促销敏感度模型

1. 对于租凭公司平台而言,全范围的促销投放和对所有用户发放优惠券之类的,的确可以得到不错的效果,比如2019年的春节,公司通过对所有老用户发放优惠券,成功争取到了1000多订单。但是如果想进一步提高销售额的话,就需要公司对消费者进行更精细化的运营,对不同促销敏感度的用户,进行精确的营销,差别化发放优惠券,促销效果必然会事半功倍。就像公司里,春节时期,即使都是处于满租情况,但是如果精确话营销的话,销售额会提升很多。

2. 数据准备

衡量电商的消费者是否对促销敏感,主要是通过他的历史订单里促销优惠的比例来判断。一般我们认为,用户的含促销订单比例越高,敏感度越高;促销金额比例越大,敏感度越高。

a. 时间范围:查询每个消费者的1年内的数据,敏感度具有时效性,随着年龄和收入的增长,敏感度也会发生变化,以一年为临界点更具代表性。

b. 订单单量数据:提取用户订单数据,计算一年内的订单总数和用户参与优惠的订单数。这里的优惠可以是满减,满赠或者使用优惠券的订单。

c. 订单价格数据:汇总用户所有订单未优惠前总价格,汇总用户所有订单参与优惠的总金额,价格数据可以用np.log()将其偏态分布转为比较标准的正态分布

3. 处理好的数据字段

a. 优惠订单占比

b. 平均每单优惠金额占比

c. 优惠金额与总金额占比

4. 模型

通用型:将敏感度,划分6个等级。极度敏感,较敏感,一般敏感,较不敏感,极度不敏感。然后使用k-mean聚类将其分成6个类别。此敏感度模型输入,其相似点是优惠订单占比,统计三个数据字段的指标之和。三者之和越小,代表价格敏感度越低。然后根据每个用户的订单数据情况,每个指标我们都会得到一个预测值,这个值在你标准化后的值之间,当预测值未负的时候,我们可以理解为对价格不敏感。然后我们就得到了以下的数据。

然后可以根据业务需求,去定敏感度划分,例如可以把小于0的定位不敏感,在0和1之间的为一般敏感,大于1的为敏感用户。

购买力模型

1. 消费者购买力,是指消费者购买商品的能力。在一定时期内,能够反映他的消费水平和消费层级。购买力模型属于用户画像的一部分,是区分人群和定义用户身份的其中一项标签。模型具有实效性,数据是动态变化的。

2. 数据和模型

衡量一个用户购买力高低需要在不同类别商品下进行分析的。例如:一个用户在服装上花费很少,购买的衣着大都是平民价位的商品,但是在摄影和相机方面上花费甚高。针对这问题,可以建立不同商品的购买力模型。比如衣着-购买力模型,化妆品-消费模型之类的。或者也可以针对不同类目进行权重分配,然后统计总的用户购买力模型。

a. 用户的订单数据

消费者在不同种类商品下购买的商品价格,反应了在此品类下的消费能力和水平。统计用户购买同一类商品(例如:化妆品)高中低各价格段的比列,生成三个数据字段(根据业务要求进行价格区间的划分)。可以直接根据这些数据字段进行一个聚类(k-mean或dbscan)来划分用户在这类商品的购买力。

3. 实践

本身在租凭行业,产品比较单一,因此只需要考虑同一种类商品就行。在特征工程上,先将商品根据业务要求进行了价格划分,分别计算了其不同程度的占比(比例情况)。再此基础上,我加了一个数据字段--adr(日订单均价),然后用k-mean进行了聚类。得出的模型结果,可以根据业务要求进行调整,或者根据实际的分类结果进一步优化。

购物决策模型

1. 此模型所依赖的衡量标准是 用户购买商品或者下单过程产生的行为 来刻画的。可以根据业务需要,将用户购买商品的决策划分为 购物冲动型 海淘犹豫型 理想比较型 等。此模型标签作用:统计不同购物人群的比列,用于营销活动的设计或者产品的设计。

2. 数据和模型

主要的数据类型:用户完成订单前的浏览时间、浏览SKU数量(SKU就是相当于一款商品,但是例如同款多色的话,SKU是不同)、订单是否取消、订单付款时间和下单时间的差值等有关的特征进行聚类。

PS: 因为用户的购物决策是有时效性的,在取数据时,根据行业和业务需求,取最近一年或相关时间的数据。

品类综合偏好度

1. 品类偏好度是用户通过搜索、浏览、关注、购买品类商品的次数、频率这些特征,来计算对品类的权重,最后用户与用户会有个纵向比较。例如:计算某款车型的偏好。取最近一段时间订单里该款车型的占比,再与其他用户进行纵向比较。

2. 数据和模型

偏好度不需要一些机器学习的知识,只要简单的统计次数占比,再进行一个纵向比较,即可完成用户对某款商品的偏好度。

用户价值模型

1. 一个很经典的RFM模型,根据在某一段时间内,用户最近的消费间隔,消费次数和消费金额,再根据k-mean结合,对用户价值的一个划分。每个数据字段划分高、低的话,共分8类用户,如下图所示:

2. 注意一点,不仅仅可以局限于这三个数据字段,可以根据业务需求,加入某些字段,进行调整模型。

用户活跃度模型

1. 跟RFM模型很相似的RFE模型,是根据最近一次访问时间R( Recency)、访问频率 F(Frequency)和页面互动度 E(Engagements),在根据k-mean,进行划分的的一种模型。

a. 最近一次访问时间 R( Recency) : 会员最近一次访问或到达网站的时间。

b. 访问频率 F( Frequency) :用户在特定时间周期内访问或到达的频率。

c. 页面互动度 E( Engagements) :互动度的定义可以根据不同企业或行业的交互情况而定,例如可以定义为页面 浏览时间、浏览商品数量等。

PS: 在RFE模型中, 由于不要求用户发生交易, 因此可以做未发生登录、 注册等匿名用户的行为价值分析, 也可以做 实名用户分析。 该模型常用来做用户活跃分群或价值区分。

本文转自: 用户画像 实践篇 1. 什么是 用户画像 用户画像 的核心是为 用户 打标签,即——将 用户 的每个具体信息抽象成标签,利用这些标签将 用户 形象具体化,从而为 用户 提供有针对性的服务。 一般我们的目标 用户 就是一个群体(可以通过一个个的标签来描述这个群体)。 2. 用户画像 体系相关概念 用户画像 是通过分析 用户 的基础信息、特征偏好、社会属性等各维度的数据,刻画出 用户 的信息全貌,从 挖掘 用户 价值,从而提供个性化推荐、精准营销等服务。 2.1 标签类型 2.1.1 统计类标签 这类标签是最为基础也最为常见的标签类型,例 “ 用户画像 作为一种设计工具,可以很好得帮助设计师跳出“为自己设计”的惯性思维,聚焦目标 用户 ,发现核心价值,赋能产品,在互联网各类型产品 有广泛的应用。在产品研发过程 ,产品、设计、研发等人员经常会提到“我们要为目标 用户 设计”、“我们的 用户 是谁”等字眼,可见找准目标 用户 在产研过程 至关重要。 用户画像 作为一种设计工具,可以很好得帮助设计师跳出“为自己设计”的惯性思维,聚焦目标 用户 ,发现核心价值,赋能产品,在互联网各类型产品 有广泛的应用。” 当我们在淘宝搜索一本书时,淘宝就会推送相关书籍,再回到首. 1、什么是 用户画像 用户画像 是建立在一系列真是数据之上的目标 用户 模型 ,即 用户 属性值不同将 用户 分布展示2、功能介绍1)分析内容 可进行 用户画像 分析的属性: 用户 属性 的枚举类型属性我们会分析您上传的 用户 属性值,若不同的属性值个数小于100且为字符类型,系统会自动认定该属性为枚举类属性2)选择 用户 选择 用户 ,可以选择任意一个已创建的 用户 群组,单独对该 用户 群组的 用户 进行事件分析选择 用户 组后,依旧可以选择 用户 ... 二、为什么需要 用户画像 用户画像 的核心工作是为 用户 打标签,打标签的重要目的之一是为了让人能够理解并且方便计算机处理,如,可以做分类统计:喜欢红酒的 用户 有多少?喜欢红酒的人群 ,男、女比例是多少? 也可以做... 文章目录一、性别预测问题二、特征数据选取(1)比如选取以下的 用户 特征数据:(2)经验样本数据(3)待测试数据三、算法选择·朴素贝叶斯问题:处理:四、代码详解(1)工具类(2)主代码 一、性别预测问题 用户 注册时,所填写的性别,存在大概率的随意性; 不能完全作为 用户画像 的性别参考; 所以在无法通过直接手段获得 用户 真实性别的情况下,需要通过 用户 的各种行为特征,来对 用户 的性别进行预测。 二、特征数据... 我们经常在淘宝网购物,作为淘宝方,他们想知道 用户 是什么样的,年龄、性别、城市、收入、购物品牌偏好、购物类型、平时的活跃程度等,这样的一个 用户 描述就是 用户画像 分析。在实际工作 用户画像 分析是一个重要的数据分析手段,帮助产品策划人员对产品功能进行迭代,帮助产品运营人员做 用户 增长。作为产品策划人员,需要策划一个好的功能,获得 用户 最大的可见价值与隐形价值、必须价值与增值价值,那...         最近在工作之余,结合自己的理解和论坛上的一些帖子,整理了份 用户画像 的文章,个人觉得这篇文章在宏观上很好地描述了 用户画像 的主要内容。(文章内的图片来源于不同帖子,权当分享,侵删)一、 什么是 用户画像 用户画像 是指根据 用户 的属性、 用户 偏好、生活习惯、 用户 行为等信息而抽象出来的标签化 用户 模型 。通俗说就是给 用户 打标签,而标签是通过对 用户 信息分析而来的高度精炼的特征标识。通过打...