作者：hooly

微信公眾號：一口袋星光

通過神秘用戶拿到都是假的數據，后再抽脫出虛擬充值模型。

用戶畫像是都是假的用戶的縮影

統合用戶畫像

用戶基本信息：性別、年齡、職業、興趣愛好、住址...

用戶行為數據：注冊、登陸、搜藏、可以購買、退換貨、期刊等級......

實際都是假的的用戶數據，猜想出用戶的標簽：

用戶很頻繁可以購買電子產品（算法）->電子發燒友；

這樣的話可建立用戶的偏好模型，同時也有許多模型：忠誠度模型；重新活躍模型（未激活碼激活、亢奮、沉默、睡眠、大量流失）；價值模型-RFM模型；購買力模型；沖動指數模型等等......

我們能夠得到了什么？

1.各個模型下各類型、各分層的用戶**。有了這個用戶**，我們可以做一系列的分析，這些運營玩法。.例如商城有價格不菲的、高端點的科技新產品時，應該是首先推薦一下給【電子發燒友、高貢獻值】的用戶。

2.針對某個用戶或者某一撮用戶，可以不不使用不同維度（不同模型）下的的標簽來具體解釋他。當我們要針對性的運營某一撮用戶的時候，我們這個可以飛快扣住這些用戶的特征（標簽），采用最合適的策略，推薦推薦哪些商品，哪類活動優惠。

廣泛模型詳細介紹：

1.用戶價值模型-RFM

-能夠體現用戶對網站的價值對需要提供用戶留存率的很有幫助-可以使用RFM利用用戶價值模型參考指標-最近三次消費時間（Recency）-消費頻率（Frequency）-消費金額（Monetary）-RFM利用用戶價值模型計算方法-可以使用指標：租金一次網上購買時間，近7天可以購買訂單量，近180天購買金額，分N段并且RFM分數換算-反算Recency_score,Frequency_score,Monetary_score,然后劃分問題用戶群

2.客戶重新活躍模型：

客戶就像的活躍狀態：1.注冊未可以購買（只去注冊未購買，多事第三方登陸賬號）2.亢奮狀態（也可以細分為超高頻，中頻，低頻）3.沉睡了（最近90天無去購買，近35天無購買）4.流失（近90天無網上購買，那一次網上購買）

3.用戶忠誠度模型：

用戶忠誠度：1忠誠型用戶2偶而型用戶3投資型用戶3瀏覽的網頁型用戶5未無法識別統合：1，只打開瀏覽器不可以購買，2去購買天數為0一定會天數3，去購買天數大于0一定天數，大部分唯有優惠彩網上購買等

4.用戶購物類型模型：

兩種歸類：用戶購物類型：1，購物急躁型，2海淘猶豫了一會型3理性比較型4目標明確型5未無法識別。構建：1，換算用戶在對三級品類購物前流量時間和瀏覽的網頁sku數量；2，kmeans聚類。

5.-指數模型

-糟蹋錢指數

-使用購買特征山炮數量來不識別（剛出的蘋果產品，奢侈品）

-生克制化用戶的訂單金額。

-沖動指數

-建議使用特征商品（同品類價格較高商品）平均購物車停留時間

-生克制化特征商品（同品類價格較高商品）的購買數量

常用建模算法：

聚類算法：Spss里面的聚類分析主要有兩種K-means聚類和系統聚類。也這個可以在數據倉庫中據顧客可以購買的商品屬性接受會員的聚類分析，這里就不必須算法的支持，只需要參照系統的早有的商品分類，把定購過相同商品類別的顧客劃分到互相。這種方法可能與公司的業務非常貼近。聚類分析是接受會員精細化管理，精細化營銷的基礎。

在用方法：對顧客細分，精準化營銷。

后面會陸續可以介紹更多的建模方法的簡單思路，以便大家深入了解。

作者：hooly

微信公眾號：一口袋星光

我會在微信公號上減弱可以更新我的文章，你來討論到我很歡迎。