大数据下的用户与价值分析

大数据下，用户分析的核心是什么? ——解决实际问题

确定用户分析目的，具体是为了降低成本?增加收入?优化用户体验?提升营销效果?用户针对性管理?

确定目的后开始选择合适的数据，然后搭建模型，最后得出结果，并用数据可视化解读。

大数据时代，用户数据使用成为企业发展的重中之重。

RFM方法是国际上最成熟、最为接受的客户价值分析方法，RFM实际上是一整套分析方法中的部分内容，但最具代表性，其它还包括客户购买行为随机模型、马可夫链状态移转矩阵方法、贝氏机率推导状态移转概率方法、回归拟合方法等。它具体的技术原理又是如何呢?

使用RFM方法(最近购买日Recency, 各期购买频率Frequency, 各期平均单次购买金额Monetary)能够科学地预测老客户(有交易客户)今后的购买金额，再对销售毛利率、关系营销费用进行推算，就能按年、按季、按月分析出今后几期的客户价值。

如果你想了解大数据的学习路线，想学习大数据知识以及需要免费的学习资料可以加群：784789432.欢迎你的加入。每天下午三点开直播分享基础知识，晚上20:00都会开直播给大家分享大数据项目实战。想要了解学历的也可以加群私聊我。

在这里，客户价值指CRM毛利。CRM毛利 = 购买金额 - 产品成本 - 关系营销费用。

RFM方法是国际上最成熟、最为接受的客户价值分析方法，RFM实际上是一整套分析方法中的部分内容，但最具代表性，其它还包括客户购买行为随机模型、马可夫链状态移转矩阵方法、贝氏机率推导状态移转概率方法、回归拟合方法等。

一、客户购买行为随机模型中隐藏着哪些秘密?

随机模型除了显示购买频率概率、平均金额概率的密度分配，还隐藏着购买频率、平均金额的状态移转期望值和概率这两个秘密，等待被揭示。

揭秘后，您就更加理解用必要长度和宽度的样本数据建立起一套牢固、可靠随机模型的重要意义，样本越大，客户价值推测结果就越接近即将发生的事情。

【客户随机购买行为的六个基本假设】

1、观察随机模型

曲线形状均由其参数a、b、p、q、k决定。

频率概率分布列符合负二项分配，参数a、b由客户的平均购买频率计算出来。假设有一组样本，对应n家成交客户，fi(i = 1, 2 … n)【样本长度为n】表示每家客户的平均购买次数，通过最大概似估计法可求得a、b，并且可求得平均频率 = b/a。频率模型为离散函数，f>0，频率平均值=ceil(b/a)=ceil(2.67/1.84)=2。示例的无成交概率分布列P(0)≈31%，意味着其余有成交概率分布列之和ΣP(i)≈69%，其中P(1)≈30%(峰值)，P(2)≈19%，P(3)≈10%。

平均金额概率密度符合伽玛-伽玛分配，参数p、q、k由客户的平均购买金额计算出来。假设共有n家客户【样本长度为n】，且每家客户有发生购买行为的期数分别为hk(k=1, 2 … n)【样本宽度分别为hk】，每家客户有发生购买行为期间的该期平均单次购买金额为mi,j(i=1, 2, … n, j=1, 2, … hi)，通过最大概似估计法可求得p、q、k，并且可求得对应峰值概率的平均金额 = (p-1)/(q+1)*k。平均金额m的概率密度分配为连续函数，m>0，p、q为形状参数，k为尺度参数。示例的峰值概率密度位于m=9646.96，P(9646.96)=0.00003323598657260607。

从上面随机模型中您已能初步观察到购买频率、平均金额的概率分布情况。

2、推导购买频率、平均金额移转期望值

以平均金额为例，观察以下图形：

蓝色的就是平均金额概率密度曲线，紫色的是m轴每个mi坐标乘以对应蓝色概率密度pi得到的新曲线。换句话说，紫色包络线上每个点的值都是蓝色包络线对应点的mi倍。

在上图任意位置mi作条垂线，垂线至m=500,000.00(假设此为历史最大平均金额)之间，紫色面积除以蓝色面积，结果就是mi的状态移转期望值。可对m设定一些刻度，如0.01、1,000.00、10,000.00、100,000.00、200,000.00、300,000.00、400,000.00，即可得到这些刻度的对应的平均金额移转期望值。

用积分表达式描述就是：平均金额移转期望值 = ∫紫色曲线函数dm / ∫蓝色曲线函数dm，积分区间由mi到500,000.00。

购买频率移转期望值也类似，只是频率概率为离散函数。

3、推导购买频率、平均金额移转概率

从随机模型推导移转概率要复杂些，与上述求面积不同，它是一个求体积的计算(二重积分)，较为抽象。

二重积分在直角坐标系中求体积的示意图如右。下面我们换个角度，不在三维坐标系中谈体积积分，而是继续用求面积这种更直观的方式来推导平均金额移转概率。基础知识：客户从上期状态移转至下期状态，在马可夫链中记作(r1, f1, a1≤m1

平均金额由m1移转到m2的移转概率记作fm(m2 | a1≤m1

与推导移转期望值相似，当期望值m2分别等于0.01、1,000.00、10,000.00、100,000.00、200,000.00、300,000.00、400,000.00时，也可用下图的a1至b1之间的绿色面积除以对应的蓝色面积来推到平均金额的移转概率。

图5

图5中的蓝色曲线就是图2的平均金额概率密度函数。绿色曲线就不是平均金额概率密度pi去乘以m坐标轴的每个对应mi，而是去乘以另一个贝氏事后机率密度函数，这个函数是{[Γ(2p+q) * m2p-1 * (k+m1)p+q] / [Γ(p) * Γ(p+q) * (m2+m1+k)2p+q]}，它是通过由果导因的方法获得。

当m2分别等于0.01, 1,000.00, … 400,000.00时，就得到图5的不同图形。当m2等于某值时，用m轴a1至b1之间的绿色面积除以对应的蓝色面积就得到平均金额移转概率fm(m2 | a1≤m1

用积分表达式就是：

fm(m2 | a1≤m1

其中H = ∫a1b1[Γ(2p+q) * m2p-1 * (k+m1)p+q] / [Γ(p) * Γ(p+q) * (m2+m1+k)2p+q] * [P(m1 | p,q,k)] dm1
其中L = ∫a1b1[P(m | p,q,k)] dm

而实际上m2也是一个连续变量，从a1≤m1

fm(a2≤m2

类似地，也使用贝氏机率方法推导频率移转概率，马可夫链中的r1值(无成交期数)、频率随机模型中的信任区间也是两个重要计算因素。

4、购买频率、平均金额移转期望值及移转概率计算

针对上述举例，移转期望值及移转概率的推导结果如下：

样本数据的最小频率=1，最大频率=3：样本数据的最小平均金额=0.01，最大平均金额=499,999.00：

最近成交期的频率f1下期的频率期望值f2最近成交期至下期的未成交期数r1下期的频率期望值概率p

f1≥1 → f2≥2r1=0, p=0.3606;r1=1, p=0.2949r1=2, p=0.2356;r1=3, p=0.1892
f1≥2 → f2≥2r1=0, p=0.3606;r1=1, p=0.2949r1=2, p=0.2356;r1=3, p=0.1892
f1≥3 → f2≥3r1=0, p=0.1367;r1=1, p=0.0958r1=2, p=0.0669;r1=3, p=0.0477

最近一期平均金额m1下期平均金额的期望值m2、概率p

0.01≤m1<1,000.00m2=39,510.75，p=0.0126
1,000.00≤m1<10,000.00m2=39,598.21，p=0.3719
10,000.00≤m1<100,000.00m2=46,920.90，p=0.8754
100,000.00≤m1<200,000.00m2=186,871.69，p=0.4707
200,000.00≤m1<300,000.00m2=296,732.74，p=0.3049
300,000.00≤m1<400,000.00m2=379,455.72，p=0.2227
400,000.00≤m1<500,000.00m2=445,441.60，p=0.1748

某客户下期的购买金额 = (该客户的)下期频率 * 下期平均金额 * 下期频率概率 * 下期平均金额概率

二、预测下期产品成本和关系营销费用

CRM毛利 = 购买金额 - 产品成本 - 关系营销费用。

RFM只预测客户下期的购买金额，RFM并不预测下期的毛利率和费用。对个别客户以往的毛利率、费用采取平均法或移动平均法，应用于下期，该推断显然不合适;采取如RFM的概率分析方法去推断下期毛利率和费用也不合适，因为这两者并不是源自客户(或企业、员工)的随机行为，而更是源自企业总体成本控制和差别应对。

【销售毛利率、关系营销费用的五个基本假设】

1、下期产品成本

下期产品成本 = 下期购买金额 * (1 - 下期销售毛利率)

如果某客户上、下期之间无交易期数为0，则下期毛利率 = 上期毛利率。上期指有成交的最近一期。

如果某客户上、下期之间无交易期数为r1 (r1>0)，则下期毛利率 = 上期毛利率 * (1 + Δ)。其中Δ = (上期至r1=0期之间的)线性回归方程的斜率 * r1 / 2，用Δ对毛利率进行微调。之所以采用线性拟合回归，是因为决定系数R2在这里并不重要，我们仅是求得无交易期间的企业整体毛利率升、降趋势，并且不是用拟合回归方程本身去预测下期毛利率。

2、下期关系营销费用

定义：Ratei = Σ客户i以往费用 / Σ客户i以往购买金额

Expensei = 客户i以往各期中最小的那期费用(大于0)

Monetaryi = 客户i下期购买金额

Xi = Monetaryi * Ratei

如果Xi > Expensei，则下期费用 = Xi;

否则如果Monetaryi < Expensei，则下期费用 = Xi;

否则，下期费用 = Expensei。

3、在SynleadCRM 2008中，对下期的毛利率和费用还可手工修正

用SynleadCRM 2008分析客户价值时，选项“提取产品成本”表示提取以往产品成本并推算今后几期的产品成本，选项“提取费用”表示提取以往关系营销费用并推算今后几期的关系营销费用。前面提到，产品成本和关系营销费用属于企业总体成本控制和差别应对，其未来变化不一定按趋势平滑，可能下期个别客户或整体客户群的情况出现逆反或抖动。依据您的判断，在SynleadCRM 2008中对下期的毛利率和费用还可手工个别/批量地调整、修正。

另一方面，也可能出现少许产品成本、费用数据没有及时填写进CRM系统，例如“机会-产品”中未及时填写或更新产品/销售价/成本价，造成统计时产品成本=0.00、毛利率=100%;或者极特殊的数据没有排除，例如上期毛利率为负值。该情况也需要对个别客户的下期毛利率进行手工修正。

三、完整客户关系生命周期内的客户价值

客户价值 = CRM毛利 = 购买金额 - 产品成本 - 关系营销费用。在完整客户关系生命周期内(从建立关系到未流失的最近一期)，分析客户今后价值的意义远远大于分析客户历史价值，因此通常所讲的客户价值分析是对客户今后的价值进行分析。

SynleadCRM 2008为您分析客户今后三期价值的同时，也向您展示客户的历史价值作为参照。

对预测出的今后客户价值结果，您就可按客户价值分层。CRM客户关系管理将传统的整体营销推进到分块差别化营销、一对一差别化营销的高度，其立足点就是客户价值差别化分析。

通过预测客户价值，您就清楚一旦VIP客户、大客户流失将在今后造成怎样的利润损失;也可以找出那些临近亏本或负价值的客户，进行置疑分析，找出对策。

也要清醒地认识到，即便预测出的客户价值较高，也只是说明其价值势能(购买潜力)较高，坐等客户送上门的价值动能(实际购买)是不现实的，必须回过头去用CRM基础方法论踏踏实实地与客户互动，推动客户追加购买、交叉购买。

客户价值分析，是企业决策最重要的依据之一，请做好您企业的客户价值分析，正确指引商务运营。

大数据下的用户与价值分析相关推荐

推荐：大数据下的用户与价值分析
大数据下,用户分析的核心是什么? --解决实际问题确定用户分析目的,具体是为了降低成本?增加收入?优化用户体验?提升营销效果?用户针对性管理? 确定目的后开始选择合适的数据,然后搭建模型,最后得出结 ...
易观智库：大数据下的用户分析及用户画像（18页PPT附下载）
大数据下,用户分析的核心是什么? --解决实际问题确定用户分析目的,具体是为了降低成本?增加收入?优化用户体验?提升营销效果?用户针对性管理? 确定目的后开始选择合适的数据,然后搭建模型,最后得出结 ...
大数据下的用户行为分析
Consumer behaviour is the study of when,why,how and where people do or don't buy a product. 用户行为一般指用 ...
什么叫大数据人物画像_大数据下的用户画像全解析 | 都在说用户画像，你真的了解透了吗？...
版权来源:莲子数据,由莲子数据综编而成版权归原作者所有,如涉及版权问题,请联系微信后台协商. 什么是用户画像? 在互联网逐渐步入大数据时代后,不可避免的给企业及消费者行为带来一系列改变与重塑.其中最 ...
大数据下的用户画像标签去重
一常用场景用户画像英文为User Profile,是根据用户基本属性.社会属性.行为属性.心理属性等真实信息而抽象出的一个标签化的.虚拟的用户模型."用户画像"的实质是对 & ...
【2016年第5期】跨社交媒体网络大数据下的用户建模
项连城1,2,桑基韬 1,2,徐常胜 1,2 1. 中国科学院自动化研究所,北京 100190:2. 中国科学院大学,北京 100049
云计算＆大数据 “下一幕”智能变革之力
2019独角兽企业重金招聘Python工程师标准>>> 2016年的互联网科技领域,云计算.大数据.人工智能成为最热词汇.阿里云"为了无法估算的价值"将中国的计算 ...
【阿里云产品公测】大数据下精确快速搜索OpenSearch
2019独角兽企业重金招聘Python工程师标准>>> [阿里云产品公测]大数据下精确快速搜索OpenSearch 作者:阿里云用户小柒2012 相信做过一两个项目的人都会遇到上级要 ...
大数据下的BI新特性
大数据下的BI新特性大数据BI的新需求包括大量化(多个大数据集并行分析).多样化(结构化.半结构化.非结构化).快速化(Velocity)和价值(易用性).而计算分层(流计算.块计算.全局计算).快 ...

大数据下的用户与价值分析

大数据下的用户与价值分析相关推荐

最新文章

热门文章