打字猴:1.70050157e+09

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

1700501604 数据挖掘与数据化运营实战：思路、方法、技巧与应用 [:1700497651]

1700501605 11.2.1　3种划分的区别

1700501606

1700501607 抛开各种不同的分析技术和算法，单纯从业务方对于用户群体的熟悉程度来考虑，可以将用户特征分析拆分成3种分析类型，分别是预先定义的划分、数据分析的划分、复合的划分。在这里之所以首先提出这3种划分方式，是因为在企业的数据化运营实践中，在不少场景里，并不总是必须经过严格的数据分析才能找到合理的特征划分的，基于业务方对数据和业务的深度熟悉与了解，并且基于特定的业务目的，也是可以进行预先定义式的特征分析的。也就是说，在数据化运营的商业实践中，业务方的业务直觉和业务敏感性非常重要，在某些特定业务场合中，进行用户特征分析时可以直接按照业务方指定的指标和字段进行群体划分和特征分析。数据分析师对此要有足够的认识和了解，才可以在实践中灵活应对，有效支持业务分析需求。

1700501608

1700501609 3种划分方式的具体定义如下：

1700501610

1700501611 ❑基于预先定义的划分。该种方法是如果对业务和客户已有深度的了解，那么可以基于特定的业务需求目的，直接按照特定的分析字段和分析指标进行特征分析和提炼。这种方法要求业务方和数据分析师对于数据和客户已经非常了解，并且特定的业务需求（商业目标）很明确，在这种情况下，不需要进行复杂的数据分析和数据挖掘算法的探索，可直接按图索骥。举例来说，业务方对客户非常熟悉了解，或者说计划中的运营方案是专门针对下单订购产品的，但是15天之后仍然没有付款的用户所进行的催单提醒为目的的运营活动，那么就可以使用此方法。

1700501612

1700501613 ❑基于数据分析的划分。该类方法是主流的用户特征分析方法，因为对用户不了解，且业务需求千变万化，所以要针对不同的业务需求进行不同的数据分析挖掘，找出用户的典型特征。本章要讨论的主要是基于数据分析的用户特征分析。这里主要的分析技术和分析思路包括本章将要详述的RFM、聚类技术、决策树的规则整理、预测（响应）模型的核心变量、假设检验方法、Excel透视表的应用等。

1700501614

1700501615 ❑复合划分。该类方法综合采用了上述两类方法。在具体分析课题中，这两类方法的优先级如何划分，孰重孰轻，则取决于对用户的熟悉了解程度和具体的业务需求目的（商业任务）了。总体来说，基于数据分析的划分方法常常是处于主要地位的，同时，会在此基础上参考业务经验进行更加有效、更加贴近需求的分析和结论建议。

1700501616

1700501617

1700501618

1700501619

[ 上一页 ] [ :1.70050157e+09 ] [ 下一页 ]