精华内容
下载资源
问答
  • 客户细分模型

    2018-04-18 14:41:50
    一、项目背景及前阶段工作回顾 二、客户细分方法论 三、XX移动客户细分模型 四、通用客户细分结果分析及相应市场策略 五、短信专题客户细分结果分析及相应市场策略 六、基于客户细分结果的市场营销活动讨论
  • 证券公司客户细分模型构建,谭茂,,证券行业经纪业务具有与其他金融行业不同的特征,它的客户群体细分也具有与其他行业不同的特征。本文结合证券公司实际情况,以客
  • 综合运用聚类模型,CRM,ARPU分析,客户细分,设计不同套餐,达到效益优化。
  • 针对汽车4S 店客户消费模式不同于其他行业,而传统RFM 模型难以适用于汽车4S 店客户细分的问题,课题组对传统RFM 模型的数据分析指标进行优化改进,形成可适用于汽车4S 店的TFM 客户细分模型. 该模型可依据客户的行为...
  • 同时,在传统RFM 模型的基础上构建了新三维的客户细分模型,并根据改进的客户价值细分 维度进一步细分客户,利用主成分分析法计算每个客户群的价值得分。最终选取某网站的会员客户数据进 行算例分析,通过识别...
  • 在移动互联网发展带动作用下,电信运营商主营业务已经由传统的语音业务逐渐向移动数据业务方向发展,在这种背景下,互联网企业同移动通讯业务之间的...文章对基于大数据的客户细分模型以及精确营销策略进行深入的研究。
  • 手机充值业务是一项主要电信业务形式,客户的充值行为记录正好满足RFM模型的交易数据要求。根据美国数据库营销研究所ArthurHughes的研究,客户数据库中有三个神奇的要素,这三个要素构成了数据分析最好的指标:最近...
  • 四川移动客户细分模型.pptx
  • 证券公司客户细分模型构建.pdf
  • 证券公司经纪业务客户细分模型构建,谭茂,,证券行业经纪业务具有与其他金融行业不同的特征,它的客户群体细分也具有与其他行业不同的特征。本文结合证券公司实际情况,以客
  • 四川移动客户细分模型项目报告.ppt
  • 四川移动客户细分模型项目报告》.pptx
  • 基于数据挖掘的银行客户细分模型.pdf
  • 聚类集成算法在客户细分模型中的应用.pdf
  • 基于数据挖掘的电力行业客户细分模型分析.pdf
  • 基于数据挖掘的客户细分模型研究及应用.pdf
  • 数据挖掘在电信客户细分模型研究中的应用.pdf
  • 关于数据挖掘应用到电信行业的应用 用户细分\基于数据挖掘的电力行业客户细分模型研究
  • 客户细分——RFM模型

    万次阅读 2019-05-08 15:56:02
    RFM模型是衡量当前客户价值和客户潜在创利能力的重要工具和手段,在众多的客户关系管理(CRM)的分析模式中,RFM模型是被广泛应用的;该模型通过R(Recency)表示客户购买时间有多远,F(Frequency)表示客户在固定时间...

    一、模型概述

    RFM模型是衡量当前客户价值和客户潜在创利能力的重要工具和手段,在众多的客户关系管理(CRM)的分析模式中,RFM模型是被广泛应用的;该模型通过R(Recency)表示客户购买时间有多远,F(Frequency)表示客户在固定时间内购买次数,M(Monetary)表示客户在固定时间内购买的金额。

    一般的分析型CRM着重于对客户贡献度的分析,RFM则强调以客户的购买行为来 区分客户。在实际应用中根据不同业务参考的数据维度也会有相应调整。

    R值:最近一次消费(Recency指的是最近一次消费时间与当前时间的间隔。理论上R值越小的客户是价值越高的客户。在目前网购便利的大环境下,顾客有了更多的购买选择和更低的购买成本,去除地域的限制因素,客户非常容易流失,如果想要提高回购率和留存率,需要时刻关注R值。

    F值:消费频率(Frequency指的是顾客在固定时间内(比如一年)的购买次数。实际操作中,由于部分商品的特殊性,比如3C产品,耐用品等即使是忠实粉丝用户也很难在1年内购买多次。所以,这种情况下,会把F值的时间范围去掉,替换成累计购买次数。

    M值:消费金额(Monetary指的是顾客在对应时间内(比如一年)的消费金额。M值和F值是一样的,都带有时间范围,指的是一段时间内的消费金额。

    二、实践应用

    1、客户细分

    • 高价值客户:最近消费时间近、消费频次和消费金额都很高,属于高质量客户。
    • 重点发展客户:最近消费时间较近、消费金额高、但频次不高、忠诚度不高的客户,都很有潜力,可以重点发展。
    • 重点保持客户:最近消费时间较远,但消费频次和金额都较高,说明这是一个一段时间没来的忠实客户,我们需要主动和他保持联系。
    • 重点挽留客户:最近消费时间较远、消费频次不高,但消费金额高的用户,可能是将要流失或者已经流失的客户,应当采取挽留措施。

    2、营销策略

    比如

    3、模型评分

    除了直接用RFM模型对用户进行分组之外,还有一种常见的方法是利用RFM模型的三个属性对客户进行打分,通过打分确定每个用户的质量,最终筛选出自己的目标用户。

    RFM模型评分主要有三个部分:

    1. 确定RFM三个指标的分段和每个分段的分值;
    2. 计算每个客户RFM三个指标的得分;
    3. 计算每个客户的总得分,并且根据总得分筛选出优质的客户。

    举个例子

    确定RFM的分段和对应分段的分值之后,就可以按照用户情况对应进行打分。

    对应分段的分值怎么确定,目前没有比较统一、科学的方法,可以先根据经验进行打分,然后利用算法模型进行验证修正。

     

    展开全文
  • 【火炉炼AI】机器学习027-项目案例:用聚类算法建立客户细分模型 (本文所使用的Python库和版本号: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2 ) 客户细分是市场营销成功的前提,我们从市场中获取...

    【火炉炼AI】机器学习027-项目案例:用聚类算法建立客户细分模型

    (本文所使用的Python库和版本号: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2 )

    客户细分是市场营销成功的前提,我们从市场中获取的数据一般都没有标记,要想对这些市场数据进行客户细分,将客户划分簇群,这也是一种典型的无监督学习问题。

    本项目拟用各种不同的聚类算法来建立客户细分模型,并比较这些聚类算法在这一问题上的优虐。


    1. 准备数据集

    本项目案例所使用到的原始数据集来源于: UCI大学数据集,这个数据集来源于一个批发商,一共包含有440个样本数据,每个样本数据包含有8列,但是其中的6列作为features,此处由于是无监督学习,不需要标记,故而只需要其中的六列数据,这些数据的说明如下表所示。

    对于这6个features,数据集已经告诉我们这6列的min,max mean等信息,我把它们整理成一个表格,如下所示:

    数据集的加载可以采用pd.read_csv函数来完成,代码可以参考我的github,下面我们随便选择两个feature,将其绘制到二维平面图上,看看这些数据点的分布情况,比如下图:

    (X=fresh y=milk)的数据分布图

    (X=grocery, y=delicassen)的数据分布图


    2. 构建均值漂移聚类模型

    本项目用均值漂移算法来构建模型,模型的构建和训练过程和我以前的文章【火炉炼AI】机器学习022-使用均值漂移聚类算法构建模型一样,如下代码,只不过该代码还打印出聚类后簇群的数量,并把每一种簇群的质心点位置打印出来。

    # 构建均值漂移聚类模型
    from sklearn.cluster import MeanShift, estimate_bandwidth
    bandwidth=estimate_bandwidth(dataset,quantile=0.8,
                                 n_samples=len(dataset))
    meanshift=MeanShift(bandwidth=bandwidth,bin_seeding=True)
    meanshift.fit(dataset) # 使用评估的带宽构建均值漂移模型,并进行训练
    labels=meanshift.labels_
    cluster_num=len(np.unique(labels))
    centroids=meanshift.cluster_centers_
    # 下面打印出簇群种类,和质心位置信息
    print('Number of Clusters: {}'.format(cluster_num))
    print('\t'.join([col_name[:5] for col_name in col_names]))
    for centroid in centroids:
        print('\t'.join(str(int(x)) for x in centroid))

    ————————————-输———出——————————–

    Number of Clusters: 8
    Fresh Milk Groce Froze Deter Delic
    9632 4671 6593 2570 2296 1248
    40204 46314 57584 5518 25436 4241
    16117 46197 92780 1026 40827 2944
    22925 73498 32114 987 20070 903
    112151 29627 18148 16745 4948 8550
    36847 43950 20170 36534 239 47943
    32717 16784 13626 60869 1272 5609
    8565 4980 67298 131 38102 1215

    ——————————————–完————————————-

    由此可见,均值漂移算法自动将本项目的数据集划分为8个不同类别,那么怎么查看聚类算法的效果图了?我先自定义了一个显示函数,用于展示各种不同聚类算法在不同数据集上的聚类效果,这个函数有一定的通用性,不仅可以可以用于均值漂移算法,还可以用于其他的各种聚类算法。如下为代码和运行结果。

    def visual_cluster_effect(cluster,dataset,title,col_id):
        assert isinstance(col_id,list) and len(col_id)==2,'col_id must be list type and length must be 2'
    
        labels=cluster.labels_ # 每一个样本对应的簇群号码
    #     print(labels.shape) # (440,) 440个样本
        markers=['.',',','o','v','^','<','>','1','2','3','4','8'
                     ,'s','p','*','h','H','+','x','D','d','|']
        colors=['tab:blue', 'tab:orange', 'tab:green', 'tab:red', 'tab:purple', 
                'tab:brown', 'tab:pink', 'tab:gray', 'tab:olive', 'tab:cyan']
    
        # 将数据集绘制到图表中
        plt.figure()
        for class_id in set(labels):
            one_class=dataset[class_id==labels]
            print('label: {}, smaple_num: {}'.format(class_id,len(one_class)))
            plt.scatter(one_class[:,0],one_class[:,1],marker=markers[class_id%len(markers)],
                        c=colors[class_id%len(colors)],label='class_'+str(class_id))
        plt.legend()
    
        # 将中心点绘制到图中
        centroids=meanshift.cluster_centers_
    #     print(centroids.shape)# eg (8, 6) 8个簇群,6个features
        plt.scatter(centroids[:,col_id[0]],centroids[:,col_id[1]],marker='o',
                    s=100,linewidths=2,color='k',zorder=5,facecolors='b')
        plt.title(title) 
        plt.xlabel('feature_0')
        plt.ylabel('feature_1')
        plt.show()

    使用这个函数,我们可以看到本聚类算法在数据集上的表现,如下代码中,我们主要查看Fresh vs milk这一类产品的聚类效果。

    visual_cluster_effect(meanshift,dataset,'MeanShift-X=fresh,y=milk',[0,1]) # X=fresh, y=milk 

    ————————————-输———出——————————–

    label: 0, smaple_num: 428
    label: 1, smaple_num: 3
    label: 2, smaple_num: 1
    label: 3, smaple_num: 1
    label: 4, smaple_num: 3
    label: 5, smaple_num: 1
    label: 6, smaple_num: 1
    label: 7, smaple_num: 2

    ——————————————–完————————————-

    均值漂移算法在数据集(X=fresh,y=milk)的表现

    visual_cluster_effect(meanshift,dataset,'MeanShift-X=grocery,y=delica',[2,5]) # X=grocery, y=delicassen

    均值漂移算法在数据集(X=grocery,y=delica)的表现

    从上面的图中我们很难看出模型到底是好还是坏,那我们就用指标来判断吧,前面我们学习过轮廓系数,可以用来评估模型的优虐,如下是评价代码。

    # 使用轮廓系数评估模型的优虐
    from sklearn.metrics import silhouette_score
    si_score=silhouette_score(dataset,meanshift.labels_,
                              metric='euclidean',sample_size=len(dataset))
    print('si_score: {:.4f}'.format(si_score))

    ————————————-输———出——————————–

    si_score: 0.6548

    ——————————————–完————————————-

    ########################小**********结###############################

    1,本文的数据集基本上都是已经处理过的,我们只需要加载后即可使用。

    2,构建均值漂移算法的模型和训练该模型非常简单,但是里面额quantile参数可能需要进行优化才能得到最佳值。

    3,为了查看本聚类算法在数据集上的表现优虐,我们先通过数据可视化,将聚类之后的簇群以及簇群质心绘制到图标中,这是一个多features数据集,故而数据的可视化只能一次取其中的两列来查看。

    4,另外,我们还用轮廓系数来评估模型的好坏,此处模型的轮廓系数为0.6548,貌似不是太差,但也不是太好,看来还有优化空间,或者,我们可以采用其他算法来构建模型,比如前面我们学习到的K-means,DBSCAN,凝聚层次聚类等,看看其轮廓系数。

    #################################################################


    注:本部分代码已经全部上传到(我的github)上,欢迎下载。

    参考资料:

    1, Python机器学习经典实例,Prateek Joshi著,陶俊杰,陈小莉译

    展开全文
  • 顾客细分,关键问题是找出顾客的特征,一般可从顾客自然特征和消费行为入手,在大型统计分析工具出现之前,主要是通过两种方式进行“分群别类”,第一种,用单一变量进行划段分组,比如,以消费频率变量细分,即将该...

    近期在整理一些分析文档,觉得这个作为入门很是不错,特在此整理下。

    聚类分析在各行各业应用十分常见,而顾客细分是其最常见的分析需求,顾客细分总是和聚类分析挂在一起。

    顾客细分,关键问题是找出顾客的特征,一般可从顾客自然特征和消费行为入手,在大型统计分析工具出现之前,主要是通过两种方式进行“分群别类”,第一种,用单一变量进行划段分组,比如,以消费频率变量细分,即将该变量划分为几个段,高频客户、中频客户、低频客户,这样的状况;第二种,用多个变量交叉分组,比如用性别和收入两个变量,进行交叉细分。

    事实是,我们总是希望考虑多方面特征进行聚类,这样基于多方面综合特征的客户细分比单个特征的细分更有意义,这正是spss聚类分析可以做到的,以下通过k-means聚类分析做一个小小案例来展示。


     
    【数据来源及分析内容】

     《SPSS统计分析高级教程》telco.sav,是反映移动电话用户使用手机情况的数据集。包含7个变量:用户编号、工作日上班时间电话时长、工作日下班时间电话时长、周末电话时长、国际电话时长、总通话时长、平均每次通话时长,现希望对移动用户细分,了解他们不同的手机消费习惯。根据研究调研及经验,认为移动用户应分为5个主要消费群体。数据分析工具:spss,参考教程:张文彤,《 SPSS12 统计分析高级教程》。

     
    【数据分析流程】
    【获取数据】
    【数据预处理】

    现在存储于后台的数据太多了,以前做项目担心没有真实可靠的数据,现在这个问题没有那么复杂,但数据太多却引发了其他问题。辛苦采集到的数据口径不一致,存储格式不同,不符合数据分析要求还有待派生新的变量。

    这些过程看似简单却非常有必要!

    仅仅预处理以上这些问题还不够,当数据分析方法复杂时,我们还需对采集的数据进行筛选构成小的数据集,对于数据集中变量的分布、缺失、描述统计指标进行一定程度的分析。

     

     
    【数据分析】

    K-means聚类也称快速聚类,可以用于大量数据进行聚类的情形。在开始聚类之前,需要分析者自己制定类数目,并不是一次指定,可以经过多轮反复分析,根据实际情况最终判定最优类的数目。 K-means聚类是采用计算距离的方式测度变量间的亲疏程度,距离直接影响最终的结果,因此慎重审核数据质量。

     
     
    【分析结论】

    做一个数据分析的项目,不能不下结论!

    雷声大,雨点小的事情,作为数据分析师千万要避免发生。提交数据分析报告,对分析下结论,对业务问题进行及时解决,养成这个良好的习惯。

    展开全文
  • 信用卡客户资料 :open_book: 资源 资源名称 资源链接 层次聚类注释 分层聚类注释示例 关于聚类的 PowerPoint 演示文稿 :graduation_cap: 成绩+实习证明 实习的选拔方式是奖学金竞猜,我排名第二,并列满分。 捐赠...
  • rfm模型分析与客户细分With some free time at hand in the midst of COVID-19 pandemic, I decided to do pro bono consulting work. I was helping a few e-commerce companies with analyzing their customer ...

    rfm模型分析与客户细分

    With some free time at hand in the midst of COVID-19 pandemic, I decided to do pro bono consulting work. I was helping a few e-commerce companies with analyzing their customer data. A common theme I encountered during this work was that the companies were more interested in getting a list of their best customers so they could run some marketing campaign to boost their revenue. My recommendation has always been that every customer segment has some valuable insight to offer and that best customers depend on the immediate company goal/objective at hand. In other words, best customers are not always what we call the high-value customers. In this article, I will highlight various insights RFM segmentation can provide.

    在COVID-19大流行期间有一些空闲时间,我决定进行无偿咨询工作。 我曾帮助一些电子商务公司分析其客户数据。 我在这项工作中遇到的一个共同主题是,这些公司对获取最佳客户名单更感兴趣,因此他们可以开展一些营销活动来增加收入。 我的建议一直是,每个客户群都应提供一些有价值的见解,并且最好的客户取决于当前的公司目标。 换句话说,最佳客户并不总是我们所谓的高价值客户。 在本文中,我将重点介绍RFM细分可以提供的各种见解。

    使用RFM分析进行细分 (Segmentation using RFM Analysis)

    Analysis based on RFM — stands for Recency, Frequency and Monetary — is probably one of the easiest ways to segment the customers given companies usually have the customer purchase information readily available to them.

    鉴于公司通常都容易获得客户购买信息,因此基于RFM的分析(代表新近度,频率和货币)可能是细分客户的最简单方法之一。

    Here is a sample customer purchase history data that is needed for the RFM analysis. With this, each customer is scored on the RFM attributes on a scale of 1–5 (or 1–4 or 1–3, depending on how granular you want to look at the purchase behavior) with 1 being the least and 5 being the best score.

    这是RFM分析所需的样本客户购买历史记录数据。 这样一来,每位客户在RFM属性上的评分为1-5(或1-4或1-3,具体取决于您希望如何看待购买行为),其中1最小,5最小。最好成绩。

    Image for post
    Sample Customer Purchase History Data for RFM Analysis
    用于RFM分析的样本客户购买历史数据

    For example, a customer with a most recent purchase will have a score of 5 on Recency, whereas a customer who hasn’t purchased in a while will have a score of 1.

    例如,最近购物的客户在Recency上的得分为5,而一段时间内没有购物的客户的得分为1。

    Here the important thing to note is that the criteria for scoring varies business by business and by understanding customer purchase cycles, we can come up with the scoring criteria. For this sample data, I used the following recency scoring based on 2-month purchase periods. Once you score on all three attributes, we can create RFM score (sum of these three scores) and RFM Category (when R=4, F=3, M=4, RFM Category = 434). You might have seen cases where RFM score was used to segment customers. This method has some serious pitfalls and its better to use the RFM category instead.

    这里要注意的重要一点是,评分标准因企业而异,并且通过了解客户购买周期,我们可以提出评分标准。 对于此样本数据,我基于2个月的购买期使用了以下新近度评分。 在所有三个属性上得分后,我们可以创建RFM得分(这三个得分的总和)和RFM类别(当R = 4,F = 3,M = 4,RFM类别= 434时)。 您可能已经看到过使用RFM分数细分客户的情况。 此方法有一些严重的陷阱,最好使用RFM类别。

    Using a 5 point scale could lead up to 125 RFM categories. Next step is to group these RFM categories into various segments. While the standard RFM analysis doesn’t take into account other data points such as length of the relationship of a customer, but this is the time to look at the purchase data holistically and assign segments to the RFM categories. For example, a customer with long relationship with the business, most recent purchases but low monetary might have used promotional offers more frequently than a customer with similar recency, monetary but less frequent and shorter relationship with us. One could be segmented into Deal Seeker and the other one could be segmented into Newcomers.

    使用5分制可能会导致多达125个RFM类别。 下一步是将这些RFM类别分为不同的细分。 尽管标准的RFM分析未考虑其他数据点,例如客户关系的长度,但这是时候全面查看购买数据并将细分分配给RFM类别的时候了。 例如,与企业有长期关系,最近购买但货币较少的客户可能比具有类似新近度,货币但频率较低,与我们关系较短的客户更频繁地使用促销优惠。 一个可以细分为Deal Seeker ,另一个可以细分为Newcomers

    Image for post
    Customer Data after RFM Segmentation
    RFM细分后的客户数据

    In the above example, I have identified 6 segments with uniquely distinguishable purchase behaviors.

    在上面的示例中,我确定了6个具有独特可区分购买行为的细分。

    Dropouts: In other words these are the lost customers. They became our customers through initial promotional offer and either didn’t come back or made 1–2 subsequent purchases.

    辍学:换句话说,这些是失去的客户。 他们通过最初的促销活动成为我们的客户,要么没有回来,要么随后进行了1-2次购买。

    Early Enthusiasts: These customers were with the company for a relatively longer period of time than Dropouts and made frequent purchases and spent lot of money. However, they were lost along the way. These will be the best customers if the objective is to reactivate the lost customers.

    早期发烧友:与Dropouts相比,这些客户在公司呆的时间相对较长,并且经常购买商品并花了很多钱。 但是,他们一路迷路了。 如果目标是重新激活失去的客户,这些将是最好的客户。

    Newcomers: As the name suggests, this segment consists of customers who are relatively new and active. Any marketing efforts for this segment could be to promote them to loyalty programs or offer promotions to try other products.

    新移民:顾名思义,该细分市场由相对较新且活跃的客户组成。 此细分市场的任何营销工作可能是将其推广到会员计划或提供促销以尝试其他产品。

    Deal Seekers: These customers have relatively long relationship with the company and are currently active. They are interested in making frequent purchases but usually on look out for promotional offers. These will be the best customers if running a campaign to boost sales.

    寻求交易者:这些客户与公司的关系相对较长,并且目前处于活跃状态。 他们有兴趣频繁购买商品,但通常会寻找促销优惠。 如果开展宣传活动以提高销量,这些将是最好的客户。

    Potential High Value Customers: These are relatively newer customers compared to Deal Seekers but are less sensitive to the price or are less keen on promotional offers. In shorter period of time, they made frequent purchases and spent lot of money with the company. Nudge them towards High Value Customers and sign them up for loyalty program.

    潜在的高价值客户:与“寻求交易者”相比,这些客户相对较新,但对价格不太敏感或对促销活动不感兴趣。 在较短的时间内,他们经常购买商品,并在公司花了很多钱。 将他们推向高价值客户,并签署他们的会员计划。

    High-Value Customers: These are the most loyal customers. They are active with frequent purchases and high monetary value. They could be the brand evangelists and should focus on serving them well. They could be the best customers to get feedback on any new product launches or be the early adopters or promoters.

    高价值客户:这些是最忠诚的客户。 他们很活跃,经常购买并且具有很高的货币价值。 他们可能是品牌传播者,应该专注于为他们提供良好的服务。 他们可能是获得任何新产品发布反馈的最佳客户,或者是早期采用者或推广者。

    从可视化中获取见解 (Getting Insights from Visualization)

    Once the customer segments have been identified using RFM analysis, it is always a good idea to visualize these segments not only for a sanity check but also to derive actionable insights. I used Tableau to visualize the segments.

    一旦使用RFM分析确定了客户群,将这些细分形象化以进行健全性检查并获得可行的见解始终是一个好主意。 我使用Tableau可视化了细分。

    Image for post
    Average Revenue Per User (ARPU) Matrix for R&F Scores
    R&F分数的每用户平均收入(ARPU)矩阵

    Recency and Frequency score matrix chart is usually a good one for sanity check. As R score and F score increase, the monetary value increases. Higher R score may not necessarily lead to higher monetary value given that the business may have acquired new customers recently.

    新近度和频率得分矩阵图通常是进行健全性检查的好方法。 随着R分数和F分数增加,货币价值增加。 鉴于企业最近可能获得了新客户,因此较高的R分数不一定会导致较高的货币价值。

    Image for post
    Treemap of Total Revenue per Customer Segment
    每个客户群总收入的树状图

    The treemap shows how each customer segment is contributing to the total revenue and how much each customer within a given segment is contributing to the total revenue. In a way, this helps predict how consistent revenues will be given how many customers have churned and how active other segments are.

    树状图显示了每个客户群如何为总收入做出贡献,以及给定细分市场中的每个客户为总收入做出了多少贡献。 从某种意义上说,这有助于预测将有多少客户流失以及其他细分市场的活跃程度如何带来稳定的收入。

    When there is geographic information for the customers, plotting them on a map will give some unique insights. One of the interesting cases I have seen is for an e-commerce company with some retail presence. Mapping the customer geographic data helped explain clusters of online shoppers around geographies where the company has retail store presence. Interestingly enough, these clusters of online customers were acquired organically. Accordingly, you can evaluate strategies to expand retail presence that could potentially boost e-commerce business.

    当有客户的地理信息时,将其绘制在地图上将提供一些独特的见解。 我所看到的一个有趣的案例是一家拥有零售业务的电子商务公司。 映射客户地理数据有助于解释公司在零售商店中存在的地理位置周围的在线购物者群体。 有趣的是,这些在线客户群是有机收购的。 因此,您可以评估策略来扩展零售业务,这可能会促进电子商务业务。

    Image for post
    Geographical Dispersion of the Customers by Segment (bubble size represents total sales by the customer)
    客户按细分的地理位置分布(气泡大小代表客户的总销售额)
    Image for post
    Channel Performance in terms of Total Revenue and No. of Customers
    总收入和客户数量方面的渠道效果

    Another thing is the channel performance. Customer segmentation helps with understanding channel performance better. By looking at customer lifetime value (LTV) per segment and what portion of each segment is attributable to a channel, acquisition cost associated with that channel, we can evaluate channel performance more accurately than without segmentation.

    另一件事是频道性能。 客户细分有助于更好地了解渠道绩效。 通过查看每个细分的客户生命周期价值(LTV)以及每个细分的哪个部分可归因于某个渠道以及与该渠道相关的购置成本,我们可以比不进行细分来更准确地评估渠道效果。

    结论 (In Conclusion)

    Usually, startups tend to be growth focused rather than retention focused. Even though they are resource constrained, startups are better off investing some of their limited resources on understanding their existing customers so they can device effective retention strategies that could, in turn, help them with acquiring new customers. After all, it may end up being much cheaper to retain your existing customer than to acquire a new one. Word of mouth is still a major customer acquisition channel and you want your customers to be the evangelists for your product.

    通常,初创公司往往注重增长而不是保留。 尽管他们受到资源的限制,但初创公司最好将一些有限的资源用于了解他们的现有客户,以便他们可以制定有效的保留策略,从而帮助他们获得新客户。 毕竟,保留您的现有客户可能比购买新客户便宜得多。 口耳相传仍然是主要的客户获取渠道,您希望您的客户成为产品的传播者。

    Image for post
    Bullseye chart of Customer Segments
    客户群的靶心图

    Reiterating the quest for the best customers, it may seem obvious that high-value customers are the best customers. When there is a goal at hand — say to run a marketing campaign to boost revenue — we should dig a little deeper to find out who the best customer would be for that specific goal or which customer segment is at the bullseye.

    重申对最佳客户的追求,高价值客户显然是最佳客户。 当有目标时(例如,开展营销活动以增加收入),我们应该进行更深入的研究,以找出谁是实现该特定目标的最佳客户,或者哪个客户群处于靶心位置。

    翻译自: https://towardsdatascience.com/how-to-identify-the-best-customers-using-rfm-based-segmentation-a0a16c34a859

    rfm模型分析与客户细分

    展开全文
  • 以电信行业的客户消费数据为基本研究对象,在衍生特征构造、样本调整以及特征选择等数据预处理的基础上,本文采用可处理混合数据且具有近似线性时间复杂度的一趟聚类算法建立电信行业的客户细分模型.经实证研究表明,该...
  • ML.NET 示例:聚类之客户细分 写在前面 准备近期将微软的machinelearning-samples翻译成中文,水平有限,如有错漏,请大家多多指正。 如果有朋友对此感兴趣,可以加入我:...
  • 针对现有的数据挖掘模型解决客户不确定性行为的不足,提出了基于云模型的动态客户细分分类模型.该模型将云模型理论中关于动态概念描述的思想引入到对分类状态集的后处理过程中,以隶属度高的类别被选中的概率大的...
  • 客户细分无监督的机器学习模型:基于客户的电子商务销售数据细分
  • RFM模型分析与客户细分

    千次阅读 2014-11-07 06:55:32
    手机充值业务是一项主要电信业务形式,客户的充值行为记录正好满足RFM模型的交易数据要求。 根据美国数据库营销研究所Arthur Hughes的研究,客户数据库中有三个神奇的要素,这三个要素构成了数据分析最好的指标:...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 26,569
精华内容 10,627
关键字:

客户细分模型