浅析7个常见的数据分析模型
一个成功的数据挖掘项目,首先要有准确的业务需求描述,之后则要求项目相关人员自始至终对业务有正确的理解和判断 对业务的理解和思考,永远高于项目的分类和分析技术的选择
1
目标客户的特征分析
目的:找准目标客户,目标受众,才能进行精细化运营
在目标客户的典型特征分析中,有两种业务场景:
试运营前的虚拟特征探索 试运营后的真实数据探索
2
目标客户的预测(相应、分类)模型
流失预警模型 付费预测模型 续费预测模型 运营活动相应模型 ...
3
运营群体活跃度定义
活跃度组成指标应该是该业务场景中最核心的行为因素
衡量活跃度的定义合适与否的重要判断依据是其能否有效回答业务需求的终极目标
4
用户路径分析
监控运营活动(或目标客户)的典型路径,通过分析调整运营策略,最终提升用户点击页面的效率
发现并提炼新的有价值的频繁路径模式,提升运营效率和特定效果3
5
交叉销售模型
延缓客户流失
提高顾客消费
购物篮分析(有针对性的促销和捆绑) 对重要商品建立预测响应模型,向可能性最高的前5%顾客进行精准营销和推广 让重要商品两两组合,建立预测响应模型,找出最有可能消费的潜在客户进行推广 决策树
关联分析(Apriori) 序列分析(在关联分析基础上增加先后顺序) 预测(响应、分类)模型:逻辑回归,决策树
6
信息质量模型
商品Offer优化 网店质量优化 论坛发帖质量优化 违禁信息的过滤优化 其他设计信息质量监控和优化的场景
7
服务保障模型
让卖家购买合适的增值产品
让卖家续费合适的增值产品
卖家商业信息的违禁过滤
卖家社区发帖的冷热判断
8
用户(买家、卖家)分层模型
客户服务团队需要根据分层模型来针对不同的群体提供不同的说辞和相应的服务套餐
企业管理层需要基于在线交易卖家数量来形成以其为核心的卖家分层进化视图
运营团队用客户分层模型指导相应运营方案的制定和执行,从而提高运营效率和付费转化率
9
卖家(买家)交易模型
自动匹配(预测)买家感兴趣的商品(即商品推荐模型) 交易漏斗分析(找出交易环节的流失漏斗,帮助提升交易效率) 买家细分(帮助提供个性化的商品和服务) 优化交易路径设计(提升买家消费体验) 。。。
10
信用风险模型
欺诈预警 纠纷预警 高位用户判断 。。。
分析结论或欺诈模型的时效更短,需要优化(更新)的频率更高 行骗手段是随机性的,所以欺诈预警模型对及时性和准确度要求很高 对预测模型提炼出的因子进行规则梳理和罗列,可以在风控管理的初期阶段有效锁定潜在目标群体
赞 (0)