數(shù)據(jù)挖掘和會員典型圖譜繪制

1、數(shù)據(jù)挖掘是什么 通過采用自動或半自動的手段，在海量數(shù)據(jù)中發(fā)現(xiàn)有意義的行為和規(guī)則的探測和分析活動。 數(shù)據(jù)挖掘是一門科學(xué)，有科學(xué)的方法和模型作為基礎(chǔ) 數(shù)據(jù)挖掘又是一門藝術(shù)，需要使用者對商業(yè)問題的深入理解和模型適用條件深刻的認(rèn)識數(shù)據(jù)挖掘能干什么誰是客戶？銷售什么？如何銷售？ 發(fā)現(xiàn)客戶特征 發(fā)現(xiàn)客戶與產(chǎn)品的關(guān)系 發(fā)現(xiàn)客戶購買喜好 客戶分群了解客戶特征和喜好及所屬階段 產(chǎn)品關(guān)聯(lián)分析模型發(fā)現(xiàn)產(chǎn)品捆綁和交叉銷售機會客戶分群和營銷響應(yīng)模型識別對某特定營銷方式感興趣的客戶。母嬰購物會員特征： 瀏覽特征 搜索特征關(guān)注廣告特征 是否價格敏感 其他數(shù)據(jù)挖掘相關(guān)模型的分類1. 1.描述性模型描述性模型：我們的客戶是什么

2、樣子的？他們需要什么？2. 2.預(yù)測性模型預(yù)測性模型：如何選取最好的針對性客戶交互方式，以保證利潤最大化？揭示蘊含于歷史數(shù)據(jù)中的規(guī)律無指導(dǎo)的學(xué)習(xí)無指導(dǎo)性分群關(guān)聯(lián)規(guī)則（購物籃）邏輯回歸線性回歸非線性回歸決策樹神經(jīng)網(wǎng)絡(luò)對未來事件的預(yù)測有指導(dǎo)的學(xué)習(xí)指導(dǎo)性分群技術(shù)相關(guān)：技術(shù)相關(guān)：精準(zhǔn)營銷閉環(huán)流程會員數(shù)據(jù)整合數(shù)據(jù)挖掘營銷策劃營銷執(zhí)行營銷評估抽取轉(zhuǎn)換裝載n會員n行為n價值BI渠道選擇Offer設(shè)計預(yù)測模型選取目標(biāo)客戶執(zhí)行管控計劃改進營銷策劃改進營銷執(zhí)行改進模型精度績效分析 客戶關(guān)系管理的提出是伴隨著產(chǎn)品極大豐富、買方市場形成而產(chǎn)生的從“客戶得到的就是他們所想要的”到“客戶得到他們所想要的”的演變 CRM的

3、核心是“了解他們，傾聽他們” CRM的目標(biāo)可以概括為“吸引潛在客戶進入，提高現(xiàn)有客戶滿意度和忠誠度，降低客戶流失” 客戶關(guān)系管理（CRM）的兩個層面操作型CRM：方便與客戶交流，簡化操作流程 分析型CRM：了解客戶客戶關(guān)系管理的價值客戶行為數(shù)據(jù)挖掘在客戶關(guān)系管理中的應(yīng)用圍繞會員生命周期，建立與之配套的會員分析模型，對生命周期進行精細(xì)化管理圍繞會員生命周期，建立與之配套的會員分析模型，對生命周期進行精細(xì)化管理會員生命周期在不同生命周期階段需考慮不同問題 如何發(fā)現(xiàn)并獲取潛在客戶？階段A （Acquisition）：會員獲取 如何把客戶培養(yǎng)成高價值客戶？階段B：（Build-up）會員提升 如何培養(yǎng)

4、顧客忠誠度？階段C：(Climax)會員成熟 如何延長客戶“生命周期”？階段D：(Decline)會員衰退 如何贏回客戶？階段E：(Exit)會員流失會員價值對應(yīng)模型 會員購物概率模型 品類偏好模型 客戶分群 生命周期識別 復(fù)購模型 客戶流失預(yù)警 流失挽回模型多種價值創(chuàng)造杠桿在不同時期應(yīng)用 尋找意向價值更高的會員，對其進行激活轉(zhuǎn)化 刺激需求的產(chǎn)品組合/服務(wù) 交叉銷售 針對性營銷 高價值客戶的差異化服務(wù) 高?？蛻纛A(yù)警機制 高?？蛻敉炝襞e措 高價值客戶贏回方法場景一 購買概率預(yù)測 問題描述：訪問網(wǎng)站的會員成千上萬，哪些會員是隨便逛逛，哪些會員是有意向購買，哪些會員即將購買。 結(jié)果描述:(邏輯回歸）

5、找到意向價值高的會員及時營銷進行購物轉(zhuǎn)化。黃色格子為過去表現(xiàn)出目標(biāo)行為的客戶；白色格子為過去沒有目標(biāo)行為的客戶尋找已經(jīng)有目標(biāo)行為的客戶的共同特征運用已經(jīng)有目標(biāo)行為的客戶的共同特征，按照相似程度，給其他客戶打分得到模型計分，選出相似性高的客戶（紅色格子）Y=F(X)2周會員行為記錄20130901 20130902 2013090320130913 20130914觀察窗口20130915.20130920購物窗口瀏覽后的購物會員2周會員行為記錄20130907 20130908 2013090920130919 20130920觀察窗口20130921.20130925預(yù)測窗口誰會買？誰會買？

6、目標(biāo): 20 個會員購買產(chǎn)品的會員數(shù)量: 5響應(yīng)率: 25%通過響應(yīng)模型選取目標(biāo)會員目標(biāo): 100 個會員購買產(chǎn)品的會員數(shù)量: 10響應(yīng)率: 10%現(xiàn)有方法選取目標(biāo)會員場景二 交叉銷售分析 問題描述：如何決定蘇寧消費會員的二次推薦商品 結(jié)果描述:(Web圖，關(guān)聯(lián)規(guī)則）魚和蔬菜的關(guān)聯(lián)性最強；購買啤酒與蔬菜罐頭的人有87%的人會購買凍肉場景三 流失率分析 問題描述：哪些會員即將流失？根據(jù)客戶信息，預(yù)測客戶流失可能性 結(jié)果描述:(神經(jīng)網(wǎng)絡(luò)，邏輯回歸，決策樹）輸 入流失概率（0.87)輸 出男29末次訪問時間累計消費金額月訪問頻次業(yè)界經(jīng)驗，發(fā)展一個新客戶比保持一個老客戶的費用要高 5 倍，而如果“用戶

7、保持率”增加 5%，將有望為企業(yè)帶來25% -85% 的利潤增長。因此，對老客戶的保留直接關(guān)系到企業(yè)的利益，客戶的流失對企業(yè)的經(jīng)營產(chǎn)生深遠(yuǎn)的影響。場景四 客戶分群之一RFM分群 問題描述：客戶是誰？如何區(qū)分不同的客戶？誰是優(yōu)質(zhì)會員？ 結(jié)果描述:(聚類，RFM分群）R：RECENCY(消費間隔時間)F：FRENQUENCY(消費頻次)M：MONETARY(平均消費金額)理論上，最近一次消費時間越近的客戶，價值也越高。 最常購買的客戶，也是滿意度忠誠度最高的客戶。消費金額變量代表客戶的消費能力。場景四 客戶分群之二價值矩陣模型 問題描述：客戶是誰？如何區(qū)分不同的客戶？誰是優(yōu)質(zhì)會員？ 結(jié)果描述:(聚

8、類，價值矩陣模型）客戶價值矩陣模型是在對傳統(tǒng)的 RFM 模型修正的基礎(chǔ)上提出的改進模型。在客戶價值矩陣中，購買次數(shù) F 和平均購買額 A 的基準(zhǔn)是各自的平均值，一旦確定了坐標(biāo)軸的劃分，客戶就被定位在客戶價值矩陣的某一象限區(qū)間內(nèi)。依據(jù)客戶購買次數(shù)的高低和平均購買額的多少，客戶價值矩陣將客戶劃分成四種類型，即樂于消費型客戶、優(yōu)質(zhì)型客戶、經(jīng)?？蛻艉筒淮_定客戶建模流程購買概率預(yù)測模型 確立目標(biāo) 構(gòu)建寬表9/1(建模)9/2(驗證)9/16(驗證)9/18(驗證)占比當(dāng)天注冊、當(dāng)天購買596454695832614060%無法獲取行為非當(dāng)天注冊，當(dāng)天購買，前兩周有瀏覽255022242317389328

9、%模型覆蓋非當(dāng)天注冊，當(dāng)天購買，前兩周無瀏覽12511626135132812%無法獲取行為分析非當(dāng)天注冊、當(dāng)天購買，購買前2周內(nèi)有行為的未轉(zhuǎn)化會員為首購模型構(gòu)建了共計176個字段的寬表 構(gòu)建模型行為窗口（8/18-8/31）9/1預(yù)測點行為窗口（8/19-9/1）9/2行為窗口（9/2-9/15）9/16行為窗口（9/4-9/17）9/18行為窗口預(yù)測窗口基于Logistic回歸模型，構(gòu)建了4個首購概率模型，生成會員的購買概率。概率值越大的會員，發(fā)生購買的可能性越大。 模型評估模型評估一般分為效能評估和穩(wěn)定性評估探查寬表字段與購買相關(guān)性。以2周行為預(yù)測1天的購買(1) 效能評估：即評估建模效

10、果的好壞。效能評估的方法有多種，本次使用捕獲圖的方式進行評估。捕獲圖：即按照會員的購買預(yù)測概率從大到小倒序排序，計算預(yù)測概率最大的前n%的會員的實際購買率與自然購買率的比值，比值越大說明模型效果越好。(2) 穩(wěn)定性評估：即評估模型的穩(wěn)定性。一般使用將建模樣本分成幾組，比較各組數(shù)據(jù)建模后的參數(shù)、模型效果的差異，如果差異不大，說明模型比較穩(wěn)定。接觸信息：渠道偏好產(chǎn)品：子品類購買情況品類間關(guān)聯(lián)規(guī)則收銀臺：品類、時間、次數(shù)收藏：品類、時間會員信息：性別,年齡,注冊距今時長等購物車：品類、時間、次數(shù)評價曬單信息瀏覽：時長、次數(shù)、頁面數(shù)、末次瀏覽時間、頻次、時間段等寬表建模效果建模流程 購買率 y= 0.

11、482 * 重點郵箱 + 0.9602 * 重點電話 + -0.3841 * 注冊距今時長分段 + -0.1691 * 末次加入購物車距今時長分段 + -0.1019 * 末次加入收銀臺距今時長分段 + 0.7121 * 近第一天的瀏覽四級頁面數(shù) + 0.8251 * 近一周PV分段 + 0.08812 * 近一周廣告瀏覽分段 + 0.05665 * 產(chǎn)品瀏覽趨勢分段 + 0.1181 * 近一天搜索次數(shù) + 0.5012 * 近一天WAP搜索次數(shù)分段 + 0.368 * 近一周WAP搜索次數(shù) + 0.2557 * WAP近一周是否有瀏覽時長 + 0.9641 * APP近一天瀏覽數(shù)分段 + 0.1544 * APP近一周瀏覽數(shù)分段 + 0.3981 * APP近一天是否有搜索 + -0.541 * APP末次購物車距今時長分段 + -0.588311ype購買概率：9/1前10%提升率為4.79/189/29/16前10%提升率為5.2前10%提升率為4.9前10%提升率為4.91. 模型在建模集(9/1)、驗證集（9/2日、9/16與9/18）均表現(xiàn)出了類似的提升曲線，說明模型的穩(wěn)定性較好；2. 模型在10%的人群處(約6萬