原標(biāo)題：7個(gè)常見(jiàn)的數(shù)據(jù)分析項(xiàng)目模型！趕緊收藏！

關(guān)注公眾號(hào)，獲取更多數(shù)據(jù)領(lǐng)域干貨知識(shí)

作者 | Tao

來(lái)源 | 知乎

本文為《數(shù)據(jù)挖掘與數(shù)據(jù)化運(yùn)營(yíng)實(shí)戰(zhàn)：思路、方法、技巧與應(yīng)用》一書第三章的筆記與總結(jié)。

一個(gè)成功的數(shù)據(jù)挖掘項(xiàng)目，首先要有準(zhǔn)確的業(yè)務(wù)需求描述，之后則要求項(xiàng)目相關(guān)人員自始至終對(duì)業(yè)務(wù)有正確的理解和判斷 對(duì)業(yè)務(wù)的理解和思考，永遠(yuǎn)高于項(xiàng)目的分類和分析技術(shù)的選擇。

目標(biāo)客戶的特征分析

目的：找準(zhǔn)目標(biāo)客戶，目標(biāo)受眾，才能進(jìn)行精細(xì)化運(yùn)營(yíng)

在目標(biāo)客戶的典型特征分析中，有兩種業(yè)務(wù)場(chǎng)景：

試運(yùn)營(yíng)前的 虛擬特征 探索 試運(yùn)營(yíng)后的 真實(shí)數(shù)據(jù) 探索

試運(yùn)營(yíng)前：沒(méi)有真實(shí)的業(yè)務(wù)環(huán)境，沒(méi)有真實(shí)的用戶數(shù)據(jù)，需要尋找類似的業(yè)務(wù)場(chǎng)景中的歷史數(shù)據(jù)來(lái)進(jìn)行模擬和推斷。根據(jù)產(chǎn)品設(shè)計(jì)理念、產(chǎn)品定位、經(jīng)驗(yàn)推測(cè)等因素來(lái)輸出期望的目標(biāo)客戶典型特征，后續(xù)根據(jù)試運(yùn)營(yíng)后的真實(shí)數(shù)據(jù)再作調(diào)整。

試運(yùn)營(yíng)后：基于真實(shí)的業(yè)務(wù)場(chǎng)景中的用戶數(shù)據(jù)進(jìn)行數(shù)據(jù)分析，提取出的目標(biāo)用戶特征更準(zhǔn)確更可行，也更貼近業(yè)務(wù)。最終輸出該產(chǎn)品的核心目標(biāo)用戶特征分析報(bào)告，為運(yùn)營(yíng)團(tuán)隊(duì)的精準(zhǔn)營(yíng)銷提供支撐。

目標(biāo)客戶的預(yù)測(cè)（相應(yīng)、分類）模型

包括：

流失預(yù)警模型 付費(fèi)預(yù)測(cè)模型 續(xù)費(fèi)預(yù)測(cè)模型 運(yùn)營(yíng)活動(dòng)相應(yīng)模型 ...

目的：預(yù)測(cè)個(gè)體相應(yīng)的概率，展示變量之間的關(guān)系

例：建立預(yù)測(cè)響應(yīng)模型，判斷特定時(shí)間段發(fā)生交易的概率

輸入變量：近一個(gè)月曝光，店鋪評(píng)分，...

輸出變量：是否在線交易

最終發(fā)現(xiàn)近一個(gè)月曝光，店鋪評(píng)分兩個(gè)變量和輸出變量最大正相關(guān)，則有理由相信，提高曝光，提高評(píng)分可以促進(jìn)交易量。

運(yùn)營(yíng)群體活躍度定義

活躍度的定義沒(méi)有統(tǒng)一標(biāo)準(zhǔn)，一般是根據(jù)特定的業(yè)務(wù)場(chǎng)景和運(yùn)營(yíng)需求來(lái)量身定做的。其中定義活躍度最常見(jiàn)的兩個(gè)基本點(diǎn)是：

活躍度組成指標(biāo)應(yīng)該是該業(yè)務(wù)場(chǎng)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(jù)是其能否有效回答業(yè)務(wù)需求的終極目標(biāo)

例：某產(chǎn)品可以向賣家提供與買家洽談功能，免費(fèi)版提供基本功能，付費(fèi)版提供所有功能?，F(xiàn)在需要為該產(chǎn)品定義一個(gè)用戶活躍度，來(lái)促進(jìn)用戶從免費(fèi)版轉(zhuǎn)化為付費(fèi)版。

關(guān)鍵指標(biāo)：用戶登陸次數(shù)，用戶使用核心功能次數(shù)

評(píng)判該定義是否合適，需要看按照該定義出來(lái)的活躍用戶中，覆蓋了多少實(shí)際付費(fèi)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(fèi)用戶和付費(fèi)用戶。

關(guān)注我們，獲取更多數(shù)據(jù)領(lǐng)域干貨內(nèi)容！

用戶路徑分析

主要分析用戶在網(wǎng)頁(yè)/app上流轉(zhuǎn)的規(guī)律和特點(diǎn)，發(fā)現(xiàn)頻繁訪問(wèn)的路徑模式，這些路徑的發(fā)現(xiàn)可以有很多業(yè)務(wù)用途，包括提煉特定用戶群體的主流路徑、網(wǎng)頁(yè)設(shè)計(jì)的優(yōu)化和改版、特定群體的瀏覽特征等。

路徑分析的目的：

監(jiān)控運(yùn)營(yíng)活動(dòng)（或目標(biāo)客戶）的典型路徑，通過(guò)分析調(diào)整運(yùn)營(yíng)策略，最終 提升用戶點(diǎn)擊頁(yè)面的效率 發(fā)現(xiàn)并提煉新的有價(jià)值的頻繁路徑模式， 提升運(yùn)營(yíng)效率和特定效果。

交叉銷售模型

理論依據(jù)：客戶付費(fèi)后，企業(yè)會(huì)想辦法保留或延長(zhǎng)客戶對(duì)企業(yè)的生命周期和利潤(rùn)貢獻(xiàn)

兩個(gè)運(yùn)營(yíng)方向：

延緩客戶流失 提高顧客消費(fèi)

第一個(gè)方向，通常是客戶流失預(yù)警模型發(fā)揮作用，利用流失預(yù)警模型，提前鎖定可能會(huì)流失的有價(jià)值客戶，通過(guò)各種手段挽留客戶，降低流失率

第二個(gè)方向，通過(guò)數(shù)據(jù)挖掘，找出客戶的潛在消費(fèi)需求，從而更好引導(dǎo)、滿足、迎合客戶需求，最終促使客戶更多的消費(fèi)。其中主要用到交叉銷售模型。

交叉銷售模型通過(guò)對(duì)用戶歷史消費(fèi)數(shù)據(jù)的分析挖掘，找出有明顯關(guān)聯(lián)性質(zhì)的商品組合，然后用不同的建模方法，去構(gòu)建消費(fèi)者購(gòu)買這些關(guān)聯(lián)商品組合的可能性模型，再用其中優(yōu)秀的模型去預(yù)測(cè)新客戶中購(gòu)買特定組合商品的可能性。

4種思路：

購(gòu)物籃分析（有針對(duì)性的促銷和捆綁） 對(duì)重要商品建立預(yù)測(cè)響應(yīng)模型，向可能性最高的前5%顧客進(jìn)行精準(zhǔn)營(yíng)銷和推廣 讓重要商品兩兩組合，建立預(yù)測(cè)響應(yīng)模型，找出最有可能消費(fèi)的潛在客戶進(jìn)行推廣 決策樹

其中的建模技術(shù)包括

關(guān)聯(lián)分析（Apriori） 序列分析（在關(guān)聯(lián)分析基礎(chǔ)上增加先后順序） 預(yù)測(cè)（響應(yīng)、分類）模型：邏輯回歸，決策樹

信息質(zhì)量模型

舉個(gè)例子：在同等條件下，一個(gè)要素齊備，布局合理，界面友好的店鋪或商品詳情頁(yè)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(dá)成交易，更容易獲得買家的好感。這其中就體現(xiàn)了信息質(zhì)量的重要價(jià)值。

信息質(zhì)量模型主要應(yīng)用場(chǎng)合包括：

商品Offer優(yōu)化 網(wǎng)店質(zhì)量?jī)?yōu)化 論壇發(fā)帖質(zhì)量?jī)?yōu)化 違禁信息的過(guò)濾優(yōu)化 其他設(shè)計(jì)信息質(zhì)量監(jiān)控和優(yōu)化的場(chǎng)景

策略：專家打分，模型擬合

信息質(zhì)量模型師電子商務(wù)和網(wǎng)上交易的基本保障，其主要目的是確保商品基本信息的優(yōu)質(zhì)和高效，讓買家更容易全面、清楚、高效的了解商品主要細(xì)節(jié)，讓賣家更容易，更高效的展示自己的商品。

服務(wù)保障模型

作用：為賣家提供有價(jià)值的服務(wù)去支持、保障賣家生意的發(fā)展

例：

讓賣家購(gòu)買合適的增值產(chǎn)品 讓賣家續(xù)費(fèi)合適的增值產(chǎn)品 賣家商業(yè)信息的違禁過(guò)濾 賣家社區(qū)發(fā)帖的冷熱判斷

模型：預(yù)測(cè)（響應(yīng)、分類）模型

用戶（買家、賣家）分層模型

分層模型是介于粗放式運(yùn)營(yíng)與基于個(gè)體概率預(yù)測(cè)模型之間的一種折中和過(guò)渡模型，其既兼顧了（相比較粗放運(yùn)營(yíng)而言）精細(xì)化的需要，又不需要（太多資源）投入到預(yù)測(cè)模型的搭建和維護(hù)中

常用場(chǎng)景：

客戶服務(wù)團(tuán)隊(duì)需要根據(jù)分層模型來(lái)針對(duì)不同的群體提供不同的說(shuō)辭和相應(yīng)的服務(wù)套餐 企業(yè)管理層需要基于在線交易賣家數(shù)量來(lái)形成以其為核心的賣家分層進(jìn)化視圖 運(yùn)營(yíng)團(tuán)隊(duì)用客戶分層模型指導(dǎo)相應(yīng)運(yùn)營(yíng)方案的制定和執(zhí)行，從而提高運(yùn)營(yíng)效率和付費(fèi)轉(zhuǎn)化率

這些分層模型既可以為管理層、決策層提供基于特定目的的的統(tǒng)一進(jìn)化視圖，又可以給業(yè)務(wù)部門做具體的數(shù)據(jù)化運(yùn)營(yíng)提供分群（分層）依據(jù)和參考。

分層模型的關(guān)鍵：根據(jù)實(shí)際業(yè)務(wù)經(jīng)驗(yàn)定義不同層級(jí)的含義，根據(jù)實(shí)際經(jīng)驗(yàn)及數(shù)據(jù)劃分不同層級(jí)間的閾值

比較常見(jiàn)的分層模型：RFM

賣家（買家）交易模型

目的：為買賣雙方服務(wù)，幫助賣家獲得更多的買家反饋，促進(jìn)賣家完成更多的交易、獲得持續(xù)的商業(yè)利益

其中涉及的主要分析類型包括：

自動(dòng)匹配（預(yù)測(cè)）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(huán)節(jié)的 流失漏斗 ，幫助提升交易效率） 買家細(xì)分（幫助提供 個(gè)性化的商品和服務(wù) ） 優(yōu)化交易路徑設(shè)計(jì)（提升買家 消費(fèi)體驗(yàn) ） 。。。

信用風(fēng)險(xiǎn)模型

包括：

欺詐預(yù)警 糾紛預(yù)警 高位用戶判斷 。。。

一般的信用風(fēng)險(xiǎn)模型由專門的風(fēng)控團(tuán)隊(duì)負(fù)責(zé)，但從數(shù)據(jù)挖掘的角度來(lái)看，信用風(fēng)險(xiǎn)模型搭建和常規(guī)的數(shù)據(jù)挖掘沒(méi)有太大區(qū)別，算法思路基本相同，其中的區(qū)別在于業(yè)務(wù)背景。相比與常規(guī)的數(shù)據(jù)挖掘，信用風(fēng)險(xiǎn)分析有以下特點(diǎn)：

分析結(jié)論或欺詐模型的 時(shí)效更短 ，需要優(yōu)化（更新）的 頻率更高 行騙手段是 隨機(jī)性 的，所以欺詐預(yù)警模型對(duì)及時(shí)性和準(zhǔn)確度要求很高 對(duì)預(yù)測(cè)模型提煉出的因子進(jìn)行 規(guī)則梳理和羅列 ，可以在風(fēng)控管理的初期階段有效鎖定潛在目標(biāo)群體

- END -

本文為轉(zhuǎn)載分享&推薦閱讀，若侵權(quán)請(qǐng)聯(lián)系后臺(tái)刪除

愛(ài)數(shù)據(jù)福利大放送

回復(fù)【509】即可領(lǐng)取

《10周入門數(shù)據(jù)分析學(xué)習(xí)手冊(cè)》

（理論+技能+業(yè)務(wù)）

《10周入門數(shù)據(jù)分析》內(nèi)容概覽

《10周入門數(shù)據(jù)分析學(xué)習(xí)大綱》部分內(nèi)容返回搜狐，查看更多

責(zé)任編輯：