第三章：数据化运营中常见的数据分析项目类型

3.1目标客户的特征分析

数据化运营的第一步（最基础的步骤）就是要找准你的目标客户、目标受众，然后才是相应的运营方案、个性化的产品和服务等。

在目标客户的典型特征分析中，业务场景可以是试运营之前的虚拟特征探索，也可以是试运营之后来自真实运营数据基础上的分析、挖掘与提炼，两者目标一致，只是思路不同、数据来源不同而已，另外分析技术也有一定的差异

3.2目标客户的预测（响应、分类）模型（核心是响应概率）

这里的预测（响应、分类）模型包括流失预警模型、付费预测模型、续费预测模型、运营活动响应模型等

根据建模数据中实际响应比例的大小，响应比例小于1%的作为稀有事件响应模型来处理，其他作为普通响应模型

3.3运营群体的活跃度定义

活跃度定义两个基本点：

• 活跃度的组成指标应该是该业务场景中最核心的行为因素
• 衡量活跃度的定义合适与否的重要判断依据是其能否有效回答业务需求的终极目标

活跃度的定义统计技术主要有两个：

• 主成分分析：吧多个核心行为指标转化为一个或者少数几个主要成分，并最终转化成一个综合分数，来作为活跃度的定义（取主成分分析的特征根和累计方差贡献率）
• 数据的标准化

3.4用户路径分析

路径分析常用的分析技术有两类：一类是有算法支持的，另一类是严格按照步骤顺序遍历主要路径

3.5交叉销售模型

• 按照关联技术（购物篮分析）
• 借鉴响应模型，为重要商品分别建立预测模型，对潜在消费者通过这些特定的预测模型进行过滤，然后针对最有可能的前5%的消费者进行精确营销推广
• 借鉴预测响应模型，让重要的商品两两组合，找出最有可能消费的潜在客户
• 通过决策树清晰的树状规则，发现基于具体数据资源的具体规则

相应的建模技术主要包括关联分析、序列分析，即在关联分析的基础上，增加先后顺序的考虑，以及预测（响应、分类）模型技术等

3.6信息质量模型

.....

3.7服务保障模型

.....

3.8用户（买家、卖家）分层模型

3.9卖家（买家）交易模型

3.10信用风险模型

3.11商品推荐模型

3.12数据产品

3.13决策支持

原文地址：https://www.cnblogs.com/jp-mao/p/9784827.html