1700500820
1700500821
上述样本共聚类成8个群体，整体的Over-All R-Square为0.755 34，说明群体间的差异性比较明显。考虑到部分群体内样本数量太少，在实际应用中可以忽略不计，所以上述聚类结论中比较有代表性的群体为：
1700500822
1700500823
❑第7组，聚类样本中该组共有192个用户，占样本总量的30%。该组RMSSTD（Root-Mean-Square Standard Deviation）为0.436 632，该组login freq均值为148.92，tp index均值为11.34，pv均值为8133.23。
1700500824
1700500825
❑第3组，聚类样本中该组共有51个用户，占样本总量的8%。该组RMSSTD（Root-Mean-Square Standard Deviation）为0.495 173，该组login freq均值为138.17，tp index均值为68.98，pv均值为8028.51。该组与第7组中的各指标非常类似（除了tp index差别较大之外）。另外，这两组都是可以作为优质用户群体合并的，这是后来业务方的理解。
1700500826
1700500827
❑第5组，聚类样本中该组共有304个用户，占样本总量的47%。该组RMSSTD（Root-Mean-Square Standard Deviation）为0.258068，该组Login freq均值为21.32，tp index均值为2.56，pv均值为1808.43。
1700500828
1700500829
上述3组共占样本总量的85%，具有相当的代表性。
1700500830
1700500831
在上述基本聚类的基础上，又增加了业务方认为值得考虑的一些其他变量到这3个群组中，来进行特征描述，最后总共得到5类典型付费用户群体。经过与业务方的讨论，决定挑选其中两个群体的特征指标进行目标用户圈定，并进行具体的精细化运营。这两个群体的典型特征如下：
1700500832
1700500833
❑群体A。占样本数量的15%，主要特征为：全部是企业俱乐部用户，全部有在线交易历史，俱乐部年限小于4年，登录次数大于110次，pv量大于10 000，进一步过滤发现，绝大部分有P4P消耗记录。
1700500834
1700500835
❑群体B。占样本数量的10%，主要特征为：全部是个人俱乐部用户，全部有在线交易历史，俱乐部年限小于2年，登录次数大于100次，并且俱乐部指数小于80。
1700500836
1700500837
运营方根据上述两个群体特征，从参考数据中提取出了满足上述特征阀值的20000潜在目标受众，并进行了为期1周的定向在线运营活动，通过3轮营销推广活动（不同的渠道，不同的文案），产生了以下运营成果。
1700500838
1700500839
在为期1周的定向运营活动里，这20 000名目标受众中共937名用户被成功转化为付费用户，付费转化率为4.69%，与前期无特定目标的即时通讯工具群体运营的付费转化率不足1%进行对比，可以看到这次运营活动的效率提升是非常明显的。
1700500840
1700500841
为了让读者能更清楚、直观地认识到本次在线精细化运营的价值，在这里还分享一下传统领域的营销推广转换率数据，以便于大家参考和比较。2006年，世界知名的计算机硬件和软件系统服务提供商Oracle公司在中国市场做过一次比较成功的定向运营推广活动。先向200 000企业高层相关人士通过EDM（电子邮件营销）、Banner（官方网站的横幅广告）、直邮、电话访问以及夹报广告等各种传播方式传达Oracle的产品理念，经过两个月运营，有20 000目标受众对此表示出了兴趣，其阅读了宣传资料或者访问了产品宣传网站，进一步跟进，有2000人填写了反馈问卷，并下载了相关资料，最终，Oracle得到了900个销售机会。Oracle公司本次为期3个月的定向运营，得到的销售计划转化率为0.45%。
1700500842
1700500843
1700500844
1700500845
1700500847
数据挖掘与数据化运营实战：思路、方法、技巧与应用 第10章 预测响应（分类）模型的典型应用和技术小窍门
1700500848
1700500849
卖弄杀周易阴阳谁似你，还有个未卜先知意。
1700500850
1700500851
——《桃花女》
1700500852
1700500853
10.1 神经网络技术的实践应用和注意事项
1700500854
1700500855
10.2 决策树技术的实践应用和注意事项
1700500856
1700500857
10.3 逻辑回归技术的实践应用和注意事项
1700500858
1700500859
10.4 多元线性回归技术的实践应用和注意事项
1700500860
1700500861
10.5 模型的过拟合及对策
1700500862
1700500863
10.6 一个典型的预测响应模型的案例分享
1700500864
1700500865
预测响应（分类）模型是数据挖掘实战中最常见的应用模型，它最直接地涉及了精细化运营中的客户分层以及随后的个性化区别对待，从某种意义上来说，基于预测响应（分类）模型的客户分层运营已经成为精细化运营的代名词。
1700500866
1700500867
本章围绕预测响应（分类）模型的典型应用，对神经网络、决策树、逻辑回归、多元线性回归等最常见的4种算法在数据挖掘实战应用中的优缺点和技术重点进行了分析、归纳，从而帮助读者在今后的项目实践中有的放矢，扬长避短。
1700500868
1700500869
不同的模型算法，需要不同的数据准备；不同的算法，输出不同的产出物；不同的算法，在实践应用中有各自独特的优势和不足之处。数据分析人员只有对这些有了足够的了解和掌握，才可以实现有效的数据挖掘实践应用。
[
上一页 ]
[ :1.70050082e+09 ]
[
下一页 ]