精细化运营探索：基于响应模型场景化应用

内卷化的当下，获客成本越来越高。营销部门、风控部门、贷后部门等机构里面的部门，都不能各自为政，怎么样更有效的进行紧密联动，我们提出了精细化运营的内容。

比如在注册笔数上，我们关注每一单的注册能由多少笔新用户转换而来；在市场花费中，带来的注册的花费，结算方式有按照申请结算付费的、有按放款结算、有按周的维度结算的，何种结算方式最合适。另外在具体的营销场景中，我们提出了：营销常用模型—响应率模型。

响应模型
预测响应模型是数据挖掘中最常见的应用模型，最直接的涉及的精细化运营的客户分层以及随后的个性化区别对待。预测响应模型涉及的几种算法：神经网络、决策树、逻辑回归、多元线性回归等。

响应模型的目标变量定义
什么是响应率模型？
举例：
我们需要对响应率有个最清楚的定义：比如拨打100个电话，有5个成功办理，响应率为5%。
Y=1为成功营销客群，
Y=0为拒绝办理客群
当然在客群的分类上，在测试电销外拨数据，在整个名单中，我们将分为四个类型的客户：营销成功/营销失败/不确定/号码无效。在这里面我们需要剔除掉灰色客群，即没有明确意愿客群或号码无效的客群。
当然这里对于成功办理的客群的定义，可以随着各个场景的不同，进行一定的变更，不同定义的成功办理，相对应的灰色客群，是可以归入不同的分类。常规上我们将响应模型分成以下三个类别：
①下载响应

②召回申请响应
③复购响应

以下分别阐述：
①下载响应
目的：区分下载意愿高的客群和下周意愿低的客群
y值定义：下载为1，未下载为0
特征举例：部分个人信息，下载前搜索的关键字，什么时候(早中晚搜索的相关信息)

②召回申请响应

目的：区分申请医院，对应使用不同的营销策略
y值定义：营销后，申请为1，未申请为0
特征举例：部分的个人信息，设备信息，app内行为轨迹信息，搜索信息，营销行为信息，是否发送成功，是否点击，是否回到app等

③复购响应
目的：区分复购意愿，对应使用不同的营销策略
y值定义：复购申请为1，未复购申请为0
特征举例：个人信息，设备信息，设备行为信息，搜索信息，营销行为信息，订单行为信息等
需要对比或者剔除完全不需要营销的客户，当然可以对比分层进行筛选，将申请和复购申请响应，转化成多个层级，先判断是否需要营销，然后不同的响应程度，判断适用于哪种营销方式。

所以在整体的响应模型开发完成后，在响应模型的策略应用上，有以下几种策略结合响应模型应用：

①对应不同的营销策略
②风控介入营销策略
③催收策略的交叉引用
比如拿第①而言，响应分跟申请评分的结合是目前我们用得最多的方法：

关于以上的第①第②第③种相应营销的策略应用，更多的会在我们本次的课程内容中重点介绍。
另外在整体的精细化运营的最终而言，我们用一个衡量最终效果的指标，那就是ROI指标，即投资回报率。关于核心指标，是可以综合多个操作节点如触达/接通率、点击率、登录率、复购率、成本跟放款单价等，综合校验得到核心指标。

关于本文中介绍的如何开发响应率模型，营销事件涉及的操作节点和页面埋点信息，响应率模型如何结合风险策略使用等，关于本次更多的细节内容，有兴趣的童鞋们可回顾今晚的星球课堂：《精细化运营探索——响应模型场景化的运用》。该课程上我们会为大家介绍响应模型和响应策略等精细化运营的内容：

~原创文章
…
end