打字猴:1.700501554e+09
1700501554
1700501555 数据挖掘与数据化运营实战：思路、方法、技巧与应用 [:1700497647]
1700501556 数据挖掘与数据化运营实战：思路、方法、技巧与应用 11.1.2　寻找运营的抓手
1700501557
1700501558 有了目标用户，还是远远不够的，就好像找到了意中人，却不等于已经赢得了对方的心。于是，寻找运营的抓手成为用户特征分析的第二个常见应用场景。
1700501559
1700501560 从原理上讲，运营抓手就是指通过运营的方式可以用于改善和提升客户满意度的一些特定行为字段，为了寻找运营抓手而进行用户特征分析时，在分析中就应该包括可以运营的特定行为字段。常见的所谓运营抓手包括用户的一些主动行为，之所以强调主动行为，是因为只有主动的行为才是用户自身努力可以达到的，因此只有主动行为才是可以通过运营的方式传达给用户，并且用户可以通过主观努力来改善和提升的；而被动行为是不以用户主观意识为转移的。
1700501561
1700501562 常见的主动行为则又包括用户登录网站的天次、用户发布商品信息的条数、用户购买增值产品的行为等。很显然，所有的主动行为都是用户自身努力就可以改善和提升的。
1700501563
1700501564 常见的被动行为包括用户（卖家）能否卖出产品、用户（卖家）能否收到足够的买家询盘等。很显然，所有的被动行为都不是用户单方面努力就可以明显改善和提升的，它取决于交易双方的多种因素。换句话说，被动行为是无法通过运营（服务）的手段有效提升和改善的。
1700501565
1700501566 可能有读者会疑惑，本书第10章的案例用户初次成交预测模型及落地应用中，似乎是通过运营手段实现了初次交易这个被动行为的，那这与运营抓手应该是主动行为，而不应该是被动行为是否有矛盾呢？第10章的案例之所以可以成功推动部分卖家实现初次交易，主要是因为模型找到了最可能在近期实现初次交易突破的卖家群体，然后通过运营的手段对他们进行了有意识、有重点的服务和资源倾斜，所以这些卖家实现初次交易实际上是预测模型和运营计划的成功体现，而并没有否定运营抓手应该是主动行为，而不应该是被动行为。单纯从常规的运营效率和经验看，运营的抓手一定是并且必须是主动行为，而不应该是被动行为。
1700501567
1700501568
1700501569
1700501570
1700501571 数据挖掘与数据化运营实战：思路、方法、技巧与应用 [:1700497648]
1700501572 数据挖掘与数据化运营实战：思路、方法、技巧与应用 11.1.3　用户群体细分的依据
1700501573
1700501574 数据化运营的精细化要求就是个性化运营的要求，虽然在企业的商业实践中不可能真的实现一对一的个性化服务，至少在目前是不可能的，主要原因在于资源配置和服务效率上。但是针对不同的细分群体进行个性化服务和运营却是必要的，否则它与传统的粗放经营又有什么区别呢？因此，用户的群体细分就成了数据化运营的最低要求和基本门槛，如何有效合理地细分用户群体，就成为用户特征分析在企业数据化运营实践中的第三大应用场景了。
1700501575
1700501576 用户群体的细分，可以基于单纯的运营抓手细分，也可以基于纯粹的统计分析来找出最可能显著区别于不同群体的特征字段，还可以两者兼顾、包容并蓄。具体采用哪种方法，主要根据具体的业务背景和业务需求来考虑，11.2节将深入讨论相应的具体技术和分析思路。
1700501577
1700501578 对于用户群体细分结论的评价，主要看细分的群体之间在业务或者运营上是否有可以利用的明显差别，这一点非常类似聚类分析的评价体系，但是单纯的指标评价只是其中的一个方面，更重要的评价依据应该是业务理解和业务认可。关于聚类分析的评价体系，可参考本书第9章。
1700501579
1700501580
1700501581
1700501582
1700501583 数据挖掘与数据化运营实战：思路、方法、技巧与应用 [:1700497649]
1700501584 数据挖掘与数据化运营实战：思路、方法、技巧与应用 11.1.4　新品开发的线索和依据
1700501585
1700501586 用户特征分析在企业数据化运营实践中的第4个主要应用场景就是新品开发的线索和依据。
1700501587
1700501588 现代企业的新品开发与传统的新品开发最大的不同之处就是以用户为中心。因此，针对用户的分析以及在此基础上对用户特征的提炼就成为新品开发的主要线索和来源。
1700501589
1700501590 所谓的新品开发线索，总结起来，无非是产品是为谁而推出的、产品的功能满足用户的哪些特定需求等，这些核心要素其实都是可以从用户特征分析里找到参考或者答案的，鉴于此，用户特征分析也就理所当然地成为支持企业新品开发的线索和依据了。
1700501591
1700501592 以上内容从4个不同的业务应用场景介绍了用户特征分析的应用价值，不过，在数据化运营的商业实践中，上述4个应用场景并不是孤立的、相互割裂的，而是相互重叠、互为主次的，只不过侧重点不同，主要矛盾不同而已。
1700501593
1700501594 另外，上述4个业务应用场景并不能完全代表用户特征分析的所有应用场景，随着企业数据化运营实践的不断深入，新的应用场景会不断涌现，数据分析师需要与时俱进，紧跟业务需求，积极响应。
1700501595
1700501596
1700501597
1700501598
1700501599 数据挖掘与数据化运营实战：思路、方法、技巧与应用 [:1700497650]
1700501600 数据挖掘与数据化运营实战：思路、方法、技巧与应用 11.2　用户特征分析的典型分析思路和分析技术
1700501601
1700501602 用户特征分析作为企业客户关系管理的最基本的工作内容，在传统行业里已经有了一些比较成熟的思路和技术应用；进入互联网时代，在数据化运营企业中，面对海量的数据和成千上万的变量字段，各企业也在不断尝试并积累新的分析思路和分析技术。本节将结合传统行业中具有代表性的成熟思路和技术，以及数据挖掘技术支持的思路和技术，对用户特征分析进行梳理和汇总。
1700501603
[ 上一页 ]  [ :1.700501554e+09 ]  [ 下一页 ]