《Python数据分析与数据化运营》--会员数据化运营2

上篇笔记主要介绍会员数据化运营的概述及相关指标，这篇内容主要是介绍会员数据化运营的应用场景及分析模型。

————————————————————分隔符——————————————————————

3. 应用场景

会员数据化运营主要应用于两方面：会员营销、会员关怀。

3.1 会员营销

• 以信息化的方式建立基于会员的客户关系管理系统，促进所有会员数据的信息化；
• 通过特定方法将普通用户拓展企业会员，并提高新会员留存率；
• 基于用户历史消费记录，挖掘出用户潜在消费需求及消费热点；
• 基于历史数据，为会员营销活动提供策略指导和建议，促进精准营销活动的开展；
• 从会员营销结果中寻找异常订单或转化，作为黄牛或VIP客户识别的参考；
• 挖掘会员传播关系，找到口碑传播效应的关键节点。

3.2 会员关怀

• 为预警事件设置阈值，自动触发应急处理机制；
• 分析会员行为，为会员提供个性化、精准化和差异化服务；
• 通过会员喜好分析，提高客户忠诚度、活跃度和黏性；
• 通过会员分析，预防会员流失并找到挽回已经流失会员的方法；
• 基于会员群体行为，更好地划分会员群体属性并挖掘群体性特征；
• 基于群体用户和内容相似度，发现有价值的会员互动方式；
• 基于会员生命周期的关怀管理，促进用户终生价值最大化。

 

4.会员数据化运营分析模型

4.1 会员细分模型

会员细分模型是将整体会员划分为不同的细分群体或类别，然后基于细分群体做管理、营销和关怀。

常用于在整体会员的宏观性分析以及探索性分析，通过细分建立初步认知为下一步的分析和应用提供基本认知；会员细分也是精准营销的基本前提

常用的细分模型的方法：基于属性的方法、ABC分类法（根据事物的主要特征做分类排列，根据二八法则衍生的ABC法则，强调分清主次，并将管理对象划分为A、B、C三类）、聚类法。

4.2 会员价值度模型

会员价制度用来评估用户的价值情况，是区分会员价值的重要模型和参考依据，也是衡量不同营销效果的关键指标之一。一般基于交易行为产生，衡量的是有实体转化价值的行为。常用的价值度模型是RFM。

RFM：根据会员最近一次购买时间R（Recency）、购买频率F（Frequency）、购买金额M（Monetary）计算得出RFM得分，通过这三个维度来评估客户的订单活跃价值，常用来做客户分群或价值区分。

4.3 会员活跃度模型

会员活跃度用来评估用户的活跃度情况，是会员状态分析的基本模型之一。

活跃度模型——RFE：根据会员最近一次访问时间R、访问频率F、页面互动度E（Engagements）计算得出RFE得分。其中互动度的定义可以根据不同企业的交互情况而定，例如页面浏览量、下载量、视频播放数量等。该模型常用来做用户活跃分群或价值区分，可用于内容型企业的会员分析（例如论坛、新闻、资讯等）。

4.4 会员流失预测模型

会员流失预测模型用来预测会员是否流失，是做会员生命周期管理的重要预防性应用。做会员流失模型的关键因素之一是要定义好“流失”，即处于何种状态、具备哪些特征的会员属于流失会员；另外流失可能区分为永久性流失和临时性流失。

会员流失预测模型的实现方法属于分类算法，常用算法包括逻辑回归、支持向量机、随机森林等。

在做会员流失预警模型时，需注意：

• 流失会员的样本分类一定是少数类，需要注意处理样本不均衡问题。
• 对于流失会员的预测结果，得到概率性的输出可以结合流失预测标签一起应用，因为业务方可以基于概率再结合业务经验做判断。
• 对于参与训练模型的维度变量的选择一定要结合业务经验，因为业务方对于特定场景的判断是影响训练模型和应用结果的关键因素之一。
• 输入的维度变量中一定要包含发生转化前的行为数据。假如业务定义为最近6个月没有订单的客户为流失客户，那么在做预测模型时需要将用户的匿名访问、登录、页面浏览、搜索、活动咨询等转化前的数据考虑在内，而不能只考虑订单转化本身。
• 会员流失预警模型不是一次性的，而是周期性监视和运行的。

4.5 会员特征分析模型

会员特征分析模型是针对现有会员做特征分析。其提供的结果可能是模糊的，也可能是明确的。

• 明确的特征，它提供了业务所要行动的细节要素，是一种具有极高落地价值的数据分析工作。
• 模糊的特征，它指数据分析结果未提供详细的动作因素，仅指明了下一步行动方向或目标。

会员特征分析主要应用于两种业务场景：

1、在没有任何前期经验或特定目标下出发，希望通过整体特征分析了解会员全貌。通过一定的方法先将用户划分为几个类别，然后再做基于类别的特征分析。

——此类结果往往作为辅助性、启发性和提示性结果，用于为运营提供进一步业务动作的思考。

常用方法和应用：

• 聚类：通过聚类将用户划分为几个群组，然后再分析不同群组的典型特征和群组间的差异性。例如：公司的总体会员具有哪些特征？模型结果：通过聚类方法将会员划分为3类，然后每个类别都有各自显著性特征，会员部门可根据不同类别做特定分析并指定群体性策略。

• 统计分析：先将整体用户做统计分析，包括描述性统计、频数分布等，了解整体数据概括。

2、有明确的业务方向，希望找到能达到事件目标的会员特征，用于做进一步的会员运营。

——此类结果可以作为运营下一步动作的直接“触点”。

常用方法和应用：

• 分类：利用分类规则例如决策树找到符合目标的关键变量以及对应的变量值，进而确定会员特征。例如，收入>5000元，最近购买时间在5个月之前，总订单金额<4300元的会员最可能购买商品。

• 关联：使用关联规则找到不同属性、项目间的关联发生或序列发生关系，然后将会员的属性特征（频繁项集）提供给运营。例如：购买A商品的客户一般是来自上海，购物频率为1周3次、客单价在100元以下。

• 异常检测：使用非监督式的异常检测方法，从一堆数据中找到异常数据样本，然后将这些数据样本特征提供给运营做进一步确认和审查。

4.5 营销响应预测模型

营销响应预测模型是针对营销活动展开的，通常在做会员营销活动之前，通过模型分析找到可能响应活动的会员特征以及整体响应的用户比例、数量和可能带来的销售额。

其实施采用的一般是分类算法，常见算法包括：逻辑回归、支持向量机、随机森林等。