2-4 客户基本属性

客户基本属性表

客户基本属性表
- 根据用户所填的用户标签与推算出来的标签
- 用于了解用户的人口属性的基本情况和按属性统计
- 按人口属性营销、比如营销80后，对金牛座的优惠、生日营销
主要数据来源
- 用户表 用户调查表 孕妇模型表 马甲模型表 用户价值模型表

用户所填信息与基本属性
- 客户ID 客户登录名 性别 生日 年龄 大区域 省份 城市 邮箱 加密手机 注册时间
登录IP地址 登录来源 邀请人 会员积分 已使用积分 会员等级名称 客户黑名单

用户所填信息计算得到
- 星座 邮箱运营商 城市等级 手机前几位 手机运营商

用户调查表得到
- 婚姻状况 月收入 是否有小孩 学历 职业 是否有车 使用手机品牌

根据算法得到
- 性别模型 是否孕妇 是否有小孩 孩子性别概率 孩子年龄概率 是否有车 潜在汽车用户概率
使用手机品牌 使用手机品牌档次 使用多少种不同的手机 更换手机频率（月份）疑似马甲标志
疑似马甲账号数 用户忠诚度 用户购物类型 身高 身材


模型算法

性别模型
- 用户自己也填了性别，但依旧要用算法算一次性别
用户性别
- (1男 0女 -1未识别)
- 判断方法：(1、商品性别得分；2、用户购买上述商品计算用户性别得分；
3、最优化算法训练阈值，根据阈值判断)
孩子性别
- (0仅有男孩 1仅有女孩 2男女均有 3无法识别 -1未识别)
- 判断方法：(1、选择男童女童商品，从品类和商品名称筛选；2、确定用户购买商品的男女性别比例；
3、训练阈值，判断孩子性别，方法同用户性别相同)
性别验证方法
- 随机抽样几千条让客服电话确认
- 与用户自己填的性别作对比，确认百分比

用户汽车模型
- 大部分电商都上线了汽车频道，对于用户的汽车模型很关注
用户是否有车
-（1有，-1卫识别）
- 判断方法：（根据用户购买车的相关产品）
潜在汽车用户
-（1有，-1未识别）
- 判断方法：（用户浏览或搜索汽车）
- 判断方法：（用户数据判断）

用户忠诚度
- 忠诚度越高的用户越多，对网站的发展有利
- 1忠诚型用户 2偶尔型用户 3投资型用户 4浏览型用户 -1未识别
- 判断方法：总体规则是判断+聚类算法
- 1、浏览型用户：只浏览没购买
- 2、购买天数大于一定天数的直接判断为忠诚用户
- 3、购买天数小于一定天数，大部分都是有优惠才购买的
- 4、其他类型根据购买天数，购买最后一次距今时间，购买金额进行聚类

用户购物类型
- 用户购物类型，归类方法很多，这里列举两种，其对于营销参考意义比较大
用户购物类型
- 构建的用户标签：1购物冲动型 2海淘犹豫型 3理性比较型 4目标明确型 -1未识别
- 判断方法：1、计算用户在对三级品类混凝购物前浏览时间和浏览商品数量 2、Kmeans聚类
用户购物类型
- 构建的用户标签：1乐于尝试型 2价格敏感型 3消费冲动型 4昙花一现型 5重度消费型
- 判断方法：1、计算用户对不同类型（新产品，价格贵的产品等）的商品的购买频次与购买数量 2、Kmeans聚类

用户身高尺码
- 方便根据身高和尺码控制进货与营销
- 男性用户身高尺码：XXX身高段 -1未识别（用户购买服装鞋帽等用品判断）
- 男性身材：1偏瘦 2标准 3偏胖 4肥胖 -1未识别（用户购买服装鞋帽等用品判断）
- 女性用户身高尺寸：XXX身高段 -1未识别（用户购买服装鞋帽等用品判断）
- 女性身材：1偏瘦 2标准 3偏胖 4肥胖 -1未识别（用户购买服装鞋帽等用品判断）

疑似马甲标志
- 马甲是指一个用户注册多个账号
- 多次访问ip地址相同的用户账号是同一个人所有
- 同一台手机登录多次的用户账号是同一个人所有
- 收获手机号相同的账号是同一个人所有

手机相关标签
- 对于手机营销参考意义比较大
- 使用手机品牌：最常用手机直接得到
- 使用手机品牌档次：根据档次维表
- 使用多少种不同的手机：手机登录情况
- 更换手机频率（月份）：按时间段看手机登录情况

2-5 客户营销信息

客户营销信息表

客户营销信息表
- 将用户营销相关的常用标签放到一张表中，方便使用
主要数据来源表
- 用户表 订单表 活动表 购物车表 客户品类分群模型 用户价值模型

用户首单详情（来源：订单表）
构建的用户标签：
- 第一个有效订单时间
- 第一个有效订单城市
- 第一个有效订单来源
- 第一个有效订单省份
- 第一个有效订单地址
- 第一个有效订单城市等级

用户最近购买详情（来源：订单表）
构建的用户标签：
- 最近一次使用的收获地址省份
- 最近一次使用的收获地址城市
- 最近一次使用分手机号

用户常用联系信息（来源：订单表 用户表）
构建的用户标签：
- 最常用手机号码
- 最近一次使用的邮箱
- 最常用收货地址
- 最常用手机号码的运营商
- 最常用邮箱
- 最近一次使用的收货地址
- 使用不同手机号数
- 最常用邮箱运营商
- 最近一次收货人姓名
- 不同收获地址数量
- 使用不同的邮箱数
- 最常用收货人姓名

纠结商品营销（来源：订单表）
构建的用户标签：
- 是否有纠结商品
- 纠结小时
- 纠结商品

客户品类分群模型
- 客户品类分群的方式多种多样，基本都是用聚类算法实现，比如Kmeans
- 品类分群对于品类的营销比较有用，比如单反相机营销

用户品类分群模型
- 1电脑婚庆群 2全品类群 3手机数码群 4家电群 5居家有孩一族 6IT数码群
7服饰鞋帽群 8母婴图书群 9单次购买用户 10超级用户 -1未识别
判断方法：
- 1、计算用户在各一级品类的购买金额 2、Kmeans聚类

客户活跃状态模型
客户一般的活跃状态
构建的用户标签：
- 注册未购买（只注册未购买，多是第三方登录）
- 活跃（可以细分为高频，中频，低频，或者直接最近60天有购买即可）
- 沉睡（近90天有购买，近60天无购买）
- 流失（近90天无购买，曾经购买过）
关于高频，中频，低频的一种实现方法
- 将用户近60天的购买天数除以近60天的购买间隔得到一个数A
- 近60天的购买间隔为60天内的最早买的日期和最晚买的日期相差天数
- 当A越大越活跃，比如大于0.7是高频，0.4-0.7是中频，0.4以下是低频

用户价值模型
- 体现用户对于网站的价值，对于提高用户留存率非常有用
- 使用RFM实现用户价值模型参看指标
最近一次消费时间（Recency）或者最后一次消费至今时间
消费频率（Frequency）
消费金额（Monetary）

RFM实现用户价值模型计算方法
- 使用指标：最近一次购买时间，近180天购买订单量，近180天购买金额，
分5段（可自定义）进行RFM分数计算
- 分别计算出Recency_Score、Frequency_Score、Monetary_Score
- 没有分数就是最近半年没有消费的用户，属于流失用户，即无价值用户，基本不会再回来。

RFM实现用户价值模型的分类方法
- 使用Recency_Score、Frequency_Score、Monetary_Score的中位数取，算不到取无价值用户。
- 使用RFM_Score的算法：采用100、10、1加权得到分数分段
高价值用户，中价值用户，低价值用户，无价值用户

用户价值的多种实现方法
- 采用聚类分析主要采用K-means(建议)、Two-step和Kohonen算法
1.高价值用户，中价值用户，低价值用户，无价值用户
2.重要价值客户、重要保持客户、重要发展客户、重要挽留客户、一般价值客户，一般保持客户，
一般发展客户，一般挽留客户，无价值客户