客戶基本屬性表
- 根據使用者所填的使用者標籤與推算出來的標籤
- 用於了解使用者的人口屬性的基本情況和按屬性統計
- 按人口屬性營銷、比如營銷80後，對金牛座的優惠、生日營銷
主要資料**
- 使用者表 使用者調查表 孕婦模型表 馬甲模型表 使用者價值模型表
使用者所填資訊與基本屬性
- 客戶id 客戶登入名 性別 生日 年齡 大區域 省份 城市 郵箱 加密手機 註冊時間
使用者所填資訊計算得到
- 星座 郵箱運營商 城市等級 手機前幾位 手機運營商
使用者調查表得到
- 婚姻狀況 月收入 是否有小孩 學歷 職業 是否有車 使用手機品牌
根據演算法得到
- 性別模型 是否孕婦 是否有小孩 孩子性別概率 孩子年齡概率 是否有車 潛在汽車使用者概率
使用手機品牌 使用手機品牌檔次 使用多少種不同的手機 更換手機頻率（月份）疑似馬甲標誌
疑似馬甲賬號數 使用者忠誠度 使用者購物型別 身高 身材
模型演算法
性別模型
- 使用者自己也填了性別，但仍然要用演算法算一次性別
使用者性別
- (1男 0女 -1未識別)
- 判斷方法：(1、商品性別得分；2、使用者購買上述商品計算使用者性別得分；
3、最優化演算法訓練閾值，根據閾值判斷)
孩子性別
- (0僅有男孩 1僅有女孩 2男女均有 3無法識別 -1未識別)
- 判斷方法：(1、選擇男童女童商品，從品類和商品名稱篩選；2、確定使用者購買商品的男女性別比例；
3、訓練閾值，判斷孩子性別，方法同使用者性別相同)
性別驗證方法
- 與使用者自己填的性別作對比，確認百分比
使用者汽車模型
- 大部分電商都上線了汽車頻道，對於使用者的汽車模型很關注
使用者是否有車
-（1有，-1衛識別）
潛在汽車使用者
-（1有，-1未識別）
- 判斷方法：（使用者瀏覽或搜尋汽車）
- 判斷方法：（使用者資料判斷）
使用者忠誠度
- 忠誠度越高的使用者越多，對**的發展有利
- 1忠誠型使用者 2偶爾型使用者 3投資型使用者 4瀏覽型使用者 -1未識別
- 判斷方法：總體規則是判斷+聚類演算法
- 1、瀏覽型使用者：只瀏覽沒購買
- 2、購買天數大於一定天數的直接判斷為忠誠使用者
- 3、購買天數小於一定天數，大部分都是有優惠才購買的
- 4、其他型別根據購買天數，購買最後一次距今時間，購買金額進行聚類
使用者購物型別
- 使用者購物型別，歸類方法很多，這裡列舉兩種，其對於營銷參考意義比較大
使用者購物型別
- 構建的使用者標籤：1購物衝動型 2海淘猶豫型 3理性比較型 4目標明確型 -1未識別
- 判斷方法：1、計算使用者在對**品類混凝購物前瀏覽時間和瀏覽商品數量 2、kmeans聚類
使用者購物型別
- 構建的使用者標籤：1樂於嘗試型 2**敏感型 3消費衝動型 4曇花一現型 5重度消費型
- 判斷方法：1、計算使用者對不同型別（新產品，**貴的產品等）的商品的購買頻次與購買數量 2、kmeans聚類
使用者身高尺碼
- 方便根據身高和尺碼控制進貨與營銷
- 男性使用者身高尺碼：***身高段 -1未識別（使用者購買服裝鞋帽等用品判斷）
- 男性身材：1偏瘦 2標準 3偏胖 4肥胖 -1未識別（使用者購買服裝鞋帽等用品判斷）
- 女性使用者身高尺寸：***身高段 -1未識別（使用者購買服裝鞋帽等用品判斷）
- 女性身材：1偏瘦 2標準 3偏胖 4肥胖 -1未識別（使用者購買服裝鞋帽等用品判斷）
疑似馬甲標誌
- 馬甲是指乙個使用者註冊多個賬號
- 多次訪問ip位址相同的使用者賬號是同乙個人所有
- 同一臺手機登入多次的使用者賬號是同乙個人所有
- 收穫手機號相同的賬號是同乙個人所有
手機相關標籤
- 對於手機營銷參考意義比較大
- 使用手機品牌：最常用手機直接得到
- 使用手機品牌檔次：根據檔次維表
- 使用多少種不同的手機：手機登入情況
- 更換手機頻率（月份）：按時間段看手機登入情況
客戶營銷資訊表
- 將使用者營銷相關的常用標籤放到一張表中，方便使用
主要資料**表
- 使用者表 訂單表 活動表 購物車表 客戶品類分群模型 使用者價值模型
構建的使用者標籤：
- 第乙個有效訂單時間
- 第乙個有效訂單城市
- 第乙個有效訂單**
- 第乙個有效訂單省份
- 第乙個有效訂單位址
- 第乙個有效訂單城市等級
構建的使用者標籤：
- 最近一次使用的收穫位址省份
- 最近一次使用的收穫位址城市
- 最近一次使用分手機號
構建的使用者標籤：
- 最常用手機號碼
- 最近一次使用的郵箱
- 最常用收貨位址
- 最常用手機號碼的運營商
- 最常用郵箱
- 最近一次使用的收貨位址
- 使用不同手機號數
- 最常用郵箱運營商
- 最近一次收貨人姓名
- 不同收穫位址數量
- 使用不同的郵箱數
- 最常用收貨人姓名
構建的使用者標籤：
- 是否有糾結商品
- 糾結小時
- 糾結商品
客戶品類分群模型
- 客戶品類分群的方式多種多樣，基本都是用聚類演算法實現，比如kmeans
- 品類分群對於品類的營銷比較有用，比如單鏡反光機營銷
使用者品類分群模型
- 1電腦婚慶群 2全品類群 3手機數碼群 4家電群 5居家有孩一族 6it數碼群
7服飾鞋帽群 8母嬰圖書群 9單次購買使用者 10超級使用者 -1未識別
判斷方法：
- 1、計算使用者在各一級品類的購買金額 2、kmeans聚類
客戶活躍狀態模型
客戶一般的活躍狀態
構建的使用者標籤：
- 註冊未購買（只註冊未購買，多是第三方登入）
- 活躍（可以細分為高頻，中頻，低頻，或者直接最近60天有購買即可）
- 沉睡（近90天有購買，近60天無購買）
- 流失（近90天無購買，曾經購買過）
關於高頻，中頻，低頻的一種實現方法
- 將使用者近60天的購買天數除以近60天的購買間隔得到乙個數a
- 近60天的購買間隔為60天內的最早買的日期和最晚買的日期相差天數
- 當a越大越活躍，比如大於0.7是高頻，0.4-0.7是中頻，0.4以下是低頻
使用者價值模型
- 體現使用者對於**的價值，對於提高使用者留存率非常有用
- 使用rfm實現使用者價值模型參看指標
最近一次消費時間（recency）或者最後一次消費至今時間
消費頻率（frequency）
消費金額（monetary）
rfm實現使用者價值模型計算方法
- 使用指標：最近一次購買時間，近180天購買訂單量，近180天購買金額，
分5段（可自定義）進行rfm分數計算
- 分別計算出recency_score、frequency_score、monetary_score
- 沒有分數就是最近半年沒有消費的使用者，屬於流失使用者，即無價值使用者，基本不會再回來。
rfm實現使用者價值模型的分類方法
- 使用recency_score、frequency_score、monetary_score的中位數取，算不到取無價值使用者。
- 使用rfm_score的演算法：採用100、10、1加權得到分數分段
**值使用者，中價值使用者，低價值使用者，無價值使用者
使用者價值的多種實現方法
- 採用聚類分析主要採用k-means(建議)、two-step和kohonen演算法
1.**值使用者，中價值使用者，低價值使用者，無價值使用者
2.重要價值客戶、重要保持客戶、重要發展客戶、重要挽留客戶、一般價值客戶，一般保持客戶，
一般發展客戶，一般挽留客戶，無價值客戶
目標客戶畫像 目標客戶和使用者畫像
上一關作者分享了使用者需求從0到1，也就是如何尋找使用者需求，那麼今天這篇文章就來講講如何定義目標客戶和使用者畫像。首先，先說明一下什麼是目標客戶，以及怎麼確定目標客戶。確定目標客戶 簡單地說，弄清楚目標客戶，就是乙個先拓展 思考所有可能的目標客戶 再專注 找到更有針對性的目標客戶 的過程。先拓展，...
目標客戶畫像 目標客戶和使用者畫像
確定目標使用者 目標使用者就是你的產品要針對的客戶群體。確定目標客戶，就是要弄清楚到底怎麼劃分使用者群體，然後擷取哪部分使用者作為目標客戶。簡單的說，弄清楚目標客戶，就是乙個先拓展 思考所有可能的目標客戶 擴散思維 再專注 找到更有針對性的目標客戶 聚焦思維 的過程。能100 解決這一小部分人的需求...
使用者畫像建模的基本步驟
使用者畫像的準則 將自己企業的使用者畫像做個白描，表明使用者 都是誰 從哪來 要去哪 使用者畫像建模就是現實中的數學建模活動。使用者畫像建模的三步 第一步 統一化。統一使用者的唯一標識。唯一標識可以是 使用者名稱 註冊手機號 郵箱 cookieid等 第三步 業務化。指導使用者關聯。以美團外賣為例的...