顧客的識別信息（用戶名）

2. 有向邊：

• 每條有向邊表示顧客在不同節點之間的操作路徑，例如：
• SEARCH（搜索）
• VIEW_ITEM（查看商品）
• ADD_TO_CART（加入購物車）
• LOGOUT（登出）

3. 活動流：

• 透過箭頭方向，可以追踪顧客的行為路徑，了解他們如何在網站上進行操作，例如從進入首頁到退出頁面的完整行為流程

視覺化的客戶行為模式圖的目的：

1. 顧客行為分析：分析顧客如何與網站互動，哪些產品或功能吸引了顧客的注意，以及顧客在網站上的流動路徑
2. 網站結構優化：根據顧客行為的可視化數據，識別可能需要改進的網站功能或設計問題，提高用戶界面的友好性和購物效率
3. 個性化營銷策略：利用顧客的具體互動數據來定制更精確的營銷策略，例如針對性的產品推薦和促銷活動

Answering CRM-Related question using a graph database

ref paper : Table 1. Examples of CRM-related questions and the CQL code needed for their addressing

已經把客戶行為模式圖建構完成，那基於這個行為模式圖我們可以對它進行 query ，以回答關於 CRM 相關的問題，進而去支持數據驅動的決策。

舉例來說，可以使用 Neo4j 的 cypher 進行 query ：

1. 計算特定顧客的登錄次數：

• 搜尋：某特定顧客（如’MK2014-hris’）在特定月份（2020年8月）登錄網站的次數。
• 目的：幫助企業了解顧客的活躍度和訪問頻率，為針對性營銷活動提供支持。

2. 識別顧客的獨特IP地址:

• 搜尋：識別特定顧客（如’MK2014-hris’）使用的所有不同IP地址
• 目的：了解顧客的訪問來源及潛在的多設備使用模式，有助於提升個性化服務

Conclusion

這篇論文提出了一個框架，利用圖形資料庫模型來實現對電子顧客的360度全景視圖。透過將客戶行為模型圖（CBMG）轉化為圖形資料庫中的關係，每次電商功能的操作都會生成詳細的交互數據（包含何時、何地以及如何進行），為企業提供全方位的顧客洞察。

貢獻與優點：

• 360度全景視圖：圖形資料庫可以全面追踪顧客在購物期間的每個行動，揭示其在網站上的完整互動路徑。
• 提升顧客分析能力：幫助企業深入理解顧客行為，為個性化推薦、精準行銷以及客戶關係管理（CRM）提供有力支持。

挑戰：

• 數據量與複雜性：即使是中等強度的購物活動，也可能在圖形資料庫中產生大量關係數據。重複的購物 session 會進一步增加資料庫的規模和管理複雜性，對資源和效率是個挑戰。

Ref

paper link: https://www.researchgate.net/publication/366578177_GRAPH_DATABASE_MODELING_OF_A_360-DEGREE_E-CUSTOMER_VIEW_IN_B2C_E-COMMERCE