白兰氏 虚拟Data Mining例子.pptVIP

建立提升白蘭氏會員活動率相關指標 大 綱 提升白蘭氏會員活動率預測模型 建構未來價值指標 建構未來聯繫指標 建立產品區隔 結果展示 未來建議方向 白蘭氏目前的資料庫有以下資料 個人資料 : 姓名,地址,電話,性別,生日,職業,婚姻狀況,成為會員的管道(Ex: 雞精盒內問卷,索取試用包,銀行合作,其他通路/廠商合作案) 購買紀錄:購買日期,產品線,品名,金額,數量, promotion code , marketing channel(DM or TM) ,訂單建立者 進線0800記錄 : 日期,類別(索取試用包,報怨,詢問…..), 內容 參加紅利積點活動紀錄 : 寄回條碼數量,兌換品項,類別 提升白蘭氏會員活動率預測模型 建構白蘭氏會員未來價值與聯繫指標 概念描述 從產品、貢獻與風險三個構面，建立其個人價值、聯繫指標以及產品區隔，從而分析白蘭氏會員對公司可能創造的機會、利潤、風險與損失，藉以瞭解各區隔內產品偏好、可能貢獻、贏回機會及潛藏流失風險，提供擬定提升活動率行動方案之相關依據 模型分析流程 建構白蘭氏會員未來價值指標 瞭解白蘭氏會員的獲利潛力 概念描述 評估白蘭氏會員價值最有效最直接的指標為營收，但白蘭氏會員過去的營收並不能完全代表其對公司的貢獻 白蘭氏會員價值仍需參考 白蘭氏會員年資 最近一次購買期距 購買頻率 購買產品內容 … 以上因素皆會影響白蘭氏會員未來對公司的貢獻 貢獻組成 白蘭氏會員過去貢獻 過去12期營收總值 白蘭氏會員未來價值預測值 未來6期的營收總值 透過交易資料、屬性資料及關係資料來預測 建構白蘭氏會員價值指標 AVI 白蘭氏會員價值指標( AVI )模型 預測性模型( Predictive model )或稱為監督性學習( Supervise learning ) 透過已經發生的事實或已知的結果，從中學習並建立模型，方可預測未知的未來 在收集及整理資料的過程中，需注意的有 確立輸入變數及目標變數 季節性因素 離異值(outlier) 輸入變數及目標變數 輸入變數(Input Variable) 屬性資料 Age, ZIP, Occupation …… 關係資料 白蘭氏會員年資(LOS)、Dealer Type Dealer Type為一延伸性資料，與NTA高度相關，並不適用於白蘭氏會員價值模型 交易行為資料 NTA, Category count, 最近購買期距, 過去一年中的購買頻率, 過去一年中最長的連續購買期數 …… 目標變數(Target Variable) 白蘭氏會員在未來六期的營收總值 資料選取 ( Training Testing Set ) 資料選取 ( Latest Set ) 季節性因素 離異值 ( Outlier ) 經過資料分佈分析，NTA(過去18期營收總值)，為一指數分佈 約95%集中於0~100,000，4%分佈於100,000~1,000,000 需將NTA大於1,000,000剔除於訓練組資料，以免該模型因此離異值造成偏差 完整的演算法 建構白蘭氏會員未來聯繫指標 尋找可能的機會與風險 概念描述 Action: 建立流失指標以降低未購買人數 建立贏回指標以提昇再購買人數 概念性定義 白蘭氏會員聯繫指標可再詳加區分為贏回指標模型(WBI model)及流失指標模型(LSI model) 預測性模型(Predictive model)或稱為監督性學習(Supervise learning) 需透過已經發生的事實或已知的結果，從中學習並建立模型，方可預測未知的未來 在收集及整理資料的過程中，需注意的有 輸入變數及目標變數確立 季節性因素 簡而言之，透過白蘭氏會員聯繫指標就可找出最有可能贏回（機會）或最有可能流失（風險）的客戶 概念性定義 白蘭氏會員聯繫指標 贏回指標( Win Back Index )模型 在已流失白蘭氏會員中，建立贏回指標 流失指標( Loss Index )模型 在持續交易白蘭氏會員中，建立流失指標 目前概況 操作型定義 贏回指標模型 六期以上未買的白蘭氏會員( Rec_Camp_Dist 6 ) 贏回指標( Y )：未來二期至少買一期( Future_Risk = 0 or 1) 流失指標模型 最近六期至少買一期的白蘭氏會員( Rec_Camp_Dist = 6 ) 流失指標( Y )：未來六期不會買( Future_Risk = 6 ) LSI 輸入變數及目標變數 輸入變數(Input Variable) 屬性資料 Age, County, Occupation …… 關係資料 白蘭氏會員年資(LOS) 交易行為資料 NTA, 產品大類數, 最近購買期距, 過去一年中的購買頻率, 過去一年中最長的連續購買期數 …… 目標變數(T