撩得来新客圈得住忠粉！大数据要这么玩

老y · 发表于 2016-4-5 19:20:04

马上注册，参加淘宝培训。加入培训群：

您需要登录才可以下载或查看，没有帐号？立即注册

x

马云曾经在一次演讲中说道：“人类正从IT时代走向DT时代”。
　　DT（数据处理技术）是以服务大众、激发生产力为主的技术。DT时代下的店铺营销是指通过大数据获取对象的喜好，行为偏好及行为预测，对不同对象进行不同营销。
　　简单来说，你需要定向的目标人群，让你的钱花的很有价值，可以有效的提升营销效果，也可以持续性的将店铺经营下去。
　　什么样的数据可以帮助店铺营销？御膳房数据主要有两方授权数据和三方授权数据。两方授权数据就是只需申请，御膳房授权的无具体店铺信息的数据，这部分数据就是你需要找到新客户资源，这可能来自你的竞争者，满足店铺拉新需求。三方授权数据是需要商家与御膳房同时授权才可使用的店铺行为数据，是你客户的数据，买过收藏过浏览过你的产品，对他们进行分析、定向，实现二次购买。
　　这些数据可以帮助店铺进行拉新和维旧工作：
　　1.用户分布分析
　　分析的目的是明晰各种行为用户之间的转化，随机抽样某店三天的用户数据进行分析, 结果见表1、图1所示。
　　表1为某店铺三天用户的行为分布：

　　图1为历史仅浏览用户与历史收藏或购买用户在各人群中分布：

　　从上述表格及数据分布可知，历史只有浏览行为的用户占历史很大的比例，约83%，但用户在收藏、下单行为上的数据量分布比例却小于50%。因此可以考虑将两种类型的用户在建模时分别处理。
　　2.基本特征分析
　　基本的特征主要对各个行为分别从下面三个维度分析：历史最近一次行为距今的天数、行为次数、行为天数。
　　分析的主要目的是确定确定在当日有该种行为的用户的分布和历史该种行为用户的分布是否有显著的区分性。
　　2.1 历史仅浏览用户
　　对于历史只有浏览行为的用户主要分析了当日访问用户和整体用户的５个维度的主要特征：最后一次访问距今天数、访问商品数、访问店铺天数、平均浏览商品数、平均浏览次数。
　　图2为整体用户与当日访问用户在各维度特征上的累计百分比分布，其中的曲线分别是四种特征的当日访问用户和整体用户的累计百分比曲线，纵坐标为该项特征值，横坐标为累计百分比。

　　从上图的特征曲线我们看到最近一次访问距今天数特征对今日访问用户与整体用户的区分能力最强，而简单的浏览商品数和浏览次数则区分能力较弱，平均浏览次数有一定的区分能力。
　　2.2 历史不只有浏览行为用户
　　对于历史不仅有浏览行为的用户主要从搜索，收藏，下单三种行为角度去分析，分别分析了这三种行为的最近一次行为时间，行为次数两个方面。图3是这三种行为特征在当日访问用户和历史整体用户各个值分布的百分比累计值曲线。

　　上图同样说明了最近一次行为（购买、收藏、搜索）发生距今天数的特征对整体用户与当日访问用户的区分能力较强，反之行为（购买、收藏、搜索）发生次数对两者的区分力度不大。
　　分析了这么多，大家也许会问：那上述的这些分析结果能给店铺的营销带来什么指导意义呢？在钻展投放中，若将当日访问用户作为我们的目标用户，那么最近一次行为（购买、收藏、搜索、访问）距今天数这个维度可以帮助我们很好的圈出目标人群。例如图2中最近一次访问距今天数在40天以内的用户占整体用户约24%，但却占当日访问用户的70%多。同时通过了解不同人群在各个特征维度上的分布能有效帮助我们剔除掉异常用户，细化人群，从而构建更加精准的算法模型。
　　3、店铺拉新分析
　　店铺营销经常会涉及到广告的定向投放，而在广告投放过程中最关键的两个问题，一是店铺维旧，需要预测出哪些客户近期会有店铺行为（浏览，收藏，购买）；二是针对店铺拉新时，需要预测买家近期的购买需求。
　　通常影响买家的购买决策因素大多有以下几类：1、买家对商品的偏好，主要表现在买家搜索、浏览、收藏、购买的商品对象本身的属性特征上。其中又以搜索行为更能体现买家需求。2、商品的价格，优惠力度，买家的评价指标，如好、中、差评占比。3、店铺本身的运营状况，月销量，客户体量等等。因此，买家的购买偏好可以从其全网的行为数据中体现出，而店铺中各商品的属性、销量、收藏量、评价数等可以体现店铺的风格类型、价格类型及店铺的hot程度。
　　考虑到这些，可以从店铺的多类型数据中提取出店铺的属性特征向量，从买家的全网记录数据中抽取出买家的购买需求特征向量。通过计算两者间的余弦相似度作为买家对店铺的兴趣度。相似度越高说明买家与当前店铺的匹配度越高，买家对店铺的兴趣度越高。图4中可以看到，越接近1，相似度越高，分布的客户越少，整体客户分布呈现一个正金字塔分布。