1700501621
数据挖掘与数据化运营实战：思路、方法、技巧与应用 11.2.2 RFM
1700501622
1700501623
在数据挖掘技术还没有投入到企业的商业应用中的20世纪里，传统行业利用非常简单的统计基础技术和不简单的商业逻辑思维，发现了不少朴实无华的、简约但不简单的用户特征分析方法，其中最有影响力和最具知名度的要数RFM分析方法了。
1700501624
1700501625
简单来说，RFM分析方法是指通过影响企业销售和利润的客户行为字段里的最重要的3个变量：R（Recency），客户消费新鲜度，指客户最近一次购买公司产品的时间；F（Frequency），客户消费频度，指客户特定时间段里购买公司产品的次数、频度；M（Monetary），客户消费金额，指客户在特定时间段里消费公司产品的总金额，来对客户进行划分，从中发现具有不同价值的不同客户群体典型特征。在该方法中，3个变量的排列顺序是很严格的，有轻重缓急和先后次序，其中，最重要的是客户消费新鲜度，其次是客户消费频度，最后才是客户消费金额。具体内容如下：
1700501626
1700501627
❑客户消费新鲜度（Recency），指客户最后一次购买的时间距离目前的天数（或月数），在预测客户是否会在下一次继续消费时，该字段最为重要，最有预测价值。这从商业逻辑上很容易理解：如果你最近消费了公司的产品，那么相比其他最近没有消费公司产品的用户来说，你更加有可能会继续光顾。
1700501628
1700501629
❑客户消费频度（Frequency），指客户迄今为止的特定时间段内购买公司产品的总次数，在预测客户是否会继续消费时，该字段的重要性和预测能力是仅次于客户消费新鲜度（Recency）的。该字段的重要性从商业逻辑上也是很容易理解的，购买的次数越多，越有可能会继续购买，这就是所谓的老客户吧。
1700501630
1700501631
❑客户消费金额（Monetary），指客户迄今为止的特定时间段内购买公司产品的总金额，在预测客户是否会继续消费时，该字段成为第3个重要的预测要素。该字段的重要性从商业逻辑上也是很容易理解的，购买的金额越大，越有可能继续购买，所谓的大客户通常也更容易成为老客户。
1700501632
1700501633
在具体应用中，RFM分析方法首先会将上述3个字段进行分箱处理，即离散化处理，使之成为类别型变量，具体如何选择分箱的区间值，取决于具体的业务背景。为了避免分类数目太大导致业务解释和业务应用上的麻烦，上述每个字段分类的数量一般不超过5～8个。接下来，则针对已经分箱后的3个字段的数值，分别进行组合。
1700501634
1700501635
举例来说，如果上述3个字段都分别进行了离散化处理，处理后的每个字段都包含好、中、差3个类别，那么按照排列组合的计算方式，上述3个字段里每个字段每次只取1个类别与其他两个字段进行组合，一共有27种组合方式，其中最有可能继续消费的用户群是在对应的3个字段里的类别都应是“好”的群体，即“新鲜度最高，消费频度最多，消费金额最大”的用户细分群体是最优质的用户，需要重点跟进和服务。
1700501636
1700501637
虽然RFM分析方法来自传统行业简单的统计基础技术，但是它作为一种非常成熟和成功的用户特征分析方法，完全可以应用到互联网行业的数据化运营场景中。
1700501638
1700501639
除了作为成熟的用户特征分析框架外，RFM分析方法还可以作为常规的业务分析的框架和模板。举例来说，通过对RFM里的每个维度进行单独分析和总结，我们就可以清楚地总结出产品和业务的一些核心现状结论。比如，90%的公司客户在至少5个月的时间里没有购买公司产品，85%的公司客户最近1年内购买公司产品的次数小于等于2次，80%的客户在最近1年内的消费金额低于50元。如果这些总结的数据是来自一家快速消费品行业，那么就说明这家企业的优质客户太少，忠诚客户太少，企业的经营前景不妙。
1700501640
1700501641
1700501642
1700501643
1700501645
数据挖掘与数据化运营实战：思路、方法、技巧与应用 11.2.3 聚类技术的应用
1700501646
1700501647
聚类技术作为数据挖掘的常用基础技术，在用户特征分析中有着重要的应用价值。
1700501648
1700501649
关于聚类技术本身的详细介绍，在第9章已经做了详细介绍，这里就不再重复讲解了。针对聚类技术在用户特征分析中的具体应用，需要强调的是，如果参与聚类的变量数量较少，为了能够更好地支持用户特征分析的实践应用，非常有必要在聚类（分群）的基础上，增加更多的与业务目标和商业背景相关的非聚类变量来进行综合考虑。
1700501650
1700501651
举例来说，在一个针对某产品付费用户的细分项目中，要把付费用户细分成特征区别明显的几个群体，如果采用聚类分析技术进行分析，参加聚类的字段只限于累计购买金额、产品重复购买次数、加入会员俱乐部的年限等3个核心指标。经过聚类分析后，可以将付费用户细分成6个相互之间区别比较明显的细分群体。然后，在上述细分基础上，针对每个细分群体，还可以进一步分别考察其他的字段和指标，找出其他的特征字段。比如A群体，除了聚类分析找到的特征“累计购买金额大于2000元，基本上没有重复购买，加入会员俱乐部年限为1年以内，”通过对其他字段的考察，发现该群体还具有都购买过P4P产品、年龄在30岁以下、主营行业都是服装服饰等特征。很显然，增加了新的特征之后，该群体的典型特征就更加丰满、更加深入了，由此会为业务方的分析、运营、管理提供更多的方向、更深的了解、更全面的信息。
1700501652
1700501653
1700501654
1700501655
1700501657
数据挖掘与数据化运营实战：思路、方法、技巧与应用 11.2.4 决策树技术的应用
1700501658
1700501659
关于决策树的原理和在预测模型中的注意事项，在本书第10.2节中已进行了详细的介绍。
1700501660
1700501661
决策树技术最大的应用优势在于其结论非常直观易懂，生成的一系列“如果……那么……”的逻辑判断，很容易让人理解和应用。这个特点是决策树赢得广泛应用的最主要原因，真正体现了简单、直观、通俗、易懂。
1700501662
1700501663
借助决策树技术的上述应用优势，那些典型的“如果……那么……”的业务规则（规律）是很容易转化为用户特征分析的典型结论和典型特征的。
1700501664
1700501665
1700501666
1700501667
1700501669
数据挖掘与数据化运营实战：思路、方法、技巧与应用 11.2.5 预测（响应）模型中的核心自变量
[
上一页 ]
[ :1.70050162e+09 ]
[
下一页 ]