会员数据化运营分析模型

在会员数据化运管模型中，常用的有 会员细分模型、会员价值度模型、会员活跃度模型、会员流失预测模型、会员特征分析模型和营销相应预测模型。

会员细分模型

会员细分模型常常用于整体会员的宏观性分析和探索，常用的细分模型有：基于属性的方法，ABC分类和聚类法。

• 基于属性的方法：会员地域、产品类别、会员类别、会员等级等
• ABC分类：ABC是帕累托法则衍生的分类方法。先将目标倒叙，做出累计百分比，0~0.8是主要影响因素，0.8-0.9是次要影响因素，0.9-1是一般影响因素。
• 聚类方法：聚类常用的有K均值和DBSCAN算法。

对于K均值在应用时需要 注意数据异常值 ，数据的异常能明显改变不同点之间的距离，提前做好数据处理。除此之外需要注意数据的异常量纲，不同的维度和变量之间，如果存在数据量纲或者规模差异，需要 归一化或者标准化 。如订单金额在1-10W,订单量在1-1000，明显订单金额会是聚类的主要影响因素。 算法稳定性、效率和准确性表现很好 ，时间复杂度是样本量* 聚类数* 迭代次数，时间消耗会与样本量线性增长。但是面对真正海量数据（大于100W条，在100w条以内kmeans是比较好的选择），结果延时严重，此时可以使用Mini Batch Kmeans。

对于DBSCAN是基于密度的聚类，适应数据的分布形状更广，尤其 对于非凸或者圆环状，对噪音、边界点过滤效果好 。但是对于密度变化大，数据量大的的数据不好，消耗内存，I/O消耗也大。

会员价值模型

会员价值度是评估用户价值，是区分会员价值的重要模型和参考依据。也是评价营销效果的关键指标之一。常用的是RFM模型。

RFM模型是会员最近一次购买的时间，购买频率和购买金额。常常用来做客户分群或价值区分。应用于电子商务（交易类型）的会员分析。

RFM模型基于一个固定的时间点做模型分析，今天做的跟7天前做的可能不一样。

会员活跃度模型

会员活跃度是评估用户活跃情况，是分析会员状态的基本模型之一。常用但是RFE模型。

RFE模型是会员最近一次访问时间，访问频率和页面互动度。在RFE模型中，由于不要求发生交易，因此可以做未发生登录、注册等匿名用户行为价值分析也可以做实名用户的分析。

模型常用来做用户的价值分群和价值区分。

会员流失预测模型

会员流失预测模型用来预测用户是否会流失，是做用户生命周期管理的重要预防应用。关键因素是定义好处于何种状态为流失。流失分永久性和暂时性。

在处理该模型时，数据样本一定是不均衡的，对于流失会员的预测结果，得到概率输出可以结合流失预测标签一起应用业务方可以基于概率再结合业务经验做判断。

对于参加训练模型的维度变量选择，一定要结合业务经验，因为业务对于特定场景的判断是影响训练模型和应用结果的关键因素之一。

输入数据需要包含转化前的行为数据。

会员流失预警模型不是一次性的，是周期行见识和运行，如每天、每周，至少每月。

会员特征分析模型

会员特征分析模型提供的结果可能是模糊的，也可能是明确的。

第一种是在没有任何前期经验或者特定目标下触发的，希望通过整体特征分析会员全貌。此时需要先分类，然后再基于类别分析特征 。用于为运营提供进一步业务动作，一般开始于数据工作项目或者业务对于数据主题先验经验不足的情况；

第二种是有明确方向的，希望找到达到目标时间的会员特征。常用的方法是分类和关联。作为为运营下一步动作直接触点。

营销响应模型

营销响应模型是针对营销活动展开的，采用一般是分类算法，常见的有逻辑回归、支持向量机，随机森林等。

基于营销相应预测模型得到的结果一般包括两个方向：

基于模型找到最有可能产生购买转化行为的会员特征。如最近一次购买时间在3个月以内、会员等级在3级以上、总订单金额在3000、订单量大于10的客户。通过这些条件可以从数据可中筛选对用的会员列表，并对会员发送营销活动。

基于模型预测可能产生的订单转化数量、转化率（如选择大于10W,会有4000个客户产生转换化），以及转化用户的客单价，然后用订单金额*会员量大体算出发生会员能得到的营销收入。这些信息都可以做为营销活动计划提报的数据量化指标和资源申请的数据支持。