作者:hooly
微信公众号:一口袋星光
通过真实用户拿到真实数据,然后抽离出虚拟模型。
用户画像是真实用户的缩影
构建用户画像
用户基本信息:性别、年龄、职业、兴趣爱好、住址...
用户行为数据:注册、登录、收藏、购买、退货、评价......
通过真实的用户数据,推测出用户的标签:
用户频繁购买电子产品(算法)->电子发烧友;
这样可建立用户的偏好模型,另外还有许多模型:忠诚度模型;活跃模型(未激活、活跃、沉默、睡眠、流失);价值模型-RFM模型;购买力模型;冲动指数模型等等......
我们得到了什么?
1.各个模型下各类型、各分层的用户集合。有了这个用户集合,我们可以做一系列的分析,以及运营玩法。比如商城有昂贵的、高端的科技新产品时,应该首先推荐给【电子发烧友、高贡献值】的用户。
2.针对某个用户或者某一撮用户,可以使用不同维度(不同模型)下的的标签来描述他。当我们要针对性的运营某一撮用户的时候,我们可以快速抓住这些用户的特征(标签),采用合适的策略,推荐哪些商品,哪类活动优惠。
常用模型介绍:
1.用户价值模型-RFM
-体现用户对网站的价值对提供用户留存率非常有帮助-使用RFM实现用户价值模型参考指标 - 最近一次消费时间(Recency) - 消费频率(Frequency) - 消费金额(Monetary) -RFM 实现用户价值模型计算方法-使用指标:租金一次购买时间,近180天购买订单量,近180天购买金额,分N段进行RFM分数计算- 算出Recency_score,Frequency_score,Monetary_score,然后划分用户群
2.客户活跃模型:
客户一般的活跃状态:1.注册未购买(只注册未购买,多事第三方登录)2.活跃(可以细分为高频,中频,低频)3.沉睡(近90天无购买,近60天无购买)4.流失 (近90天无购买,曾经购买)
3.用户忠诚度模型:
用户忠诚度:1忠诚型用户2偶尔型用户3投资型用户3浏览型用户5未识别构建:1,只浏览不购买,2购买天数大于一定天数3,购买天数小于一定天数,大部分只有优惠彩购买 等
4.用户购物类型模型:
两种归类: 用户购物类型:1,购物冲动型,2海淘犹豫型3理性比较型4目标明确型5未识别。 构建:1,计算用户在对三级品类购物前流量时间和浏览sku数量;2,kmeans聚类。
5.-指数模型
-败家指数
- 使用购买特征山炮数量来识别(刚出的苹果产品,奢侈品)
- 结合用户的订单金额。
-冲动指数
- 使用特征商品(同品类价格较高商品)平均购物车停留时间
- 结合特征商品(同品类价格较高商品)的购买数量
常用建模算法:
聚类算法:Spss里面的聚类分析主 要有两种K-means聚类和系统聚类。也可以在数据仓库中根据顾客购买的商品属性进行会员的聚类分析,这里就不需要算法的支持,只需要根据系统的已经有 的商品分类,把购买过相同商品类别的顾客划分到一起。这种方法可能与公司的业务更加贴近。聚类分析是进行会员精细化管理,精细化营销的基础。
使用方法:对顾客细分,精准化营销。
后面会陆续介绍更多的建模方法的简单思路,以便大家深入了解。
作者:hooly
微信公众号:一口袋星光
我会在微信公号上持续更新我的文章,你来讨论我很欢迎。