最主要的10個模型細則「客戶分析模型有哪些」

一個成功的數據挖掘項目，首先要有準確的業務需求描述，之後則要求項目相關人員自始至終對業務有正確的理解和判斷 對業務的理解和思考，永遠高於項目的分類和分析技術的選擇

1目標客戶的特徵分析

目的：找准目標客戶，目標受眾，才能進行精細化運營

在目標客戶的典型特徵分析中，有兩種業務場景：

• 試運營前的虛擬特徵探索
• 試運營後的真實數據探索

試運營前：沒有真實的業務環境，沒有真實的用戶數據，需要尋找類似的業務場景中的歷史數據來進行模擬和推斷。根據產品設計理念、產品定位、經驗推測等因素來輸出期望的目標客戶典型特徵，後續根據試運營後的真實數據再作調整。

試運營後：基於真實的業務場景中的用戶數據進行數據分析，提取出的目標用戶特徵更準確更可行，也更貼近業務。最終輸出該產品的核心目標用戶特徵分析報告，為運營團隊的精準營銷提供支撐。

2目標客戶的預測（相應、分類）模型

包括：

• 流失預警模型
• 付費預測模型
• 續費預測模型
• 運營活動相應模型
• …

目的：預測個體相應的概率，展示變數之間的關係

例：建立預測響應模型，判斷特定時間段發生交易的概率

輸入變數：近一個月曝光，店鋪評分，…

輸出變數：是否在線交易

最終發現近一個月曝光，店鋪評分兩個變數和輸出變數最大正相關，則有理由相信，提高曝光，提高評分可以促進交易量。

3運營群體活躍度定義

活躍度的定義沒有統一標準，一般是根據特定的業務場景和運營需求來量身定做的。其中定義活躍度最常見的兩個基本點是：

• 活躍度組成指標應該是該業務場景中最核心的行為因素
• 衡量活躍度的定義合適與否的重要判斷依據是其能否有效回答業務需求的終極目標

例：某產品可以向賣家提供與買家洽談功能，免費版提供基本功能，付費版提供所有功能。現在需要為該產品定義一個用戶活躍度，來促進用戶從免費版轉化為付費版。

關鍵指標：用戶登陸次數，用戶使用核心功能次數

評判該定義是否合適，需要看按照該定義出來的活躍用戶中，覆蓋了多少實際付費的用戶。覆蓋率越高，則該定義越好。也可以理解為該定義是否有效的分離了免費用戶和付費用戶。

4用戶路徑分析

主要分析用戶在網頁/app上流轉的規律和特點，發現頻繁訪問的路徑模式，這些路徑的發現可以有很多業務用途，包括提煉特定用戶群體的主流路徑、網頁設計的優化和改版、特定群體的瀏覽特徵等。

路徑分析的目的：

• 監控運營活動（或目標客戶）的典型路徑，通過分析調整運營策略，最終提升用戶點擊頁面的效率
• 發現並提煉新的有價值的頻繁路徑模式，提升運營效率和特定效果3

5交叉銷售模型

理論依據：客戶付費後，企業會想辦法保留或延長客戶對企業的生命周期和利潤貢獻

兩個運營方向：

• 延緩客戶流失
• 提高顧客消費

第一個方向，通常是客戶流失預警模型發揮作用，利用流失預警模型，提前鎖定可能會流失的有價值客戶，通過各種手段挽留客戶，降低流失率

第二個方向，通過數據挖掘，找出客戶的潛在消費需求，從而更好引導、滿足、迎合客戶需求，最終促使客戶更多的消費。其中主要用到交叉銷售模型

交叉銷售模型通過對用戶歷史消費數據的分析挖掘，找出有明顯關聯性質的商品組合，然後用不同的建模方法，去構建消費者購買這些關聯商品組合的可能性模型，再用其中優秀的模型去預測新客戶中購買特定組合商品的可能性。

4種思路：

• 購物籃分析（有針對性的促銷和捆綁）
• 對重要商品建立預測響應模型，向可能性最高的前5%顧客進行精準營銷和推廣
• 讓重要商品兩兩組合，建立預測響應模型，找出最有可能消費的潛在客戶進行推廣
• 決策樹

其中的建模技術包括

• 關聯分析（Apriori）
• 序列分析（在關聯分析基礎上增加先後順序）
• 預測（響應、分類）模型：邏輯回歸，決策樹

6信息質量模型

舉個例子：在同等條件下，一個要素齊備，布局合理，界面友好的店鋪或商品詳情頁一定比不具備核心要素，布局不合理，界面不友好的更加容易達成交易，更容易獲得買家的好感。這其中就體現了信息質量的重要價值。

信息質量模型主要應用場合包括：

• 商品Offer優化
• 網店質量優化
• 論壇發帖質量優化
• 違禁信息的過濾優化
• 其他設計信息質量監控和優化的場景

策略：專家打分，模型擬合

信息質量模型師電子商務和網上交易的基本保障，其主要目的是確保商品基本信息的優質和高效，讓買家更容易全面、清楚、高效的了解商品主要細節，讓賣家更容易，更高效的展示自己的商品。

7服務保障模型

作用：為賣家提供有價值的服務去支持、保障賣家生意的發展

例：

• 讓賣家購買合適的增值產品
• 讓賣家續費合適的增值產品
• 賣家商業信息的違禁過濾
• 賣家社區發帖的冷熱判斷

模型：預測（響應、分類）模型

8用戶（買家、賣家）分層模型

分層模型是介於粗放式運營與基於個體概率預測模型之間的一種折中和過渡模型，其既兼顧了（相比較粗放運營而言）精細化的需要，又不需要（太多資源）投入到預測模型的搭建和維護中

常用場景：

• 客戶服務團隊需要根據分層模型來針對不同的群體提供不同的說辭和相應的服務套餐
• 企業管理層需要基於在線交易賣家數量來形成以其為核心的賣家分層進化視圖
• 運營團隊用客戶分層模型指導相應運營方案的制定和執行，從而提高運營效率和付費轉化率

這些分層模型既可以為管理層、決策層提供基於特定目的的的統一進化視圖，又可以給業務部門做具體的數據化運營提供分群（分層）依據和參考

分層模型的關鍵：根據實際業務經驗定義不同層級的含義，根據實際經驗及數據劃分不同層級間的閾值

比較常見的分層模型：RFM

9賣家（買家）交易模型

目的：為買賣雙方服務，幫助賣家獲得更多的買家反饋，促進賣家完成更多的交易、獲得持續的商業利益

其中涉及的主要分析類型包括：

• 自動匹配（預測）買家感興趣的商品（即商品推薦模型）
• 交易漏斗分析（找出交易環節的流失漏斗，幫助提升交易效率）
• 買家細分（幫助提供個性化的商品和服務）
• 優化交易路徑設計（提升買家消費體驗）
• 。。。

10信用風險模型

包括：

• 欺詐預警
• 糾紛預警
• 高位用戶判斷
• 。。。

一般的信用風險模型由專門的風控團隊負責，但從數據挖掘的角度來看，信用風險模型搭建和常規的數據挖掘沒有太大區別，演算法思路基本相同，其中的區別在於業務背景。相比與常規的數據挖掘，信用風險分析有以下特點：

• 分析結論或欺詐模型的時效更短，需要優化（更新）的頻率更高
• 行騙手段是隨機性的，所以欺詐預警模型對及時性和準確度要求很高
• 對預測模型提煉出的因子進行規則梳理和羅列，可以在風控管理的初期階段有效鎖定潛在目標群體