亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于智慧門店用戶特征挖掘建模的精準(zhǔn)客戶畫像應(yīng)用研究

        2022-05-23 10:23:44
        江蘇通信 2022年2期
        關(guān)鍵詞:命中率門店訂單

        吳 磊

        中國移動通信集團(tuán)江蘇有限公司

        0 引言

        關(guān)于“客戶畫像是什么”的問題,最早給出明確定義的是交互設(shè)計之父Alan Cooper,他最早提出了persona的概念:Personas are a concrete representation of target users。客戶畫像(persona)是真實客戶的虛擬代表,是建立在一系列真實數(shù)據(jù)之上的目標(biāo)用戶模型。

        數(shù)據(jù)構(gòu)成了搭建虛擬模型的通道,所以企業(yè)需要尋找目標(biāo)用戶群,挖掘每一個用戶的人口屬性、消費特征、信用狀態(tài)、興趣愛好、社交屬性等主要信息數(shù)據(jù),經(jīng)過不斷疊加、更新,對行為建模,抽象出完整的信息標(biāo)簽,組合并搭建出一個立體的客戶虛擬模型,即客戶畫像。

        客戶畫像能夠讓產(chǎn)品的目標(biāo)對象更加聚焦、專注。成功的產(chǎn)品都有明確的目標(biāo)客戶群體,給特定目標(biāo)群體提供專注的服務(wù)比給全部的人群提供低標(biāo)準(zhǔn)的服務(wù)更容易獲得成功。通過正確地使用用戶畫像,找準(zhǔn)立足點和發(fā)力的重要方向,從用戶角度出發(fā),解析客戶的核心訴求??蛻舢嬒衲軌蜃屗袇⑴c產(chǎn)品和運營的成員在一致的用戶基礎(chǔ)上進(jìn)行討論和決策,更容易保持前進(jìn)方向的統(tǒng)一,提高決策效率。

        在“用戶至上,體驗為王”的互聯(lián)網(wǎng)大數(shù)據(jù)時代,不可避免地給企業(yè)及消費者的行為帶來一系列改變與重塑,特別是消費市場開始由賣方市場轉(zhuǎn)向買方市場。用戶主權(quán),是互聯(lián)網(wǎng)大數(shù)據(jù)下新零售的典型特征。消費者行為在供應(yīng)鏈上的每一個環(huán)節(jié)都具有逆向傳導(dǎo)作用,因此對消費者進(jìn)行研究相當(dāng)必要,特別是零售行業(yè),正是一個亟待“轉(zhuǎn)向”、構(gòu)建“反向認(rèn)知”的行業(yè)。

        1 精準(zhǔn)客戶畫像背景

        本文通過對2020下半年在江蘇移動智慧門店進(jìn)行終端購買的用戶與江蘇移動掌上營業(yè)廳活躍用戶的多維分析,挖掘智慧門店終端訂單用戶特征。通過觀察用戶基礎(chǔ)屬性、終端信息、消費、流量語音使用情況、用戶APP使用行為等維度來識別智慧門店終端訂單用戶可能性較大的特征,輔助一線人員對目標(biāo)客戶進(jìn)行精準(zhǔn)的推薦,以提高智慧門店終端營銷的成功率和客戶滿意度。

        2 挖掘目標(biāo)定義

        本期數(shù)據(jù)挖掘目標(biāo)是挖掘智慧門店終端訂單用戶特征。采用分類預(yù)測模型,綜合客戶基礎(chǔ)屬性、終端信息等特征,結(jié)合客戶歷史消費情況、用戶APP使用行為等特征,構(gòu)建智慧門店終端訂單用戶特征挖掘模型,生成近期智慧門店終端訂單用戶特征明細(xì)。

        3 建模思路和方法

        3.1 建模思路

        首先,取13個地市智慧門店終端訂單用戶的12月基礎(chǔ)屬性數(shù)據(jù)和歷史消費行為數(shù)據(jù)作為觀察期數(shù)據(jù)。數(shù)據(jù)維度包括:用戶基礎(chǔ)屬性、終端信息、消費、流量語音使用情況、用戶APP使用行為等。

        其次,按照數(shù)據(jù)挖掘目標(biāo)中明確的智慧門店終端訂單用戶口徑,確定目標(biāo)分類用戶。取智慧門店終端訂單用戶作為目標(biāo)組,按照合適的比例,從未在智慧門店平臺購買終端的用戶中抽取終端銷售用戶、掌上營業(yè)廳活躍用戶作為對照組,形成建模的樣本數(shù)據(jù)。

        最后,利用訓(xùn)練樣本,采用分類預(yù)測模型中的C5.0決策樹算法構(gòu)建數(shù)據(jù)挖掘模型,輸出智慧門店終端訂單用戶的特征明細(xì),用戶打分值及置信度,并通過驗證樣本對模型結(jié)果進(jìn)行評估。

        3.2 模型介紹

        本期智慧門店終端訂單用戶特征挖掘模型屬于分類預(yù)測模型。分類的主要功能是學(xué)會一個分類函數(shù)或分類模型(常稱作分類器),該模型能夠根據(jù)數(shù)據(jù)的屬性將數(shù)據(jù)分派到不同的組中。這樣可以利用該模型來分析已有數(shù)據(jù),并預(yù)測新數(shù)據(jù)將屬于哪一組。主要算法包括:決策樹(C&R 樹、QUEST、CHAID和C5.0算法)、回歸(logistic)、神經(jīng)網(wǎng)絡(luò)、貝葉斯網(wǎng)絡(luò)等。

        決策樹適用于分類和預(yù)測的模型,比如0-1分布的模型,同時也可作為特征變量的初步篩選模型。

        C5.0模型的工作原理是根據(jù)所提供最大信息增益的字段分割樣本,然后根據(jù)不同的字段再次分割由第一次分割定義的每個子樣本,此過程會不斷重復(fù)直到無法繼續(xù)分割子樣本。最后,將重新檢查最底層分割,修剪或刪除對模型值沒有顯著貢獻(xiàn)的分割。

        3.3 模型評估方法

        智慧門店終端訂單用戶特征挖掘模型的評估標(biāo)準(zhǔn)如表1所示。

        表1 智慧門店終端訂單用戶特征挖掘模型評估標(biāo)準(zhǔn)

        調(diào)和平均數(shù)=(2*命中率*覆蓋率)/(命中率+覆蓋率)

        預(yù)測命中率是描述模型精確性的指標(biāo),是預(yù)測使用用戶中實際使用用戶的比例。

        預(yù)測覆蓋率是描述模型普適性的指標(biāo),是實際使用用戶中預(yù)測正確的比例。

        預(yù)測準(zhǔn)確率是描述整體準(zhǔn)確性的指標(biāo),是使用用戶和未使用用戶預(yù)測正確的比例。

        命中率等同于響應(yīng)率;覆蓋率等同于增益率、識別率、查全率。

        AUC值:AUC值是處于ROC曲線下方的面積大小,通常AUC的值介于0.5到1.0之間,AUC越大效果越好。

        4 建模流程

        4.1 樣本數(shù)據(jù)準(zhǔn)備

        建模流程如圖1所示。

        圖1 建模流程

        4.2 樣本數(shù)據(jù)準(zhǔn)備

        (1)基礎(chǔ)數(shù)據(jù)說明

        訓(xùn)練集和測試集【按照比例7:3】。用戶群范圍:13個地市2020年截止12月在網(wǎng)用戶。

        數(shù)據(jù)周期:取2020年截止12月在網(wǎng)用戶客戶資料、終端品牌為靜態(tài)屬性,取近六個月消費、流量、語音使用、用戶使用APP行為、平均換機(jī)周期等作為動態(tài)屬性,準(zhǔn)備基礎(chǔ)數(shù)據(jù)。

        目標(biāo)用戶:近半年在智慧門店平臺購買終端且截止12月在網(wǎng)用戶。

        對照用戶:近半年未在智慧門店平臺購買終端且12月在網(wǎng)的終端銷售用戶、掌上營業(yè)廳活躍用戶。

        (2)樣本數(shù)據(jù)準(zhǔn)備

        訓(xùn)練集和測試集:

        經(jīng)過統(tǒng)計,選取13個地市近半年在智慧門店平臺購買終端且截止12月在網(wǎng)用戶為31583,同時按照1:3的比例,選取從未在智慧門店平臺購買終端的掌上營業(yè)廳活躍用戶(94749)、終端銷售用戶(94749)作為對照組,并與目標(biāo)組一起作為模型的輸入樣本。

        4.3 變量篩選

        通過特征選擇剔除部分缺失值過多或者閥值單一的變量,在保證最后決策樹分類預(yù)測性能評估的情況下,盡可能縮減變量數(shù)。

        4.4 數(shù)據(jù)處理

        建模時,整體數(shù)據(jù)處理如圖2所示。

        圖2 數(shù)據(jù)審核及變量衍生處理

        (1)首先對輸入變量進(jìn)行數(shù)據(jù)理解,判斷全部變量符合的類型(連續(xù)、標(biāo)志、名義等)及角色(輸入、目標(biāo)等),剔除部分與目標(biāo)變量無關(guān)的變量(如用戶標(biāo)識、手機(jī)號碼),以保證數(shù)據(jù)質(zhì)量。

        (2)對數(shù)據(jù)(是否包含空值、無效值)進(jìn)行審核并進(jìn)行相應(yīng)的處理:①主套餐資費、終端使用時長、終端換機(jī)次數(shù)等存在離群值、無效值等,使用固定值、平均值、中程數(shù)值替換。②性別、年齡、地區(qū)存在不合理數(shù)值(性別=9或-1、年齡<=0),對其進(jìn)行填充,年齡使用平均值替換、性別使用眾數(shù)替換。

        (3)特征選擇建模保證數(shù)據(jù)質(zhì)量,根據(jù)模型結(jié)果保留重要字段(重要性大于0.95),剔除不重要字段(重要性小于等于0.95),該模型中是否蘋果粉(近3次使用終端為蘋果)等(單個類別過大)被剔除,最終選擇重要字段進(jìn)行建模。

        4.5 模型構(gòu)建

        通過決策樹算法C5.0建模分類預(yù)測用戶是否智慧門店終端訂購用戶,其中本文共建立了兩個模型,模型1為智慧門店終端訂購用戶和掌上營業(yè)廳活躍用戶對比分析,模型2為智慧門店終端訂購用戶和終端銷售用戶的對比分析,C5.0決策樹模型示意圖如圖3所示。

        圖3 智慧門店終端訂單用戶特征挖掘模型

        注:用戶類型為1:智慧門店終端訂單用戶;用戶類型為2:掌上營業(yè)廳活躍用戶;用戶類型為3:終端(非自備機(jī))銷售用戶。

        5 模型評估

        5.1 模型規(guī)則

        通過建模,最后模型會自動生成決策樹的父節(jié)點和子節(jié)點,這些節(jié)點中有擬合不足的(該群體樣本量大,但是其置信度低),也有過度擬合的(該群體置信度高,但是其樣本量低),所以為了保證權(quán)衡樣本量和置信度,采用預(yù)剪枝的方法構(gòu)建模型。

        模型1規(guī)則輸出后,選取其中一個規(guī)則進(jìn)行解釋,如圖4所示:性別為女,身份證下號碼數(shù)為2個以上,近6個月平均消費在7.91元以上,當(dāng)前終端使用時長小于等于185天,當(dāng)前終端換機(jī)次數(shù)大于4次且小于等于82次,近2次終端品牌一致,近3次平均換機(jī)周期大于30天。滿足以上條件的用戶共有1093個,其中92.1%的客戶為智慧門店終端訂單用戶。

        模型2規(guī)則輸出后,選取其中一個規(guī)則進(jìn)行解釋,如圖5所示:用戶網(wǎng)齡在3個月以上,近6個月平均流量收入小于3.61元,近6個月平均寬帶收入大于34.72元。滿足以上條件的用戶共有4723個,其中85.5%的客戶為智慧門店終端訂單用戶。

        圖5 模型2規(guī)則示例

        5.2 模型評估

        5.2.1 模型預(yù)測指標(biāo)變量重要性

        模型1預(yù)測指標(biāo)變量重要性,如圖6所示。

        圖6 模型1預(yù)測指標(biāo)變量重要性

        模型2預(yù)測指標(biāo)變量重要性,如圖7所示。

        圖7 模型2預(yù)測指標(biāo)變量重要性

        5.2.2 模型準(zhǔn)確率評估

        (1)模型1準(zhǔn)確率評估。模型準(zhǔn)確性分析給出模型總體準(zhǔn)確率及預(yù)測差錯矩陣。由于本模型旨在精確營銷,因此主要關(guān)注模型的命中率(響應(yīng)率)。經(jīng)測試,集中智慧門店終端訂單用戶特征挖掘總體準(zhǔn)確率為79.45%,命中率為70.90%,覆蓋率為31.15%。

        測試集準(zhǔn)確率:(2967+27104)/(2967+27104+6559+1218)*100% =79.45%

        測試集命中率:2967/(2967+1218) * 100% = 70.90%

        測試集覆蓋率:2967/(2967+6559) * 100% = 31.15%

        (2)模型2準(zhǔn)確率評估。模型準(zhǔn)確性分析給出模型總體準(zhǔn)確率及預(yù)測差錯矩陣。由于本模型旨在精確營銷,因此主要關(guān)注模型的命中率(響應(yīng)率)。經(jīng)測試,集中智慧門店終端訂單用戶特征挖掘總體準(zhǔn)確率為81.65%,命中率為75.07%,覆蓋率為40.25%。

        測試集準(zhǔn)確率:(3825+27076)/(3825+27076+5677+1270)*100% =81.65%

        測試集命中率:3825/(3825+1270) * 100% = 75.07%

        測試集覆蓋率:3825/(3825+5677) * 100% = 40.25%

        5.2.3 模型響應(yīng)率評估

        “智慧門店終端訂單用戶特征挖掘”的模型命中率在較沒有模型的情況下有明顯提升。

        6 結(jié)束語

        根據(jù)模型評估結(jié)果,最終得到的客戶畫像準(zhǔn)確率尚好,命中率也滿足要求。借鑒此模型研究成果,通過入駐江蘇移動掌上營業(yè)廳商城線上門店以及10086熱線向5G潛在換機(jī)用戶開展多波次大數(shù)據(jù)精準(zhǔn)推薦,2021年江蘇移動5G潛在換機(jī)成功推薦購機(jī)3.6萬臺,推薦成功率環(huán)比2020年提升222%,2022年將總結(jié)前期經(jīng)驗和不足,繼續(xù)優(yōu)化客戶畫像模型,深入推進(jìn)江蘇移動5G潛在換機(jī)大數(shù)據(jù)精準(zhǔn)推薦,切實賦能線下門店。

        依托項目:江蘇移動渠道轉(zhuǎn)型項目《以賦能構(gòu)筑生態(tài),以生態(tài)創(chuàng)造價值,打造線上線下一體化連鎖運營模式》獲中國移動2020年渠道轉(zhuǎn)型最佳實踐評比一等獎。

        猜你喜歡
        命中率門店訂單
        春節(jié)期間“訂單蔬菜”走俏
        門店零售與定制集成,孰重孰輕
        新產(chǎn)品訂單紛至沓來
        德國最成功的洗車門店——Mr.Wash
        從優(yōu)秀到卓越門店需做好12項修煉(上)
        夜夜“奮戰(zhàn)”會提高“命中率”嗎
        2015男籃亞錦賽四強(qiáng)隊三分球進(jìn)攻特點的比較研究
        長江叢刊(2018年31期)2018-12-05 06:34:20
        “最確切”的幸福觀感——我們的致富訂單
        投籃的力量休斯敦火箭
        NBA特刊(2017年8期)2017-06-05 15:00:13
        如何突圍購物中心打造火爆門店!
        亚洲av熟女天堂系列| 搡老熟女中国老太| 四虎影永久在线观看精品 | 麻豆最新国产av原创| 亚欧色一区w666天堂| 999久久久精品国产消防器材| 国产男女乱婬真视频免费| 久久精品国产亚洲av一般男女| 欧美成人精品a∨在线观看| 亚洲美国产亚洲av| 久久99精品久久久久久国产人妖| 青青草视频在线观看绿色| 美女不带套日出白浆免费视频| 日韩av无码成人无码免费| 欧美h久免费女| 精品久久综合日本久久综合网| 国产成人精品a视频| 亚洲中文字幕乱码| 午夜国产小视频在线观看黄| 午夜被窝精品国产亚洲av香蕉| 男女爽爽无遮挡午夜视频| a级福利毛片| 国产亚洲日本精品二区| 国产综合色在线精品| 亚洲另类自拍丝袜第五页 | 国产suv精品一区二区| 麻豆国产AV网站| 国产真实一区二区三区| 国产av一区二区三区传媒| 成人欧美在线视频| 日本加勒比一区二区在线观看| 真人做爰试看120秒| 免费看久久妇女高潮a| 亚洲在线一区二区三区四区| 国产性感丝袜在线观看| 人人妻人人澡人人爽人人精品97| 国产资源精品一区二区免费| 日本人妻高清免费v片| 国产日韩精品欧美一区喷水| 尤物99国产成人精品视频| 在线一区二区三区免费视频观看|