《数据挖掘与数据化运营实战》(第3章)
3 数据化运营中常见的数据分析项目类型
3.1 用户特征分析及用户分层模型
不同于过去的粗放式运营,在精细化运营的要求下,可以通过数据分析挖掘不同用户细分群体的特点,针对不同群体提供精细化、个性化的运营或服务,提高用户满意度,最终提高产品变现能力。
这类以挖掘用户特征为目标的项目,可以统称为用户特征分析。项目的核心是用户分层,一般需要对用户分层,在分层时或分层后,分析细分群体的特征。
分层模型常用的技术既包括统计分析技术(比如相关性分析、主成分分析等),又可以含有预测(响应、分类)模型的技术(比如通过搭建预测模型发现最重要的输入变量及其排序情况,然后根据这些变量对分层进行大致的划分,并通过实际数据进行验证),这要视具体的分析目的、业务背景和数据结构而定,同时要强调的是,一个好的分层模型的搭建一定是需要业务方的参与和贡献的,而且其中的业务逻辑和业务思考远远胜过分析技术本身。
用户特征分析根据不同的侧重点,有几个典型的业务场景:
- 寻找目标用户,不同行为习惯的用户,定位高质量用户及其特征
- 寻找运营的抓手,帮助寻找运营方式,以提高或改善用户满意度
- 用户群体细分
- 新产品开发依据,即判断新产品要针对谁、满足什么需求,实现PMF(产品-市场匹配)
用户特征分析项目中有以下几种常见分析思路和方法:
- RFM模型(Recency、Frequency、Monetary),一种根据三个核心变量,对用户进行分组的方法
- 聚类算法,用户分层是聚类算法的重要应用,可以根据核心变量进行聚类,根据聚类结果对用户分层,再针对细分群体分析其余特征
- 监督模型的核心变量,一些算法模型可以帮助定位核心变量,如随机森林的特征重要性指标、决策树的划分规则等,根据模型定位到的核心变量,对核心变量进行大致划分得到分层结果
3.2 目标客户的预测(响应、分类)模型
预测(响应、分类)模型包括流失预警模型、付费预测模型、续费预测模型、运营活动响应模型等。它是数据挖掘中最常用的一种模型类型,几乎成了数据挖掘技术应用的一个主要代名词。响应模型的核心就是响应概率,响应概率又是