数据挖掘系列篇（2）：会员分析

说到数据挖掘，就不得不说到会员分析。老生常谈的问题，包括会员分级、用户画像、会员个性化营销、会员价值挖掘等等。而现在围绕会员的运营模式也在发生着变化，从过去做产品，到现在做会员服务，从P到S的转变势必会需要介入数据来挖掘会员的特征、习惯、活跃、忠诚度等。凡是接触到会员分析这块，都会谈到会员分级和忠诚度这些话题。至于为什么从零售到金融，从线下到线上都在谈这个，原因也是因为20%的客户创造了80%的价值。我们要从海量的会员中挑出这创造价值的20%，给他们更好的服务。他们是我们最忠诚的用户，是我们的沉淀用户，是我们品牌口碑宣传的关键。这部分会员表现出来的特点就是高频高消费高活跃度，不需要花太大的成本来推广，作为商家可以花更多的时间在服务上。

先来说说会员分级，不管是QQ会员、还是taobao会员、亦或是京东会员等，都是希望用户能够从最底层的潜在用户发展到VIP会员，刺激用户的消费，提高用户的忠诚度，通过一些bonus的offer来吸引。

如QQ会员：

QQ会员在原有通过累积活跃天数来获取相应QQ等级增长的基础上，还可以根据会员等级来加速QQ等级的增长。即是能增加每天的在线时长，从而累积更多的活跃天数，获得更高的QQ等级。

更灵活的QQ等级成长制度，更快的QQ等级成长速度，仅供QQ会员用户尊享！让您获得更多回报，QQ等级快速提升！

淘宝会员：

淘宝的消费者会员等级是以交易为基础的，1元=1分，不同分值对应不同的会员等级。会员等级越高，能享受的特权越多，包括购物、服务、生活等。另外，基于网购行为，淘宝匹配设计了简单的勋章成就，作为虚拟自我价值的体现，在淘江湖等社区中，等级和勋章可以体现一个人的购物经验，以得到更多人的认可。与其他网站不同，淘宝的会员等级是按照0.25%/天衰减的，这也是激励用户稳定消费的一种手段。

与其他UGC类网站不同，淘宝的消费者成长体系围绕“交易”这个核心打造。一手抓交易经验的积累，以会员等级体现;另一手给实际的让利优惠，以积分体现。这种成长体系对留住优质用户，增加网站粘着度和氛围起到了积极的推动作用。而在卖家成长体系中，淘宝可谓B2C类的典范，但即便这样，也无法杜绝卖假货、刷信用等问题的存在，甚至这些问题成为了C2C与B2C的核心劣势。这也是淘宝强化天猫商城的根本动机。

再比如京东，京东商城的会员等级划分为4个，从低到高分别是铜牌会员、银牌会员、金牌会员和钻石会员。不同等级都需要不同的成长值。成长值达到2000就能成为银牌会员、成长值达到10000就能成为金牌会员、成长值达到30000的就成为钻石会员。

成长值是会员升级的重要依据。那么我们可以从平时的登录、购物、购物天数和购物的评价以及晒单来获取不同的成长值。

1、登陆：每天登录一次可以获得5个成长值。

2、购物：购物成长值的获取以结算金额X购物行为评级倍数的计算方式来获取。

3、购物天数：一个月内有三天进行购物，且订单已完成的次月可以获取100成长值。

4、评价：购物完成后，对产品进行评价，评价审核成功后可以获得20个成长值。

5、晒单：在京东中对产品晒单，前5名晒单的客户可以获得20个成长值。

而像其他的微博、人人网、豆瓣等各类网站基本上都是类似。通过不同的会员分层，来彰显你与众不同的身份和地位。

如果你是做数据的，现在还把很久之前的RFM模型搬来套的话，难免有些老掉牙了。但RFM却为我们打开会员分级的大门，所以我们还是要感谢RFM。

再谈到忠诚度的问题，话说会员分级要针对什么来做的，首先你要是个大平台，你如果是个不知名的网站，我在上面是个至尊VIP又能怎么样。如果你不能让会员得到他需要的面子的问题，那作为小平台我们就不用做会员分析了吗？没错，你总得让会员先留下来吧。

整个会员的生命周期发展规律或者产品也是，都遵循从潜伏、到活跃、到顶峰、最后逐渐的流失。

数据挖掘在这过程中，先找出我们的潜在用户，什么意思，就是可能会用我们业务的用户。比如你推车主业务，前提是我要有车吧。比如你推理财产品，前提我有资金。

找到这些潜在用户，怎么挖掘他们的价值。这里面主要涉及到关联分析，所使用到得营销就是向上营销和交叉营销。

向上营销（Up Marketing）：根据既有客户过去的消费喜好，提供更高价值或者其他用以加强其原有功能或者用途的产品或服务。

交叉营销（Cross Marketing）：从客户的购买行为中发现客户的多种需求，向其推销相关的产品或服务。

计算关联规则挖掘中的2个关键指标

——支持度（Support）和置信度（Confidence）：

支持度=购买了A和B商品（集合G）的人数/所有购买过商品（集合U）的人数

置信度=购买了A和B商品（集合G）的人数/购买了A商品（集合A）的人数

得到这两个指标之后，需要为这两个指标设立一个最低门槛，即最小支持度和最小置信度。因为在用户的购买行为中，购买A商品的用户可能不仅购买B商品，还购买了C、D、E……等一系列商品，所以我们需要分别算出所有这些组合的支持度和置信度，只有满足比如支持度>0.2，置信度>0.6的这些商品组合才可以认为是有关联的，值得推荐的。

对于活跃的用户，我们需要掌握好他们的消费RFM（时间、频次和金额），给他们的offer响应的转化率相比较潜在用户会轻松超出很多。常见的数据挖掘中应用到得是预测LR、RF，根据过往他们的消费历史数据来训练。

而针对流失的用户我们需要不需要挽回呢？我们之前零售测算过的成本发现通过挽回用户的方式得不偿失，成本很高。相比较潜在和活跃用户，流失用户是累觉不爱。比如我挽回他，需要5元，而他创造的价值可能就只有1毛。像关注公众号类似，我已经添加关注了公众号，并关注了一段时间，最终取消关注的情况大多是真心不爱。你再挽回有些强扭的瓜不甜。

会员画像：

会员画像就是一堆标签库。