大数据运营（二）



数据化运营常见数据分析项目

数据化运营分析项目从简单的统计分析到复杂的机器学习，类目众多，这儿我以运营流程为主线，介绍一下较为典型的分析项目。

1、目标客户的特征分析

数据化运营的第一步是找准目标客户，目标受众，而后才会设计相应的运营方案、个性化产品与服务；

目标客户的特征分析分为两种情况：一种是试运营前的虚拟特征探索；另一种是在试运营后来自真实运营数据基础上的分析、挖掘和提炼；

试运营前的虚拟特征探索指目标客户在真实的业务场景里并未产生，没有与真实业务环境一致的数据来源可用于分析目标客户特点，只能通过简化、类比、假设的手段进行模拟探索，从中发现一些似乎可以借鉴、参考的目标用户特征，之后根据真实的效果反馈来修正目标用户特征；

试运营后的特征分析相对而言比上述这种来的更为真实可靠，也贴近业务。数据的提取完全符合业务需求，也收集到了真实使用该产品的用户数据，不再是虚拟的猜测和模拟；

2、目标客户的预测（响应、分类）模型

在试运营且拥有一批真实用户后，我们可以根据这批核心用户的特征，来寻找拥有同类特征用户的群体，根据业务环节的不同，可以分为流失预警模型、付费预测模型、续费预测模型、运营活动响应模型等；

一般来讲，如果响应比例低于1%，该响应模型属于稀有事件响应模型，主要通过抽样的方法人为放大分析数据样本里响应事件的比例，增加响应浓度，从而使得模型更好地捕捉自变量与因变量的关系；

另外，预测模型本身输入的自变量与因变量的关联关系也有重要的业务价值，甚至是数据化运营中新规则、新启发的重要因素；

该模型涉及技术一般有逻辑回归、决策树、神经网络、支持向量机等

3、运营群体的活跃度定义

活跃度定义一般没有定论，都是根据特定的业务场景和运营需求来量身打造的，但仍有一些基本的元素和原则存在：

1）活跃度的组成指标是业务场景中最核心的行为因素；

2）定义是否合适在于其能否有效回答业务需求的终极目标；

活跃度定义主要涉及两个技术：一个是主成分分析，另一个则是数据标准化，前者目的是把多个核心行为指标转化为一个或少数几个主成为，并最终转化为一个综合得分；后者则是因为不同指标有不同的度量尺度，只有在标准化后才有相互比较和分析的基础；

4、用户路径分析

通常来讲，在互联网企业是以漏斗分析的角色出现的，主要是分析用户在网页上流转的规律和特点，发现频繁访问路径模式，从而提炼特定用户群体的主流路径、用于网页设计的优化和改版、用户行为路径的预测、特定群体的浏览特征等；

该分析在多个部门都存在需求，包括运营、产品设计、用户体验设计等；

路径分析常用有两类，一类是有算法支持，另一类是按照步骤顺序遍历主要路径的。

如果能够将单纯的路径分析与算法及其它数据分析、挖掘技术整合，那么将会出现更广阔的应用价值，比如通过聚类划分出不同的群体，然后分析不同群体的路径特征，针对不同群体的路径分析，优化页面布局，提升转化率，减少用户流失风险；

5、交叉销售模型

交叉销售通俗来讲就是进一步挖掘客户的潜在价值，客户一旦购买商品后，企业通常有两种运营思路，一种是让客户长久地留存，延缓客户流失，这时通常使用流失预警模型；另一种是让客户消费更多的商品和服务，挖掘客户利润，这时就要使用交叉销售模型了；

该模型通过用户历史消费数据，找出明显关联的商品组合，去构建消费者购买这些关联商品组合的可能性模型，再用这模型寻找新客户中购买特定商品组合的可能性；

大家最为熟悉的应该就是关联分析，又叫购物篮分析，但也可以借鉴预测响应模型，为几种核心商品或商品组合分别建模，对潜在消费者进行精准推广；另一种思路是通过决策树的规则算法，发现基于数据资源的具体规则；

6、信息质量模型

互联网买卖双方最为直接、最关键的纽带是海量的商品，而商品的目录、商品展示的质量、结构、布局直接影响到交易是否达成。

信息质量模型主要涉及商品详情质量优化、网上店铺质量优化、网上论坛发贴质量优化、违禁信息过滤优化等；其涉及的技术包括回归算法、决策树等，不过不同于其它模型，因其没有直接的目标变量信息，目标变量的设定通常用专家打分（有时辅之以客户调研）的方式；

7、服务保障模型

服务保障模型一般是B2B平台为更好地服务于平台的卖家更构建的，主要是通过让卖家购买合适的增值产品、续费产品、卖家社区的热点分析等更好地武装卖家。

8、用户分层模型

分层模型即对买家分个三六九等，区别对待，既兼顾了精细化的需要，又不需要投入大多资源到预测模型的搭建和维护中，适用于运营初期及战略层面的分析中；

分层模型应用场景通常分以下几种：1、客户服务团队针对不同用户群体设计不同说辞和推荐服务；2、管理层需要获取买家的分层分析视图；3、运营团队需要根据分层模型来指导相应的运营方案制订；

分层模型所使用的技术既包括统计分析，又可以有预测模型，也可以运用聚类分析；

9、卖家交易模型

主要目的是为卖家服务，帮助卖家获得更多的买家反馈，促进卖家完成更多的交易；

模型包括：商品推荐模型、交易漏斗分析、买家细分、优化交易路径设计等

10、信用风险模型

包括金融行业及互联网行业的欺诈预警、纠纷预警、高危用户判断、信用评分等。

这类模型有其自身的显著特点：1、时效非常短，更新频率高；2、行骗手段随机性较强，对模型挑战较大；

11、商品推荐模型

    推荐模型包括类目推荐、标签推荐、店铺推荐等，其中尤以商品推荐最为典型。当前的主流模型为规则模型、协同过滤和基于内容的推荐模型；

其中关联规则常用的是Apriori（先验）算法，该算法首先找到数据集中的频繁项集，其频繁度要大于等于最小支持度，然后根据频繁项集产生强关联规则，该规则必须满足最小支持度和最小置信度；

如给定关联规则x—>y,即根据x推出y；

则

                    

                    

关联规则适用于交叉销售的场景，如旅行根据机票推荐酒店，情人节巧克力与鲜花捆绑销售等；

协同过滤算法分为启发式（基于用户或基于项目）和模型式两种，启发式算法包含三个步骤：收集用户信息à寻找相似的商品或用户à推荐商品；

基于用户的协同过滤首先需要计算两个用户的相似度，而后再计算该用户对某个商品的评价或喜好程度；相似度计算一般用pearson相关系数或余弦相似度，其中pearson相关系数公式如下所示：