沉默用户激活及客户价值分析

1、2014-7-6 13:54:00沉默用户激活方案一、几个基本定义：1. 交易间隔：用户的相邻两笔交易之间的交易间隔时长2. 沉默：最大交易间隔时长远大于某一设定阈值3. 活跃：最大交易间隔时长远小于某一设定阈值4. 排秩、秩次：对集合内的值排序，排序后所在的位置即为秩次5. 秩次比：所在秩次占集合元素总数的比值6. 沉默得分：用户沉默的程度得分，用来差异化细分沉默用户群二、基本分析思路：1 计算出单个用户的每次交易间隔，以此为基本数据原料进入下一步分析；2. 定义沉默用户的最大交易间隔阈值，以此为标尺，测量各个用户距离沉默的远近及可能性；3. 计算沉默用户的沉默得分，划分沉默用户等级；三、计

2、算流程：1. 计算每个用户的历史交易频率 F的间隔时长Ti = T2-T1,T3-T2,Tn-Tn-1 2. 计算每个用户的最后一笔交易距今时长 Tr=Today-Recently3. 对集合Ti 及Tr进行排秩，并输出对应秩次RankT1,RankT2,RankTr,，RankTn4将Tr所在秩次除以该用户总交易次数 cF，得出秩次比TrF;'算法解释：以用户历史最大沉默间隔为参考，若Tr接近MaxTi，则表示该用户已接近沉默边缘，并极有可能转入沉默状态，反之接近活跃。活跃0-1沉默此处求百分比的目的为：将实际问题数字化，并以量化方式呈现： 若最近一笔消费距今时长排秩比：等于1，则表

3、示该用户已进入沉默状态；若接近1,则表示用户靠近沉默边缘；在0到1之间，表示用户未表现出明显即将进入沉默状态信号；若接近0,则表示用户靠近活跃状态；5.将Tr除以MaxTi，求得用户沉默得分S;'算法解释：以用户历史最大沉默间隔为参考，以数值方式衡量沉默程度：以得分=1为界限：若得分小于1,则表示用户沉默程度较低，且未完全进入沉默状态；若得分等于1,则表示用户已进入沉默状态；若得分大于1,则表示用户已进入沉默状态，且沉默程度为S1- 1；若得分远大于1 ,则表示用户已进入沉默状态，且沉默 度为S2 - 1 （即S2-1»S1-1>0）四、几点思考:1. 关于初始样本的筛

4、选：当前累计用户数为 8000万+,而年累计活跃用户数为600万+,则剩余非活跃用户数仍高于 7000万+,考虑到计算性能、效率及首次投入分析数 据样本量不宜过大，因此筛选其中历史交易频率不低于某一B值的用户（首次筛选B >=15）,该期样本量约为90万，而针对低频交易用户将在本期分析之后再纳入探讨。2. 关于营销活动建议方案的优化分析：本次分析除探讨用户沉默可能性外还将记录 被标记为高沉默可能性用户的状态迁移行为， 目的：研究非沉默用户转向沉默状态的群 体特征或转移前的标志性行为，并应用到下一轮营销活动中，优化活动方案。3. 关于高价值用户优先激活的选择思考： 是否选择优先激活分析结果

5、集：高沉默可 能性用户中的高价值用户，及如何识别高价值用户，将根据运营战略大方向决定。五、精细化激活：1将各用户的 TrF值分段，口：（ 00.4 ） a组；（0.40.6 ） b组；（0.60.8 ） c 组；（0.80.95） d组；（0.95以上）e组等；2. 针对TrF接近1的高可能性沉默用户采取优先激活措施，如 e组用户；而针对d、c 组及b、a组则分析各组内的群体特征并采用差异化激活方案；3. 同理，针对沉默用户得分S进行分abc组，分析组内特征及组间差异，找出高沉默可 能性用户的所属特征，并针对拥有该特征的将沉默用户及沉默用户采取激活措施；结合TrF值及S得分，综合评价用户的沉默

6、可能性，优化分组规则，进一步提高沉默 用户激活转化率情况。关于客户价值分析一、算法引入： RFM-随机模型(随机模型+马尔可夫链状态转移矩阵+贝氏概率推导状态转 移概率)+回归拟合。二、包含信息：1. RFM最近购买日Recently,各期购买频率Frequency,各期平均单次购买 金额 Monetary2. 客户购买行为随机模型：随机模型除了可以显示客户的购买频率概率、平_ 均金额概率的密度分布，还包含了客户购买频率、平均金额的状态转移期望值和概率等重要信息。即1.预测用户下期购买频率；2.预测下期购买频率发生的概率；3. 预测用户下期平均购买金额；4.预测下期平均购买金额发生的概率；三、

7、 假设条件：【客户随机购买行为需满足六个基本假设】假设一：假设客户随机购买频率和随机购买金额两个不同的行为纬度互相独 立，不具有相关性。假设二：假设客户的购买状态转移行为符合马尔可夫链的假设，这表示客户 下一期购买状态发生的机率只和上一期的购买状态有关。* 假设三：假设个别客户购买频率为卜松分布(Poisson Distribute n)。假设四：考虑客户的异质性，假设上述个别客户单位时间平均购买次数服从 伽玛分布(Gamma Distribution)。*假设五：假设个别客户有购买行为的各期平均单次购买金额为伽玛分布(Gamma Distributio n) 。假设六：考虑客户的异质性，假设

8、上述各期平均单次购买金额又符合另一个 伽玛分布(Gamma Distribution)。四、分析思路：1、观察随机模型频率概率分布密度r(b + f)Z a1t刊 L+iJ u+i!f为平均购买次数；a、b为其参数，可用极大似然估计法求出 a、b值;平均金额概率密度Rp)Hq)1 m V7 k p1U + m/ItLm为有购买行为期间的平均单次购买金额；p、q、k为其参数，可用极大似然估计法求出p、q、k值；2、推导客户购买频率、平均金额转移期望值用积分表达式描述就是：平均金额转移期望值=mi *平均金额概率密度dm/ J平均金额概率密度dm积分区间由mi到历史最大平均金额。购买频率转移期望值

9、也类似，只是频率概率为离散函数。3、推导客户购买频率转移概率、平均金额转移概率客户从上期状态转移至下期状态，在马尔可夫链中记作：(r1,f1,a1 <m1<b1) f(r2,f2,a2 舸2<b2), r表示未成交期数，f表示该期间 成交频率，m表示该期间的平均成交金额。若下期成交，则 r2=0 ;若下期不 成交，则r2=r1+1 ;以此类推。*平均金额由ml转移到m2的转移概率记作：Fm(m2 a1<m1<b1),由于金额为 连续变量，对金额分段后 ml属于al至bl这个分段内。用与推导转移期望值相似的方式来推导平均金额的转移概率。4、购买频率、平均金额转移期望

10、值及转移概率计算最终得出：某客户下期的购买金额=(该客户的)下期频率*下期平均金额*下期频 率概率*下期平均金额概率ps：延伸展望：1、预测下期产品成本下期产品成本=下期购买金额 * (1 -下期销售毛利率)如果某客户上、下期之间无交易期数为0,则下期毛利率 =上期毛利率。上期指有成交的最近一期。如果某客户上、下期之间无交易期数为r1 (r1>0)，则下期毛利率 =上期毛利率* (1 + ) o其中=(上期至=0期之间的)线性回归方程的斜率* r1 / 2，用对毛利率进行微调。2、预测下期关系营销费用：定义：Ratei =艺客户i以往费用/站户i以往购买金额Expensei =客户i以往

11、各期中最小的那期费用(大于0)Monetaryi = 客户 i 下期购买金额 Xi = Monetaryi * Ratei如果Xi > Expensei，则下期费用 =Xi ；否则如果 Monetaryi < Expensei，则下期费用 =Xi ； 否则，下期费用=Expensei。3、 完整客户关系生命周期内(从建立关系到未流失的最近一期)的客户价值：客户价值=购买金额-产品成本-关系营销费用。五、输出价值:对预测出的今后客户价值结果， 就可按客户价值分层。将传统 的整体营销推进到分块差别化 营销、一对一差别化营销的高 度，其立足点就是客户价值差 别化分析。通过预测客户价 值，

12、就清楚一旦VIP客户、大 客户流失将在今后造成怎样的 利润损失；也可以找出那些临 近亏本或负价值的客户，进行 置疑分析，找出对策。也要清醒地认识 至叽即便预测出的客户价值较 高，也只是说明其价值势能（购买潜力）较高，坐等客户送上门的价值动能（实际购买）是不现实的，必须回过 头去用客户关系管理的基础方法论踏踏实实地与客户互动，推动客户追加购 买、交叉购买。六、业务方的加入：关于提升预测客户价值的精准度：需要业务专家的介入,提供业务流程中的专业知识及 重要性变量的权重赋值，以结合理论评分及业务评分，综合提高预测的精准度（即缩小预 测残差值）。关于RFM对应的分布：上述考虑的分布为经验选择的结果 （前人经验），并未涉及到特 例的用户对应分布情况，针对单个用户的对应分布将在下一期纳入分析