用戶增長演算法模型

『壹』 數據挖掘

數據挖掘的營銷應用（57，客戶成長模型的營銷應用）
我的評價：感覺這個客戶成長模型的思路很好，我們要找到目標客戶，我們要找到高成長性的目標客戶！具體而言，第一步是簡單的分析銷售額，找到消費額呈上升趨勢的客戶，並簡單分析，或者直接與其溝通，了解他們的特點和自身優勢等；第二步是參照其他有商業價值的參數，例如年齡、性別、收入、行業，對電商來說瀏覽路徑、接入關鍵詞等，來從你的小客戶中（例如界定為消費額小於××的客戶），來識別未來會是消費額上升的客戶，不一定非要用工具去挖掘，實在不行拿眼睛去看，excel去排序，然後跟客戶聊，來驗證自己的想法，同樣可能會有不錯的收獲。這是我個人推測的，歡迎真正的實戰經營來拍磚。

來源：http://shzxqdj.blog.163.com/blog/static/816705772009112092211776/

原文：

本案例翻譯並整理自Susan Chiu and Domingo Tavella 合著的《Data Mining and Market Intelligence for Optimal Marketing Returns》。本案例更多的是從公司戰略的角度看待數據挖掘的應用，開發新產品、評價成長性客戶群體，積極利用成長性客戶的特點提升公司的效益也讓客戶得到更多的合適的產品和服務。所以，不僅數據挖掘者可以從中借鑒挖掘技巧，企業的高管和營銷專家更是可以從中開闊思路，提升眼界，增長見識，增添智慧。「光說不練是騙子，光練不說是傻子」，閑話少說，現在開講,呵呵。

各行各業都是可以利用客戶成長模型來提升現存客戶的消費價值的。客戶成長模型主要用來預測特定客戶在一定時間段里顯著提高其消費水平的可能性的數據挖掘模型。在實踐中，大多數公司都是更加關注於那些具有顯著消費上升潛力的客戶，而不僅僅局限在關注客戶當下的消費毛利。客戶成長模型利用客戶的消費歷史數據，目標變數是客戶在特定時間段里消費變化的高低（二元變數，當客戶在指定時間段里消費價值上升超過事先確定的一個比例，目標變數為1；當客戶在指定時間段里消費價值上升並沒有超過事先的這個比例，目標變數為0），這個比例的確定因不同公司情況而有差別。

本案例要分享的是Safe Net保險公司利用邏輯回歸演算法來進行的客戶成長模型搭建和投入應用的具體做法。Safe Net保險公司計劃推出一種新的組合套餐產品，使得保險客戶可以將幾種不同的保險產品（健康險、汽車險、人壽險、意外險、房屋險）捆綁在一起，並採取固定的費率。這種新的產品將有效降低Safe Net保險公司的運營成本、提高公司由於交叉銷售帶來的收入的提升、同時也給保險客戶帶來明顯的利益（因為他們由此可以更容易的打理他們的產品、並且享受很多折扣優惠）。為了盡量提高該新產品的營銷效率，Safe Net保險公司決定利用客戶成長模型幫助鎖定那些最有可能增長保險消費的客戶群體。

對於目標變數的定義是這樣的，在過去三年裡，如果一個客戶的保險消費上升了5%以上，這個客戶就是上升客戶（二元目標變數中，取值為1；否則，取值為0）。公司隨機抽取了95953個保險客戶，其中70%（66915）用於模型的訓練集，剩下的30%用於模型的驗證集。下列變數作為模型的輸入變數（家庭年收入、居住的州、職業、家庭成員的數量、投保者的年紀），通過邏輯回歸模型的搭建和完善，下列有價值的線索引起了公司管理層的注意，並直接作用於該新產品的營銷推廣中。

第一， 從地理分布上看，居住在FL, DC, CA這些州的客戶相比其他州的客戶而言更加有可能提升他們的保險消費；

第二， 在服裝、製造、建築等行業工作的客戶比其他行業的客戶更加有可能提升他們的保險消費；

第三， 35-44歲年齡組的客戶相比其他年齡組的客戶更加有可能提升他們的保險消費；利用邏輯回歸技術搭建的客戶成長模型讓Safe Net保險公司可以方便地評估公司的每個潛在目標受眾，挑選出最有可能提升消費的那些客戶群體，並針對這些客戶進行精準的定向營銷活動。

『貳』 增長率的計算公式是什麼

1、增長率=（本期營業額-上期營業額/上期營業額）X100%=10%


2、人口增長率人口自然增長率指一定時期內人口自然增長數（出生人數減死亡人數）與該時期內平均人口數之比，通常以年為單位計算，用千分比來表示，計算公式為：
人口自然增長率＝（年內出生人數－年內死亡人數）/年平均人口數×100%＝人口出生率－人口死亡率

3、經濟增長率經濟增長率是末期國民生產總值與基期國民生產總值的比較 以末期現行價格計算末期GNP,得出的增長率是名義經濟增長率。
以不變價格(即基期價格)計算末期GNP,得出的增長率是實際經濟增長率。
在量度經濟增長時,一般都採用實際經濟增長率
經濟增長率也稱經濟增長速度，它是反映一定時期經濟發展水平變化程度的動態指標，也是反映一個國家經濟是否具有活力的基本指標。

增長率的計算公式：n年數據的增長率=[(本期/前n年)^（1/(n-1)）-1]×100%

同比增長率=（當年的指標值-去年同期的值）÷去年同期的值*100%

環比增長率=（本期的某個指標的值-上一期這個指標的值）/上一期這個指標的值

增長率的基本類型：

增長率是指一定時期內某一數據指標的增長量與基期數據的比值。

同比增長率，一般是指和去年同期相比較的增長率。同比增長和上一時期、上一年度或歷史相比的增長（幅度）。發展速度由於採用基期的不同，可分為同比發展速度、環比發展速度和定基發展速度。均用百分數或倍數表示。

環比增長率，一般是指和上期相比較的增長率。

定基增長率：如果觀察的是若干個時期的數據，每個時期的數據均與同一個基期數據進行對比，則這種比較方法，稱為定基比較。例如，將某一時期1970年、1980年、1990年和2000年的GNP數值與1949年進行比較，所獲得的4個比例，稱為定基增長率。

『叄』 smallwood演算法

smallwood演算法
凱特琳·斯莫爾伍德(Caitlin Smallwood)是Netlix科學與演算法副總裁，Netlix是一家按需互聯網媒體提供商，提供電視節目和電影流媒體服務。
Netlix在40多個國家擁有超過100萬的用戶，並且正在迅速擴張，用戶可以在任何時間、任何地點、幾乎任何與互聯網連接的屏幕上觀看他們想看的任何內容，而不需要廣告或承諾。
Netlix站在互聯網電視的最前沿，並開始開發和製作自己的節目，進一步鞏固了其領導地位。隨著可用和消費的內容數量快速增長(目前每月有超過10億小時的電視節目和電影在流媒體上播放)，有效個性化推薦和確保即時內容交付所需的預測引擎和數據基礎設施變得越來越復雜。
為了應對Netlix的這些挑戰，斯莫爾伍德利用她在實驗、分析和推薦方面的廣泛技術專長，這些都是她在20多年互聯網數據產品經驗中積累的。她之前還在Netlix擔任過多個職位，最近擔任消費者科學與分析總監，並在普華永道(PwC)擔任分析顧問。她擁有斯坦福大學運籌學碩士學位和威廉瑪麗學院數學學士學位。
斯莫爾伍德的職業生涯跨越了大數據、分析、實驗和建議的發展歷程，從互聯網的萌芽階段，一直到我們今天生活的這個不斷互聯、數據豐富的世界。當她分享她對互聯網出現之前的分析的想法，以及她在雅虎第一次遇到海量數據時的興奮之情時，她非凡的視角就顯現出來了。以及她在Netlix的第一組數據集，以及她對數據中心組織中文化和團隊的重要性的看法。斯莫爾伍德的采訪充滿智慧、經驗和領導力。

『肆』 阿里巴巴的客戶是哪些群體

商戶和網購經驗的購買者。

阿里巴巴一直在面向未來探索B類新電商模式，並從2019年開始重點構建「新供給、新鏈接、新營銷」三新體系。買家是三新體系的核心，缺少買家維度的數字化經營體系是不完整的。

平台場景目標群體及場景間買家差異性尚不明確，客群矩陣就是為場景中控解決這一業務痛點、提高場貨分發效能而專門設置的演算法研究主題。

同時，客群矩陣也是用戶增長和演算法特徵的核心數據。鑒於客群矩陣如此重要且擁有諸多應用，其構建迫在眉睫。

阿里巴巴意在將客群矩陣打造成平台的一個風向標，以便業務有目標、有層次、有差異、高效地選品和進行場景運營及商家運營，為用戶增長和演算法模型優化提供動力，為數字化運營提供依據。我們主要圍繞人、貨、場、商4個維度構建。

『伍』 數據分析需要掌握哪些知識

數據分析定義

數據分析是指用適當的統計分析方法對收集來的大量數據進行分析，提取有用信息和形成結論而對數據加以詳細研究和概括總結的過程。這一過程也是質量管理體系的支持過程。在實用中，數據分析可幫助人們作出判斷，以便採取適當行動。是有組織有目的地收集數據、分析數據，使之成為信息的過程。

數據分析分類

數據分析劃分為描述性統計分析、探索性數據分析以及驗證性數據分析；其中，探索性數據分析側重於在數據之中發現新的特徵，而驗證性數據分析則側重於已有假設的證實或證偽。

數據分析常用方法

1、PEST分析：

是利用環境掃描分析總體環境中的政治（Political）、經濟（Economic）、社會（Social）與科技（Technological）等四種因素的一種模型。這也是在作市場研究時，外部分析的一部分，能給予公司一個針對總體環境中不同因素的概述。這個策略工具也能有效的了解市場的成長或衰退、企業所處的情況、潛力與營運方向。一般用於宏觀分析。

2、SWOT分析：

又稱優劣分析法或道斯矩陣，是一種企業競爭態勢分析方法，是市場營銷的基礎分析方法之一，通過評價自身的優勢（Strengths）、劣勢（Weaknesses）、外部競爭上的機會（Opportunities）和威脅（Threats），用以在制定發展戰略前對自身進行深入全面的分析以及競爭優勢的定位。而此方法是Albert Humphrey所提。

3、5W2H分析：

用五個以W開頭的英語單詞和兩個以H開頭的英語單詞進行設問，發現解決問題的線索，尋找發明思路，進行設計構思，從而搞出新的發明項目具體：

（1）WHAT——是什麼？目的是什麼？做什麼工作？

（2）WHY——為什麼要做？可不可以不做？有沒有替代方案？

（3）WHO——誰？由誰來做？

（4）WHEN——何時？什麼時間做？什麼時機最適宜？

（5）WHERE——何處？在哪裡做？

（6）HOW ——怎麼做？如何提高效率？如何實施？方法是什麼？

（7）HOW MUCH——多少？做到什麼程度？數量如何？質量水平如何？費用產出如何？

4、7C羅盤模型：

7C模型包括

（C1）企業很重要。也就是說，Competitor：競爭對手，Organization：執行市場營銷或是經營管理的組織，Stakeholder：利益相關者也應該被考慮進來。

（C2）商品在拉丁語中是共同方便共同幸福的意思，是從消費者的角度考慮問題。這也和從消費者開始考慮問題的整合營銷傳播是一致的，能體現出與消費者相互作用進而開發出值得信賴的商品或服務的一種哲學。經過完整步驟創造出的商品可以稱之為商品化。

（C3）成本不僅有價格的意思，還有生產成本、銷售成本、社會成本等很多方面。

（C4）流通渠道表達商品在流動的含義。創造出一個進貨商、製造商、物流和消費者共生的商業模式。作為流通渠道來說，網路銷售也能算在內。

（C5）交流

（C6）消費者

N = 需求（Needs）：生活必需品，像水、衣服、鞋。
W = 想法（Wants）：想得到的東西，像運動飲料、旅遊鞋。
S = 安全（Security）：安全性，像核電、車、食品等物品的安全。
E = 教育（Ecation）：對消費者進行教育，為了能夠讓消費者也和企業一樣對商品非常了解，企業應該提供給消費者相應的知識信息。
（C7）環境

N = 國內和國際：國內的政治、法律和倫理環境及國際環境，國際關系。
W = 天氣：氣象、自然環境，重大災害時經營環境會放生變化，適應自然的經營活動是必要的。像便利店或是部分超市就正在實行。
S = 社會和文化：網路時代的社會、福利及文化環境理所當然應該成為考慮因素。
E = 經濟：經濟環境是對經營影響最大的，以此理所當然應該成為考慮因素。7C羅盤模型是一個合作市場營銷的工具。
5、海盜指標法AARRR:是互聯網常用的「用戶增長模型」，黑客增長模型：

Acquisition：獲取用戶
Activation：提高活躍度
Retention：提高留存率
Revenue：獲取收入
Refer：自傳播

數據分析常用工具

日常數據分析用的最多的還是辦公軟體尤其excel、word、ppt，數據存儲處理可能用到一些資料庫結合access用，另外目前一般公司小型關系資料庫用mysql的還是比較多免費、輕量級，還有較多的也在用pg。

其次分析師是用一些專業的分析軟體spss，sas，自助分析用的BI軟體平台如：finebi、tableau等。

finebi

其實想強調的是分析師40%-60%的時間可能會花在數據的獲取、處理和准備上，所以最好能會點sql，個人覺得對於分析師與其去了解資料庫，不如好好去學下sql，因為sql是標准化的數據查詢語言，所有的關系型資料庫包括一些開源的資料庫甚至各公司內部的數據平台都對它有良好的支持。最後對於第三方的一些數據收集或者一些跨平台的數據處理，包括一些分析可以用finebi。

數據分析流程

有了 這些基礎的理論和分析方法後，接下來具體的分析流程可參考：

1.提出問題（需求） 2.結論/假設 3.數據准備 4.數據分析 5.報告生成 結論驗證。

我們按照如上的分析步驟來個示例：

XX產品首銷，哪些用戶最有可能來購買？應該給哪些用戶進行營銷？

第一步首先是提出了問題，有了需求。

第二步分析問題，提出方案，這一步非常重要，正如上面提到的第二三類的數據分析本身就是一個假設檢驗的過程，如果這一步不能很好的假設，後續的檢驗也就無從談起。主要需要思考下從哪些方面來分析這個問題。

可以從三個方面：（PS：這里對於一些常規的屬性比如：性別、年齡、地區分布了這些基本，老大早已心中有數，就不再看了）

1.曾經購買過跟XX產品相似產品的用戶，且當前使用機型是XX產品上一或幾代產品，有換機意願需求的。

2.用戶的關注程度用戶是否瀏覽了新品產品站，是否搜索過新品相關的信息，是否參加了新品的活動。

3.用戶的消費能力歷史消費金額、歷史購機數量、本年度購機金額、本年度購機數量、最近一次購機時間及金額等。

第三步准備數據：

創建分析表，搜集數據 這一步基本是最花時間的，這時候就是考量你的數據平台、數據倉庫的時候了，倉庫集成的好，平台易用的話時間應該不用太長。

第四步數據分析：筆者是把數據導入到finebi進行分析的，也可以用python，其實用excel也非常好，只是筆者對excel的有些處理不是很擅長。

第五步就是圖表呈現，報告的表達了，最後我們驗證得到的一個結論就是：購買過同類產品，關注度越高，復購周期越近的用戶越最容易再次復購。

註：想要獲取33個好用數據分析工具，可以私聊回復我「工具」獲得！

『陸』 統計模型和大數據模型所使用的主要演算法有什麼異同

以每24小時作為一份時間（而非自然日），根據用戶的配置有兩種工作模式：帶狀模式中，用戶僅定義開始日期時，從開始日期（含）開始，每份時間1個分片地無限增加下去；環狀模式中，用戶定義了開始日期和結束日期時，以結束日期（含）和開始日期（含）之間的時間份數作為分片總數（分片數量固定），以類似取模的方式路由到這些分片里。

1. DBLE 啟動時，讀取用戶在 rule.xml 配置的 sBeginDate 來確定起始時間
2. 讀取用戶在 rule.xml 配置的 sPartionDay 來確定每個 MySQL 分片承載多少天內的數據
3. 讀取用戶在 rule.xml 配置的 dateFormat 來確定分片索引的日期格式
4. 在 DBLE 的運行過程中，用戶訪問使用這個演算法的表時，WHERE 子句中的分片索引值（字元串），會被提取出來嘗試轉換成 java 內部的時間類型
5. 然後求分片索引值與起始時間的差，除以 MySQL 分片承載的天數，確定所屬分片

1. DBLE 啟動時，讀取用戶在 rule.xml 配置的起始時間 sBeginDate、終止時間 sEndDate 和每個 MySQL 分片承載多少天數據 sPartionDay
2. 根據用戶設置，建立起以 sBeginDate 開始，每 sPartionDay 天一個分片，直到 sEndDate 為止的一個環，把分片串聯串聯起來
3. 讀取用戶在 rule.xml 配置的 defaultNode
4. 在 DBLE 的運行過程中，用戶訪問使用這個演算法的表時，WHERE 子句中的分片索引值（字元串），會被提取出來嘗試轉換成 Java 內部的日期類型
5. 然後求分片索引值與起始日期的差：如果分片索引值不早於 sBeginDate（哪怕晚於 sEndDate），就以 MySQL 分片承載的天數為模數，對分片索引值求模得到所屬分片；如果分片索引值早於 sBeginDate，就會被放到 defaultNode 分片上

與MyCat的類似分片演算法對比

中間件
DBLE
MyCat

分片演算法種類 date 分區演算法 按日期（天）分片
兩種中間件的取模範圍分片演算法使用上無差別

開發注意點
【分片索引】1. 必須是字元串，而且 java.text.SimpleDateFormat 能基於用戶指定的 dateFormat 來轉換成 java.util.Date
【分片索引】2. 提供帶狀模式和環狀模式兩種模式
【分片索引】3. 帶狀模式以 sBeginDate（含）起，以 86400000 毫秒（24 小時整）為一份，每 sPartionDay 份為一個分片，理論上分片數量可以無限增長，但是出現 sBeginDate 之前的數據而且沒有設定 defaultNode 的話，會路由失敗（如果有 defaultNode，則路由至 defaultNode）
【分片索引】4. 環狀模式以 86400000 毫秒（24 小時整）為一份，每 sPartionDay 份為一個分片，以 sBeginDate（含）到 sEndDate（含）的時間長度除以單個分片長度得到恆定的分片數量，但是出現 sBeginDate 之前的數據而且沒有設定 defaultNode 的話，會路由失敗（如果有 defaultNode，則路由至 defaultNode）
【分片索引】5. 無論哪種模式，分片索引欄位的格式化字元串 dateFormat 由用戶指定
【分片索引】6. 無論哪種模式，劃分不是以日歷時間為准，無法對應自然月和自然年，且會受閏秒問題影響

運維注意點
【擴容】1. 帶狀模式中，隨著 sBeginDate 之後的數據出現，分片數量的增加無需再平衡
【擴容】2. 帶狀模式沒有自動增添分片的能力，需要運維手工提前增加分片；如果路由策略計算出的分片並不存在時，會導致失敗
【擴容】3. 環狀模式中，如果新舊 [sBeginDate,sEndDate] 之間有重疊，需要進行部分數據遷移；如果新舊 [sBeginDate,sEndDate] 之間沒有重疊，需要數據再平衡

配置注意點
【配置項】1. 在 rule.xml 中，可配置項為 <propertyname="sBeginDate"> 、 <propertyname="sPartionDay"> 、 <propertyname="dateFormat"> 、 <propertyname="sEndDate"> 和 <propertyname="defaultNode">
【配置項】2.在 rule.xml 中配置 <propertyname="dateFormat">，符合 java.text.SimpleDateFormat 規范的字元串，用於告知 DBLE 如何解析sBeginDate和sEndDate

【配置項】3.在 rule.xml 中配置 <propertyname="sBeginDate">，必須是符合 dateFormat 的日期字元串

【配置項】4.在 rule.xml 中配置 <propertyname="sEndDate">，必須是符合 dateFormat 的日期字元串；配置了該項使用的是環狀模式，若沒有配置該項則使用的是帶狀模式

【配置項】5.在 rule.xml 中配置 <propertyname="sPartionDay">，非負整數，該分片策略以 86400000 毫秒（24 小時整）作為一份，而 sPartionDay 告訴 DBLE 把每多少份放在同一個分片

【配置項】6.在 rule.xml 中配置 <propertyname="defaultNode"> 標簽，非必須配置項，不配置該項的話，用戶的分片索引值沒落在 mapFile 定義

『柒』 阿里巴巴客群一般分為哪些種類

第一類 有錢任性型，第二類型，天上掉餡餅型，第三類型 持之以恆型，第四種 聰明勤奮型
阿里巴巴一直在面向未來探索B類新電商模式，並從2019年開始重點構建「新供給、新鏈接、新營銷」三新體系。買家是三新體系的核心，缺少買家維度的數字化經營體系是不完整的。
平台場景目標群體及場景間買家差異性尚不明確，客群矩陣就是為場景中控解決這一業務痛點、提高場貨分發效能而專門設置的演算法研究主題。

同時，客群矩陣也是用戶增長和演算法特徵的核心數據。鑒於客群矩陣如此重要且擁有諸多應用，其構建迫在眉睫。
阿里巴巴意在將客群矩陣打造成平台的一個風向標，以便業務有目標、有層次、有差異、高效地選品和進行場景運營及商家運營，為用戶增長和演算法模型優化提供動力，為數字化運營提供依據。我們主要圍繞人、貨、場、商4個維度構建。

『捌』 國內火熱的運營崗位，為什麼在美國卻沒有

從美國矽谷一家著名網路公司回國的一位朋友，在矽谷擔任產品經理，通過增加兩個工作崗位的朋友的介紹來找我。他想找我的原因也很有趣。——他回到國內後發現到處都能聽到人們談論「運營」，但美國互聯網基本上沒有「運營」這樣明確的工作崗位，所以很困惑，想找我溝通，到底什麼是運營？說起來真有趣美國是互聯網的發源地。自互聯網以來，中國互聯網的很多東西都不是模仿美國互聯網，從商業模式到產品形態。

與國內將這一部分，歸類為「運營」工作崗位相比，美國互聯網公司的做法截然不同。一般來說，新排水轉換在美國大部分是通過銷售或廣告投放來完成的。這兩部分工作往往由一家公司內的銷售部門或營銷部門承擔。用戶維護和管理工作通常由用戶經驗部門負責，一些科技背景豐富的公司經常引進數據科學家和增長黑客，通過明確的演算法和模型，通過數據和技術手段系統地實現用戶增長。