數(shù)據(jù)挖掘和會(huì)員典型圖譜繪制

1、數(shù)據(jù)挖掘是什么,通過采用自動(dòng)或半自動(dòng)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(cè)和分析活動(dòng)。 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(duì)商業(yè)問題的深入理解和模型適用條件深刻的認(rèn)識(shí),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(gòu)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(jī)會(huì),客戶分群和營(yíng)銷

2、響應(yīng)模型識(shí)別對(duì)某特定營(yíng)銷方式感興趣的客戶。,母嬰購(gòu)物會(huì)員特征： 瀏覽特征 搜索特征關(guān)注廣告特征 是否價(jià)格敏感 其他,數(shù)據(jù)挖掘相關(guān)模型的分類,1.描述性模型：我們的客戶是什么樣子的？他們需要什么？,2.預(yù)測(cè)性模型：如何選取最好的針對(duì)性客戶交互方式，以保證利潤(rùn)最大化？,揭示蘊(yùn)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(gòu)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(duì)未來事件的預(yù)測(cè)有指導(dǎo)的學(xué)習(xí),

3、指導(dǎo)性分群,技術(shù)相關(guān)：,技術(shù)相關(guān)：,精準(zhǔn)營(yíng)銷閉環(huán)流程,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(chǎng)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(jìn)入，提高現(xiàn)有客戶滿意度和忠誠(chéng)度，降低客戶流失” 客戶關(guān)系管理（CRM）的兩個(gè)層面操作型CRM：方便與客戶交流，簡(jiǎn)化操作流程

4、分析型CRM：了解客戶,客戶關(guān)系管理的價(jià)值,數(shù)據(jù)挖掘在客戶關(guān)系管理中的應(yīng)用,圍繞會(huì)員生命周期，建立與之配套的會(huì)員分析模型，對(duì)生命周期進(jìn)行精細(xì)化管理,會(huì)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(huì)員獲取,,,,如何把客戶培養(yǎng)成高價(jià)值客戶？,階段B：（Build-up）會(huì)員提升,如何培養(yǎng)顧客忠誠(chéng)度？,階段C：(Climax)會(huì)員成熟,,如何延長(zhǎng)客戶“生命周期”？,階

5、段D：(Decline)會(huì)員衰退,,如何贏回客戶？,階段E：(Exit)會(huì)員流失,,,,會(huì)員價(jià)值,對(duì)應(yīng)模型,,會(huì)員購(gòu)物概率模型品類偏好模型,客戶分群生命周期識(shí)別,復(fù)購(gòu)模型,客戶流失預(yù)警,流失挽回模型,,多種價(jià)值創(chuàng)造杠桿在不同時(shí)期應(yīng)用,,尋找意向價(jià)值更高的會(huì)員，對(duì)其進(jìn)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(duì)性營(yíng)銷高價(jià)值客戶的差異化服務(wù),高?？蛻纛A(yù)警機(jī)制高?？蛻敉炝襞e措,高價(jià)值客戶贏回方法,場(chǎng)景一 購(gòu)買概率預(yù)測(cè),

6、問題描述：訪問網(wǎng)站的會(huì)員成千上萬，哪些會(huì)員是隨便逛逛，哪些會(huì)員是有意向購(gòu)買，哪些會(huì)員即將購(gòu)買。 結(jié)果描述:(邏輯回歸）找到意向價(jià)值高的會(huì)員及時(shí)營(yíng)銷進(jìn)行購(gòu)物轉(zhuǎn)化。,Y=F(X),2周會(huì)員行為記錄,購(gòu)物窗口,瀏覽后的購(gòu)物會(huì)員,2周會(huì)員行為記錄,預(yù)測(cè)窗口,誰會(huì)買？,目標(biāo): 20 個(gè)會(huì)員購(gòu)買產(chǎn)品的會(huì)員數(shù)量: 5響應(yīng)率: 25%,通過響應(yīng)模型選取目標(biāo)會(huì)員,目標(biāo): 100 個(gè)會(huì)員購(gòu)買產(chǎn)品的會(huì)員數(shù)量: 10響應(yīng)率: 10%,現(xiàn)有方法選取目標(biāo)

7、會(huì)員,場(chǎng)景二 交叉銷售分析,問題描述：如何決定蘇寧消費(fèi)會(huì)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(qiáng)；購(gòu)買啤酒與蔬菜罐頭的人有87%的人會(huì)購(gòu)買凍肉,場(chǎng)景三 流失率分析,問題描述：哪些會(huì)員即將流失？根據(jù)客戶信息，預(yù)測(cè)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),

8、輸 出,,,,,,,男,29,末次訪問時(shí)間,累計(jì)消費(fèi)金額,月訪問頻次,…………,?業(yè)界經(jīng)驗(yàn)，發(fā)展一個(gè)新客戶比保持一個(gè)老客戶的費(fèi)用要高 5 倍，而如果“用戶保持率”增加 5%，將有望為企業(yè)帶來25% ---85% 的利潤(rùn)增長(zhǎng)。?因此，對(duì)老客戶的保留直接關(guān)系到企業(yè)的利益，客戶的流失對(duì)企業(yè)的經(jīng)營(yíng)產(chǎn)生深遠(yuǎn)的影響。,場(chǎng)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(huì)員？ 結(jié)果描述:(

9、聚類，RFM分群）,R：RECENCY(消費(fèi)間隔時(shí)間)F：FRENQUENCY(消費(fèi)頻次)M：MONETARY(平均消費(fèi)金額),?理論上，最近一次消費(fèi)時(shí)間越近的客戶，價(jià)值也越高。? 最常購(gòu)買的客戶，也是滿意度忠誠(chéng)度最高的客戶。?消費(fèi)金額變量代表客戶的消費(fèi)能力。,場(chǎng)景四 客戶分群之二價(jià)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(huì)員？ 結(jié)果描述:(聚類，價(jià)值矩陣模型）,?客戶價(jià)值矩陣模型是在對(duì)傳統(tǒng)的 RFM

10、 模型修正的基礎(chǔ)上提出的改進(jìn)模型。?在客戶價(jià)值矩陣中，購(gòu)買次數(shù) F 和平均購(gòu)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(jià)值矩陣的某一象限區(qū)間內(nèi)。?依據(jù)客戶購(gòu)買次數(shù)的高低和平均購(gòu)買額的多少，客戶價(jià)值矩陣將客戶劃分成四種類型，即樂于消費(fèi)型客戶、優(yōu)質(zhì)型客戶、經(jīng)常客戶和不確定客戶,建模流程,購(gòu)買概率預(yù)測(cè)模型,① 確立目標(biāo),② 構(gòu)建寬表,,分析非當(dāng)天注冊(cè)、當(dāng)天購(gòu)買，購(gòu)買前2周內(nèi)有行為的未轉(zhuǎn)化會(huì)員,為首購(gòu)模型

11、構(gòu)建了共計(jì)176個(gè)字段的寬表,③ 構(gòu)建模型,預(yù)測(cè)點(diǎn),行為窗口,預(yù)測(cè)窗口,基于Logistic回歸模型，構(gòu)建了4個(gè)首購(gòu)概率模型，生成會(huì)員的購(gòu)買概率。概率值越大的會(huì)員，發(fā)生購(gòu)買的可能性越大。,,,④ 模型評(píng)估,模型評(píng)估一般分為效能評(píng)估和穩(wěn)定性評(píng)估,探查寬表字段與購(gòu)買相關(guān)性。以2周行為預(yù)測(cè)1天的購(gòu)買,(1) 效能評(píng)估：即評(píng)估建模效果的好壞。效能評(píng)估的方法有多種，本次使用捕獲圖的方式進(jìn)行評(píng)估。,捕獲圖：即按照會(huì)員的購(gòu)買預(yù)測(cè)概率從大到小倒序排序，

12、計(jì)算預(yù)測(cè)概率最大的前n%的會(huì)員的實(shí)際購(gòu)買率與自然購(gòu)買率的比值，比值越大說明模型效果越好。,(2) 穩(wěn)定性評(píng)估：即評(píng)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。,建模效果,建模流程 – 購(gòu)買率,y= 0.482 * 重點(diǎn)郵箱 + 0.9602 * 重點(diǎn)電話 + -0.3841 * 注冊(cè)距今時(shí)長(zhǎng)分段 + -0.1691 * 末次加入購(gòu)

13、物車距今時(shí)長(zhǎng)分段 + -0.1019 * 末次加入收銀臺(tái)距今時(shí)長(zhǎng)分段 + 0.7121 * 近第一天的瀏覽四級(jí)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(shì)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

14、索次數(shù) + 0.2557 * WAP近一周是否有瀏覽時(shí)長(zhǎng) + 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(gòu)物車距今時(shí)長(zhǎng)分段 + -0.5883,購(gòu)買概率：,9/1,前10%提升率為4.7,9/18,9/2,9/16,前10%提升率為5.2,前10%提升率為4.

15、9,前10%提升率為4.9,模型在建模集(9/1)、驗(yàn)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； 模型在10%的人群處(約6萬人群)，能夠選出約50%的目標(biāo)客戶(約1200人）,是隨機(jī)篩選的5倍。,未來方向：建立人與商品的聯(lián)系,個(gè)性化推薦，千人千面，找到人與商品的聯(lián)系,未來方向：針對(duì)會(huì)員做精準(zhǔn)營(yíng)銷,,,,,,產(chǎn)品驅(qū)動(dòng),大型的，粗放銷售,憑感覺來洞悉市場(chǎng),許多分散的營(yíng)銷活動(dòng),以廣告和價(jià)格來吸引