惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

G
GRAHAM CLULEY
Security Latest
Security Latest
C
Cybersecurity and Infrastructure Security Agency CISA
C
Cyber Attacks, Cyber Crime and Cyber Security
K
Kaspersky official blog
P
Privacy & Cybersecurity Law Blog
cs.AI updates on arXiv.org
cs.AI updates on arXiv.org
V
Vulnerabilities – Threatpost
S
Security @ Cisco Blogs
S
Schneier on Security
Threat Intelligence Blog | Flashpoint
Threat Intelligence Blog | Flashpoint
Scott Helme
Scott Helme
TaoSecurity Blog
TaoSecurity Blog
Hacker News: Ask HN
Hacker News: Ask HN
www.infosecurity-magazine.com
www.infosecurity-magazine.com
C
CERT Recently Published Vulnerability Notes
The Last Watchdog
The Last Watchdog
T
Threat Research - Cisco Blogs
W
WeLiveSecurity
P
Privacy International News Feed
T
Threatpost
I
Intezer
Cisco Talos Blog
Cisco Talos Blog
Google Online Security Blog
Google Online Security Blog
Webroot Blog
Webroot Blog
Forbes - Security
Forbes - Security
N
News and Events Feed by Topic
D
Darknet – Hacking Tools, Hacker News & Cyber Security
Simon Willison's Weblog
Simon Willison's Weblog
T
Tor Project blog
C
Cisco Blogs
P
Palo Alto Networks Blog
V2EX - 技术
V2EX - 技术
Exploit-DB.com RSS Feed
Exploit-DB.com RSS Feed
A
Arctic Wolf
Schneier on Security
Schneier on Security
H
Hacker News: Front Page
O
OpenAI News
Latest news
Latest news
T
Tenable Blog
Cloudbric
Cloudbric
Project Zero
Project Zero
Cyberwarzone
Cyberwarzone
S
Securelist
AWS News Blog
AWS News Blog
S
Secure Thoughts
Spread Privacy
Spread Privacy
cs.CV updates on arXiv.org
cs.CV updates on arXiv.org
H
Help Net Security
OSCHINA 社区最新新闻
OSCHINA 社区最新新闻

博客园 - zzuCharles

Qwen-Max 8G 内存本地部署方案(轻量化可用版) MFC中使用多线程 高性能 Flink SQL 优化 Flink 时间概念 EventTime 和 Watermark SQL 优化(来源平时总结及网络分享) hadoop 查询优化 python 读取csv多编码兼容读取 文件拆分-python Mysql 调优笔记 Python 输出菱形 Python 读取目录,office文件分类 Python 猜数小程序(练习) Mysql 字符串日期互转 MaxCompute 语句笔记 数据仓库架构 Python 比较两个字符串的相似度 Python print Python简单计算器 用户价值模型 CITE :https://www.jianshu.com/p/34199b13ffbc
用户生命周期模型
zzuCharles · 2018-03-06 · via 博客园 - zzuCharles

一、用户生命周期定义:用户生命周期是为了定位每个用户在哪个阶段,对于某个阶段的用户进行不同的营销策略。比如初期用户:还没有养成使用习惯,需要外在力量进行推动达到成熟习惯。

二、使用RFM模型中的RF模型。

凭次划分标准:购买1~2次的用户为初级用户,购买3~7次为成长用户,购买7次以上为成熟用户

未购划分标准:80%的用户会在哪周购买,90%会在哪周购买

三、怎么确定各个参数?

初级、成长、成熟用户实际操作步骤:

1、  取某一时间段用户1转2,2转3,3转4……的转化率。

做出二维图,如下:


PS:此处使用的周留存率,可以自行改为月或年,这需要再探讨。另取拐点时通过的是人眼认为该线是否平缓,也可以采用效率(增长率)定量分析拐点。

活跃、预警、流失、死亡用户定义操作步骤:

取“每个阶段”用户最后2次购买的时间间隔,80%的点为预警,90%点为流失,>180为死亡。


个人认为每个阶段(初级,成长,成熟)都会有不同的点进行预警,所以可能更为复杂一点:

也就是将3个状态的用户分别画出以上3条线,即可划分。

四、有了以上12类用户的划分后,有什么作用?

1、了解某个时间点,公司发展用户的质量情况。可以与历史对比,了解我们的用户质量是否提升还是下降。

2、针对不同类型的用户可以进一步分析,比如进行M分析得到每类用户的贡献值。

3、针对不同用户进行不同的策略。比如预警用户可以进行一些推送确保个人习惯养成。

(cite:http://blog.csdn.net/l18930738887/article/details/50818878)