数据科学之：消费者资产分析
猜你喜欢
0、2021年10月热门报告盘点：《2021年轻人性生活报告》稳居榜首！
1、多目标排序在快手短视频推荐中的实践
2、内容推荐策略产品经理的方法与实践
3、京东推荐算法精排技术实践
4、微博推荐算法实践与机器学习平台演进
5、腾讯PCG推荐系统应用实践
6、强化学习算法在京东广告序列推荐场景的应用
7、飞猪信息流内容推荐探索
8、华为项目管理培训教材
9、美团大脑系列之商品知识图谱的构建和应用
▐ 分析背景
随着互联网发展日益成熟，竞争愈发明显，流量红利逐渐收缩，商家运营阵地逐步转向消费者精细化运营。消费者精细化运营的基础是需要对消费者进行解析，对其进行分层，形成消费者资产。对分层下的资产规模进行评估，确定分层运营目标；对分层资产状态流转的评价，分析资产增值的能力；通过营销策略，促进资产增值流转的效率，而通过评价营销渠道对资产增值的贡献，可以帮助广告主优化营销策略。因此如何建立合适的消费者分层，评估消费者资产的变化，衡量广告对资产正向变化的贡献，便是消费者资产分析需要解决的问题。
▐ 基本概念
消费者资产
消费者资产也称为顾客资产（customer equity) ，是所有消费者终身价值的综合。通过消费者关系管理，积累消费者资产，产生更多高价值的忠诚客户，为品牌创造更多价值。根据消费者与品牌关系的强度由浅至深，可以分为认知-兴趣-购买-忠诚，也就是AIPL模型，也有其他的原理类似的划分方式， 比如WPP集团的BrandDynamics品牌动力金字塔。浅层消费者还未产生花费，仅仅认知品牌，或者仅有过几次互动，营销人员会通过营销活动促使他们往更深关系上流转，创造价值。
用户分层
用户分层是根据用户的特征和行为对用户进行区隔划分，生成不同的用户群体，进而制定不同的产品和运营策略，优化资源分配，提升效益。用户分层是消费者资产管理和精细化运营的基础 。
▐ 常见消费者资产模型
根据业务类型和目标不同，运营人员建立用户分层方案，形成不同的消费者资产模型。比如对所有与店铺有互动关系的用户依其行为对店铺贡献的强弱进行分层，划分为潜新老用户，制定拉新促活策略；对店铺已经购买的会员进行价值分层，制定忠诚度计划。而对品牌方而言，品牌根据消费链路由浅至深的行为划分不同状态的消费者形成消费者资产 ，比如AIPL模型， DEEPLINK模型。品牌需要了解各层资产规模及流转路径，制定深度运营策略，提升客户体验。
以AIPL为例， 从“认知-兴趣-购买-忠诚”的状态划分，依据的是指定周期内消费者与品牌的互动行为：
A（Awareness），品牌认知人群。包括被品牌广告触达和品类词搜索的人
I（Interest），品牌兴趣人群。包括广告点击、浏览品牌/店铺主页、参与品牌互动、浏览产品详情页、品牌词搜索、领取试用、订阅/关注/入会、加购收藏的人
P（Purchase），品牌购买人群，指购买过品牌商品的人
L（Loyalty），品牌忠诚人群，包括复购、评论、分享的人
▐ 解决方案
我们针对消费者资产的建立和应用设计了从用户自定义分层到资产状态变化分析、营销活动对资产变化贡献评估的消费者资产分析解决方案，包括多种用户分层模型、用户状态流转模型、用户流转归因模型。
用户分层模型
方案1：行为分层模型
行为分层是依据用户在产品使用中的行为对用户进行划分，并根据行为对产品贡献的强弱关系进行最终归类，一个用户在一个分层模型中只会属于一个分层。
分层方法
用户分层通常分为以下几个步骤：
1. 明确业务目标 ：
业务目标就是本次想解决什么问题，对分层人群做什么，达到怎样的目标。这样才能选择合适的分层模型去制定对应的运营方案。
2. 确定分层范围：
分层对象的范围，是圈定参与分层的人群所属的范围，是某店铺还是某品牌相关的人群。定义分层发生的截面时间，即计算的是用户哪天的分层状态。
3. 定义分层行为
基准行为：基准行为是用户在分层对象范围内发生的有价值的行为，是分层划分的基本元素，如：浏览、收藏、成交等。
行为周期：对用户基准行为设置生命周期，它定义了用户在分层范围内指定行为的统计时长，超过时长的用户行为不会用于分层。不同的行为会定义不同的行为周期。比如店铺内的浏览定义为15天内，成交定义为365天则365天前的成交行为不会进入统计。
行为深度：行为深度表示在设定的行为生命周期内用户基准行为发生的数量，通常通过用行为发生的频次进行区分，如15天内, "店内浏览=1次"为浅度进店，"店内浏览>=2次"为深度进店。
4. 用户分层与归类
基于各行为的与终极目标行为（比如成交）的转化强弱分析, 将各行为由浅至深排列，越浅层的行为表示仅做该行为的用户与分层对象关系越弱。比如消费者与店铺行为关系由浅至深为：曝光->点击->浏览->加购->成交。
将不同分层行为定义对应到不同的资产分层 ，比如把曝光放在潜客层， 成交放在老客层。
在初始行为定义中，一个用户可能发生多种行为，会属于不同的分层。最终我们会将用户进行层级归类，将资产分层关系进行由浅至深依次排列，同一用户会被优先匹配在顺序靠后的关系更深的分层中，比如一个用户既有新客行为又有老客行为，由于老客层级关系更深， 他最终会被归为老客。
分层模型举例
以下是以分层范围为某店铺，分层方式为潜新老模型的分层方案，运营人员填写分层定义行为后即可生成某天的潜新老分层模型。或者对模型进行调整，生成其他分层方案。
方案2：价值分层模型
价值分层是指通过关键用户行为用户进行价值评分后，用价值评分对用户进行分层， 我们提供RFM分层，客户参与价值分层。
RFM模型
品牌运营多年，市场渗透逐渐饱和，获取新会员和流失会员挽回的成本越来越高。新会员和忠诚会员对品牌有不同的价值贡献，往往忠诚会员有更高的客单价，更频繁的购买频次，是贡献品牌销量的主力。因此，需要根据消费行为的不同，将用户进行分层，针对不同层级的会员指定不同的运营策略，优化资源分配。通过分层找到高价值用户，对品牌目标客群的了解和潜力用户的发掘至关重要。RFM模型是会员价值分层的重要模型。
分层方法
RFM由三部分指标衡量：
R值：Recency(最近购买时间），最近一次消费距今时间，R越小往往意味着会员活跃度越高，R值大于购买周期，用户流失可能性增大。
F值：Frequency(购买频次), 用户在统计周期内购买的次数。不同的品类统计周期受购买周期影响，快消品通常为1年，耐用品可以放宽到3、5年。
M值：Monetary(购买金额），用户在统计周期内的购买总金额。在价格带单一的店铺中，M和F往往有很强的正相关关系，因此可以用次均购买金额来替代，以获取更多的信息。
步骤
对现有会员进行RFM分段打分，可以按照均值、等宽、等频、自定义等分段阀值划分方式，对R 、F、M三个指标进行分段，并标记分段得分R_Score, F_score ,M_score。
根据三种得分对用户进行分层，分层有两种方式：基于阀值划分、基于总得分。
根据得分或实际数值的阀值分层，每位用户都将份到一个分层中。下图设定了RFM切分的阀值为实际数值均值， 用户将分成2×2×2=8组。
用三种得分的重要性作为权重进行加权获得综合评分。
RFM_score = R_score * R权重 + F_score * F权重 + M_score * M权重 比如: R、F、M分箱个数分别为5、5、5，权重均为10，则R、F、M各自的分数范围：10分-50分，综合评分范围在：30分-150分。分箱与分箱权重依业务需要进行调整，若在意活跃情况，则可为R_score赋予更多权重，将三个得分加权后相加得到RFM总分，根据总分排序按期望比例将用户分层。
应用案例
护肤品公司现有会员一年内的行为进行RFM分层，通过RFM总得分排序的方式，以类似“二八原则”的判断方式，将用户划分高价值用户（占20%），中价值用户（占30%），低价值用户（占50%）。
从总价值来看，高价值用户虽然人数仅占20%，但贡献了67%的总购买金额。而低价值用户虽然人数占了50%，但总价值仅占7.78%。
高价值用户人均价值280元、人均频次6.4次远高于其他用户，是忠诚度最高的群体。从平均最近购买时间来看，高价值用户为110天，也比其他两类用户更加活跃。
客户参与价值模型
客户参与价值分层模型（CEV, customer engagement value）分层，是指基于消费者的终身成交价值（customer lifetime value，CLV）、推荐价值（customer referal value，CRV）、社交影响价值（customer influencer value，CIV）、知识反馈价值（customer knowledge value，CKV）进行综合评分，对评分生成分层的模型。客户参与价值分层模型常用于对店铺中人群高中低价值的区分,也称为超级用户模型，应用于：
识别发掘优质客户
为营销服务提供分析与决策
客户价值的衡量和提升创利、投产能力
分层方法
应用案例
某客户基于客户参与价值分层方式将用户分为超级用户(即高价值消费者)、中价值消费者、低价值消费者三层；对CEV分数从大到小排序后进行切分分层：按行业经验, 对该客户的消费者数量按 15:30:55的切分方式进行切分，即该客户下的消费者15%属超级用户，30%属中价值消费者，55%属低价值消费者。
方案3：用户流转模型
用户流转是指，在指定用户分层模型下,对两个时间节点之间用户分层状态变化情况的分析，也叫链路流转模型。比如在AIPL模型中，7月1日状态是A认知的用户，在7月7日变成了P行为状态。通过用户流转模型，我们可以定位不同阶段消费者的流转规模和效率，解析高效流转的路径，定位促成流转的机会点，进行精细化营销，促成人群在品牌链路上的正向流转，加快品牌资产的积累。 用户流转模型中的主要指标有：
初态人数/终态人数：起始和截止两个截面上各分层下的人群数量
流转率：终态相对于初态，某一层用户流转到另一层的比例，比如I兴趣->P行动流转率，即初态是兴趣终态是行动的用户数/初态是兴趣的用户数。
整体加深率：终态相对于初态，分层关系加深的人数/初始状态品牌分层模型中的总人数
分层加深率：初始状态I兴趣层的加深率为例，兴趣层加深率= （ 初态是兴趣层的人中，终态是P或L的人数之和 ）/ 初态是兴趣层人数
应用案例
某品牌的对比7月1日和7月7日的AIPL状态流转 ，该时段内整体加深率为24.47%。每个分层下的流转规模和数量如下表所示。
方案4：用户流转归因模型
用户流转归因模型，是指在指定客户关系下，以状态流转为转化行为，衡量营销触点对转化的贡献。比如在DEEPLINK模型中，品牌渠道对D到E人群转化的触达和转化贡献是多少。通过对比不同流转路径上各个渠道的贡献和效率， 发现适合促进对应分层流转的高效渠道和渠道组合，优化策略，提升流转效率。用户流转归因模型中使用到的关键指标为：
流转转化人数：归因于对应营销触点的消费者的状态转化的人数
触达量(人数)：营销触点对初始态人群的触达次数(人数)
流转转化率：流转转化人数/触达人数
模型步骤
1.定义流转归因模型
流转归因模型主要包括两部分输入：流转转化与营销触点。
分层流转行为数据，即一段周期内消费者的从A状态到B状态的流转明细数据；
营销触点数据，触点可以是曝光或点击。
2. 归因
将消费者分层流转行为用最后互动方式归因给营销触点。
3. 模型输出
输出各流转行为下，分渠道的触达量、触达人数、流转人数、流转率数据，用于对比评价。
应用案例
在DEEPLINK模型下，评价某营销活动前后，不同渠道对初始状态为D发现层的用户流转到其他状态的贡献和效率。
「 更多干货，更多收获 」
2021年10月份热门报告盘点
推荐系统工程师技能树
美团大脑系列之：商品知识图谱的构建及应用
【干货】2021社群运营策划方案.pptx大数据驱动的因果建模在滴滴的应用实践
联邦学习在腾讯微视广告投放中的实践如何搭建一个好的指标体系？如何打造标准化的数据治理评估体系？【干货】小米用户画像实践.pdf（附下载链接）
推荐系统解构.pdf（附下载链接）
短视频爆粉表现指南手册.pdf（附下载链接）
推荐系统架构与算法流程详解某视频APP推荐策略详细拆解（万字长文）2020年轻人性和爱调查报告.pdf（附下载链接）
关注我们
|
智能推荐 个性化推荐技术与产品社区 |
长按并识别关注
|
您的「在看」，我的动力
数据科学之：消费者资产分析相关推荐
- 【阿里妈妈营销科学系列】第一篇：消费者资产分析
▐ 分析背景 随着互联网发展日益成熟,竞争愈发明显,流量红利逐渐收缩,商家运营阵地逐步转向消费者精细化运营.消费者精细化运营的基础是需要对消费者进行解析,对其进行分层,形成消费者资产.对分层下的资产规 ...
- 交通事故2018数据_现实世界数据科学项目：交通事故分析
交通事故2018数据 by Hari Santanam 通过Hari Santanam 现实世界数据科学项目:交通事故分析 (Real world data science project: traf ...
- 了解※数据科学※(一)之数据的概念及一个数据科学项目的流程分析
一.基本概念 数据: ①传感器采集到的各种物理.生物.化学指标等等各种可记录,可表征的数量,性质都是数据. ②现实中某种事物或事物间关系数量或性质的表征和记录,都称之为数据. ③信息的载体. 大数据 ...
- 对比《学习R》PDF代码+《R语言实战第2版》PDF代码+《R数据科学》PDF代码分析
R语言是世界上最流行的用于数据处理和统计分析的脚本语言.考古学家用它来跟踪古代文明的传播,医药公司用它来探索哪种药物更安全.更有效,精算师用它评估金融风险以保证市场的平稳运行.总之,在大数据时代,统计 ...
- 年中盘点：2020年炙手可热的10家数据科学和机器学习初创公司
在企业能够利用大数据的优势之前,数据科学家和开发人员必须准备和组织好数据,并开发底层的机器学习算法和预测模型,以支持分析师和IT从业者使用的商业智能应用. 从传统上说,这是一个非常耗时的过程,但是有很 ...
- 从算法工程师到全栈开发者，我终于明白了数据科学的真谛
很多人对于数据科学的概念模糊不清,事实上数据科学早在有数学的时候就已经存在,只是没有人将其描述得如此细致.在过去的9年中,我从数据分析师发展到算法工程开发,最终成为了一名全栈开发工程师.经过无数项目经 ...
- 推荐 ：数据科学与大数据技术专业特色课程研究
在我国,数据科学与大数据技术专业的建设已成为新的热点话题.在系统调研世界一流大学数据科学专业建设现状的基础上,从特色课程视角重点分析加州大学伯克利分校.约翰·霍普金斯大学.华盛顿大学.纽约大学.斯坦福 ...
- 谷歌机器学习主管：10年自学数据科学的3点心得体会
全文共3243字,预计学习时长10分钟 来源:Pexels 数据科学.机器学习和分析被认为是最热门的职业之一. 工业界.学术界和政府对熟练数据科学的从业人员的需求正在迅速增长.因此,目前的" ...
- 21世纪发展最快的数据科学的总结
一.认识 数据科学是一个多学科领域,它使用科学技术和计算算法从结构化和非结构化数据中收集有价值的见解和知识. 它涉及数学.统计学.统计建模.计算机科学.数据库技术.编程.预测分析.信号处理.人工智能. ...
最新文章
- SQL语言之DQL语言学习(十)子查询
- eval？python顺序列表模拟栈实现计算器
- go语言之进阶篇主协程先退出导致子协程没来得及调用
- 九阴真经战无不胜服务器位置,九阴真经各门派武功风水宝地分类及坐标大全
- php中删除文件夹内容吗,如何使用PHP删除包含内容的文件夹
- asp.net datatable 导出为 txt
- 链表 java详解_链表详解——Java版
- c#图片处理之:在图片上打上文字
- keil5下载完成后程序不复位运行
- 小米路由器4a开发版固件_发现篇免拆刷小米路由器4a千兆版刷第三方固件的贴子！...
- Centos 7 内网安装 DzzOffice
- python-爬取东方财富网期货市场大商所数据
- 虚拟机如何安装优麒麟19.10
- HTML5和CSS3扁平化风格
- EXCEL2016学生表两列名字按相同排序，对比期中期末考试选出进步学生
- C# 里弹出“确定”“取消”对话框
- 百度对抗高德 移动导航app进入免费时代
- 重庆12岁男孩大毛带着7岁半的弟弟小毛逃学，跑到山里呆了13天
- 运维 05 Shell基本命令
- C语言extren关键字详解
热门文章