new_org/team-learning-data-mining
2
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

Update courses.ipynb

Browse Source
This commit is contained in:
LSGOMYP
2021-08-14 09:08:35 +08:00
parent af5402980c
commit b753896ad7
1 changed files with 17 additions and 15 deletions
Download Patch File Download Diff File Expand all files Collapse all files

32
MemberOperations/courses.ipynb
View File

@@ -89,14 +89,14 @@
"source": [
"## 2、会员营销指标\n",
"**可营销会员数**\n",
"可营销会员数是指整体会员中可通过一定方式进行会员营销以满足企业特定需求的会员数量。会员可营销的方式包括：手机号、邮箱、QQ号、邮箱等具有可识别并可接触的信息点，具备这些信息中心的任何一种便可以形成可营销会员。\n",
"可营销会员数是指整体会员中可通过一定方式进行会员营销以满足企业特定需求的会员数量。会员可营销的方式包括：手机号、邮箱、QQ号等具有可识别并可接触的信息点，具备这些信息中心的任何一种便可以形成可营销会员。\n",
"\n",
"**营销费用**\n",
"会员营销费用一般包括营销媒介费用、优惠券费用和积分兑换费用3种。 \n",
"（1）营销媒介费用 \n",
"营销媒介费是特定营销媒介而产生的费用，例如短信费用、会员渠道推广费用、电子邮件费用等。 \n",
"（2）优惠券费用 \n",
"优惠券根据不同的使用条件和金额可以划分成多重，如30元现金券、50元店铺券等。企业促销时申请的优惠券费用是会员营销费用的重要组成部分。 \n",
"优惠券根据不同的使用条件和金额可以划分成多种，如30元现金券、50元店铺券等。企业促销时申请的优惠券费用是会员营销费用的重要组成部分。 \n",
"（3）积分兑换费用 \n",
"大部分网站都有会员积分系统，会员积分通常可以兑换成金额使用。如网站的积分兑换比例为20：1，即每20个积分可以兑换1元钱。在开展促销活动时，除了前期投入的广告费用、促销优惠券费用外，还会包含两种情况的积分费用：一部分是积分可以直接兑换成人民币来支付订单，另一部分是订单生成后会赠送一定数量的积分又形成可供兑换的金额（对企业来说是费用）。这两种情况的积分兑换都构成会员营销费用。\n",
"\n",
@@ -107,7 +107,7 @@
"**用券会员/金额/订单比例**\n",
"会员营销时，大多数情况都会使用优惠券，这不仅是促销销售的一种方式，也是识别不同会员订单来源的重要途径。用券类指标包括以下几种。 \n",
"* 用券会员比例：使用优惠券下单的会员占总下单会员的比例。\n",
"* 用券金额比例：使用优惠券下单的订单金额站总下单金额的比例。\n",
"* 用券金额比例：使用优惠券下单的订单金额占总下单金额的比例。\n",
"* 用券订单比例：使用优惠券下单量占总下单量的比例。\n",
" \n",
"除此以外，还包括基于用券数据产生的用券用户平均订单金额、用券用户复购率等相关指标。\n",
@@ -278,7 +278,7 @@
"**会员异动比**\n",
"会员异动比是指新增会员与流失会员之间的比例关系，计算公式为 \n",
" **会员异动比=新增购买会员/流失会员** \n",
"如果会员异动比等于1，说明企业在一定周期内新增会员与流失会员数相等；如果大于1，说明新增会员多余流失会员，这是良好的发展状态；相反，如果小于1，说明会员增长不如流失快，企业将面临会员枯竭的危机。\n"
"如果会员异动比等于1，说明企业在一定周期内新增会员与流失会员数相等；如果大于1，说明新增会员多于流失会员，这是良好的发展状态；相反，如果小于1，说明会员增长不如流失快，企业将面临会员枯竭的危机。\n"
]
},
{
@@ -287,8 +287,8 @@
"source": [
"# 三、会员数据化运营应用场景\n",
"## 1、会员营销\n",
"数据化运营应用于会员营销主要体现在一下几个方面：\n",
"* 以信息化的方式简历基于会员的客户关系管理系统，促进所有会员数据的信息化。\n",
"数据化运营应用于会员营销主要体现在以下几个方面：\n",
"* 以信息化的方式建立基于会员的客户关系管理系统，促进所有会员数据的信息化。\n",
"* 通过特定方法将普通用户拓展为企业用户，并提高新会员留存率。\n",
"* 基于用户历史消费记录，挖掘出用户潜在消费需求及消费热点。\n",
"* 基于历史数据，为会员营销活动提供策略指导和建议，促进精准营销活动的开展。\n",
@@ -298,7 +298,7 @@
"## 2、会员关怀\n",
"数据化运营应用于会员关怀主要体现在以下几个方面：\n",
"* 为预警时间设置阈值，自动触发应急处理机制。\n",
"* 分析会员行为，回会员提供个性化、精准化和差异化服务。\n",
"* 分析会员行为，为会员提供个性化、精准化和差异化服务。\n",
"* 通过会员喜好分析，提高客户忠诚度、活跃度和粘性。\n",
"* 通过会员分析，预防会员流失，并找到挽回已经流失会员的方法。\n",
"* 基于会员群体行为，更好地划分会员群体属性并挖掘群体性特征。\n",
@@ -315,7 +315,7 @@
"\n",
"## 1、会员细分模型\n",
"会员细分模型是将整体会员划分为不同的细分群体或类别，然后基于细分群体做管理、营销和关怀。会员细分模型常用于整体会员的宏观性分析以及探索性分析，通过细分建立初步认知，为下一步的分析和应用提供基本认知。会员细分也是做精准营销的基本前提。\n",
"常用的细粉末性包括：基于属性的方法、ABC分类法、聚类法等。\n",
"常用的细分模型包括：基于属性的方法、ABC分类法、聚类法等。\n",
"\n",
"**基于属性的方法** \n",
"会员细分可以基于现有会员属性，常用的细分属性包括：会员地域（例如北京、上海、武汉等）、产品类别（例如大家电、3C数码、图书等）、会员类别（例如大客户、普通客户、VIP客户等）、会员性别（例如男、女、未知）、会员消费等级（例如高价值会员、中价值会员、低价值会员）、会员等级（例如钻石、黄金、白银）等。这种细分方法可以直接利用现有会员数据库数据，无需做二次开发和计算，是一种比较简单且粗浅的方法。\n",
@@ -327,7 +327,7 @@
"* B类因素：发生累积频率为80%-90%，是次要影响因素。\n",
"* C类因素：发生累积频率为90%-100%，是一般影响因素。\n",
"\n",
"下面以示例数据说明如何使用ABC分类法对会员进行细分。\n",
"下面以示例数据说明如何使用ABC分类法对会员进行细分。 \n",
"（1）建立一个二维表格数据，数据中包括会员ID和订单金额（或其他关键指标）两列 \n",
"（2）二维表格数据按照订单金额做倒序排序 \n",
"（3）对订单金额列进行累积百分比统计 \n",
@@ -368,7 +368,7 @@
"（2）在会员数据库中，以今天为时间界限向前倒推固定周期（例如一年），得到包含每个会员的会员ID、订单时间、订单金额的原始数据集。一个会员可能会产生多条订单记录。 \n",
"（3）数据预处理。从订单时间中找到各个会员距离截止时间节点最近的订单时间作为最近购买时间；以会员ID为维度统计每个用户的订单数量作为购买频率；将用户多个订单的订单金额求和得到总订单金额。由此得到的R、F、M三个原始数据。 \n",
"（4）R、F、M分区。对于F和M变量来讲，值越大代表购买频率越高、订单金额越高；但对于R来讲，值越小代表离截止时间节点越近，因此值越好。对R、F、M分别使用五分位（三分位也可以，分位数越多划分的越详细）法做数据分区。需要注意的是，对于R来讲需要倒过来划分，离截止时间越近的值，划分越大。这样得到每个用户的R、F、M三个变量的分位数值。 \n",
"（5）将三个值组合或想加得到总的RFM得分。对于RFM总得分的计算，有两种方式，一种是直接将三个值拼接在一起，例如RFM得分为312、333、132等。另一种是直接将三个值想加，求得一个新的汇总值，例如RFM得分为6、9、6。 \n",
"（5）将三个值组合或相加得到总的RFM得分。对于RFM总得分的计算，有两种方式，一种是直接将三个值拼接在一起，例如RFM得分为312、333、132等。另一种是直接将三个值相加，求得一个新的汇总值，例如RFM得分为6、9、6。 \n",
"在得到不同的会员的R、F、M后，根据步骤5产生的两种结果，有两种应用思路。 \n",
"* 思路1：基于三个维度值做用户群体划分和解读，对用户的价值度做分析。例如得分为212的会员往往购买频率较低，针对购买频率低的客户应该定期发送促销活动的邮件；得分为321的会员虽然购买频率高，但是订单金额低，这样的客户具有较高的购买粘性，可以考虑通过关联或者搭配销售的方式提升订单金额。\n",
"* 思路2：基于RFM的汇总得分评估所有会员的价值度情况，并可以进行价值度排名。同时，该得分还可以作为输入维度与其他维度一起作为其他数据分析和挖掘模型的输入变量，为分析建模提供基础。"
@@ -379,7 +379,7 @@
"metadata": {},
"source": [
"## 3、会员流失预测模型\n",
"会员流失预测模型，用来预测会员是否流失，是做会员生命周期的重要预防性应用。做会员流失模型的关键因素之一，是要定义好“流失”，即处于何种状态、具备那哪些特征的会员属于流失会员。另外，流失也要区分永久性流失和临时性流失。常见的关于流失的状态，定义如下：\n",
"会员流失预测模型，用来预测会员是否流失，是做会员生命周期的重要预防性应用。做会员流失模型的关键因素之一，是要定义好“流失”，即处于何种状态、具备哪些特征的会员属于流失会员。另外，流失也要区分永久性流失和临时性流失。常见的关于流失的状态，定义如下：\n",
"* 会员已经退订公司的促销活动\n",
"* 会员打电话要求将自己的信息加入通知黑名单\n",
"* 会员已经连续6个月没有登陆过网站\n",
@@ -442,7 +442,7 @@
"source": [
"# 五、基于RFM的精细化用户管理\n",
"## 1、案例背景\n",
"用户价值细分是了解用户价值度的重要途径，而销售型公司中对于订单交易尤为关注，因此基于订单交易的价值度模型将更适合运营需求。针对交易数据分析的常用模型是RFM模型，该模型不仅简单、容易理解，且业务落地能力非常强。因此，本节将基于该模型做数据分析和应用。在RFM的结果中，业务部门希望不仅能对用户做分组，还希望能将每个组的用户特征概括和总结出来，这样便于后续精细化运营不同弄个的客户群体，且根据不同群体做定制化或差异性的营销和关怀。 \n",
"用户价值细分是了解用户价值度的重要途径，而销售型公司中对于订单交易尤为关注，因此基于订单交易的价值度模型将更适合运营需求。针对交易数据分析的常用模型是RFM模型，该模型不仅简单、容易理解，且业务落地能力非常强。因此，本节将基于该模型做数据分析和应用。在RFM的结果中，业务部门希望不仅能对用户做分组，还希望能将每个组的用户特征概括和总结出来，这样便于后续精细化运营不同的客户群体，且根据不同群体做定制化或差异性的营销和关怀。 \n",
"基于业务部门的用户分群需求，我们计划将RFM的3个维度分别作3个区间的离散化，这样出来的用户群体最大有3*3*3=27个。如果划分区间过多则不利于用户群体的拆分，区间过少则可能导致每个特征上的用户区分不显著。 \n",
"从交付结果看，给业务部门做运营的分析结果都要导出成Excel文件，用于做后续分析和二次加工使用。另外，RFM的结果还会供其他模型的建模使用，RFM本身的结果可以作为新的局部性特征，因此数据的输出需要有本地文件和写数据库两种方式。 \n",
"本节案例选择了4年的订单数据，这样可以从不同的年份对比不同时间下各个分组的绝对值变化情况，方便了解会员的波动。本节案例的输入源数据sales.xlsx和源代码chapter5_code.ipynb，程序输出RFM得分数据写入本地文件sales_rfm_score.xlsx。"
@@ -717,7 +717,9 @@
{
"cell_type": "code",
"execution_count": 14,
"metadata": {},
"metadata": {
"scrolled": true
},
"outputs": [
{
"name": "stderr",
@@ -734,10 +736,10 @@
],
"source": [
"#去除异常值与缺失值\n",
"for ind,each_data in enumerate(sheet_datas[:-1]):#enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据和数据下标\n",
"for ind,eet_datas[:-1]):#enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据和数据下标\n",
" sheet_datas[ind] = each_data.dropna()# 丢弃缺失值记录\n",
" sheet_datas[ind] = each_data[each_data['订单金额'] > 1]# 丢弃订单金额<=1的记录\n",
" sheet_datas[ind]['max_year_date'] = each_data['提交日期'].max() # 增加一列最大日期值"
" sheet_datas[inach_data in enumerate(shed]['max_year_date'] = each_data['提交日期'].max() # 增加一列最大日期值"
]
},
{