中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

上篇文章介紹了用戶(hù)體系搭建的思路，這里單獨(dú)開(kāi)篇給大家介紹如何量化用戶(hù)價(jià)值。

在拓展市場(chǎng)初期沒(méi)有思路的時(shí)候，市場(chǎng)和運(yùn)營(yíng)同事絞盡腦汁做活動(dòng)、上新品、蹭熱點(diǎn)、做營(yíng)銷(xiāo)，不斷的拓展客戶(hù)、做回訪維系客戶(hù)感情，除了少數(shù)運(yùn)氣好的之外，大部分效果寥寥。真正的用戶(hù)沒(méi)有幾個(gè)，到最后都便宜了羊毛黨。不同階段、不同類(lèi)型的用戶(hù)需求點(diǎn)不同，有的客戶(hù)圖便宜，有的客戶(hù)看新品，有的客戶(hù)重服務(wù)，大包大攬的營(yíng)銷(xiāo)運(yùn)營(yíng)，最后的結(jié)果就是涼涼。

解決得分方法也很簡(jiǎn)單，就是用戶(hù)精細(xì)化運(yùn)營(yíng)，通過(guò)各類(lèi)運(yùn)營(yíng)手段提高不同類(lèi)型的用戶(hù)在產(chǎn)品中的活躍度、留存率和付費(fèi)率。而如何將用戶(hù)從一個(gè)整體拆分成特征明顯的群體決定了運(yùn)營(yíng)的成敗。這里介紹一個(gè)最經(jīng)典的用戶(hù)分群工具就是RFM模型。RFM模型是衡量用戶(hù)價(jià)值和用戶(hù)創(chuàng)利能力的經(jīng)典工具，依托于用戶(hù)最近一次購(gòu)買(mǎi)時(shí)間、消費(fèi)頻次以及消費(fèi)金額。

在應(yīng)用RFM模型時(shí)，要有用戶(hù)最基礎(chǔ)的交易數(shù)據(jù)，至少包含用戶(hù)ID，交易金額，交易時(shí)間三個(gè)字段。

RFM的含義：

• R（Recency）最近一次消費(fèi)時(shí)間：表示用戶(hù)最近一次消費(fèi)距離現(xiàn)在的時(shí)間。消費(fèi)時(shí)間越近的客戶(hù)價(jià)值越大。1年前消費(fèi)過(guò)的用戶(hù)肯定沒(méi)有1周前消費(fèi)過(guò)的用戶(hù)價(jià)值大。
• F（Frequency）消費(fèi)頻率：消費(fèi)頻率是指用戶(hù)在統(tǒng)計(jì)周期內(nèi)購(gòu)買(mǎi)商品的次數(shù)，經(jīng)常購(gòu)買(mǎi)的用戶(hù)也就是熟客，價(jià)值肯定比偶爾來(lái)一次的客戶(hù)價(jià)值大。
• M（Monetary）消費(fèi)金額：消費(fèi)金額是指用戶(hù)在統(tǒng)計(jì)周期內(nèi)消費(fèi)的總金額，體現(xiàn)了消費(fèi)者為企業(yè)創(chuàng)利的多少，自然是消費(fèi)越多的用戶(hù)價(jià)值越大。

基于這三個(gè)維度，將每個(gè)維度分為高低兩種情況，我們構(gòu)建出了一個(gè)三維的坐標(biāo)系。

（來(lái)源自網(wǎng)絡(luò)）

通過(guò)圖表很直觀的發(fā)現(xiàn)，我們把客戶(hù)分為了2的三次方也就是8個(gè)群體。

如果某個(gè)用戶(hù)最近一次消費(fèi)時(shí)間距今比較久遠(yuǎn)，沒(méi)有再消費(fèi)了，但是累計(jì)消費(fèi)金額和消費(fèi)頻次都很高，說(shuō)明這個(gè)用戶(hù)曾經(jīng)很有價(jià)值也就是RFM模型中的重要保持客戶(hù)，我們不希望他流失，所以運(yùn)營(yíng)人員就會(huì)專(zhuān)門(mén)針對(duì)這類(lèi)型用戶(hù)設(shè)計(jì)召回策略，這也就是RFM模型的核心價(jià)值。

當(dāng)然這里有個(gè)默認(rèn)前提：

• 最近有過(guò)交易行為的客戶(hù)，二次發(fā)生交易的可能性要高于最近沒(méi)有交易行為的客戶(hù)；
• 交易頻率較高的客戶(hù)比交易頻率較低的客戶(hù)，更有可能發(fā)生二次交易；
• 過(guò)去所有交易總金額較多的客戶(hù)，比交易總金額較少的客戶(hù)，更有可能發(fā)生二次交易。

舉例來(lái)說(shuō)明：

以下是模擬我近一年的消費(fèi)行為（腦海中蹦出了一年逛兩次海瀾之家…）：

假設(shè)當(dāng)前統(tǒng)計(jì)時(shí)間為2019年12月31日，經(jīng)過(guò)簡(jiǎn)單的統(tǒng)計(jì)計(jì)算可得：

• R值?=?12月31日?–?11月11日?=?50；
• F值?=?計(jì)數(shù)消費(fèi)次數(shù)?=?4；
• M值?=?1200+300+900+2000?=?4400；

這里會(huì)遇到第一個(gè)問(wèn)題：

R值最近一次消費(fèi)時(shí)間表示用戶(hù)最近一次消費(fèi)距離現(xiàn)在的時(shí)間，消費(fèi)時(shí)間越近的客戶(hù)價(jià)值越大。以上方式計(jì)算出的R值越大說(shuō)明當(dāng)前用戶(hù)最近一次消費(fèi)時(shí)間越遠(yuǎn)用戶(hù)價(jià)值越小，而F值還有M值越大代表用戶(hù)價(jià)值越大，三組數(shù)據(jù)不在同一個(gè)描述維度，而且R值、F值、M值存在量級(jí)之間的差距，無(wú)法直觀的通過(guò)加減來(lái)衡量用戶(hù)價(jià)值。

這里有兩種處理辦法分別是評(píng)分方式和算法。

評(píng)分方式

評(píng)分方式是根據(jù)三組數(shù)據(jù)各個(gè)值的特性，采用5分制為各個(gè)數(shù)據(jù)賦予一個(gè)評(píng)分值，R值的評(píng)分機(jī)制是R值越大，評(píng)分越小。具體評(píng)分的規(guī)則可以根據(jù)經(jīng)驗(yàn)設(shè)定分值的給予區(qū)間，或者將數(shù)據(jù)平均分配成為5組，對(duì)應(yīng)5個(gè)分值。

在基于三組數(shù)據(jù)對(duì)應(yīng)的評(píng)分值來(lái)計(jì)算評(píng)分值的平均數(shù)，大于等于平均數(shù)的數(shù)據(jù)劃到高的維度，低于平均數(shù)的數(shù)據(jù)劃到低的維度，自然將三組數(shù)據(jù)每組分別劃分為高低兩組，交叉組合后就是我們上面說(shuō)過(guò)的8種情況。然后在將三組數(shù)據(jù)對(duì)應(yīng)的評(píng)分值做累加就是RFM總值了。

評(píng)分機(jī)制的優(yōu)勢(shì)

計(jì)算RFM總值時(shí)解決了不同量級(jí)數(shù)據(jù)相加時(shí)影響權(quán)重不均衡的問(wèn)題。由于用戶(hù)的交易行為中R值和F值相對(duì)較小，如果三個(gè)值不處理就累加，M值直接決定了總值的量級(jí)，R值、F值對(duì)總值的影響很小，無(wú)法體現(xiàn)出用戶(hù)的真實(shí)價(jià)值。

同樣以剛剛的數(shù)據(jù)為例：RFM總值 = 50+4+4400= 4454

可見(jiàn)M值4400直接決定了最后計(jì)算結(jié)果的量級(jí)，前面R值、F值對(duì)結(jié)果的影響基本忽略不計(jì)。采用評(píng)分制的方法后，將R、F、M值都映射到了1至5的區(qū)間之內(nèi)，保證了各數(shù)據(jù)之間的可比性。

評(píng)分制的劣勢(shì)

賦值指標(biāo)的設(shè)定需要資深的業(yè)務(wù)經(jīng)驗(yàn)，什么樣的算高頻，什么樣的算高額都是經(jīng)驗(yàn)，并且用戶(hù)的消費(fèi)數(shù)據(jù)是不斷膨脹的，根據(jù)手動(dòng)設(shè)定的劃分區(qū)間無(wú)法隨著數(shù)據(jù)的不斷膨脹而自動(dòng)適配，所以需要根據(jù)經(jīng)驗(yàn)和數(shù)據(jù)反饋不斷修正。

算法方式

算法方式是根據(jù)數(shù)據(jù)特性將數(shù)據(jù)基于模型處理后量化用戶(hù)價(jià)值，分劃分高低維度、量化用戶(hù)價(jià)值兩步。

第一步：劃分高低維度

根據(jù)數(shù)據(jù)分布情況將數(shù)據(jù)分為高低兩組，這里區(qū)分的方式一般采用四分位數(shù)（將一組數(shù)據(jù)由小到大排列并分成四等份，處于三個(gè)分割點(diǎn)位置的數(shù)值就是四分位數(shù)。處于正中位置的數(shù)字就叫做中位數(shù)，如果數(shù)組個(gè)數(shù)為奇數(shù)個(gè)，則中位數(shù)為排序后中間的一個(gè)數(shù)，如果數(shù)組個(gè)數(shù)為偶數(shù)個(gè)，則中位數(shù)為排序后中間兩個(gè)數(shù)的平均數(shù)。），而不是評(píng)分制的平均數(shù)。

分位數(shù)相對(duì)于平均數(shù)應(yīng)用場(chǎng)景更廣，由于大部分?jǐn)?shù)據(jù)都呈現(xiàn)長(zhǎng)尾分布，80%甚至90%以上都集中在低頻低額區(qū)間，少數(shù)的用戶(hù)提供了大部分銷(xiāo)售，采用平均數(shù)無(wú)法很好的體現(xiàn)數(shù)組的特性，長(zhǎng)尾用戶(hù)很容易被平均，

下面舉個(gè)例子：土豪身價(jià)2個(gè)億，屌絲產(chǎn)品經(jīng)理身價(jià)20萬(wàn)，兩人平均后，平均身價(jià)1個(gè)億……

例子并不恰當(dāng)，但是能看出在數(shù)據(jù)呈現(xiàn)長(zhǎng)尾分布的場(chǎng)景中，平均數(shù)在很多場(chǎng)景并不合適，而采用四分位數(shù)時(shí)，可以根據(jù)數(shù)據(jù)分布情況，選擇中位數(shù)、四分之一位數(shù)或者四分之三位數(shù)，然后高于則劃分為高緯度，低于則劃分為低緯度。

這里有一點(diǎn)需要注意！

由于R值的大小和用戶(hù)價(jià)值呈現(xiàn)反比，所以高于分位數(shù)的時(shí)候算低緯度，低于分位數(shù)時(shí)算高緯度。

第二步：量化用戶(hù)價(jià)值

首先解決R、F、M三值量級(jí)不均衡的問(wèn)題，然后計(jì)算RFM總值量化用戶(hù)價(jià)值?？蓪⑷M數(shù)據(jù)分別無(wú)量綱化處理映射至0到1的區(qū)間在合理放大然后相加。很多同學(xué)一聽(tīng)到算法就暈了，我挑選了這個(gè)方法中最簡(jiǎn)單的一種，只用到了我們初中所學(xué)的數(shù)學(xué)，邏輯非常簡(jiǎn)單，下面我為大家介紹min-max歸一化。

min-max歸一化

先貼公式：

上式中，min是數(shù)組中的最小值，max是數(shù)組中的最大值。只要將數(shù)組中的數(shù)據(jù)依次經(jīng)過(guò)上述公式處理，最后發(fā)現(xiàn)原數(shù)組收斂到了0至1的區(qū)間之內(nèi)，是不是很簡(jiǎn)單。

下面是我隨機(jī)生成的一組數(shù)據(jù)為大家示例：

第一組源數(shù)據(jù)經(jīng)過(guò)無(wú)量綱化處理后收斂至了0到1區(qū)間之內(nèi)，可將不同量級(jí)的數(shù)據(jù)歸一化至同一量級(jí)，歸一化后的數(shù)據(jù)是一個(gè)位數(shù)極多的小數(shù)，而一般用戶(hù)對(duì)于極小數(shù)和極大數(shù)沒(méi)有直觀的感受。

所以這里我把所有的數(shù)據(jù)同比放大了100倍，將源數(shù)據(jù)擴(kuò)大到了0至100的區(qū)間，同時(shí)做了四舍五入，讓數(shù)據(jù)可讀性更強(qiáng)。經(jīng)過(guò)這樣的處理就將數(shù)據(jù)從原來(lái)不同量級(jí)無(wú)法直觀對(duì)比，歸一化到了0至100的區(qū)間，方便大家直觀計(jì)算RFM總值。

最后計(jì)算RFM總值的公式如下：RFM總值?=?R值*（-1）+F值+M值+100；

公式中同樣為了解決R值同F(xiàn)、M值統(tǒng)計(jì)維度不一樣的問(wèn)題，這里給R值乘以了負(fù)1，同時(shí)為了保證數(shù)據(jù)結(jié)果不會(huì)出現(xiàn)負(fù)數(shù)，又在最后加了100。這樣處理之后保證最后的RFM總值落在了0至400的區(qū)間之內(nèi)，讓大家可以通過(guò)分值很直觀的量化用戶(hù)價(jià)值。

總之，RFM最終的目的就是幫助業(yè)務(wù)提高運(yùn)營(yíng)效率和產(chǎn)出價(jià)值，上述介紹了兩種方法，一種通過(guò)經(jīng)驗(yàn)人工劃分出用戶(hù)群體，一種通過(guò)數(shù)據(jù)挖掘，給與業(yè)務(wù)運(yùn)營(yíng)建議。

具體的業(yè)務(wù)應(yīng)用場(chǎng)景還是以淘氣值為例（均為個(gè)人猜想，如果哪里說(shuō)得不對(duì)，還請(qǐng)留言告知，謝謝）。

• 購(gòu)物分：是近12個(gè)月購(gòu)買(mǎi)金額的綜合分值。每一筆訂單、每日、每月、每一類(lèi)商品、每一個(gè)店鋪，可獲得的最高可得分都不同，另外，購(gòu)買(mǎi)更多種類(lèi)的、高信譽(yù)商家的商品可以得到更多分；
• 獎(jiǎng)勵(lì)分：獎(jiǎng)勵(lì)分是近12個(gè)月內(nèi)購(gòu)買(mǎi)的商品類(lèi)目數(shù)，反映真實(shí)消費(fèi)體驗(yàn)的文字評(píng)價(jià)、帶圖評(píng)價(jià)、追評(píng)、分享被點(diǎn)擊數(shù)、問(wèn)大家參與次數(shù)、購(gòu)買(mǎi)成交天數(shù)、連續(xù)購(gòu)買(mǎi)月數(shù)的綜合分值。獎(jiǎng)勵(lì)分受購(gòu)物分正向影響，購(gòu)物分越高，獎(jiǎng)勵(lì)分越高；
• 基礎(chǔ)分：基礎(chǔ)分由當(dāng)前信譽(yù)等級(jí)決定。信譽(yù)等級(jí)越高，基礎(chǔ)分越高，并且可得購(gòu)物分和獎(jiǎng)勵(lì)分的分?jǐn)?shù)越高。

購(gòu)物分圍繞著用戶(hù)的近12個(gè)月消費(fèi)記錄，獎(jiǎng)勵(lì)分則是圍繞著用戶(hù)的實(shí)際互動(dòng)行為，包括評(píng)價(jià)、分享、參與次數(shù)等。這里特別強(qiáng)調(diào)一點(diǎn)RFM模型不僅僅針對(duì)消費(fèi)數(shù)據(jù)，可以試試其他新的花樣，比如：

• 互動(dòng)行為：最近一次互動(dòng)時(shí)間、互動(dòng)頻次、用戶(hù)的互動(dòng)次數(shù)；
• 直播行為：最近一次觀看直播時(shí)間、直播觀看頻次、觀看直播累計(jì)時(shí)長(zhǎng)；
• 內(nèi)容行為：最近一次觀看內(nèi)容時(shí)間、觀看內(nèi)容頻次、觀看內(nèi)容字?jǐn)?shù)；
• 評(píng)論行為：最近一次評(píng)論時(shí)間、評(píng)論頻次、累計(jì)評(píng)論次數(shù)等等等等。

以上這些只是我的簡(jiǎn)單思考，希望可以給大家更多的啟發(fā)。

淘寶根據(jù)用戶(hù)的淘氣值將用戶(hù)分成了三種類(lèi)型：

• 普通會(huì)員：0?≤?淘氣值?＜?1000；
• 超級(jí)會(huì)員：1000?≤?淘氣值?＜?2500；
• APASS會(huì)員：2500??≤?淘氣值。

分別設(shè)定了不同的權(quán)益針對(duì)性運(yùn)營(yíng)，在推出88會(huì)員的時(shí)候淘氣值高于1000分的用戶(hù)可以以88元直接購(gòu)買(mǎi)會(huì)員。同時(shí)在淘氣值頁(yè)面看到了88會(huì)員中心【敬請(qǐng)期待】的頁(yè)面，在結(jié)合88會(huì)員入口處【花小積分?兌大權(quán)益】的文案，相信未來(lái)淘寶會(huì)在88會(huì)員上有新的運(yùn)營(yíng)動(dòng)作。

最后關(guān)于無(wú)量綱化處理的方法還有很多，我這里介紹了最簡(jiǎn)單的一種，喜歡研究的同學(xué)可以自行百度。

會(huì)員系列的第二篇，終于在糾結(jié)了兩周反復(fù)難產(chǎn)的過(guò)程中完成了。

相關(guān)閱讀

搭建會(huì)員體系時(shí)必須要思考的三個(gè)問(wèn)題！

本文由 @萌面趙先生 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)作者許可，禁止轉(zhuǎn)載。

題圖來(lái)自 Unsplash，基于 CC0 協(xié)議