一个成功的数据挖掘项目首先要有对业务需求的准确描述,然后项目的相关人员自始至终要对业务有正确的理解和判断,这一点永远高于项目分类和分析技术的选择。
1目标客户特征分析
目的:只有确定目标客户和受众,才能进行精细化运营
在分析目标客户的典型特征时,有两种业务情景:
试运营前的虚拟特征探索试运营后的真实数据探索
试运营前:没有真实的业务环境,没有真实的用户数据,需要寻找类似业务场景的历史数据进行模拟和推断。根据产品设计理念、产品定位、体验推测等因素输出目标客户预期的典型特征,试运行后再根据真实数据进行调整。
试运行后:基于真实业务场景下的用户数据进行数据分析,提取的目标用户特征更加准确可行,更加贴近业务。产品的核心目标用户特征分析报告的最终输出为运营团队的精准营销提供支持。
2目标客户预测(对应、分类)模型
包括:
流失预警模型付费预测模型续费预测模型运营活动相应模型…
目的:预测个体的相应概率,并显示变量之间的关系
举例:建立预测反应模型,判断特定时间段内交易的概率。
输入变量:最近一个月的曝光率、店铺评级、…
输出变量:是否在线交易。
最后发现店铺评分这两个变量在近一个月的曝光后与产出变量的正相关最大,因此有理由相信增加曝光和评分可以促进交易量。
3运营集团活动的定义
活动的定义没有统一的标准,一般是根据具体的业务场景和运营需求量身定制的。其中,定义活性的两个最常见的基本点是:
活跃度组成指标应该是该业务场景中最核心的行为因素衡量活跃度的定义合适与否的重要判断依据是其能否有效回答业务需求的终极目标
比如一个产品可以给卖家提供和买家谈判的功能。免费版提供基本功能,付费版提供所有功能。现在,需要为这个产品定义一个用户活动,从而促使用户从免费版转向付费版。
关键指标:用户登录次数,用户使用核心功能。
判断这个定义是否恰当,要看按照这个定义定义的活跃用户中,有多少用户是真正付费的。覆盖率越高,清晰度越好。也可以理解为这个定义是否有效的将免费用户和付费用户区分开来。
4用户路径分析
分析主要用户在网页/app上的流转规律和特征,发现频繁访问的路径模式。这些路径的发现可以有很多商业用途,包括提炼特定用户群体的主流路径、优化和修改网页设计、特定群体的浏览特征等。
路径分析的目的:
监控运营活动(或目标客户)的典型路径,通过分析调整运营策略,最终提升用户点击页面的效率发现并提炼新的有价值的频繁路径模式,提升运营效率和特定效果3
5交叉销售模式
理论:客户付费后,企业会努力留住或延长客户的生命周期和对企业的利润贡献。
两个操作方向:
延缓客户流失提高顾客消费
在第一个方向,客户流失预警模型通常是有效的。通过使用流失预警模型,可以提前锁定可能流失的有价值客户,通过各种手段留住客户,降低流失率。
第二个方向,通过数据挖掘,找出客户潜在的消费需求,从而更好地引导、满足、迎合客户需求,最终促使客户多消费。主要采用交叉销售模式。
交叉销售模型通过对用户的历史消费数据进行分析挖掘,找出相关性明显的商品组合,然后使用不同的建模方法构建消费者购买这些相关商品组合的可能性模型,再利用优秀的模型预测新客户购买特定组合商品的可能性。
四种想法:
购物篮分析(有针对性的促销和捆绑)对重要商品建立预测响应模型,向可能性最高的前5%顾客进行精准营销和推广让重要商品两两组合,建立预测响应模型,找出最有可能消费的潜在客户进行推广决策树
建模技术包括
关联分析(Apriori)序列分析(在关联分析基础上增加先后顺序)预测(响应、分类)模型:逻辑回归,决策树
6信息质量模型
比如,同等条件下,一个元素齐全、布局合理、界面友好的店铺或商品详情页,一定比一个没有核心元素、布局不合理、界面不友好的店铺或商品详情页更容易达成交易,赢得买家的青睐。这体现了信息质量的重要价值。
信息质量模型的主要应用包括:
商品Offer优化网店质量优化论坛发帖质量优化违禁信息的过滤优化其他设计信息质量监控和优化的场景
策略:专家打分,模型拟合
信息建模师电子商务和网上交易的基础保障主要是为了保证商品基础信息的质量和效率,让买家更容易全面、清晰、高效地了解商品的主要细节,让卖家更容易、更高效地展示自己的商品。
7服务保证模式
功能:为卖家提供有价值的服务,支持和保障卖家业务的发展。
示例:
让卖家购买合适的增值产品让卖家续费合适的增值产品卖家商业信息的违禁过滤卖家社区发帖的冷热判断
模型:预测(响应、分类)模型
8用户(买家、卖家)的层次模型
分层模型是粗放式操作和基于个体概率的预测模型之间的一种折衷和过渡模型,既考虑了精细化的需要(相对于粗放式操作),又不需要(太多的资源)投入预测模型的构建和维护。
常见场景:
客户服务团队需要根据分层模型来针对不同的群体提供不同的说辞和相应的服务套餐企业管理层需要基于在线交易卖家数量来形成以其为核心的卖家分层进化视图运营团队用客户分层模型指导相应运营方案的制定和执行,从而提高运营效率和付费转化率
这些分层模型不仅可以为基于特定目的的管理和决策层提供统一的演化视图,还可以为业务部门做具体的数据操作提供分组(分层)依据和参考。
模型的关键是根据实际业务经验定义不同级别的含义,并根据实际经验和数据划分不同级别之间的阈值。
常见分层模型:RFM
9卖方(买方)交易模式
宗旨:服务买卖双方,帮助卖家获得买家更多的反馈,促进卖家完成更多的交易,获得可持续的商业利益。
涉及的主要分析类型包括:
自动匹配(预测)买家感兴趣的商品(即商品推荐模型)交易漏斗分析(找出交易环节的流失漏斗,帮助提升交易效率)买家细分(帮助提供个性化的商品和服务)优化交易路径设计(提升买家消费体验)。。。
10信用风险模型
包括:
欺诈预警***预警高位用户判断。。。
一般的信用风险模型是由专门的风控团队负责的,但是从数据挖掘的角度来看,信用风险模型的建立和常规的数据挖掘没有太大的区别,算法思路基本相同,区别在于业务背景。与传统的数据挖掘相比,信用风险分析具有以下特点:
分析结论或欺诈模型的时效更短,需要优化(更新)的频率更高行骗手段是随机性的,所以欺诈预警模型对及时性和准确度要求很高对预测模型提炼出的因子进行规则梳理和罗列,可以在风控管理的初期阶段有效锁定潜在目标群体
本文来自MR.特别人士投稿,不代表舒华文档立场,如若转载,请注明出处:https://www.chinashuhua.cn/24/544206.html