1700499686
做了这些调整和改进后，重新用模型打分并采用新的运营方案，主要是修改了运营通道和运营抓手。
1700499687
1700499688
1700499689
1700499690
1700499691
数据挖掘与数据化运营实战：思路、方法、技巧与应用 [:1700497548]
1700499692
数据挖掘与数据化运营实战：思路、方法、技巧与应用 6.12 不同运营方案的评估、总结和反馈
1700499693
1700499694
通过监控新运营方案的执行情况，得知此次达到了比较满意的运营效果，运营组的流失挽留效果相比对照组而言有了明显的好转，并且预测模型的稳定性仍然非常好，真是“一分耕耘一分收获”，如图6-6所示。
1700499695
1700499696
1700499697
1700499698
1700499699
图6-6 第二次运营的效果评估
1700499700
1700499701
从图6-6中可以看出，控制组的流失率为35.7%，而8个运营组中的7个相比控制组而言其流失率都有不同程度的下降，其中，下降最显著的是“名方案1”的运营组，其流失率降为23.06%。
1700499702
1700499703
1700499704
1700499705
1700499706
数据挖掘与数据化运营实战：思路、方法、技巧与应用 [:1700497549]
1700499707
数据挖掘与数据化运营实战：思路、方法、技巧与应用 6.13 项目应用后的总结和反思
1700499708
1700499709
经过不断的方案完善和严格科学的效果监控，本项目的后期落地应用环节在不断优化后，越来越突出在建模基础上的数据化运营所拥有的高效、精准的优势。
1700499710
1700499711
这次比较成功地用结果数据说话的项目应用，在坚定了业务方“以数据分析挖掘为基础的数据化运营”的信心，同时也生动地教育了相关的数据分析师“完美的分析结论和模型搭建只是数据化运营万里长征的第一步”，要想模型真正推动业务的效率和效益，模型落地应用的环节更加关键、更加重要、更加复杂。
1700499712
1700499713
正如本项目所经历的那样，再好的模型，如果没有合适的运营通道、合适的运营文案、合适的运营资源配合，也是无法达成最终的商业目的的。
1700499714
1700499715
1700499716
1700499717
1700499718
数据挖掘与数据化运营实战：思路、方法、技巧与应用 [:1700497550]
1700499719
数据挖掘与数据化运营实战：思路、方法、技巧与应用 第7章 数据挖掘建模的优化和限度
1700499720
1700499721
没有最好，只有更好。
1700499722
1700499723
7.1 数据挖掘模型的优化要遵循有效、适度的原则
1700499724
1700499725
7.2 如何有效地优化模型
1700499726
1700499727
7.3 如何思考优化的限度
1700499728
1700499729
7.4 模型效果评价的主要指标体系
1700499730
1700499731
“没有最好，只有更好”这个广告语之所以能成为经典，是因为它揭示了“任何事物的发展和进步都是可以无限深入的”这样一个真理。一个人可以不断进步，一个产品也可以不断升级，同样，一个数据挖掘模型也是可以不断完善、不断优化、不断提升的。只是，数据挖掘模型的每一次优化、每一次提升都需要有资源的投入，而且都是为了满足特定的业务需求。在模型优化和资源投入之间，在投入数据分析资源和满足特定业务需求之间，又有一个微妙的平衡点——性价比。这个微妙的平衡点决定了模型的优化和完善是有限度的。本章的主题是模型优化的总体原则、模型评价的指标体系、模型优化的具体思路和方向，以及具体考虑优化的限度时应注意的几个典型因素。
1700499732
1700499733
1700499734
1700499735