第三章：資料化運營中常見的資料分析項目類型

標籤：序列   類型   建立   業務   順序   活躍   3.5   預測   第三章   

3.1勘探的特徵分析

資料化運營的第一步（最基礎的步驟）就是要找准你的勘探、目標受眾，然後才是相應的運營方案、個人化的產品和服務等。

在勘探的典型特徵分析中，業務情境可以是試運營之前的虛擬特徵探索，也可以是試運營之後來自真實運營資料基礎上的分析、挖掘與提煉，兩者目標一致，只是思路不同、資料來源不同而已，另外分析技術也有一定的差異

3.2勘探的預測（響應、分類）模型（核心是響應機率）

這裡的預測（響應、分類）模型包括流失預警模型、付費預測模型、續約預測模型、運營活動響應模型等

根據建模資料中實際響應比例的大小，響應比例小於1%的作為稀有事件響應模型來處理，其他作為普通響應模型

3.3運營群體的活躍度定義

活躍度定義兩個基本點：

• 活躍度的組成指標應該是該業務情境中最核心的行為因素
• 衡量活躍度的定義合適與否的重要判斷依據是其能否有效回答業務需求的終極目標

活躍度的定義統計技術主要有兩個：

• 主成分分析：吧多個核心行為指標轉化為一個或者少數幾個主要成分，並最終轉化成一個綜合分數，來作為活躍度的定義（取主成分分析的特徵根和累計方差貢獻率）
• 資料的標準化

3.4使用者路徑分析

路徑分析常用的分析技術有兩類：一類是有演算法支援的，另一類是嚴格按照步驟順序遍曆主要路徑

3.5交叉銷售模型

• 按照關聯技術（購物籃分析）
• 借鑒響應模型，為重要商品分別建立預測模型，對潛在消費者通過這些特定的預測模型進行過濾，然後針對最有可能的前5%的消費者進行精確營銷推廣
• 借鑒預測響應模型，讓重要的商品兩兩組合，找出最有可能消費的潛在客戶
• 通過決策樹清晰的樹狀規則，發現基於具體資料資源的具體規則

相應的建模技術主要包括關聯分析、序列分析，即在關聯分析的基礎上，增加先後順序的考慮，以及預測（響應、分類）模型技術等3.6資訊品質模型

.....

3.7服務保障模型

.....

3.8使用者（買家、賣家）分層模型3.9賣家（買家）交易模型3.10信用風險模型3.11商品推薦模型3.12資料產品3.13決策支援

第三章：資料化運營中常見的資料分析項目類型