在上篇文章中，介紹了《python數據分析與數據化運營》一書中會員數據化運營的相關指標，本次將繼續介紹部分分析模型。
會員數據化運營指標的文章請點擊https://blog.csdn.net/Taozidede/article/details/84659371
二、會員數據化運營分析模型
2.1 會員細分模型
①基於屬性的細分
人口學：性別、年齡、受教育程度等；
地理學：南北方、城市規模、中西部、沿海內陸等；
會員行爲：消費等級（高/中/低價值會員）、購買產品類別、會員等級（鑽石、黃金、青銅）等；
②ABC分類法
這是基於帕累託二八法則所衍生出的一種分類方法。
例：想要從交易訂單金額角度對用戶進行分類
可將用戶id和訂單金額 按照訂單金額降序排列，並計算訂單金額的累積百分比，選取前80%的用戶作爲A類用戶，80~90%的爲B類用戶，90~100%的爲C類用戶。
③聚類法
基於非監督的機器學習法對用戶進行分類。
2.2 會員價值度模型——RFM
R——表示最近一次購買時間
F——購買頻率
M——購買金額
RFM模型需要先選取截止時間節點和計算週期；
分別計算用戶的R、F、M；
對R、F、M進行五等分，值越大代表價值度越高，注意其中R與其他指標反向，在進行等分時，最近一次購買時間越接近現在需要賦更大的值；
在計算RFM值時，可通過拼接或求和的方式，如R、F、M分別得分3/5/2，則RFM值爲352。求和則是把RFM三項的得分相加，3/5/2爲10。
2.3 會員活躍度模型——RFE
R——最近一次訪問時間
F——訪問頻率
E——頁面互動度（視頻播放數、轉發數等）
RFE的計算方法與RFM類似
2.4 會員流失預測模型
①會員有明確表達：比如退訂通知、註銷賬號等
②會員無明確表達：分類算法(邏輯迴歸、支持向量機、隨機森林等)
2.5 會員特徵分析模型
①目標模糊：通過聚類和描述性統計瞭解用戶總體特徵
②目標具體：分類法（可以找到收入>6000，總訂單金額在5000以上的用戶所購買的產品類別）；關聯法（購買某種商品的用戶通常具有什麼屬性）；異常檢測（異常用戶通常具有什麼特徵）
2.6 營銷響應預測模型
制定營銷活動計劃，進行資源申請，需要數據量化指標的支持。
步驟：
①隨機選擇一定量的會員樣本（>1000）；
②發送營銷活動信息；
③收集營銷活動數據；
④訓練分類模型：可以找出可能產生購買行爲的用戶特徵，也可以預測營銷活動收入。