会员(用户)数据化运营——分析模型

在上篇文章中，介绍了《python数据分析与数据化运营》一书中会员数据化运营的相关指标，本次将继续介绍部分分析模型。
会员数据化运营指标的文章请点击https://blog.csdn.net/Taozidede/article/details/84659371

 二、会员数据化运营分析模型
2.1 会员细分模型
①基于属性的细分
人口学：性别、年龄、受教育程度等；
地理学：南北方、城市规模、中西部、沿海内陆等；
会员行为：消费等级（高/中/低价值会员）、购买产品类别、会员等级（钻石、黄金、青铜）等；
②ABC分类法
这是基于帕累托二八法则所衍生出的一种分类方法。
例：想要从交易订单金额角度对用户进行分类
可将用户id和订单金额 按照订单金额降序排列，并计算订单金额的累积百分比，选取前80%的用户作为A类用户，80~90%的为B类用户，90~100%的为C类用户。
③聚类法
基于非监督的机器学习法对用户进行分类。

2.2 会员价值度模型——RFM
R——表示最近一次购买时间
F——购买频率
M——购买金额
RFM模型需要先选取截止时间节点和计算周期；
分别计算用户的R、F、M；
对R、F、M进行五等分，值越大代表价值度越高，注意其中R与其他指标反向，在进行等分时，最近一次购买时间越接近现在需要赋更大的值；
在计算RFM值时，可通过拼接或求和的方式，如R、F、M分别得分3/5/2，则RFM值为352。求和则是把RFM三项的得分相加，3/5/2为10。

2.3 会员活跃度模型——RFE
R——最近一次访问时间
F——访问频率
E——页面互动度（视频播放数、转发数等）
RFE的计算方法与RFM类似

2.4 会员流失预测模型
①会员有明确表达：比如退订通知、注销账号等
②会员无明确表达：分类算法(逻辑回归、支持向量机、随机森林等)

2.5 会员特征分析模型
①目标模糊：通过聚类和描述性统计了解用户总体特征
②目标具体：分类法（可以找到收入>6000，总订单金额在5000以上的用户所购买的产品类别）；关联法（购买某种商品的用户通常具有什么属性）；异常检测（异常用户通常具有什么特征）

2.6 营销响应预测模型
制定营销活动计划，进行资源申请，需要数据量化指标的支持。
步骤：
①随机选择一定量的会员样本（>1000）；
②发送营销活动信息；
③收集营销活动数据；
④训练分类模型：可以找出可能产生购买行为的用户特征，也可以预测营销活动收入。