大家好,我是王思雨,我今天的案例分析题目是基于 r f m 模型和 k 君值句类法对电商用户价值分析。 我将从背景介绍和 r f m 建模构建和第三部分 k 均值句类来进行说明。 第一部分背景介绍,从宏观的角度来看,基于互联网近几年的飞速发展,无论在哪个国家或地区,电子商务的发展都非常的迅速,相较于国外,我国的电子商务起步比较晚, 不过这并不影响我国电子商务的迅速发展,因为目前我国电子商务拥有庞大的消费群体以及先进的互联网技术,这 为电子商务的发展提供了重要的基础和动力。电子商务正在成为我国市场经济中的一个重要的经济增长点和新领域,具有无可替代的优势力量。从电子商务发展的现状来看, 我国在该领域正在经历着高速发展变化的过程当中。第二部分进行 rfm 模型的构建, 然后这张图表示的是是否退款的丙图,从图中我们可以看到,没有退款的人占百分之八十七,然后有退款的占百分之十三 啊,退款的人还是占比较少的,购买情况也非常好。之后我们选出没有退款的订单来进行模型的构建。 嗯,分别构建出 r、 f、 m 三个变量, r 变量表示的是每个客户距离购买日期多久没有消费,找出最小的消费距离,而且该变量对于用户价值是成反关系的。 然后 f 变量表示的是每个用户的交易次数,也就是对订单号进行计数,然后, 哦,订单号计数的越多,说明该用户就越有价值,是成正相关系。 m 变量表示的是每个用户的交易总额,也就是付款金额的和,然后该变量也与 客户价值成正向关系,金额越大价值越高。然后下面是嗯计算三个变量的代码, 然后这个表格是计算的过程分,表示计算的结果,分别列出了 r、 f、 m 三个变量计算后的结果之后分别对 r、 f、 m 三个变量的分组进行打分,然后在这张, 然后分别对 r、 f、 m 分组进行打分。本节中我们将 r、 f、 m 三列分别按照各自的平均值划分为两组,并复值为一分或两分。 因为啊变量他与拥护价值是成反关系的,所以说啊变量越大,他就应该打低分,所以啊大于平均值的这个部分要打为一分,小于平均值的部分打为两分。 然后 f 变量与 m 变量是与 r 变量相反的,它与用户价值成正相关,所以它们的值越大就应该达那个高的分数。 之后我们得到之后我们得到了,我们分别得到了只有数字一和数字二的三个变量。下就像下面这张 之后计算 rfm 得分,也就是说把三个变量结合在一起,得到一个最终的 rfm 综合分值的客户类型 一共有八种客户类型分,一共有八种客户得分,分别对应着八个类型,就在下面的这张表当中。之后我们把数据 和 ifm 综合分值客户类型的对应关系合并在一个数据框中,也就得到了一个分组,就像下面的这张表一样。 之后我们对上面得到的 ifm 数据进行一个句类,首先对数据进行标准化,并且根据最小的 sse 原则确定总数量 分别,然后选择最佳的客户类别墅。通过这张图,通过下面制作出的折线图,我们可以看出四和五是 做类别数效果是比较好的,然后我们用四来计算轮廓系数来确定最终的类别数,得到轮廓系数等于零点四七九,他不接近于一,所以我们选择五的最终的类别数进行句类。然 下面为距离结果后画出的条形图,这张图中显示着显示出每组的啊客户数量,可以看到第一组的客户数量最多,第三组的客户数量最少。 之后我们分别提取出这五组的订单量,然后把它们的 f、 r 变量、 f 变量和 m 变量分别做成相形图 看。我们可以看出第一类客户的消费特点,他的 r 值是在负值的部分,然后 f 值也在负值的部分比较低, m 值也在负值的部分比较低, 所以他的三个变量都是比较低的。他为一般挽留客户,这类客户的数量也是最多的, 所以不用耗费太多的精力在促销时发送通知,给予一定的优惠券进行挽回。然后第二类客户,我们可以看到他的 r 值是在一左右的比较高,然后 f 值是比较低的在负数, m 值也在负数比较低, 这类用户属于一般发展类用户,这类用户的数量排行在第二,说明他可能是新用户,也说明二零二二年 拉新的效果还不错。需要频繁的发送优惠券刺激消费,以及通过大数据分析,个性化营销方式来提高其消费的品数和金额。 然后第三类客户,他的 r 值也在负数,比较低,然后 f 值是在正数,比较高, m 值也比较低,他为一般保持类客户,这类客户的贡献率不大。嗯,然后第四类用户,我们可以看到他的 r 值是在零左右,是属于高值,然后 f 也是正数 啊,也是高值,然后 m 也在十以上,是比较高的了,所以这类用户属于重点价值的用户,三个变量的分值都比较高。 然后可以分析出这类用户,呃,可能是属于 vip 用户,需要重点关注,倾斜更多的资源,长期联络,定期回访,一对一的客服服务, 生日节日都要问候,并且赠送礼物。最后一类客户,他的 r 值比较低,然后 f 值是比较高的, m 值也比较高,这类用户属于重点宝石的用户,需要通过 app 推送的方式和发送打折信息的方式来进行唤醒召回。那谢谢大家,我们。
粉丝1105获赞6729

让数据飞起,再让数据落地。大家好,我是安吉。 follow me 一分钟学会用 r f、 m 模型预算一万块钱可以撬动多少 g m v, 带来多少用户呢? 这次活动的用户群体怎么选择?下午给到方案。 rfm 模型从 recent、 c、 frequency、 monetary 三个标签出发,可考虑对每个标签分成高低两个属性,这样会产生二乘二乘二,等于八类用户群体。 针对每类用户执行不同的活动运营方案。 recently 最近一次消费距现在时间用来衡量用户的活跃度,刚刚消费过的用户流失概率越低。随着时间的推移,最近一次消费距现在时间越长的用户逐渐沉寂,召回成本越高。针对刚 消费不久的用户做活动,效果一般不会差。当然还需要结合产品自身的生命周期,比如手机的生命周期在三年左右,属于低频消费品,而水果却属于高频消费品。 frequency 一段时间内的用户消费频次 高频用户对产品更忠诚,对平台有了一定的依赖。针对这部分用户,提升客单价是运营重点。采用多长的时间段来计算用户消费频次比较合适呢? 这个要结合具体产品来定。什么样的用户算高频?关注博主后面的视频,我们会涉及到 monetary 用户消费金额。 用户消费金额是消费频次与客单价的成绩,体现了用户对平台的价值。高价值用户的运营重点是预防用户流失。

今天和大家分享一位资深电商数据分析师工作多年总结下来的常用方法论, 即使你不是分析师,而是一位普通的电商从业者,这些方法论对你也会有所帮助。点个赞!再往下看之后,你很可能还会用到 rfm 模型,通过最近一次购买、消费频率及交易金额三个属性来衡量客户价值以及创造利润能力。 根据不同的用户行为特征来实现用户划分,广泛应用于会员制的差异化策略制定、定制化推送及客户召回等关键环节。用 excel 就能实现相关性分析 购买啤酒的人很有可能去购买尿布,这是一个非常经典的相关性分析案例,这就可以帮助我们去挖掘相关性比较大的商品,从而进行组合销售或者包装陈列。 剧类分析也是实现用户分群的关键方法,但与 rfm 不同的点在于,没有像 r fm 这样明确的标签,经常通过客户购买的商品品类把这些客户划分到一起。剧类分析也是进行客户细分及精细化营销的重要手段。 漏斗分析通常用来研究转化率变化,通过将用户行为列入层层拆解来找出用户离开的关键节点及关键原因。对比分析,比人、比价、比业绩、销量年年争第一, 线性规划折扣定多少,商品上多少,达到目标我们需要卖多少?这些都是求得最优解的问题。

我们都知道做电商,就知道看数据啊,现在数据很透明,你和对手的差距呢,就是在于如何分析数据。那第一大类是市场分析,首先要分析你的市场类型是高频还是低频。第二呢是市场分类,是体量大,利润高,没有竞争的,还是体量小,利润低和竞争激烈的。第三呢是价格定位的分析, 定价是决定体量,也是决定利润,也是决定你和谁在竞争。那偷偷说一句啊,同一个关键词下的筛选平台是没有前任,前面的第四个呢,是趋势节点的分析,入口期、封口期、防守期和退出期都是不一样。 第二大类是竞品分析,首先是竞品人群分析,分析性别,年纪,消费力,搜索渠道价值,推荐渠道价值,关键词的价值。第二呢是行业人群分析,核心关键词的搜索性别和年纪的占比。第三呢,是核心数据的分析,各个渠道的访客和转化率,还有搜索 渠道和转化率。第三呢是图片分析啊,标品是围绕客户痛点和利益点分析,那非标是围绕款式和模特图分析,通过宝贝评价问大家竞品卖点,客户搜索词,客服调研分析产品的卖点。第四呢是标题分析,新品选竞争小,转化率高的关键词。爆品呢,选择流量大,成交多,转化率高的关键词。 第五啊,推广数据的分析,免费渠道呢?分析手套搜索和手套推荐付费呢?分析直通车引领魔方和淘宝客,其中直通车要优先放大点击率和转化率高的关键词,从一个需求词拓展到多个需求词,所有数据的方法和记录都在这里面。

哈喽,大家好,今天跟大家讲一下门店的精细化管理。咱们美业的老板经营门店或者是医院的时候,一定是不能再像以前那样用住房式的去管理门店。精细化管理,它其实包括两个方面,一方面呢是顾客维度的精细化管理,另一方面呢,是科室和项目的精细化管理。 这次呢,主要是跟大家讲一下顾客维度的精细化管理。那顾客维度精细化管理呢?主要是在会员制上面做一个分成管理。 我推荐大家使用啊 fm 这个模型。那这个模型怎么用呢?首先你要明白这个啊代表是什么,其实它就是代表顾客最近一次到店消费是什么时候?那有了这个数据之后,我们把顾客 分为三类。第一类呢,是活跃顾客,就是三十天之内有到你店里来消费的,我们称它为活跃顾客。还有一种就是三十天到一 一百八十天这一段时间都没有到你店里来消费的,我们称他为睡眠顾客。那这批顾客呢?他可能很久没有到你店里来消费了,但是我们认为这一批顾客他还是能比较好的被召回的。第三个呢,就是超过一百八十天没有到店里来消费的,我们称这批顾客为流失顾客, 实际上这批顾客他已经很难再次被召回了。那接下来我们讲一下 f 值,其实 f 值他就是代表我们顾客到店消费的一个频次, 购买的频次越高,说明他对我们门店的这个满意度或者是中程度也是比较高的。那对于 f 值呢,我们把它分为三类。第一类呢,就是新顾客,顾客他到你店里消费低于两次的,我们称他为新顾客,因为这时候顾客他可能对你门店还没有建立起这种信任度。第二种呢,就是成熟顾客到你店里消费已经 有两到十次了,这时候呢顾客他顺其自然,跟你的门店接触率也比较高,然后到店率也会比较高。还有一种呢,就是超过十次的,我们称他为忠诚顾客,这时候顾客对你的品牌或者是你老板的这个认可度肯定也是最高的,基本上这种类似于深度绑定的客户了。 还有一个叫 m 值,他代表顾客在我们门店消费购买的总金额。其实消费金额是我们衡量的一个重要指标,甚至有一个叫帕雷托法则的,我们公司百分之八十的收入都来源于百分之二十的重要顾客。 所以我们一定要去对这个消费金额进行一个分析。那根据这个消费金额每交的差异比较大,比如我们可以设置消费低于五千块等,我们称它为低贡献顾客,那消费在五千到两万这这一个 维度的,我们称他为中度贡献顾客,那超过两万的,我们称他为高度贡献顾客。那么以上说的这三层,其实都是我们对顾客进行一些分层管理,这些在我们后台都是可以设置的。 那设置好了之后呢,再后续的,比如说一些数据筛选,或者是报表,或者是短信群发,我们都可以根据我们分好的这些成对顾客进行一个触打。 如果您对你的客户还没有这种维度的分成维护的话,我建议您联系我们的老师,让我们的老师跟您一起制定适合您门店的客户分成方案。那我们下期见,拜拜。

有粉丝问应该如何去分析同行的数据?首先说一个结论,现在的第三方的插件基本上都已经没有可以用的了,所以说我们直接去利用官方的市场洞察以及看什么数据,今天给你们演示一下 使用方式,非常简单,首先进入到你的参谋,找到顶部的竞争,然后先选择左下角的竞争配置,选择这边竞争商品,然后把你对应竞品的链接复制到这边,点击右边的添加监控, 下一步返回左侧的竞品分析,然后在中间再拦,把你的对手的全标题放进去,右上角选择为一天 这边呢就可以看到他对应的入店关键词,成交关键词以及对应的访客数,下面就是他的流量来源以及下面对 对应的访客数,这边需要关注两个点。首先我们可以直接点击插件,选择一键转化,一般情况下如果一个链接没有怎么补单,那么他的搜索转化率跟直通车转化率两者之间的差值不会过大, 如果一个链接补单很多,那么搜索转化率就会非常的高,直通车转化率就偏低很多。当然如果你是主推爆款,一般情况下你的直通车转化率可以优化的超过手淘搜索这边呢是一天的数据,我们要看趋势,怎么看?比如说我们要看手淘搜索的趋势,找到对应这栏右侧点击一下趋势, 然后我们在这边点击对应的一键还原,那么在这里我们就可以看到这个单品在每一天的手淘搜索这个渠道的分日数据了,同理我们也可以看到直通车,那么我们就取多日分开的去对比直通车的一个 转化跟搜索的转化,如果两者之间接近,那么这个链接以及你的同行就是没有补单的,同样你也可以这样操作。 所以说想要去分析竞品,就一定应用好对应的市场洞察以及指数还原的工具,这边还可以看到单品的汇总,一天之内的所有数据以及他怎么起来的,都可以通过这个渠道去做一个细分分析。 市场洞察你们就用标准版就可以了,没有必要说用这个专业版。然后这个暗面工具箱呢,也有八折优惠码,你们有需要的也可以分享给你。在我的工具表格的最上方就是还有这个礼品代发,你们也都可以拿过去用这个表格,有需要的评论区扣一安排。

数据壶我们在之前呢,其实已经讲过了数据仓库,那数据壶又是一个什么样的东西呢? 简单一点来讲,你可以理解为数据壶是从单个数据库到数据仓库之间的一个中间的状态的一个东西。 因为很多时候啊,一个企业你要去完整的完成数据仓库的建设有一定的困难。 所以呢,数据壶也就有了他的生存的空间。数据壶呢,存了大量的这种可以存取处理的原 原始的一些数据,它对数据的结构化的要求远比这个数据仓库要低。 是这么一个东西。那么这一个东西的诞生有什么样的价值与意义呢? 哎,我们一起来做一下对比分析。自然呢,对这个问题就会有自己的答案了。 首先对比的参照物呢,往往是仓库,因为数据壶呢,它也具备数据量极大。然后完了之后呢,呃呃,有一些特性呢,跟数据库了仓库呢,也比较接近啊,而不是单个的那种数据库的理念呢。 所以呢,首先我们需要了解到的是,呃,像这个数据壶里面, 他既有这一个结构化的数据,也有一些非结构化的数据啊,这个是允许的。同时呢,数据仓库仅支持分析处理, 也就是不去做那些呃常规的一些频繁的事物的处理了。而数据弧是既支持分析处理,也支持事务处理。所以它是一个相对来讲的中间状态。就是这个原因, 好做横向对比的情况呢。数据仓库一般呢是结构化的清洗过的数据, 而数据糊了,会纯原始的以及半结构化的一些数据。从模式上面来讲,一般数据仓库有着非常严格的结构定义,他是先定义好结构,然后再把数据装进去的。 而数据糊了,对这个方面呢,呃,没有太多的要求。呃,他其实就像一个大杂烩,反正呢,你有数据,你就可以先丢进来,至于如何用 啊,以后再去考虑。当然,其实真实这种特性呢,也给数据壶了带来了很多的困扰啊。在实际应用过程中,数据壶呢,也面临很多的挑战啊。但是它的理念就是这么一种理念。嗯, 同时在价值这一方面,一般来讲呢,数据仓库是要求提前就要明确这是有价值的数据,我再存进去。而数据壶呢,并没有这个要求。 数据仓库了,会更偏规范化一些。它会支持这个标准的 cycle 啊,主要是标准的 cycle。 而数据符呢,对接的是一些应用程序和类似于这一个 cycle 的一些程序。 呃,双方的优势了。像数据仓库多数据员的集成,这个应该是很好理解的,就是我们会从多个数据员去抽取数据来,然后呢,去做一些 转换啊,清洗啊,整合在一起。嗯,而且呢,这些数据是经过呃分析处理,加工,然后放进去的。 这样子下来的话,建一个全局的数据仓库,呃,大家都有统一的数据可以去用了。这是数据仓库的特点。而数据糊了, 他有他自身的一些优势。首先呢,无限的扩展性,他没有做一些规范和要求,反正就是一个壶,你什么东西都可以往里面丢 啊。他也支持并行的执行啊,以及呢一些编程的框架,他希望的。呃,这个效果呢,其实跟数据仓库有点不太一样。 呃,他的意思就是这些数据丢进去之后,我既跑应用,也可以跑相应的一些分析。因为很多时候啊,你要很纯粹的说建立起一个分析环境,只做分析了。从实践意义上来讲呢,呃,风险还是比较高的。 呃,建数据仓库了,也难度比较高。所以呢,数据壶的建立的话,嗯,它的成本要低一些 啊,然后随意性可能强一些,就要求规范度没那么高。你可以建立了数据壶,然后进行了一些处理之后,后面呢,再慢慢沉淀成相应的仓库,都是可以的啊。这是数据壶,其实呢,对于我们来讲,是一个相对来讲比较新的概念, 所以呢,深究也不必。但是我已经总结出来的东西了,还是希望大家能够记得。

商业智能 b i b i 呢这个概念呢在近些年还是比较火的, 而且呢 b i 的这种理念呢,不仅仅只是,就是 b i 本身自己在用,像大数据啊,呃,人工智能里面也会或多或少地用到 b i 的一些内容。 b i 呢实际上是一个新瓶装老酒的东西, 因为 b i 的核心组成是这几部分,数据仓库、数据挖掘以及 o l a p。 数据仓库其实很早就有了的,七几年就诞生了的技术 啊,它相当于是一个大的数据池子,然后呢用来做一些呃数据的分析处理啊,因为你如果说要对大量的数据进行分析处理,你没有积累这些数据下来是没有办法去做到的。 所以所谓 o l a p 呢,就是联机分析处理啊,它配套数据仓库来进行的。 是这么一个情况,那商业智能的这一套体系的东西主要用来做什么用呢?就是决策分析, 对企业的数据进行分析,分析了之后呢,得到相应的结论, 让这种结论来支撑我们做一些这一个决策。 比如说非常经典的一个故事,就是呃,数据挖掘领域的一个叫啤酒和尿布的故事, 就是沃尔玛超市通过了这一个对数据的分析研究发现呢,很多人在超市买啤酒的同时会买尿布,嗯, 这两样东西看上去毫无关联,但是呢他出现的概率呢,远比其他的一些订单当中这两类商品的出现的概率要高,所以呢, 我们认为他有内在的联系。好,有了这样的结论之后可以做什么样的事情呢?那我们可以考虑了,把啤酒和尿布哎放在 临近的区域来进行销售,看是不是能够有效的促进销售额。哎,这就是一种决策分析啊,得到一些结论,并且呢支撑做一些商业决策。 在这个过程之中呢,涉及到的数据仓库和 o、 l、 a、 p 呢,我们可以对比普通应用系统开发当中的应用数据库和 o、 l t p 来进行对比分析。那数据仓库 跟数据库有什么样的不一样呢?我们来看到数据仓库了,他其实是从数据库慢慢一步一步衍生过去的。如何衍生过去的呢?你比如说,呃,我们开发一个系统, 是这一个在线测试的系统,供同学们来完成历年试题以及模拟题、章节练习题的练习。 那么系统开发上线之后呢,会发现运行了一段时间之后,很多同学反应这个系统啊,越来越慢了,越来越卡了。但是我们会发现呢,好像什么条件都没有变化啊, 服务的学生人数好像也没有明显增加的情况下,为什么这个系统的效率会越来越低了,哎,一查数据库,发现数据库里面数据量太多了。 那就从做学员测试这个事情来讲,那我需要记录那么多历史数据吗?不需要。所以呢,比较简单的解决方案就是我去删掉三个月前学生的测试记录。 这样子呢,从完成测试这件事情来讲,并没有什么问题,但是我们知道数据啊本身是一种财富,我们把每个人过往的这些测试的数据,把它记录下来, 然后做一些分析,可能就能够分析出不同同学他的薄弱点在哪里,从而做一些个性化的试题,知识点的推送,达到更好的学习效果? 所以呢,那点数据呢?我又不舍得删,那怎么办呢?哎,那我就把这些数据呢放在一个仓库里面存起来,这个仓库既然是纯历史数据的,他还删不删呢? 显然你就没必要去删他了,你本来就是想保存完整的数据是不是? 那这一个仓库做不做业务处理了?要不要频繁去变化里面的数据了?也不用,他就是个仓库,供决策分析, 供查询做这些事情。所以这样子下来,虽然呢,数据仓库是从数据库引进过来的,但跟数据库又有了很多的差别。 嗯,比如说数据库是面向应用的,而数据仓库呢,就是面向主题的。什么叫面向主题呢?什么叫面向主题呢?比如说, 呃,我们这个建设的这个数据仓库了,是针对西塞教育的,那西塞教育了,它里面可以抽出什么主题了?比如说学员主题, 这个主题他可能会从销售系统里面去抽取这个学生, 他的咨询记录,他的下单的记录,从在线测试平台提取他的学习的信息等等, 好把跟学生相关的这些信息整合之后放到数据仓库里面去啊,这个叫做了面向主题,按主题去组织数据。 第二个层面呢,数据库一般呢是零散的啊,一个应用就有一个对应的数据库, 而数据仓库往往是集成的。什么叫集成的呢?就是一个企业往往呢就有一个全局的仓库就行了,大家要的数据都在这里,都从这里 去做一些分析挖掘。普通数据库往往做 c r u d 操作, c r u d 大家知道是什么吗? c 创建, r 读取, u 更新, d 删除就是常规的这些操作。 而数据仓库是不是也是频繁的做这些操作了?显然不是数据仓库了,相对来讲会要稳定一些, 它主要以查询为主,几乎就不做修改和删除,甚至于是完全不做 数据库呢,往往解决当前的问题,而这一个数据仓库是会随时间变化而变化,来反映历史演变的一些情况,并且呢, 可以做一些未来趋势的一些预测,所以呢,数据库和数据仓库其实对比起来还是有明显的差异的啊,嗯, 这一点呢,请大家注意。呃,我这里呢列出这个数据库的一些特性呢,主要是为了大家呢,记得数据仓库的一些特点,因为数据仓库呢,有可能直接出题, 整个数据仓库的体系了,就会是这样的一种局面, 最初的源头呢是数据源,数据源中抽取数据,并且做清理, 注意清理是干嘛呢?比如说驱虫,比如说统一格式,做这样的一些事情,就是 对数据的简单的一些加工处理,让数据的格式,一些规格统一起来,以便呢能够做相应的数据仓库的整合。 第二个层次就是数据存储的层次了,就是数据仓库,呃,以及了数据集市,数据集市了,其实是小一号的数据仓库,注意这里的数据集市不是小的数据库啊,是小的数据仓库, 部门级的数据仓库。再呢,通过 o l a p 来进行一些分析处理,分析的时候呢,记得 o l a p 啊,是一个多维的这一个数据空间,所以呢, 他一般呢需要进行上卷啊,下钻啊,旋转啊之类的一些分析,这种方式来分析数据, 前端呢,就会有一些查询报表,数据分析、数据挖掘之类的。那么提到数据挖掘,数据挖掘呢,一般是利用 隐藏的知识做分析和预测。呃,怎样理解呢?就是数据里面到底有什么样的关联?呃,有什么样的有价值的信息,连人都不知道, 人类所未知,然后通过了机器找到了这种规律。哎,这就是数据挖掘,像我们刚才讲到的啤酒和尿布的故事 就是那么回事。那么数据仓库建立的是一个数据环境,呃,真正要找出内在的一些规律性的东西呢,还是要用到数据挖掘。 数据挖掘呢,有多种方式去挖出一些有价值的信息,比如说关联分析,就是非常常见的一种形式,大家应该也有这种体验。哎,比如说我们去网上买个什么东西,假设买了个手机, 接下来你在很多网站你可能都能够看到广告栏在给你推销他们的对应手机的这个 钢化膜,推销手机壳之类的东西,是吧?因为他知道你买了这个手机,然后有这种需求,所以呢,给你做关联分析,做推荐。 嗯,这是这样的一个情况。呃,序列模式了,没什么好讲的,主要就是因果关系了,前因后果了。分类和句类值得我们注意一下, 分类分析呢,是为每一个记录赋予一个标记,然后呢再按标记分类,而句类是分类的逆过程,这样子看下来呢,是毫无感觉的, 毫无感觉的。所以呢,我们用一个例子来说明一下分类和句类是什么关系。比如说我这里有一堆的球 球,然后呢,我也知道篮球长什么样子, 足球长什么样子,排球长什么样子,接下来我们把篮球分到一起, 哎,有两个篮球,把足球分到一起,有三个,足球,排球有两个,哎,这样子,我明确知道每个球叫什么名字,并且呢把他们分开重放,那这个呢,叫分类分析, 分类分析好,什么叫剧类分析呢?还是这一堆球?但是呢,我是个文盲,我不认识足球,我也不认识篮球啊,也不认 认识排球,这些东西对于我来讲都是未知的,但注意我不是白吃,我只是不不认识他们而已,我没见过。所以呢,我可以怎么干呢?我可以把相同样子的球放到一个框子里面, 比如说我看到有两个球都长成一样的,我把它放在一个框子里面,哎,这三个球,哎,长成一样,放在一个框子里面,哎,还有两个一样的放在一个框子里面,我先把他们按相似的这种这种环境呢,把它 放在一起来,再给每个框子定个标签,比如说这个是大号球啊,这个是呢,比较厚实的 一种球,哎,给他取不同的名字,这个叫句类分析啊,明白我意思没有?就分类呢,是我知道,明显知道这个叫篮球,那个叫足球,这其实就是先给了一个标记,再按标记来分类。 而句类呢,我是没有给他标记,我只把相同的先搂在一起,再去给他命个名。 好,这就是分类和句类分析。所以呢,数据仓库、数据挖掘 o l a p 整合起来形成的商业智能 b i 了,就解决了这个 一系列的一些商业问题,能够供我们决策分析用,所以呢,里面的数据挖 觉仓库这些技术了,也被充当这种就是,呃,决策分析的技术。在使用 好了解了这些信息之后呢,我们来看到一个练习题,商业智能是指利用数据挖掘、知识发现等方式来做什么什么事情?以下哪一个不属于商业智能? 不属于商业智能?某大型企业通过对产品销售数据进行挖掘,分析用户的偏好。 哎,很明显,这里面就会有数据挖掘的动作吧,数据挖掘本身就是属于商业智能的一部 部分,所以呢,它应该属于商业智能。 b。 某大型的企业查询数据仓库中某种产品的总体数量 a, 它这里有没有复杂的数据分析的动作? 其实是没有的吧,只是简单的查询。所以呢,先放一放。 c 某大型购物网站通过分析用户的购买历史记录,为客户进行商品推荐, 会涉及到历史记录的分析吧,会涉及到推荐的内容吧,所以呢,有商业智能的成分有商业智能的成分。某银 行通过分析大量股票交易的历史数据作出投资决策 也是类似的吧,所以呢,只有 b 选项,只做了一个简单的查询动作,其他几个其实都是针对历史数据有详实的分析的, 并且呢,呃,用来做支撑决策用途。所以呢, a、 c、 d 都属于商业智能,但是 b 不属于 商业智能。系统的处理的过程包括四个主要的阶段, 预处理。通过什么实现企业 业原始信息的初步整合 通过什么方式来完成?初步整合应该是抽取、转换以及装载吧,是不是也就是 e t l 吧?嗯, 建立数据仓库后是后续数据处理的基础,因为它提供的数据源是不是?数据分析是体现智能系统智能的关键主要采用什么和什么技术? 前者能够实现数据的上卷下转以及了旋转分析, 后者利用隐藏的知识预测发展趋势等等。哎,这很明显呢,我们做数据分析这个层次呢,就是两大技术,一个呢是数据挖掘,一个呢是 o l a p ol a p 呢,我们知道它叫连击分析处理,是一个数据立方体性质的东西,所以它需要什么上卷下转、旋转分析之类的。 所以呢,前面这个呢,应该是年级分析处理,而后面这种呢,应该是数据挖掘。

我告诉你一个最近操作起来的一个案例,然后呢,一周时间就是手套搜索流量破千了。然后他是一个什么样 c 店实木床的客单价呢,差不多是在七百到一千块钱的。 然后呢,我们说一下啊,这七天就说前面七天他是怎么做的啊。第一天呢,是五单,手淘扫一扫呢,是三单。然后呢,淘米米,其他是两单啊,全部是进行收藏加购以后才继续下单的。 这是第一天五单,第二天是十单,十单里面手淘扫一扫是八单,淘米免费,其他是一单。还有一单的话,搜索半标题下单的。这个半标题很长的,差不多就是标题下单。第三天的话是二十单,扫一扫的话,差不多是扫一扫是十五单。 然后呢,那个弹力免费,其他的话是四单。另外还有一单也是之前那个半标题。操作做了 第三天呢,这是第三天啊。第四天呢,是三十二单,三十二单的话,扫一扫是二十单。 然后呢,呃,他的免费,其他的话是五单。还有两单的话是。呃,搜索全标题的,还有五单,搜索半标题,半标题的话是五个半标题,每个标标半标题一单。 这一共是三十二单。第五天就入此了。第五天流量已经搜索流量已经破百了。然后呢,展现出来很多,呃, 精准词也有啊,这种杂七杂八的词也有,什么词都有。然后每个词呢是基本上都在两个访客或者一个访客,两个访客这样子,但是有好几页。这第五天已经入词了。头部呢,呃,关键词呢,基本上在每个词在 十几个到二十几个这样,一个有两三个这样的词,十几个到二十三二十几个这样的访客的一个量。这第五天,这说明已经入词了。然后呢,第五天怎么操作呢?第五天的话是做了四十单, 呃四单的话扫一扫和呃淘米米其他的各期单。然后呢,那个搜索单的话是二十六单。其中呢主要是嗯就头部的这些精准词啊,共是十单。然后呢,标题的话是做了十单,就是 就整个标题做了十单,半标题是做了六单。半标题指的是分散的好几个半标题,每个标半标题做一单做六单,一共是四十单。第六天的话,他是做了六十单。然后呢,那个扫一扫和呃他的免费 他各八单。然后呢,搜索单的话是四四单啊,其中呢,前面两个精准词的话是各呃十单。这个精准词指的就是标题最前面的那一段啊,那个精准词各十单。 然后呢,那个其他都是半标题完成的。半标题的话有很多很多他全部都做半标题,他不做那个呃展现出来的词就做半标题,有很多,剩一个多规的半标题吧。呃差不多。半标题的话,加标题加起来的话有十几个这样的词,每个词差不多一单。 这是第六天。第七天的话流量是在就搜索访客是在一千两百多了,已经搜索访客一千两百多。然后第七天他单量的话增加了,比前一天增加了百分之十。其中呢,搜索单量的话比前一天增加了百分之二十。在原有的基础上进增加了啊。比如说 呃头部的词的话是十单,那么这一次增加百分之二十九十二单啊,这因为呢基础上增加,然后剩余的宝物为非收单,剩余的就只要搜索单全部做完了,剩余的就会非收单,这个单量就会非收单了。 呃,搜索单的话,词也都是平均分配的,除了头部两个词以外,其他词都是平均分配的。然后呢,一共是就是比前一天单量增加百分之十。第七天呢,单量比前一天的增加百分之十,其中呢,搜索单量的话增加百分之二十, 然后呢,其余的都给了费收。头部的两个就是主要的精准词。增加了百分之二十的单量以后,剩余的单量都给了一些半标题, 半标题的话基本上是每一个半标题的话是给了一单左右,全部都是半标题,不做那个系统给我们推荐的词。然后剩余的话就给了是非收的嘛。非收的话还是两个入口,一个十扫一扫和一个 还有免费其他。然后呃,第七天的话,他的流量已经达到了一千两百多的搜索访客了。这个时候我们就要考验宝贝本身的一个真实转化能力了。如果后面后期呃真实转化能够上来了,真实转化比较,因为一千多的搜索访客肯定有真实转化了, 转化上来了,那么逐步的稳定单量不需要增加了,稳定了两三天时间,如果真的转化还不错的,那么逐步的减少你的搜索单词。首先不是减搜索单词,首先是减非收单词,再减搜索单词,逐步把整个补单量给往下减,缓慢的减下来。

思域运营专业名词思域沙漏模型 aa 二二模型二 fm 模型 二零思域沙漏模型沙漏模式是一个完整的良性的闭环,从用户的吸引、用户转化、用户留存、用户复购,再到分享裂变, 是一个完整的客户关系管理的过程。只有这样,企业才能有沉淀客户,让客户产生复购,最终形成品牌二幺。 aa 二二模型。 aa 二二模型是私欲流量运营中最为常见的模型之一, 从获客、激活、留存、变现、传播五个流程,帮助商家从公寓中挖掘新流量,建立自己的私域流量尺。二二二 fm 模型二 fm 是衡量用户价值常用的工具。二 sisy 表示客户最近一次交易 与当前时间的间隔。 ffrquyanzyy 表示客户的交易频率。 among the terry 表示客户的交易金额。欢迎点赞收藏,并欢迎随时交流评论区免费解答相关问题。

所有的电商学习本质上就是学七门课,我把它打出来啊。第一个是数据分析嘛,产品优化,然后活动营销、自然搜索、超级推荐、直通车、超级转转。 学电商的话,他是有一定的顺序的,你们不是说一定要产品好吗?产品好就是如何去分析行业,分析竞争对手,分析竞品,找到蓝海,这个蓝海呢就是数据分析做的。 第二种呢叫产品优化。产品优化最应该谁去学呢?就是那种标品去学,比方说我卖手机,你也卖手机,我们他妈手机是一样的。那 在这种情况下,外观的产品是无法发生改变的,但是主图和描述是可以发生改变的,然后包括买家秀,包括问大家,都是可以发生改变的啊。就讲一个很简单的细节,就是如果你非常会用问大家这个工具,你的转化率 也会提升。然后活动营销是什么呢?活动营销就是你能不能做到零,销量破零,然后呢?每次做大促的时候,我能不能让我的客单价翻倍,那我能不能竞争对手卖个东西,我也卖个东西,我转化率永远比他高啊?活动营销 上面的三个课程呢,是基础课程,也就是说如果你的产品不会选,你的产品不会优化,你也不会做营销,那你做电商其实是很困难的,因为你没有竞争力。 下面自然搜索是你们所有人最希望得到的东西,但是恰恰你们不去学习它。然后超级推荐是用来干嘛的呢?是用来打标的啊。女装行业最应该做超级推荐,因为 女人看东西是先看不买啊,打标打了标以后下次再看免费搜索,所以超级推荐,在部分类目里面会比直通车好。然后接着就是直通车,直通车我用一句话就可以把讲明白,零销量开车,所有的车可以 以往不亏钱的方向去开,然后超级转转,只有一句话就是如何抢同行订单,通过活动营销,别人卖这个东西,我也卖这个东西啊,但是我可以把竞争对手的客户拉到我的店铺里成交啊。 所有作弊刷单的人最怕什么呢?最怕钻石展位,因为只要他的行业里面有一个人会开转展,然后定位他,精准的对他投放广告,那他的生意就会变得很差。所以你会发现一件事情啊,就是做电商,其实他是一个流程化的工作,他是有一个完整的系统, 所以呢,他会从找产品,然后到优化,到活动营销,到自然搜索,一系列向后的听电商干货,看爱上黄昏。