AI产品养成（6）： 用户生命周期管理+ 复购率提升
2023-04-26 19:14:51 1 举报AI智能生成
AI产品养成（6）：用户生命周期管理+复购率提升
作者其他创作
大纲/内容
复购率
复购率 = 重复购买人数 / 总购买人数
销售额 = 流量 × 转化率 × ARPU（客单价） × 复购率。
提升复购率就是提升盈利能力
如何提高复购率
用户分层
通过用户生命周期管理
来激发新用户的加入、
激活老用户的复购，
进而提升客户的转化和留存。
通过用户生命周期管理
来激发新用户的加入、
激活老用户的复购，
进而提升客户的转化和留存。
商品分层
商品品类的不同对用户复购会产生的影响
商品品类的不同对用户复购会产生的影响
构建用户复购模型
找到用户特征与商品品类之间的关联关系，
再通过分类算法计算出某个用户在品类下的 CVR
找到用户特征与商品品类之间的关联关系，
再通过分类算法计算出某个用户在品类下的 CVR
用户生命
周期管理
周期管理
什么是
用户生命
周期？
用户生命
周期？
用户在使用一个产品或服务的全过程，
从了解、试用、使用，到停止使用的过程。
通过用户生命周期模型可以描述不同阶段的特征和用户行为，帮助企业制定相应的运营策略，以提高用户留存率和付费率。
从了解、试用、使用，到停止使用的过程。
通过用户生命周期模型可以描述不同阶段的特征和用户行为，帮助企业制定相应的运营策略，以提高用户留存率和付费率。
生命周期的
整个过程
整个过程
低潜期和引入期
:加强品牌推广、提供优惠活动、提升用户体验等方式吸引用户，并在这个阶段获取用户的数据。
:加强品牌推广、提供优惠活动、提升用户体验等方式吸引用户，并在这个阶段获取用户的数据。
高潜期和成长期：
用户对产品或服务的兴趣和依赖度会逐渐增加，
需要持续推出新功能、提升用户体验、提供专业的支持和服务等来稳定用户，并挖掘用户潜力，根据用户偏好和需求做出相应的修改和改进。
用户对产品或服务的兴趣和依赖度会逐渐增加，
需要持续推出新功能、提升用户体验、提供专业的支持和服务等来稳定用户，并挖掘用户潜力，根据用户偏好和需求做出相应的修改和改进。
成熟期和衰退期:
用户对产品或服务的兴趣和依赖度可能降低，
提供有价值的付费功能、精准的推荐等方式刺激用户继续使用并购买，或者是推出新的升级版产品或服务，以保持用户关注度。
用户对产品或服务的兴趣和依赖度可能降低，
提供有价值的付费功能、精准的推荐等方式刺激用户继续使用并购买，或者是推出新的升级版产品或服务，以保持用户关注度。
流失期：
用户已停止使用产品或服务，需要寻找原因并改进问题，例如主动与用户沟通、增加用户参与度、提供更好的客户服务等，以留住用户或吸引其他潜在用户。
同时对于流失用户还可以调查原因、了解用户不满意的地方进行优化，防止类似问题再次出现。
用户已停止使用产品或服务，需要寻找原因并改进问题，例如主动与用户沟通、增加用户参与度、提供更好的客户服务等，以留住用户或吸引其他潜在用户。
同时对于流失用户还可以调查原因、了解用户不满意的地方进行优化，防止类似问题再次出现。
如何划分
用户生命周期
用户生命周期
基于聚类分析定义用户分层，
也就是基于聚类分析的 RFM 用户价值划分
也就是基于聚类分析的 RFM 用户价值划分
基于阶段规则定义用户分层，
分别是低潜期、高潜期、引入期、成长期、
成熟期、衰退期和流失期
分别是低潜期、高潜期、引入期、成长期、
成熟期、衰退期和流失期
预测用户复购
意向的模型
意向的模型
数据准备
数据源来自哪里？
即数据如何获取，这里包括内部业务数据、跨部门集团内数据、外采数据
即数据如何获取，这里包括内部业务数据、跨部门集团内数据、外采数据
数据量是否充分，是否还要外部数据补充？
数据是原始数据还是加工后的数据？
如果是二次加工后的数据，还需要了解数据加工方法。
如果是二次加工后的数据，还需要了解数据加工方法。
数据的业务背景是什么，其中每个字段代表什么含义？
数据字段是什么类型？每个字段都属于什么分布？
数据本身是否有噪音，是否需要进行清洗和降维？
特征工程
对数据准备环节中抽取出来的样本数据进行数据清洗、特征提取和特征选择，并最终构建好用于模型训练的训练集和测试集数据。
统计用户历史行为
对用户历史行为按照 userpin 进行分组，
然后统计用户在所有店铺中，
对商品、品类、品牌的购买、点击、收藏和加购等行为的次数。
然后统计用户在所有店铺中，
对商品、品类、品牌的购买、点击、收藏和加购等行为的次数。
统计店铺历史行为
对用户历史行为按照 vender_id 进行分组，
然后统计所有用户在此店铺上的行为次数。
然后统计所有用户在此店铺上的行为次数。
统计用户在店铺
上的历史行为
上的历史行为
对用户历史行为按照 user_id 和 vender_id 进行分组，统计每个单独的用户在此店铺上的行为次数。
模型训练
算法的选型：
如逻辑回归、K 近邻、决策树、随机森林等等。
如逻辑回归、K 近邻、决策树、随机森林等等。
模型验证
使用 混淆矩阵、KS、AUC，
并且混淆矩阵的结果还要结合准确率、精确率和召回率和 F1 值一起来看。
并且混淆矩阵的结果还要结合准确率、精确率和召回率和 F1 值一起来看。
学习来源： 刘海丰《成为AI产品经理》京东高级架构师 +Chatgpt学习查询
0 条评论
下一页
