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

WordPress大学
WordPress大学
S
Secure Thoughts
T
Threatpost
T
Tor Project blog
Spread Privacy
Spread Privacy
Project Zero
Project Zero
奇客Solidot–传递最新科技情报
奇客Solidot–传递最新科技情报
S
Securelist
T
Tenable Blog
Engineering at Meta
Engineering at Meta
L
Lohrmann on Cybersecurity
D
DataBreaches.Net
博客园 - 三生石上(FineUI控件)
Scott Helme
Scott Helme
Threat Intelligence Blog | Flashpoint
Threat Intelligence Blog | Flashpoint
P
Privacy & Cybersecurity Law Blog
H
Hacker News: Front Page
V2EX - 技术
V2EX - 技术
U
Unit 42
I
InfoQ
AWS News Blog
AWS News Blog
T
Threat Research - Cisco Blogs
Apple Machine Learning Research
Apple Machine Learning Research
L
LINUX DO - 最新话题
Recent Announcements
Recent Announcements
博客园 - Franky
A
Arctic Wolf
I
Intezer
GbyAI
GbyAI
Recent Commits to openclaw:main
Recent Commits to openclaw:main
B
Blog
Help Net Security
Help Net Security
S
Security @ Cisco Blogs
小众软件
小众软件
C
CXSECURITY Database RSS Feed - CXSecurity.com
钛媒体:引领未来商业与生活新知
钛媒体:引领未来商业与生活新知
Blog — PlanetScale
Blog — PlanetScale
Hugging Face - Blog
Hugging Face - Blog
The Register - Security
The Register - Security
N
News and Events Feed by Topic
爱范儿
爱范儿
P
Palo Alto Networks Blog
雷峰网
雷峰网
Know Your Adversary
Know Your Adversary
大猫的无限游戏
大猫的无限游戏
博客园 - 司徒正美
C
Check Point Blog
Google DeepMind News
Google DeepMind News
Exploit-DB.com RSS Feed
Exploit-DB.com RSS Feed
Y
Y Combinator Blog

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)