根據使用者自註冊為會員後，距今的時間段內訂單量的變化判斷使用者的生命週期階段。此標籤有助於判斷**使用者的流失情況，而且對於不同的階段，應該採取不同的營銷策略。
劃分標準如下：
1---考察階段：最近30天註冊未下單使用者；
2---形成階段-未復購-1：.最早一次銷售日期》=系統日期-30天，且最早一次銷售日期=最近一次銷售日期；（最近30天完成了第一次購買，但是還沒有再次購買）
3---形成階段-未復購-2：系統日期-90天<=最早一次銷售日期《系統日期-30天，且最早一次銷售日期=最近一次銷售日期 ；（最近30-90天完成了第一次購買，但是還沒有再次購買）
4---形成階段-未復購-3：系統日期-180天<=最早一次銷售日期《系統日期-90天，且最早一次銷售日期=最近一次銷售日期；（最近90-180天完成了第一次購買，但是還沒有再次購買）
5---適應階段-已復購-1：最早一次銷售日期不超過180天，且最近一次銷售日期》=系統日期-30天，且最早銷售日期《最近銷售日期；（最近180天完成了第一次購買，且最近30天還有新的購買）
6---適應階段-已復購-2：最早一次銷售日期不超過180天，且系統日期-90天<=最近一次銷售日期《系統日期-30天，且最早銷售日期《最近銷售；（最近180天完成了第一次購買，且最近30-90天還有新的購買）
7---適應階段-已復購-3：最早一次銷售日期不超過180天，且系統日期-180天<=最近一次銷售日期《系統日期-90天，且最早銷售日期《最近銷售日期；（最近180天完成了第一次購買，且最近90-180天還有新的購買
8---成長階段-1:最早一次銷售日期超過180天，且最近一次銷售日期》=系統日期-30天，且最近乙個月的訂單量》6個月平均訂單量+0.2；
9---成長階段-2:最早一次銷售日期超過180天，且系統日期-90天<=最近一次銷售日期《系統日期-30天，且最近三個月的平均訂單量》最近6個月的平均訂單量+0.2；
10---穩定階段-1:最早一次銷售日期超過180天，且最近一次銷售日期》=系統日期-30天，且最近6個月的平均訂單量-0.2<=最近1個月的訂單量<=最近6個月的平均訂單量+0.2；
11---穩定階段-2:最早一次銷售日期超過180天，且系統日期-90天<=最近一次銷售日期《系統日期-30天，且最近6個月的平均訂單量-0.2<=最近3個月的平均訂單量<=最近6個月的平均訂單量+0.2；
12---衰退階段-1:最早一次銷售日期超過180天，且最近一次銷售日期》=系統日期-30天，且最近1個月的訂單量《最近6個月的平均訂單量-0.2；
13---衰退階段-2:最早一次銷售日期超過180天，且系統日期-90天<=最近一次銷售日期《系統日期-30天，且最近3個月的平均訂單量《最近6個月的平均訂單量-0.2；
14---沉睡階段:最早一次銷售日期超過180天，且最近一次銷售日期在系統日期之前的90天-180天之間；
15---準流失階段:最早一次銷售日期超過180天，且最近一次銷售日期在系統日期在系統日期180-365天之間；
16---流失階段:最早一次銷售日期在180天以上，且最近一次銷售日期在系統日期365天以上。
對處於不同生命週期的使用者，採取不同的營銷策略：
●潛在使用者-新人專區，採取措施減少使用者觀望時間，完成首單；
●形成階段&適應階段-客戶成長階段，採取相應措施優化使用者體驗，打好使用者購物基礎，如問卷調查，優惠讓利活動；
●成長&穩定-客戶維護階段，提高使用者粘性，比如優惠券營銷，京東服務推薦；
●衰退-客戶挽留階段，設定問卷調查，了解使用者需求。
●沉睡&流失-客戶喚醒階段
根據使用者購物、評價、曬單等情況，迭代相加後得出分數，資料使用最近一年的資料。這個指標非常重要，例如京東的京享值。
計算方法和指標選取範圍如下：
1）根據客戶統計如下14個指標進行計算得出：
總訂單金額 \ 大訂單金額 \ 跨一級品類數 \ 綜合毛利率 \ 商品折扣率 \ 平均訂單額（客單價）\ 訂單次數 \ 退貨訂單量 \ 拒收訂單量 \ 換貨訂單量 \ 登入天數 \ 曬單次數 \ 關注商品數量 \ 評價次數
2）對指標進行標準化後，乘以對應權重，加總求出使用者價值標準得分。
帕累託效應/二八定律：19世紀末20世紀初義大利經濟學家帕累託發現。他認為，在任何一組東西中，最重要的只佔其中一小部分，約20%，其餘80%儘管是多數，卻是次要的，因此又稱二八定律。使用者價值分組是在使用者價值標準得分的基礎上，按照整體資料分布和二八法則，將使用者進行分組。
具體操作：
1）在計算使用者價值標準得分的基礎上，去除極值並進行標準化
2）取分位數區間進行分組，具體如下：
「使用者價值標準得分」小於其50%分位數的記為「價值低」；
「使用者價值標準得分」位於50%分位數-80%分位數之間記為「價值中」；
「使用者價值標準得分」位於80%分位數-94%分位數之間記為「價值高」；
「使用者價值標準得分」高於其94%分位數的記為「非常高」。
該標籤可用於判斷使用者質量，根據使用者近一年訂單特徵對使用者忠誠度進行聚類（k-means），
主要有以下5個特徵：購物天數、優惠率、末單距今天數、購買sku單數、購買**品類數，其中：
2. 計算步驟：
距離的定義如下：距離得分=【(a.購物天數-b.購物天數)平方+(a.優惠率-b.優惠率)平方+(a.末單距今天數-b.末單距今天數)平方+(a.購買sku單數-b.購買sku單數)平方+（a.購買**品類數-b.購買**品類數)平方】開平方其中a代表某使用者的數值，b代表聚類中心的數值。
3.列舉值含義
• 高度-忠誠型：購物天數、購買sku單數、購買**品類數明顯偏高。
• 中度-忠誠型：購物天數、購買sku單數、購買**品類數較高。
• 近期-普通型：末單距今天數較近，其他三項指標（購物天數、購買sku單數、購買**品類數）均低於中度-忠誠型。
• 遠期-普通型：末單距今天數較遠，其他三項指標（購物天數、購買sku單數、購買**品類數）均低於近期-普通型。
• 近期-偶然型：末單距今天數較近，折扣率低。
• 近期-投機型：末單距今天數較近，折扣率高。
• 遠期-偶然型：末單距今天數較遠，折扣率低。
• 遠期-投機型：末單距今天數較遠，折扣率高。
活躍度型別為四位數「千位+百位+十位+個位」分別代表「7日活躍型別+30日活躍型別+90日活躍型別+180日活躍型別」。
標籤示例：1323，含義為7日活躍型別為「不活躍」，30日活躍型別為「活躍」，90日活躍型別為「一般活躍」，180日活躍型別為「活躍」。
數倉建設生命週期 數倉治理一場仗
分享資料大咖實踐經驗 網羅職場大佬成長秘籍 年年資料要治理，資料年年治不好 數倉治理的老大難，通常是跟著業務需求快跑，要不是資料零散在各個團隊，或者是大家的研發規範有不同，作為一項通過維度模型來約束規範的工種來講，模型 的治理難度，大於 架構 目前整個行業通常的模型治理方法，是規定一種建模規範，大家...
分享電商使用者生命週期價值知識
618購物節在即，剁手黨們已經迫不及待，大大小小的電商平台也開始早早策劃籌備活動。作為電商企業，如何才能在這波流量高峰中挖掘出屬於自己的節日紅利？首先，我們還得從電商使用者ltv 使用者生命週期價值 談起。在電商運營中，常常會聽到使用者生命週期價值。為什麼要了解使用者生命週期價值？使用者生命週期可以...
針對性運營幫助使用者生命週期價值公升級
使用者運營的本質在於同使用者進行有效的溝通。使用者處於不同生命週期的階段，相應的運營重點也不同，因此需要通過針對性的運營，幫助提公升各生命週期的使用者價值。華為分析服務的特性智慧型運營可以幫助運營人員實現 在恰當的時刻，給恰當的人，推送恰當的訊息 對使用者進行有效觸達。根據使用者的生命週期和運營目標...