沉默用户激活和客户价值分析.docxVIP

沉默用户激活方案一、几个基本定义：1.交易间隔：用户的相邻两笔交易之间的交易间隔时长2.沉默：最大交易间隔时长远大于某一设定阈值3.活跃：最大交易间隔时长远小于某一设定阈值4.排秩、秩次：对集合内的值排序，排序后所在的位置即为秩次5.秩次比：所在秩次占集合元素总数的比值6.沉默得分：用户沉默的程度得分，用来差异化细分沉默用户群二、基本分析思路：1．计算出单个用户的每次交易间隔，以此为基本数据原料进入下一步分析；2.定义沉默用户的最大交易间隔阈值，以此为标尺，测量各个用户距离沉默的远近及可能性；3.计算沉默用户的沉默得分，划分沉默用户等级；三、计算流程：1.计算每个用户的历史交易频率F的间隔时长Ti＝｛T2-T1,T3-T2,…,Tn-Tn-1｝2.计算每个用户的最后一笔交易距今时长Tr=Today-Recently3.对集合｛Ti｝及Tr进行排秩，并输出对应秩次{RankT1,RankT2,…,RankTr,…,RankTn}4．将Tr所在秩次除以该用户总交易次数cF，得出秩次比TrF；｀算法解释：以用户历史最大沉默间隔为参考，若Tr接近Max{Ti}，则表示该用户已接近沉默边缘，并极有可能转入沉默状态，反之接近活跃。活跃01 沉默此处求百分比的目的为：将实际问题数字化，并以量化方式呈现：若最近一笔消费距今时长排秩比：等于1，则表示该用户已进入沉默状态；若接近1，则表示用户靠近沉默边缘；在0到1之间，表示用户未表现出明显即将进入沉默状态信号；若接近0，则表示用户靠近活跃状态；5.将Tr除以Max{Ti}，求得用户沉默得分S；｀算法解释：以用户历史最大沉默间隔为参考，以数值方式衡量沉默程度：以得分＝1为界限：若得分小于1，则表示用户沉默程度较低，且未完全进入沉默状态；若得分等于1，则表示用户已进入沉默状态；若得分大于1，则表示用户已进入沉默状态，且沉默程度为S1－1；若得分远大于1，则表示用户已进入沉默状态，且沉默度为S2－1（即S2-1S1-10）四、几点思考：1.关于初始样本的筛选：当前累计用户数为8000万+，而年累计活跃用户数为600万+，则剩余非活跃用户数仍高于7000万+，考虑到计算性能、效率及首次投入分析数据样本量不宜过大，因此筛选其中历史交易频率不低于某一β值的用户（首次筛选β=15），该期样本量约为90万，而针对低频交易用户将在本期分析之后再纳入探讨。2.关于营销活动建议方案的优化分析：本次分析除探讨用户沉默可能性外还将记录被标记为高沉默可能性用户的状态迁移行为，目的：研究非沉默用户转向沉默状态的群体特征或转移前的标志性行为，并应用到下一轮营销活动中，优化活动方案。3.关于高价值用户优先激活的选择思考：是否选择优先激活分析结果集：高沉默可能性用户中的高价值用户，及如何识别高价值用户，将根据运营战略大方向决定。五、精细化激活：1.将各用户的TrF值分段，如：（0～0.4）a组；（0.4～0.6）b组；（0.6～0.8）c组；（0.8～0.95）d组；（0.95以上）e组等；2.针对TrF接近1的高可能性沉默用户采取优先激活措施，如e组用户；而针对d、c组及b、a组则分析各组内的群体特征并采用差异化激活方案；3.同理，针对沉默用户得分S进行分abc组，分析组内特征及组间差异，找出高沉默可能性用户的所属特征，并针对拥有该特征的将沉默用户及沉默用户采取激活措施；4.结合TrF值及S得分，综合评价用户的沉默可能性，优化分组规则，进一步提高沉默用户激活转化率情况。关于客户价值分析一、算法引入：RFM＋随机模型（随机模型＋马尔可夫链状态转移矩阵＋贝氏概率推导状态转移概率）＋回归拟合。二、包含信息：1.RFM：最近购买日Recently, 各期购买频率Frequency, 各期平均单次购买金额Monetary2.客户购买行为随机模型：随机模型除了可以显示客户的购买频率概率、平均金额概率的密度分布，还包含了客户购买频率、平均金额的状态转移期望值和概率等重要信息。即 1.预测用户下期购买频率；2.预测下期购买频率发生的概率；3.预测用户下期平均购买金额；4.预测下期平均购买金额发生的概率；三、假设条件：【客户随机购买行为需满足六个基本假设】假设一：假设客户随机购买频率和随机购买金额两个不同的行为纬度互相独立，不具有相关性。假设二：假设客户的购买状态转移行为符合马尔可夫链的假设，这表示客户下一期购买状态发生的机率只和上一期的购买状态有关。假设三：假设个别客户购买频率为卜松分布(Poisson Distribution)。假设四：考虑客户的异质性，假设上述个别客户单位时间平均购买次数服从伽玛分布(Gamma Distribution)。假设五：假设个别客户有购买行为的各期平均单次购买金额为伽玛分布(Gamma Distribution