基於“用戶畫像”挖掘的精準營銷
用戶畫像的核心工作是爲用戶打標籤。打標籤的重要目的之一是爲了讓人能夠理解並且方便計算機處理,如.可以做分類統計:旅遊中喜歡的報旅行社的用戶有多少?喜歡報旅行社的人羣中,男、女比例是多少,入住習慣是什麼?用戶畫像完成後,進一步的我們可以做數據挖掘工作:客戶分羣、搜索引擎、推薦引擎、廣告投放等各種應用領域,都將能進一步提升精準度,提高信息獲取的效率。所以,在大數據應用中,用戶畫像極爲關鍵。
浙旅客戶價值分羣
1)構建K-Means聚類,LRFTC優化模型對用戶價值識別
客戶價值識別算法升級:
- 模型目標就是對浙旅集團會員價值識別,即通過浙旅集團會員畫像數據識別出不同價值的客戶。識別會員價值應用最廣泛的模型是通過三個指標(最近消費時間間隔(Recency)、消費頻率(Frequency)和消費金額(Monetary))來進行會員細分,識別出高價值的會員客戶,簡稱RFM.
- 但是,針對浙旅集團LRFTC模型,如果採用傳統的RFM模型分析的屬性分箱方法,如圖一所示,(它是依據屬性的平均值進行劃分,其中大於平均值的表示↑,小於平均值的表示爲↓),雖然也能識別最有價值的客戶,但是細分的客戶羣太多,提高了針對性營銷的成本。因此,我們對傳統模型進行改進,找到適用於集團客戶模型。通過對浙旅集團客戶價值的LRFTC模型的五個指標進行K-Means聚類,識別出最有價值會員客戶。
LRFTC模型就是基於浙旅集團多模塊業務特性優化而來,我們將會員關係長度L、消費間隔R、消費頻率F、會員與浙旅業務消費粘粘性T和購買服務累計金額C五個指標作爲浙旅識別客戶價值指標(見下表)
表:指標含義
模型 |
L |
R |
F |
T |
C |
浙旅 |
會員註冊時間 |
會員最近一次購買產品&服務距觀測窗口結束的月數 |
會員在觀測窗口內購買浙旅旅遊服務&產品次數 |
客戶在觀測窗口期間涉及浙旅業務板塊數量(8+1) |
會員在觀測窗口內累計花費金額 |
注:表中觀測窗口意思爲某個固定時間段。如,7年5月至18年五月爲觀察窗口
2)浙旅會員價值分析的總體流程如圖:
圖:浙旅會員數據挖掘建模流程
3)客戶價值特徵分析
通過LRFTC模型分析方法研究浙旅集團業務場景,對客戶的五個識別指標進行標準化處理,利用K-Means聚類結果進行特徵分析,經過分析我們發現,每個客戶羣都有顯著不同的表現特徵,基於該特徵描述,我們定義五個等級的客戶識別類別:重要客戶、重要發展客戶、重要挽留客戶、一般客戶、低價值客戶。
(ps:克麗緹娜改爲浙旅,不會p圖)
根據每個客戶類型的特性,對各類客戶羣進行客戶價值排名,其結果如下表所示。針對不同類型的客戶羣提供不同的產品和服務,提升重要發展客戶的價值、穩定和延長重要保持客戶的高水平消費、防範重要挽留客戶的流失並積極進行關係恢復。
客戶羣 |
排名 |
排名含義 |
客戶羣1 |
1 |
重要保持客戶 |
客戶羣5 |
2 |
重要發展客戶 |
客戶羣2 |
3 |
重要挽留客戶 |
客戶羣4 |
4 |
一般客戶 |
客戶羣3 |
5 |
低價值客戶 |
根據對各個客戶羣進行特徵分析,採用一些銷售手段和策略,爲浙旅的價值客戶羣管理提供參考依據。如:會員升級和保級、積分兌換調整、交叉銷售。
基於用戶的協同過濾推薦算法爲集團會員推送服務/廣告
協同過濾推薦算法主要的功能是預測和推薦。算法通過對用戶歷史行爲數據的挖掘發現用戶的偏好,基於不同的偏好對用戶進行羣組劃分並推薦品味相似的商品。簡單的說就是:人以類聚,物以羣分。(ps:爲了簡化算法模型闡述,下面,我們統一將浙旅的服務產品稱爲商品)
我們模擬了三個浙旅集團的用戶對4個集團業務產品套餐的的評分,來說明如何通過用戶對浙旅,不同業務套餐產品的態度和偏好尋找相似的用戶。
圖:協同過濾算法推薦示意圖
(將上圖產品product1-product4分別改爲汽車租賃、康養醫療、酒店服務、旅遊投資)
在示例中,三個用戶分別對4個產品進行了評分。這裏的分值可能表示真實的購買,也可以是用戶對產品不同行爲的量化指標。例如,旅遊產品的次數,向朋友推薦產品,收藏,分享,或評論等等。這些行爲都可以表示用戶對產品的態度和偏好程度。
圖中是爲用戶C推薦的產品的協同過濾算法結果,可以看出用戶C與用戶D、E皮爾遜係數接近於1,相似度非常高,再者在用戶相似度非常高的情況下,可以直觀看到,商品C的推薦指數最高,商品B的推薦指數最低。所以,爲用戶C進行排序推薦(圖中的所得的推薦指數由指標加權得來)。