本文主要從原理、計(jì)算流程、應(yīng)用場(chǎng)景等方面介紹了5個(gè)客戶(hù)模型，enjoy~

不久前，淘寶推出了”88VIP卡”，可享受購(gòu)物折扣、餓了么超級(jí)會(huì)員、優(yōu)酷VIP、蝦米超級(jí)VIP等尊享服務(wù)，權(quán)益價(jià)值近2000元/年，幾乎涵蓋阿里新零售生態(tài)旗下吃喝玩樂(lè)的一條龍服務(wù)。這樣的一張會(huì)員卡，普通會(huì)員售價(jià)888元/年，而淘氣值滿(mǎn)1000的超級(jí)會(huì)員，僅售88元/年，真的是不要998。

雖然筆者并沒(méi)有資格享受，但是對(duì)淘氣值很好奇。官方是這樣解釋的：

淘氣值是根據(jù)會(huì)員近12個(gè)月在淘寶、天貓，飛豬以及淘票票上的”購(gòu)買(mǎi)金額、購(gòu)買(mǎi)頻次、互動(dòng)、信譽(yù)“等行為，而綜合計(jì)算出的會(huì)員價(jià)值分。

簡(jiǎn)單解讀，淘氣值就是阿里對(duì)客戶(hù)價(jià)值的度量，背后是一套成熟的計(jì)算模型。淘氣值是阿里的會(huì)員養(yǎng)成體系，大于1000的客戶(hù)，阿里認(rèn)為是高價(jià)值客戶(hù)，可以提供差異化的產(chǎn)品和服務(wù)，增大使用粘性，并為旗下其他產(chǎn)品引流；小于1000的客戶(hù)，則引導(dǎo)其向高價(jià)值客戶(hù)轉(zhuǎn)化（雖然包括小編在內(nèi)的好多用戶(hù)，都感覺(jué)受到了1w點(diǎn)傷害）。

由此可見(jiàn)，企業(yè)在對(duì)客戶(hù)全生命周期管理的過(guò)程中，往往會(huì)針對(duì)不同階段的客戶(hù)群體進(jìn)行細(xì)分，提供差異化的產(chǎn)品和服務(wù)，從而達(dá)到精細(xì)化運(yùn)營(yíng)的目的。實(shí)際工程中，客戶(hù)群體的細(xì)分一般依據(jù)客戶(hù)的：標(biāo)簽、線(xiàn)上行為、線(xiàn)下行為等作為判斷條件。其中，有一類(lèi)標(biāo)簽是通過(guò)大數(shù)據(jù)建模才能產(chǎn)出。

本文主要從原理、計(jì)算流程、應(yīng)用場(chǎng)景等方面，介紹了5個(gè)客戶(hù)模型：

• 3個(gè)客戶(hù)評(píng)估模型：RFM模型、忠誠(chéng)度模型、活躍度模型；
• 1個(gè)客戶(hù)細(xì)分模型：Look-alike模型；
• 1個(gè)客戶(hù)響應(yīng)模型：流失預(yù)警模型。

一. 建模流程

建模的過(guò)程一般分為以下幾個(gè)步驟：

1. 業(yè)務(wù)理解：明確面臨的標(biāo)簽問(wèn)題和建模的目的，完成標(biāo)簽問(wèn)題到建模問(wèn)題的定義過(guò)程；
2. 數(shù)據(jù)理解：收集涉及到的數(shù)據(jù)、熟悉數(shù)據(jù)、識(shí)別數(shù)據(jù)質(zhì)量問(wèn)題、探索對(duì)數(shù)據(jù)的第一認(rèn)識(shí)；
3. 數(shù)據(jù)準(zhǔn)備：從原始未加工數(shù)據(jù)到構(gòu)造成最終的數(shù)據(jù)集過(guò)程；
4. 建立模型：針對(duì)不同的標(biāo)簽問(wèn)題選擇建模技術(shù)，并對(duì)參數(shù)進(jìn)行調(diào)優(yōu)；
5. 模型評(píng)估：評(píng)估模型和檢查建模的各個(gè)步驟，確認(rèn)是否達(dá)到解決標(biāo)簽問(wèn)題；
6. 模型部署：將模型部署到系統(tǒng)中，并對(duì)監(jiān)控、維護(hù)該模型做出計(jì)劃。

1. RMF模型

RFM模型是客戶(hù)價(jià)值分析模型。該模型通過(guò)分析客戶(hù)的近期消費(fèi)行為、消費(fèi)頻率及消費(fèi)金額，來(lái)衡量客戶(hù)價(jià)值及創(chuàng)造利潤(rùn)能力，為客戶(hù)價(jià)值分析、流失預(yù)警分析等精細(xì)化運(yùn)營(yíng)提供依據(jù)。

• R：Regency（近度），即客戶(hù)最近一次交易與當(dāng)前時(shí)間的間隔。
• F：Requency（頻度），即客戶(hù)的交易頻率。
• M：Montary（額度），即客戶(hù)的交易金額。

該模型的輸入數(shù)據(jù)為：最近一次交易時(shí)間、交易頻率、交易金額這三個(gè)核心指標(biāo)，分別計(jì)算出每個(gè)指標(biāo)數(shù)據(jù)的均值，分別以avg（R）、avg（F）、avg（M）表示，然后將每位客戶(hù)的三個(gè)指標(biāo)值分別與平均值進(jìn)行對(duì)比，K-means聚類(lèi)分析，可得出以下8類(lèi)客戶(hù)價(jià)值群體：

• 重要價(jià)值客戶(hù)：最近交易時(shí)間近、交易頻率和交易金額高，肯定是優(yōu)質(zhì)客戶(hù)。
• 重要發(fā)展客戶(hù)：最近交易時(shí)間近，交易金額高，但交易次數(shù)少，但不太活躍，忠誠(chéng)度不高，需要重點(diǎn)識(shí)別。
• 重要保持客戶(hù)：交易金額和交易頻次都很高，但最近一次交易時(shí)間遠(yuǎn)，是個(gè)很長(zhǎng)時(shí)間沒(méi)來(lái)的忠實(shí)客戶(hù)，需要主動(dòng)和客戶(hù)來(lái)次互動(dòng)，及時(shí)喚回。
• 重要挽留客戶(hù)：交易金額高，但最近交易時(shí)間遠(yuǎn)、交易頻次低，是潛在的價(jià)值客戶(hù)，需要重點(diǎn)挽留。
• 一般價(jià)值客戶(hù)：最近交易時(shí)間近、交易頻次也高，唯獨(dú)交易金額小，“屌絲”群體，客戶(hù)價(jià)值需要挖掘。
• 一般發(fā)展客戶(hù)：最近交易時(shí)間近，但交易頻次和交易金額小，有推廣價(jià)值。
• 一般保持客戶(hù)：交易次數(shù)多，但是貢獻(xiàn)不大，一般維持即可。
• 一般挽留客戶(hù)：最近交易時(shí)間遠(yuǎn)、交易頻次和交易金額也都很小，貢獻(xiàn)度最小，如果運(yùn)營(yíng)精力充沛也可挽留。

輸入的數(shù)據(jù)集經(jīng)過(guò)RFM模型分析后，給每條數(shù)據(jù)里的客戶(hù)打上八種標(biāo)簽值的其中一個(gè)，企業(yè)通過(guò)標(biāo)簽值篩選出不同的客戶(hù)群后，就可以執(zhí)行相應(yīng)的貢獻(xiàn)度分析、預(yù)警流失客戶(hù)挽回等精細(xì)化運(yùn)營(yíng)，如：

給重要價(jià)值客戶(hù)定時(shí)提供差異化尊享服務(wù)（淘氣值1000以上提供88VIP會(huì)員卡）；

給重要保持客戶(hù)建立EDM或電話(huà)營(yíng)銷(xiāo)等互動(dòng)通道，及時(shí)喚醒并提高活躍度（近3個(gè)月沒(méi)有信用交易的客戶(hù)，電話(huà)推銷(xiāo)告知提升客戶(hù)額度并可提現(xiàn)）；

重要挽留客戶(hù)是優(yōu)質(zhì)的存量用戶(hù)群，要給予限時(shí)折扣或權(quán)益，投入精力重點(diǎn)挽回。

注：聚類(lèi)是一種非監(jiān)督式學(xué)習(xí)算法，聚類(lèi)不要求源數(shù)據(jù)集有標(biāo)注，一般應(yīng)用于做數(shù)據(jù)探索性分析，聚類(lèi)算法的結(jié)果是將不同的數(shù)據(jù)集按照各自的典型特征分成不同類(lèi)別。

而k-means聚類(lèi)算法的思想是：初始隨機(jī)給定K個(gè)簇中心，按照距離最近原則把待分類(lèi)的樣本點(diǎn)分到各個(gè)簇，然后按平均法重新計(jì)算各個(gè)簇的質(zhì)心，從而確定新的簇心，迭代計(jì)算，直到簇心的移動(dòng)距離小于某個(gè)給定的誤差值。

2. 忠誠(chéng)度模型

客戶(hù)忠誠(chéng)度是客戶(hù)對(duì)某種產(chǎn)品或服務(wù)重復(fù)或連續(xù)購(gòu)買(mǎi)的心理、言語(yǔ)、行為指向程度的度量。對(duì)企業(yè)而言，忠誠(chéng)顧客能夠產(chǎn)品持續(xù)的、長(zhǎng)期的效益。傳統(tǒng)的CRM有個(gè)“八一定律”，即拉動(dòng)1個(gè)新用戶(hù)，是用維系老用戶(hù)的8倍成本來(lái)實(shí)現(xiàn)的。隨著人口紅利的消失，現(xiàn)如今企業(yè)越來(lái)越重視存量市場(chǎng)，所以刻畫(huà)客戶(hù)對(duì)產(chǎn)品或品牌的忠誠(chéng)度尤為重要。

品牌忠誠(chéng)度依據(jù)：

• 網(wǎng)站忠誠(chéng)度的5個(gè)指標(biāo)，即用戶(hù)累計(jì)瀏覽品牌的次數(shù)、累計(jì)瀏覽時(shí)間、累計(jì)瀏覽天數(shù)、累計(jì)瀏覽頁(yè)面數(shù)、最后瀏覽時(shí)間；
• 品牌忠誠(chéng)的9個(gè)指標(biāo)，即累計(jì)購(gòu)買(mǎi)某品牌商品的次數(shù)、累計(jì)購(gòu)買(mǎi)某品牌商品的金額、最后一次購(gòu)買(mǎi)某品牌的時(shí)間、累計(jì)搜索某品牌關(guān)鍵字的次數(shù)、用戶(hù)瀏覽同類(lèi)其他品牌的累計(jì)平均次數(shù)、用戶(hù)瀏覽同類(lèi)其他品牌的累計(jì)平均瀏覽時(shí)間、用戶(hù)瀏覽同類(lèi)其他品牌的累計(jì)平均瀏覽天數(shù)、用戶(hù)瀏覽同類(lèi)其他品牌的累計(jì)平均瀏覽頁(yè)面數(shù)、用戶(hù)瀏覽同類(lèi)其他品牌的最后平均瀏覽時(shí)間。

結(jié)合具體業(yè)務(wù)場(chǎng)景下給定的各項(xiàng)指標(biāo)的權(quán)重值，來(lái)計(jì)算用戶(hù)的忠誠(chéng)度。所有權(quán)重值之和為1，最后將忠誠(chéng)度的值映射到1到100之間。依據(jù)忠誠(chéng)度落在不同區(qū)間的值，將中文用戶(hù)等級(jí)結(jié)果寫(xiě)到標(biāo)簽系統(tǒng)。

依據(jù)標(biāo)簽篩選的客戶(hù)群體細(xì)分為幾類(lèi)群體，分群組進(jìn)行精細(xì)化運(yùn)營(yíng)，例如：潛在忠誠(chéng)客戶(hù)群體提高搜索權(quán)重，加大品牌認(rèn)知；高忠誠(chéng)客戶(hù)群體復(fù)購(gòu)時(shí)推薦高價(jià)值商品；建立積分商城，長(zhǎng)期培養(yǎng)監(jiān)測(cè)客戶(hù)忠誠(chéng)度的養(yǎng)成等。

3. 活躍度模型

一般的，企業(yè)可通過(guò)活躍用戶(hù)數(shù)，看產(chǎn)品的市場(chǎng)體量，通過(guò)活躍率，看產(chǎn)品的健康度。日常的促活運(yùn)營(yíng)活動(dòng)，需要通過(guò)活躍度標(biāo)簽篩選人群。

首先，根據(jù)業(yè)務(wù)規(guī)則選定輸入因子，如電商行業(yè)的輸入行為特征一般為：最后一次登錄時(shí)間、最后一次購(gòu)買(mǎi)時(shí)間、半年內(nèi)評(píng)論數(shù)、半年內(nèi)購(gòu)買(mǎi)數(shù)、累計(jì)登錄天數(shù)、累計(jì)停留時(shí)間、瀏覽頁(yè)面數(shù)等，然后計(jì)算活躍度得分。

分析活躍度得分，輸出結(jié)果標(biāo)簽邏輯如下：

• 高活躍度客戶(hù)（活躍度得分前30%），表示客戶(hù)粘性高，是企業(yè)的核心用戶(hù)。
• 中活躍度客戶(hù)（中間部分），表示客戶(hù)與企業(yè)產(chǎn)品交互程度一般，需要繼續(xù)維持。
• 低活躍度客戶(hù)（活躍度得分后30%），即沉睡客戶(hù)，是企業(yè)日常促活運(yùn)營(yíng)的重點(diǎn)對(duì)象。

4. Look-alike模型

Look-alike模型，即受眾擴(kuò)散模型，模型原理是以種子客群為基礎(chǔ)，找到與種子客群興趣愛(ài)好相似的另一組人群，計(jì)算兩組人群的相似度或以群組距離進(jìn)行分類(lèi)，從而達(dá)到精準(zhǔn)挖掘潛在受眾、擴(kuò)大推廣范圍的目的。人群擴(kuò)散在推銷(xiāo)新商品、尋找潛客、開(kāi)發(fā)客戶(hù)購(gòu)買(mǎi)力等多種場(chǎng)景下都起著關(guān)鍵作用。

受眾擴(kuò)散模型的基本流程如下：

1. 根據(jù)客群的各維度原始數(shù)據(jù)，提取出可用的特征變量；
2. 選取種子客群為模型的正樣本；按比例隨機(jī)抽取種子客群作為觀測(cè)樣本，加入候選人群作為負(fù)樣本，以種子客群作為正樣本，訓(xùn)練分類(lèi)模型，將觀測(cè)樣本中預(yù)測(cè)為正類(lèi)的概率的后5%作為可靠負(fù)樣本；
3. 根據(jù)種子客群和可靠負(fù)樣本構(gòu)建相似度模型；根據(jù)相似度模型，將所有候選人群擴(kuò)散成目標(biāo)群體。

常見(jiàn)的二分類(lèi)算法有LR邏輯回歸，決策樹(shù)，SVM，隨機(jī)森林等。

特征的選取一般包含用戶(hù)的：

• 屬性標(biāo)簽數(shù)據(jù)。如性別、年齡、地域、婚姻狀況、受教育水平、職業(yè)等，一般來(lái)自用戶(hù)注冊(cè)信息或預(yù)測(cè)；
• 行為結(jié)果數(shù)據(jù)。如電商用戶(hù)的站內(nèi)外搜索、瀏覽、購(gòu)買(mǎi)等行為，媒體用戶(hù)的關(guān)注、轉(zhuǎn)發(fā)等行為，一般為用戶(hù)實(shí)際發(fā)生行為的日志；
• 行為偏好數(shù)據(jù)。如電商用戶(hù)的消費(fèi)等級(jí)、商品品類(lèi)偏好、商品品牌偏好，媒體用戶(hù)的上網(wǎng)時(shí)段、瀏覽頻道偏好等，一般根據(jù)用戶(hù)行為計(jì)算分析而得出；
• 社交網(wǎng)絡(luò)數(shù)據(jù)。利用用戶(hù)的社交關(guān)系網(wǎng)絡(luò)，將種子人群的標(biāo)簽或?qū)傩詳U(kuò)散給好友。如微博的粉絲關(guān)注、轉(zhuǎn)發(fā)行為等構(gòu)成的社交關(guān)系網(wǎng)絡(luò)。

5. 流失預(yù)警模型

流失預(yù)警模型，即根據(jù)客戶(hù)的多維特征，判斷系統(tǒng)內(nèi)的客戶(hù)有多大概率流失，根據(jù)流失概率分群，針對(duì)潛在流失客戶(hù)群體制定針對(duì)性的挽回營(yíng)銷(xiāo)策略。

流程預(yù)警模型的大致流程如下：

1. 輸入客戶(hù)原始數(shù)據(jù)，提取關(guān)鍵特征，如性別、年齡、收入、最近消費(fèi)行為、回流率等；
2. 進(jìn)行數(shù)據(jù)加工，字符型數(shù)據(jù)轉(zhuǎn)化為數(shù)值型數(shù)據(jù)以供模型計(jì)算，對(duì)于缺失值采用插值或重新賦值策略，對(duì)于異常值采用插值或剔除策略；
3. 將符合格式規(guī)范的數(shù)據(jù)輸入到模型中，計(jì)算出流失概率，并根據(jù)流失概率輸出為相應(yīng)的標(biāo)簽。

一般的，根據(jù)流失概率分布，可輸出為以下四個(gè)標(biāo)簽值：

• 正常（流失概率0~0.2），表示流失的概率基本很小，可忽略不計(jì)；
• 輕度（流失概率0.2~0.5），表示有潛在流失風(fēng)險(xiǎn)，需要重點(diǎn)關(guān)注；
• 嚴(yán)重（流失概率0.5~0.8），表示有明顯的流失傾向，需要重點(diǎn)維系，必要時(shí)可以有主動(dòng)觸達(dá)；
• 非常嚴(yán)重（0.8~1.0），表示有非常嚴(yán)重的流失傾向，需要主動(dòng)與客戶(hù)以EDM或電話(huà)等形式發(fā)生互動(dòng)，及時(shí)挽回。

— END —

作者：Herman Lee ，公眾號(hào)：產(chǎn)品方法論（ID：HermanLee2018）

本文由 @Herman Lee 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來(lái)自 Pixabay，基于 CC0 協(xié)議