数据挖掘系列篇之会员分析

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。

产品表现出来是

而会员个性化营销更多的就是给这些你掌握的不同人群定制他们专属的服务。比如说我是一个不怎么出险的车主，理论上就应该享受到更多的车险优惠福利。亦或是我是VIP白金会员，就应该享受到更高的折扣优惠和更多的权益。这样才能刺激用户向你希望的价值更高的会员发展。

围绕会员价值的数据挖掘有很多，会员价值包括历史价值、当前价值、影响价值和未来价值。比例大致在2：5：1：2 。所以当你在给会员价值打分的时候，需要结合他多方面的影响来权重考虑。