数据挖掘和会员典型图谱绘制

数据挖掘是什么 通过采用自动或半自动的手段 在海量数据中发现有意义的行为和规则的探测和分析活动 数据挖掘是一门科学 有科学的方法和模型作为基础数据挖掘又是一门艺术 需要使用者对商业问题的深入理解和模型适用条件深刻的认识 数据挖掘能干什么 谁是客户 销售什么 如何销售 发现客户特征发现客户与产品的关系发现客户购买喜好 客户分群了解客户特征和喜好及所属阶段 产品关联分析模型发现产品捆绑和交叉销售机会 客户分群和营销响应模型识别对某特定营销方式感兴趣的客户 母婴购物会员特征 浏览特征搜索特征关注广告特征是否价格敏感其他 数据挖掘相关模型的分类 1 描述性模型 我们的客户是什么样子的 他们需要什么 2 预测性模型 如何选取最好的针对性客户交互方式 以保证利润最大化 揭示蕴含于历史数据中的规律无指导的学习 无指导性分群 关联规则 购物篮 逻辑回归 线性回归 非线性回归 决策树 神经网络 对未来事件的预测有指导的学习 指导性分群 技术相关 技术相关 精准营销闭环流程 客户关系管理的提出是伴随着产品极大丰富 买方市场形成而产生的 从 客户得到的就是他们所想要的 到 客户得到他们所想要的 的演变CRM的核心是 了解他们 倾听他们 CRM的目标可以概括为 吸引潜在客户进入 提高现有客户满意度和忠诚度 降低客户流失 客户关系管理 CRM 的两个层面操作型CRM 方便与客户交流 简化操作流程分析型CRM 了解客户 客户关系管理的价值 数据挖掘在客户关系管理中的应用 围绕会员生命周期 建立与之配套的会员分析模型 对生命周期进行精细化管理 会员生命周期 在不同生命周期阶段需考虑不同问题 如何发现并获取潜在客户 阶段A Acquisition 会员获取 如何把客户培养成高价值客户 阶段B Build up 会员提升 如何培养顾客忠诚度 阶段C Climax 会员成熟 如何延长客户 生命周期 阶段D Decline 会员衰退 如何赢回客户 阶段E Exit 会员流失 会员价值 对应模型 会员购物概率模型品类偏好模型 客户分群生命周期识别 复购模型 客户流失预警 流失挽回模型 多种价值创造杠杆在不同时期应用 寻找意向价值更高的会员 对其进行激活转化 刺激需求的产品组合 服务 交叉销售针对性营销高价值客户的差异化服务 高危客户预警机制高危客户挽留举措 高价值客户赢回方法 场景一购买概率预测 问题描述 访问网站的会员成千上万 哪些会员是随便逛逛 哪些会员是有意向购买 哪些会员即将购买 结果描述 逻辑回归 找到意向价值高的会员及时营销进行购物转化 Y F X 2周会员行为记录 购物窗口 浏览后的购物会员 2周会员行为记录 预测窗口 谁会买 目标 20个会员购买产品的会员数量 5响应率 25 通过响应模型选取目标会员 目标 100个会员购买产品的会员数量 10响应率 10 现有方法选取目标会员 场景二交叉销售分析 问题描述 如何决定苏宁消费会员的二次推荐商品结果描述 Web图 关联规则 鱼和蔬菜的关联性最强 购买啤酒与蔬菜罐头的人有87 的人会购买冻肉 场景三流失率分析 问题描述 哪些会员即将流失 根据客户信息 预测客户流失可能性结果描述 神经网络 逻辑回归 决策树 输入 流失概率 0 87 输出 男 29 末次访问时间 累计消费金额 月访问频次 业界经验 发展一个新客户比保持一个老客户的费用要高5倍 而如果 用户保持率 增加5 将有望为企业带来25 85 的利润增长 因此 对老客户的保留直接关系到企业的利益 客户的流失对企业的经营产生深远的影响 场景四客户分群之一RFM分群 问题描述 客户是谁 如何区分不同的客户 谁是优质会员 结果描述 聚类 RFM分群 R RECENCY 消费间隔时间 F FRENQUENCY 消费频次 M MONETARY 平均消费金额 理论上 最近一次消费时间越近的客户 价值也越高 最常购买的客户 也是满意度忠诚度最高的客户 消费金额变量代表客户的消费能力 场景四客户分群之二价值矩阵模型 问题描述 客户是谁 如何区分不同的客户 谁是优质会员 结果描述 聚类 价值矩阵模型 客户价值矩阵模型是在对传统的RFM模型修正的基础上提出的改进模型 在客户价值矩阵中 购买次数F和平均购买额A的基准是各自的平均值 一旦确定了坐标轴的划分 客户就被定位在客户价值矩阵的某一象限区间内 依据客户购买次数的高低和平均购买额的多少 客户价值矩阵将客户划分成四种类型 即乐于消费型客户 优质型客户 经常客户和不确定客户 建模流程 购买概率预测模型 确立目标 构建宽表 分析非当天注册 当天购买 购买前2周内有行为的未转化会员 为首购模型构建了共计176个字段的宽表 构建模型 预测点 行为窗口 预测窗口 基于Logistic回归模型 构建了4个首购概率模型 生成会员的购买概率 概率值越大的会员 发生购买的可能性越大 模型评估 模型评估一般分为效能评估和稳定性评估 探查宽表字段与购买相关性 以2周行为预测1天的购买 1 效能评估 即评估建模效果的好坏 效能评估的方法有多种 本次使用捕获图的方式进行评估 捕获图 即按照会员的购买预测概率从大到小倒序排序 计算预测概率最大的前n 的会员的实际购买率与自然购买率的比值 比值越大说明模型效果越好 2 稳定性评估 即评估模型的稳定性 一般使用将建模样本分成几组 比较各组数据建模后的参数 模型效果的差异 如果差异不大 说明模型比较稳定 建模效果 建模流程 购买率 y 0 482 重点邮箱 0 9602 重点电话 0 3841 注册距今时长分段 0 1691 末次加入购物车距今时长分段 0 1019 末次加入收银台距今时长分段 0 7121 近第一天的浏览四级页面数 0 8251 近一周PV分段 0 08812 近一周广告浏览分段 0 05665 产品浏览趋势分段 0 1181 近一天搜索次数 0 5012 近一天WAP搜索次数分段 0 368 近一周WAP搜索次数 0 2557 WAP近一周是否有浏览时长 0 9641 APP近一天浏览数分段 0 1544 APP近一周浏览数分段 0 3981 APP近一天是否有搜索 0 541 APP末次购物车距今时长分段 0 5883 购买概率 9 1 前10 提升率为4 7 9 18 9 2 9 16 前10 提升率为5 2 前10 提升率为4 9 前10 提升率为4 9 模型在建模集 9 1 验证集 9 2日 9 16与9 18 均表现出了类似的提升曲线 说明模型的稳定性较好 模型在10 的人群处 约6万人群 能够选出约50 的目标客户 约1200人 是随机筛选的5倍 未来方向 建立人与商品的联系 个性