網站數據分析（7）——會員運營分析模型

在會員數據化運營分析模型中，將主要介紹會員細分模型、會員價值度模型、會員活躍度模型、會員流失預測模型、會員特徵分析模型和營銷響應預測模型。

1、會員細分模型

會員細分模型是將總體會員劃分爲不一樣的細分羣體或類別，而後基於細分羣體作管理、營銷和關懷。會員細分模型經常使用於在總體會員的宏觀性分析以及探索性分析，經過細分創建初步認知爲下一步的分析和應用提供基本認知；會員細分也是作精準營銷的基本前提。

經常使用的細分模型包括：基於屬性的方法、ABC分類法、聚類法等。

1.1 基於屬性的方法

會員細分能夠基於現有會員屬性，經常使用的細分屬性包括：

會員地域（例如北京、上海、武漢等）、產品類別（例如你們電、3C數碼、圖書 等）、會員類別（例如大客戶、普通客戶、VIP客戶等）、會員性別（例如男、女、未知）、會員消費等級（例如高價值會員、中價值會員、低價值會員）、會員等級（例如鑽石、黃金、白銀）等。

這種細分方法能夠直接利用現有會員數據庫數據，無需作二次開發和計算，是一種比較簡單且粗獷的方法。

1.2 ABC分類法

ABC分類法（Activity Based Classification）是根據事物的主要特徵作分類排列，從而實現區別對待、區別管理的一種方法。ABC法則是帕累託二八法則衍生出來的一種法則。不一樣的是，二八法則強調的是抓住關鍵，ABC法則強調的是分清主次，並將管理對象劃分爲A、B、C三類。

在ABC分析法中先將目標數據列倒敘排序，而後作累積百分比統計，最後將獲得的累積百分比按照下面的比例值劃分爲A、B、C三類：

• A類因素：發生累計頻率爲0%～80%，是主要影響因素。
• B類因素：發生累計頻率爲80%～90%，是次要影響因素。
• C類因素：發生累計頻率爲90%～100%，是通常影響因素。

下面以示例數聽說明如何使用ABC分類法對會員作細分。

• 步驟1：先創建一個二維表格數據，數據中包括會員ID和訂單金額（或其餘關鍵指標）兩列。
• 步驟2：二維表格數據按照訂單金額作倒敘排序。
• 步驟3：對訂單金額列作累積百分比統計。
• 步驟4：按照A、B、C劃分標準將會員劃分爲不一樣的分類，以下圖所示數據。

1.3 聚類法

使用聚類法作會員分羣是經常使用的非監督式方法，該方法無需任何先驗經驗，只須要指定要劃分的羣體數量便可。聚類法後面單獨講。

2、會員價值度模型

會員價值度用來評估用戶的價值狀況，是區分會員價值的重要模型和參考依據，也是衡量不一樣營銷效果的關鍵指標之一。價值度模型通常 基於交易行爲產生，衡量的是有實體轉化價值的行爲。經常使用的價值度模型是RFM。

RFM模型是根據會員最近一次購買時間R（Recency）、購買頻率F（Frequency）、購買金額M（Monetary）計算得出RFM得分，經過這三個維度來評估客戶的訂單活躍價值，經常使用來作客戶分羣或價值區分。該模型經常使用於電子商務（即交易類）企業的會員分析。

RFM模型基於一個固定時間點來作模型分析，所以今天作的RFM得分跟7天前作的結果可能不同，緣由是每一個客戶在不一樣的時間節點所獲得的數據不一樣。如下是RFM模型的基本實現過程：

• 步驟1：設置要作計算時的截止時間節點（例如2019-5-30），用來作基於該時間的數據選取和計算。
• 步驟2：在會員數據庫中，以今天爲時間界限向前推固定週期（例如1年），獲得包含每一個會員的會員ID、訂單時間、訂單金額的原始數據集，一個會員可能會產生多條訂單記錄。
• 步驟3：數據預計算。從訂單時間中找到各個會員距離截止時間節點最近的訂單時間做爲最近購買時間；以會員ID爲維度統計每一個用戶的訂單數量做爲購買頻率，將用戶多個訂單的訂單金額求和獲得總訂單金額。由此獲得R、F、M三個原始數據量。
• 步驟4：R、F、M分區。對於F和M變量來說，值越大表明購買頻率越高、訂單金額越高；但對R來說值越小表明離截止時間節點越近，所以值越好。對R、F、M分別使用五分位（三分位也能夠，分位數越多劃分的越詳細）法作數據分區，須要注意的是，對於R來說須要倒過來劃分，離截止時間越近的值劃分越大。這樣就獲得每一個用戶的R、F、M三個變量的分位數值。
• 步驟5：將三個值組合或相加獲得總的RFM得分。對於RFM總得分的計算有兩種方式，一種是直接將三個值拼接到一塊兒，例如RFM得分爲3十二、33三、132；另外一種是直接將三個值相加求得一個新的彙總值，例如RFM得分爲六、九、6。

在獲得不一樣會員的RFM的以後，根據步驟5產生的兩種結果有不用的應用思路：

• 思路1：基於三個維度值作用戶羣體劃分和解讀，對用戶的價值度作分析。例如得分爲212的會員每每購買頻率較低，針對購買頻率低的客戶按期發送促銷活動郵件；針對得分爲321的會員雖然購買頻率高可是訂單金額低等，這些客戶每每具備較高的購買黏性，能夠考慮經過關聯或搭配銷售的方式提高訂單金額。
• 思路2：基於RFM的彙總得分評估全部會員的價值度價值，並能夠作價值度排名；同時，該得分還能夠做爲輸入維度跟其餘維度一塊兒做爲其餘數據分析和挖掘模型的輸入變量，爲分析建模提供基礎。

3、會員活躍度模型

會員活躍度用來評估用戶的活躍度狀況，是會員狀態分析的基本模型之一。在總體活躍度指標中介紹了一種基於加權統計的方法，在此再介紹另外一種活躍度模型——RFE模型。

RFE模型基於用戶的普通行爲（非轉化或交易行爲）產生，它跟RFM相似都是使用三個維度作價值評估。RFE模型是根據會員最近一次訪問時間R（Recency）、訪問頻率F（Frequency）和頁面互動度E（Engagements）計算得出的RFE得分。其中：

• 最近一次訪問時間R（Recency）：會員最近一次訪問或到達網站的時間。
• 訪問頻率F（Frequency）：用戶在特定時間週期內訪問或到達的頻率。
• 頁面互動度E（Engagements）：互動度的定義能夠根據不一樣企業的交互狀況而定，例如能夠定義爲頁面瀏覽量、下載量、視頻播放數量等。

在RFE模型中，因爲不要求用戶發生交易，所以能夠作未發生登陸、註冊等匿名用戶的行爲價值分析，也能夠作實名用戶分析。該模型經常使用來作用戶活躍分羣或價值區分，可用於內容型（例如論壇、新聞、 資訊等）企業的會員分析。

RFM和RFE模型的實現思路相同，僅僅是計算指標發生變化。對於RFE的數據來源，能夠從企業本身監控的用戶行爲日誌獲取，也能夠從第三方網站分析工具得到。

在獲得用戶的RFE得分以後，跟RFM相似也能夠有兩種應用思路：

• 思路1：基於三個維度值作用戶羣體劃分和解讀，對用戶的活躍度作分析。RFE得分爲313的會員說明其訪問頻率低，可是每次訪問時 的交互都很是不錯，此時重點要作用戶回訪頻率的提高，例如經過活動邀請、精準廣告投放、會員活動推薦等提高回訪頻率。
• 思路2：基於RFE的彙總得分評估全部會員的活躍度價值，並能夠作活躍度排名；同時，該得分還能夠做爲輸入維度跟其餘維度一塊兒做爲其餘數據分析和挖掘模型的輸入變量，爲分析建模提供基礎。

注意：不管是RFM和RFE都不要忽略不一樣的消費頻率、品類和週期對於結果的影響性。例如你們電的更換週期多是2年、手機的更換 頻率是1年、日用消費品的週期倒是7天，因爲不一樣品類的差別性很大，最終獲得的得分結果沒有必然的可比性，例如偏向於購買你們電品類的RFM得分爲113屬於「正常現象」，由於你們電的購買屬性決定了這就是一個長週期、低頻、大金額的行爲。

4、會員流失預測模型

會員流失預測模型用來預測會員是否流失，是作會員生命週期管理的重要預防性應用。作會員流失模型的關鍵因素之一是要定義好「流失」，即處於何種狀態、具有哪些特徵的會員屬於流失會員；另外，流失也可能區分是永久性流失仍是臨時性流失。常見的屬於流失的狀態定義示例：

• 會員已經退訂公司的促銷活動；
• 會員打電話要求將本身的信息加入通知黑名單；
• 會員已經連續6個月沒有登陸過網站；
• 針對會員發送的關懷激勵活動中沒有任何有效反饋和互動；
• 會員最近1年內沒有任何訂單。

上述流失狀態能夠歸爲兩類： 一類是會員有明確的表達，再也不但願接收到公司的相關信息； 另外一類是會員沒有明確的表示，可是在業務關注的主要領域內，沒有獲得有效反饋。

會員流失預測模型的實現方法屬於分類算法，經常使用算法包括邏輯迴歸、支持向量機、隨機森林等，有關這些算法的具體選擇問題，後面再說。

在作會員流失預警模型時，須要注意如下幾個問題：

• 流失會員的樣本分類必定是少數類，須要注意處理樣本不均衡問題。
• 對於流失會員的預測結果，獲得機率性的輸出能夠結合流失預測標籤一塊兒應用，由於業務方能夠基於機率再結合業務經驗作判斷。
• 對於參與訓練模型的維度變量的選擇，必定要結合業務經驗，由於業務方對於特定場景的判斷是影響訓練模型和應用結果的關鍵因素之一。
• 輸入的維度變量中必定要包含發生轉化前的行爲數據，假如業務定義爲最近6個月沒有訂單的客戶爲流失客戶，那麼在作預測模型時需 要將用戶的匿名訪問、登陸、頁面瀏覽、搜索、活動諮詢等轉化前的數據考慮在內，而不能只考慮訂單轉化自己。
• 會員流失預警模型不是一次性的，而是週期性監視和運行的，例如天天、每週或至少是每個月。

經過會員流失模型獲得每一個會員是否屬於流失標籤後，能夠將該結果給到會員運營人員，運營人員通常會根據業務經驗作二次審查和確認，而後再經過會員挽回、激勵等機制提高會員的忠誠度，延緩或防止會員流失。而關於如何挽回以及激勵的問題，一般也是須要數據參與來幫助運營人員制定相應的策略，例如在合適的時間、以恰當的方式提供個性化的內容給特定會員，這些都須要數據的支持。

5、會員特徵分析模型

會員特徵分析模型是針對現有會員作特徵分析。會員特徵分析模型提供的結果多是模糊的，也多是明確的。例如：

• 明確的特徵，它提供了業務所要行動的細節要素，是一種具備極高落地價值的數據分析工做。
• 模糊的特徵，它指數據分析結果未提供詳細的動做因素，僅指明瞭下一步行動方向或目標。

會員特徵分析主要應用於如下兩種業務場景。

第一種是在沒有任何前期經驗或特定目標下觸發，但願經過總體特徵分析瞭解會員全貌。在這種模式下，能夠經過必定方法先將用戶劃分爲幾個類別，而後再作基於類別的特徵分析，經常使用實現方法和應用包括：

• 聚類：經過聚類將用戶劃分爲幾個羣組，而後再分析不一樣羣組的典型特徵和羣組間的差別性。例如：公司的整體會員具備哪些特徵？模型結果：經過聚類方法將會員劃分爲3類，而後每一個類別都有各自顯著性特徵，會員部門可根據不一樣類別作特定分析並指定羣體性策略。
• 統計分析：先將總體用戶作統計分析，包括描述性統計、頻數分佈等，瞭解總體數據歸納。

第二種是有明確的業務方向，但願找到能達到事件目標的會員特徵，用於作進一步的會員運營。對於這類分析模型，經常使用的實現方法和應用包括：

• 分類：利用分類規則例如決策樹找到符合目標的關鍵變量以及對應的變量值，進而肯定會員特徵。例如，收入＞5400元，最近購買時間是5個月以前，總訂單金額在4300元如下的會員最可能購買商品。
• 關聯：使用關聯規則找到不一樣屬性、項目間的關聯發生或序列發生關係，而後將會員的屬性特徵（頻繁項集）提供給運營。例如：購買X商品的客戶通常是來自於廣州、購物頻率爲1周3次、客單價爲100元如下。
• 異常檢測：使用非監督式的異常檢測方法，從一堆數據中找到異常數據樣本，而後將這些數據樣本特徵提供給運營作進一步確認和審 查。例如：異常客戶的特徵每每是每次訂單的商品數量超過4件、地域集中在江蘇和浙江、通常擁有超過3個以上的子帳戶。

會員特徵分析模型輸出的上述兩類結果，第一類結果每每做爲輔助於、啓發性和提示性結果，用於爲運營提供進一步業務動做的思考，這種通常開始於數據工做項目的開始或業務方對數據主題的先驗經驗不足的狀況下；第二類結果則能夠做爲運營下一步動做的直接「觸點」。

6、營銷響應預測模型

營銷響應預測模型是針對營銷活動展開的，一般在作會員營銷活動以前，經過營銷響應預測模型分析找到可能響應活動的會員特徵以及總體響應的用戶比例、數量和可能帶來的銷售額。這在會員營銷以前的有關策略制定的輔助價值很是明顯。 營銷響應預測模型的實施採用的通常是分類算法，常見算法包括，經常使用算法包括邏輯迴歸、支持向量機、隨機森林等，有關這些算法的具體選擇問題，後面再說。

在作營銷響應模型以前，須要先收集訓練所需的數據集。

• 步驟1：從全部會員上隨機選擇必定量的會員樣本，具體數量要根據企業實際狀況而定，通常狀況下，至少要有1000條數據以上（同時要 兼顧整體會員數量）才能知足模型訓練的須要。
• 步驟2：而後針對選擇的會員樣本經過必定媒介和渠道發送營銷活動信息，例如手機短信、電子郵件等。須要注意的是，必定要記錄好營銷活動發送的時間、頻率、信息等關鍵運營要素，這些須要跟後期的實施保持一致。
• 步驟3：收集營銷活動數據。在收集數據時須要注意數據收集的週期，一般狀況下，通常電子郵件的有效週期爲1～7天，時間太短可能沒法被用戶看到；手機短信的有效期通常是1天左右，時間太長用戶通常會忽略。

通過上述步驟收集到分類所需的樣本集以後，接着就須要經過分類模型作營銷響應預測，這是典型的二分類問題。在作營銷響應模型訓練時，也須要注意在會員流失預測模型裏提到的問題，兩者在不少方面都有共通性。

經過營銷響應預測模型獲得的結果通常包括兩個方向：

• 基於模型找到最可能產生購買轉化行爲的會員規則特徵。例如最近一次購買時間在3個月之內、會員等級爲3級以上、總訂單金額大於3000、訂單量大於10的客戶。經過這些條件直接從數據庫中篩選對應的會員列表，並能夠對該會員列表發送營銷活動。
• 基於模型預測可能產生的訂單轉化數量、轉化率（例如選擇10000個客戶，會有4000個客戶產生轉化），以及有轉化客戶的客單價（經過 訓練樣本集選擇有轉化客戶，而後用訂單金額/會員量計算獲得）大致計算出這次發送會員能獲得的營銷收入。這些信息能夠做爲這次營銷活動計劃提報的數據量化指標和資源申請的數據支持。