由数据模型帮我们进行预测
偏好时序模型运营可以通过SPSS分析得到： 假如这个是用户订单底表数据，我们通过数据来建立一个分析模型： 目标是通过这个订单底表数据建立一个挖掘模型，挖掘用户的购买序列习惯，并预测用户下一个购买节点会购买什么？ 我们通过SPSS搭建一个时序分析流，由数据模型帮我们进行预测。 这个数据流输出结果是： 用户时序分析结果翻译一下： 如果用户在购买了苹果和鸡蛋后，下一次购买苹果的置信度是100%（由于实验数据过拟合，所以是100%的概率，真实订单数据的话，置信度越高，表明用户在购买完苹果鸡蛋后，下一单很高概率购买苹果） 第二个如何建立用户的触达及活动补贴评估体系？ 评价指标有两个，GMV提升率和ROI，比如成长期用户运营我们是这么AB测试的，把成长期用户筛出来分为实验组以及随机抽取部分用户作为对照组，比如实验组是100万人，对照组是10万人，实验组发20减5的补贴券并通过定向短信通知形式进行干预转化，对照组不干涉自然转化。得到干预组的转化率是10%，对照组是6%。 如果强行说干预策略有效也并不一定有 购买电话号码数据库 说服力，因为发券必然会导致转化提升，所以我们要看GMV提升率和ROI的增益是否达到预期。 简单来讲就是这100万人在干预前和干预后的增益率对比 GMV提升率=GMV提升部分/GMV基线，比如我们这个案例中GMV基线如果不干涉自然转化下单是6万人，按照20元客单来计算，GMV是120万。干涉后按照15客单计算，GMV是150万，增益GMV是30万，GMV提升率25%。 然后计算成本部分 券成本是50万，短信成本以1毛来计算，10万元，总计成本是60万，
https://lh7-us.googleusercontent.com/mvvc05WVwJbsGQuf9K3PGayqKohL1auLEfs6JvvUp-T3AQ05CPwGHaltF6em2tx1mS_Ou915CqOlvjEfFNYtp0B_KzlyukDZncgDsU__0JxNffVfnVo6EAlFIvdfjTAkRTtKHoqSjlLSyU5xsEwi_8U
发现ROI=0.5 发现20减5并没达到预期，对吧，然后相同思路再去测45减10券，把用户客单去拔高，直到ROI远远高出1，才证明这部分用户补贴有效。 最终我们可以把ROI和GMV提升率构成一个矩阵，把所有补贴折扣、券放入矩阵中，去看ROI和GMV提升率最大的气泡分布在哪里。这就是基于历史沉淀打法和策略。 三、用户流失预警管理项目 假如月均滚动流失率是在10%左右，预警项目前，每周会固定把符合流失定义的用户筛选出来，假如1000万MAU，每周的召回覆盖人数大约就是100万，短信点击率是0.4%左右，订单转化率5%，每次最多召回200人，可想召回效率有多低。 预警模型可以将月均滚动流失率降到6%左右，提前干预转化率提升到10%。我来讲下具体是怎么做到的。 第一部分是模型的搭建 第二部分是用户分层的预警 第三部分是召回策略 模型搭建涉及流失时间窗口定义、流失特征定义、算法建模三部分。
頁:
[1]