用户画像

1，精细化营销

精细化营销：精细化营销就是在精准定位的基础上，依托现代信息技术手段建立个性化和顾客沟通服务体系，实现企业可度量的低成本扩张之路，是有态度的网络营销理念中的核心观点之一。

在企业实际运营中即以客户细分为基础，细分客户和市场，进行精细化管理，精细化运营。

动因：

企业单位成本收益最大化，通过营销管理的精细化，提升营销团队的凝聚力 提高各环节的效率实现节流的目的，提升企业市场竞争力 提升企业品牌影响力

1.1精细化营销的方法

准确的细分市场和差异化的营销策略是精细化营销的中心，市场细分是指营销者根据顾客之间的需求问题的差异性把整个市场分为若干个消费者群的市场分类过程，而客户分群则是了解客户，进行市场细分和进行目标市场营销的前提。

1.2如何进行客户分群

首先进行聚类：即将物理或抽象的集合分成由类似的对象组成的多个类的过程

再进行分类：即按照种类，等级或性质分别分类

1.3客户分群的解读

从客户需求角度

从客户价值角度

从企业资源和能力角度

1.4细分（所需要收集的数据）

1.4.1根据人口特征和购买历史细分：

1，客户人口统计学特征（性别，年龄）

2，客户接触企业的渠道

3，客户购买的频次

4，客户购买的金额

1.4.2根据客户对企业的价值细分

1，客户作为某品牌的顾客的时间周期

2，每个时间周期内客户购买某种品牌的频率

3，客户购买该品牌产品的平均贡献度

4，客户购买该品牌的概率

1.5客户分群的常用方法（RFM）

R（Recency）：最近一次消费——>最后一次消费距离现在的天数

F（frequency）：最近三个月内的消费次数

M（Monetary):消费资源（总的消费金额，总使用的流量）

1.6精细化营销的数据处理流程

商业理解（我们要干什么）——>数据理解（数据要怎么用）——>数据预处理（缺失值处理，异常值处理，重复值处理）——>构建模型——>模型评估（越高越好）——>模型发布

2.聚类

聚类和分类是一种有监督模型，聚类是一组对象划分成簇，是簇内对象相似性尽量大，而簇间对象相似度小。

3.分类

在聚类工作完成之后，对不同类型的客户进行分析和特征提取，定义分类规则，当有了新的用户加入的时候，可以根据其特征数据进行分类，将其分到之前通过聚类生成的类别中的某一类中。

4.建模

K-均值聚类（K-means）算法

K-Means是以k个点为中心进行聚类，对靠近他们的对象进行归类，同时通过迭代的方式，逐词更新各聚类的中心的值，直到得到最好的聚类效果。

聚类的变量：数值型

相似度测量：采用欧式距离

聚类中心：类的重心

收敛准则：误差平方函数

首先需要指定我们想要有多少个聚类中心，然后确定收敛的值（就是当连个新的更新聚类点小于或等于某个范围则停止），或者指定迭代的次数。

优点：

算法快捷，简单

对大数据集有较高的效率并且是可以伸缩的

时间复杂性近于线性，而且是和挖掘大规模数据库

缺点：

在k-means中，k值是十分难以估计的

聚类中心初始化的时候影响十分大

只适合连续变量不适合离散性变量

题目：

某电信运营商上个月发展了199999个新的用户，在新用户入网一个月之后，打算做两件事情

1.希望通过提供一些优惠提高用户的忠诚度

2.希望通过推荐一些产品提高客单价

需要思考下面几个问题：

该给客户提供什么依据？

我们的优惠政策能否给客户带来惊喜？

不同的客户是否根据他们的喜好提供不同的优惠

客户对我们什么产品最感兴趣

不同的客户如何推荐不同的产品

第一步：数据预处理

对访问次数小于0或者为空的进行删除和填补，把访问次数为nan的填补为0，把小于0的删除

第二步：进行归一化

为了使误差变小，需要进行归一化的处理

第三步：建模

第四步：评估模型