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

本文主要從原理、計算流程、應用場景等方面介紹了5個客戶模型，enjoy~

不久前，淘寶推出了”88VIP卡”，可享受購物折扣、餓了么超級會員、優(yōu)酷VIP、蝦米超級VIP等尊享服務，權(quán)益價值近2000元/年，幾乎涵蓋阿里新零售生態(tài)旗下吃喝玩樂的一條龍服務。這樣的一張會員卡，普通會員售價888元/年，而淘氣值滿1000的超級會員，僅售88元/年，真的是不要998。

雖然筆者并沒有資格享受，但是對淘氣值很好奇。官方是這樣解釋的：

淘氣值是根據(jù)會員近12個月在淘寶、天貓，飛豬以及淘票票上的”購買金額、購買頻次、互動、信譽“等行為，而綜合計算出的會員價值分。

簡單解讀，淘氣值就是阿里對客戶價值的度量，背后是一套成熟的計算模型。淘氣值是阿里的會員養(yǎng)成體系，大于1000的客戶，阿里認為是高價值客戶，可以提供差異化的產(chǎn)品和服務，增大使用粘性，并為旗下其他產(chǎn)品引流；小于1000的客戶，則引導其向高價值客戶轉(zhuǎn)化（雖然包括小編在內(nèi)的好多用戶，都感覺受到了1w點傷害）。

由此可見，企業(yè)在對客戶全生命周期管理的過程中，往往會針對不同階段的客戶群體進行細分，提供差異化的產(chǎn)品和服務，從而達到精細化運營的目的。實際工程中，客戶群體的細分一般依據(jù)客戶的：標簽、線上行為、線下行為等作為判斷條件。其中，有一類標簽是通過大數(shù)據(jù)建模才能產(chǎn)出。

本文主要從原理、計算流程、應用場景等方面，介紹了5個客戶模型：

• 3個客戶評估模型：RFM模型、忠誠度模型、活躍度模型；
• 1個客戶細分模型：Look-alike模型；
• 1個客戶響應模型：流失預警模型。

一. 建模流程

建模的過程一般分為以下幾個步驟：

1. 業(yè)務理解：明確面臨的標簽問題和建模的目的，完成標簽問題到建模問題的定義過程；
2. 數(shù)據(jù)理解：收集涉及到的數(shù)據(jù)、熟悉數(shù)據(jù)、識別數(shù)據(jù)質(zhì)量問題、探索對數(shù)據(jù)的第一認識；
3. 數(shù)據(jù)準備：從原始未加工數(shù)據(jù)到構(gòu)造成最終的數(shù)據(jù)集過程；
4. 建立模型：針對不同的標簽問題選擇建模技術(shù)，并對參數(shù)進行調(diào)優(yōu)；
5. 模型評估：評估模型和檢查建模的各個步驟，確認是否達到解決標簽問題；
6. 模型部署：將模型部署到系統(tǒng)中，并對監(jiān)控、維護該模型做出計劃。

1. RMF模型

RFM模型是客戶價值分析模型。該模型通過分析客戶的近期消費行為、消費頻率及消費金額，來衡量客戶價值及創(chuàng)造利潤能力，為客戶價值分析、流失預警分析等精細化運營提供依據(jù)。

• R：Regency（近度），即客戶最近一次交易與當前時間的間隔。
• F：Requency（頻度），即客戶的交易頻率。
• M：Montary（額度），即客戶的交易金額。

該模型的輸入數(shù)據(jù)為：最近一次交易時間、交易頻率、交易金額這三個核心指標，分別計算出每個指標數(shù)據(jù)的均值，分別以avg（R）、avg（F）、avg（M）表示，然后將每位客戶的三個指標值分別與平均值進行對比，K-means聚類分析，可得出以下8類客戶價值群體：

• 重要價值客戶：最近交易時間近、交易頻率和交易金額高，肯定是優(yōu)質(zhì)客戶。
• 重要發(fā)展客戶：最近交易時間近，交易金額高，但交易次數(shù)少，但不太活躍，忠誠度不高，需要重點識別。
• 重要保持客戶：交易金額和交易頻次都很高，但最近一次交易時間遠，是個很長時間沒來的忠實客戶，需要主動和客戶來次互動，及時喚回。
• 重要挽留客戶：交易金額高，但最近交易時間遠、交易頻次低，是潛在的價值客戶，需要重點挽留。
• 一般價值客戶：最近交易時間近、交易頻次也高，唯獨交易金額小，“屌絲”群體，客戶價值需要挖掘。
• 一般發(fā)展客戶：最近交易時間近，但交易頻次和交易金額小，有推廣價值。
• 一般保持客戶：交易次數(shù)多，但是貢獻不大，一般維持即可。
• 一般挽留客戶：最近交易時間遠、交易頻次和交易金額也都很小，貢獻度最小，如果運營精力充沛也可挽留。

輸入的數(shù)據(jù)集經(jīng)過RFM模型分析后，給每條數(shù)據(jù)里的客戶打上八種標簽值的其中一個，企業(yè)通過標簽值篩選出不同的客戶群后，就可以執(zhí)行相應的貢獻度分析、預警流失客戶挽回等精細化運營，如：

給重要價值客戶定時提供差異化尊享服務（淘氣值1000以上提供88VIP會員卡）；

給重要保持客戶建立EDM或電話營銷等互動通道，及時喚醒并提高活躍度（近3個月沒有信用交易的客戶，電話推銷告知提升客戶額度并可提現(xiàn)）；

重要挽留客戶是優(yōu)質(zhì)的存量用戶群，要給予限時折扣或權(quán)益，投入精力重點挽回。

注：聚類是一種非監(jiān)督式學習算法，聚類不要求源數(shù)據(jù)集有標注，一般應用于做數(shù)據(jù)探索性分析，聚類算法的結(jié)果是將不同的數(shù)據(jù)集按照各自的典型特征分成不同類別。

而k-means聚類算法的思想是：初始隨機給定K個簇中心，按照距離最近原則把待分類的樣本點分到各個簇，然后按平均法重新計算各個簇的質(zhì)心，從而確定新的簇心，迭代計算，直到簇心的移動距離小于某個給定的誤差值。

2. 忠誠度模型

客戶忠誠度是客戶對某種產(chǎn)品或服務重復或連續(xù)購買的心理、言語、行為指向程度的度量。對企業(yè)而言，忠誠顧客能夠產(chǎn)品持續(xù)的、長期的效益。傳統(tǒng)的CRM有個“八一定律”，即拉動1個新用戶，是用維系老用戶的8倍成本來實現(xiàn)的。隨著人口紅利的消失，現(xiàn)如今企業(yè)越來越重視存量市場，所以刻畫客戶對產(chǎn)品或品牌的忠誠度尤為重要。

品牌忠誠度依據(jù)：

• 網(wǎng)站忠誠度的5個指標，即用戶累計瀏覽品牌的次數(shù)、累計瀏覽時間、累計瀏覽天數(shù)、累計瀏覽頁面數(shù)、最后瀏覽時間；
• 品牌忠誠的9個指標，即累計購買某品牌商品的次數(shù)、累計購買某品牌商品的金額、最后一次購買某品牌的時間、累計搜索某品牌關(guān)鍵字的次數(shù)、用戶瀏覽同類其他品牌的累計平均次數(shù)、用戶瀏覽同類其他品牌的累計平均瀏覽時間、用戶瀏覽同類其他品牌的累計平均瀏覽天數(shù)、用戶瀏覽同類其他品牌的累計平均瀏覽頁面數(shù)、用戶瀏覽同類其他品牌的最后平均瀏覽時間。

結(jié)合具體業(yè)務場景下給定的各項指標的權(quán)重值，來計算用戶的忠誠度。所有權(quán)重值之和為1，最后將忠誠度的值映射到1到100之間。依據(jù)忠誠度落在不同區(qū)間的值，將中文用戶等級結(jié)果寫到標簽系統(tǒng)。

依據(jù)標簽篩選的客戶群體細分為幾類群體，分群組進行精細化運營，例如：潛在忠誠客戶群體提高搜索權(quán)重，加大品牌認知；高忠誠客戶群體復購時推薦高價值商品；建立積分商城，長期培養(yǎng)監(jiān)測客戶忠誠度的養(yǎng)成等。

3. 活躍度模型

一般的，企業(yè)可通過活躍用戶數(shù)，看產(chǎn)品的市場體量，通過活躍率，看產(chǎn)品的健康度。日常的促活運營活動，需要通過活躍度標簽篩選人群。

首先，根據(jù)業(yè)務規(guī)則選定輸入因子，如電商行業(yè)的輸入行為特征一般為：最后一次登錄時間、最后一次購買時間、半年內(nèi)評論數(shù)、半年內(nèi)購買數(shù)、累計登錄天數(shù)、累計停留時間、瀏覽頁面數(shù)等，然后計算活躍度得分。

分析活躍度得分，輸出結(jié)果標簽邏輯如下：

• 高活躍度客戶（活躍度得分前30%），表示客戶粘性高，是企業(yè)的核心用戶。
• 中活躍度客戶（中間部分），表示客戶與企業(yè)產(chǎn)品交互程度一般，需要繼續(xù)維持。
• 低活躍度客戶（活躍度得分后30%），即沉睡客戶，是企業(yè)日常促活運營的重點對象。

4. Look-alike模型

Look-alike模型，即受眾擴散模型，模型原理是以種子客群為基礎(chǔ)，找到與種子客群興趣愛好相似的另一組人群，計算兩組人群的相似度或以群組距離進行分類，從而達到精準挖掘潛在受眾、擴大推廣范圍的目的。人群擴散在推銷新商品、尋找潛客、開發(fā)客戶購買力等多種場景下都起著關(guān)鍵作用。

受眾擴散模型的基本流程如下：

1. 根據(jù)客群的各維度原始數(shù)據(jù)，提取出可用的特征變量；
2. 選取種子客群為模型的正樣本；按比例隨機抽取種子客群作為觀測樣本，加入候選人群作為負樣本，以種子客群作為正樣本，訓練分類模型，將觀測樣本中預測為正類的概率的后5%作為可靠負樣本；
3. 根據(jù)種子客群和可靠負樣本構(gòu)建相似度模型；根據(jù)相似度模型，將所有候選人群擴散成目標群體。

常見的二分類算法有LR邏輯回歸，決策樹，SVM，隨機森林等。

特征的選取一般包含用戶的：

• 屬性標簽數(shù)據(jù)。如性別、年齡、地域、婚姻狀況、受教育水平、職業(yè)等，一般來自用戶注冊信息或預測；
• 行為結(jié)果數(shù)據(jù)。如電商用戶的站內(nèi)外搜索、瀏覽、購買等行為，媒體用戶的關(guān)注、轉(zhuǎn)發(fā)等行為，一般為用戶實際發(fā)生行為的日志；
• 行為偏好數(shù)據(jù)。如電商用戶的消費等級、商品品類偏好、商品品牌偏好，媒體用戶的上網(wǎng)時段、瀏覽頻道偏好等，一般根據(jù)用戶行為計算分析而得出；
• 社交網(wǎng)絡(luò)數(shù)據(jù)。利用用戶的社交關(guān)系網(wǎng)絡(luò)，將種子人群的標簽或?qū)傩詳U散給好友。如微博的粉絲關(guān)注、轉(zhuǎn)發(fā)行為等構(gòu)成的社交關(guān)系網(wǎng)絡(luò)。

5. 流失預警模型

流失預警模型，即根據(jù)客戶的多維特征，判斷系統(tǒng)內(nèi)的客戶有多大概率流失，根據(jù)流失概率分群，針對潛在流失客戶群體制定針對性的挽回營銷策略。

流程預警模型的大致流程如下：

1. 輸入客戶原始數(shù)據(jù)，提取關(guān)鍵特征，如性別、年齡、收入、最近消費行為、回流率等；
2. 進行數(shù)據(jù)加工，字符型數(shù)據(jù)轉(zhuǎn)化為數(shù)值型數(shù)據(jù)以供模型計算，對于缺失值采用插值或重新賦值策略，對于異常值采用插值或剔除策略；
3. 將符合格式規(guī)范的數(shù)據(jù)輸入到模型中，計算出流失概率，并根據(jù)流失概率輸出為相應的標簽。

一般的，根據(jù)流失概率分布，可輸出為以下四個標簽值：

• 正常（流失概率0~0.2），表示流失的概率基本很小，可忽略不計；
• 輕度（流失概率0.2~0.5），表示有潛在流失風險，需要重點關(guān)注；
• 嚴重（流失概率0.5~0.8），表示有明顯的流失傾向，需要重點維系，必要時可以有主動觸達；
• 非常嚴重（0.8~1.0），表示有非常嚴重的流失傾向，需要主動與客戶以EDM或電話等形式發(fā)生互動，及時挽回。

— END —

作者：Herman Lee ，公眾號：產(chǎn)品方法論（ID：HermanLee2018）

本文由 @Herman Lee 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自 Pixabay，基于 CC0 協(xié)議