作者：hooly
微信公众号：一口袋星光
通过真实用户拿到真实数据，然后抽离出虚拟模型。
用户画像是真实用户的缩影
构建用户画像
用户基本信息：性别、年龄、职业、兴趣爱好、住址...
用户行为数据：注册、登录、收藏、购买、退货、评价......
通过真实的用户数据，推测出用户的标签：
用户频繁购买电子产品（算法）->电子发烧友；
这样可建立用户的偏好模型，另外还有许多模型：忠诚度模型；活跃模型（未激活、活跃、沉默、睡眠、流失）；价值模型-RFM模型；购买力模型；冲动指数模型等等......
我们得到了什么？
1.各个模型下各类型、各分层的用户集合。有了这个用户集合，我们可以做一系列的分析，以及运营玩法。比如商城有昂贵的、高端的科技新产品时，应该首先推荐给【电子发烧友、高贡献值】的用户。
2.针对某个用户或者某一撮用户，可以使用不同维度（不同模型）下的的标签来描述他。当我们要针对性的运营某一撮用户的时候，我们可以快速抓住这些用户的特征（标签），采用合适的策略，推荐哪些商品，哪类活动优惠。
常用模型介绍：
1.用户价值模型-RFM
-体现用户对网站的价值对提供用户留存率非常有帮助-使用RFM实现用户价值模型参考指标 - 最近一次消费时间（Recency） - 消费频率（Frequency） - 消费金额（Monetary） -RFM 实现用户价值模型计算方法-使用指标：租金一次购买时间，近180天购买订单量，近180天购买金额，分N段进行RFM分数计算- 算出Recency_score,Frequency_score,Monetary_score,然后划分用户群
2.客户活跃模型：
客户一般的活跃状态：1.注册未购买（只注册未购买，多事第三方登录）2.活跃（可以细分为高频，中频，低频）3.沉睡（近90天无购买，近60天无购买）4.流失 （近90天无购买，曾经购买）
3.用户忠诚度模型：
用户忠诚度：1忠诚型用户2偶尔型用户3投资型用户3浏览型用户5未识别构建：1，只浏览不购买，2购买天数大于一定天数3，购买天数小于一定天数，大部分只有优惠彩购买 等
4.用户购物类型模型：
两种归类： 用户购物类型：1，购物冲动型，2海淘犹豫型3理性比较型4目标明确型5未识别。 构建：1，计算用户在对三级品类购物前流量时间和浏览sku数量；2，kmeans聚类。
5.-指数模型
-败家指数
- 使用购买特征山炮数量来识别（刚出的苹果产品，奢侈品）
- 结合用户的订单金额。
-冲动指数
- 使用特征商品（同品类价格较高商品）平均购物车停留时间
- 结合特征商品（同品类价格较高商品）的购买数量
常用建模算法：
聚类算法：Spss里面的聚类分析主 要有两种K-means聚类和系统聚类。也可以在数据仓库中根据顾客购买的商品属性进行会员的聚类分析，这里就不需要算法的支持，只需要根据系统的已经有 的商品分类，把购买过相同商品类别的顾客划分到一起。这种方法可能与公司的业务更加贴近。聚类分析是进行会员精细化管理，精细化营销的基础。
使用方法：对顾客细分，精准化营销。
后面会陆续介绍更多的建模方法的简单思路，以便大家深入了解。
作者：hooly
微信公众号：一口袋星光
我会在微信公号上持续更新我的文章，你来讨论我很欢迎。
