数据化运营-Task01-Tide

用户特征分析模型

希望找到能达到事件目标明确特征,这类特征模型提供了业务所要行动的细节要素,具有极高落地价值,对于这类分析模型常用的实现方法和应用包括以下三种:

一、分类。利用分类规则,例如决策树,找到符合目标的关键变量及对应的变量值,进而确定会员特征。例如:收入大于5400元,最近购买时间是5个月之前,总订单金额在4300元以下的会员,最可能购买商品。

这个例子还有一个名字叫做魔法数字,或者Aha_moment。Aha时刻是指,用户第一次认识到产品价值时,脱口而出“啊哈,原来这个产品可以帮我做这个啊”。再底层一点,为什么用户会发出赞叹,是因为:用户发现产品能够为他们解决问题,并为之眼前一亮,这就是产品的核心价值。

寻找魔法数字的关键在于对比,通过对比优质目标用户与非优质用户的行为差别,找到差别最大的关键行为和其数值,方法路径大致总结为:

  1. 确定优质目标用户

  2. 追溯优质目标用户的行为

  3. 对这些行为和优质用户进行相关性分析

  4. 验证魔法数字

二、关联。使用关联规则,找到不同属性项目间的关联发生或序列发生关系,然后将会员的属性特征(频繁项集)提供给运营人员。例如:购买X商品的客户一般来自上海,购买频率为一周三次,客单价为100元以下。

关联规则的经典应用案例是沃尔玛的啤酒尿布现象,通过关联规则搜集订单中的频繁项集,找到买尿布的订单中大概率有啤酒这一频繁项,从而对线下陈列进行调整提升销量,是一种朴素的推荐算法。

三、异常检测。使用非监督式的异常检测方法,从一堆数据中找到异常数据样本,然后将这些数据样本特征提供给运营人员做进一步确认和审查。例如:异常客户的特征往往是,每次订单的商品数量超过4件,地域集中在江苏和浙江一般拥有超过三个以上的子账户。

异常检测常见的应用场景还有信用卡欺诈检测,筛选出具有欺诈风险的用户特征,对具有这类特征的用户进行打分,从而降低信用卡欺诈的事件发生。