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

月光博客
月光博客
T
Troy Hunt's Blog
P
Proofpoint News Feed
H
Help Net Security
博客园 - 叶小钗
N
Netflix TechBlog - Medium
F
Full Disclosure
Vercel News
Vercel News
C
Cyber Attacks, Cyber Crime and Cyber Security
freeCodeCamp Programming Tutorials: Python, JavaScript, Git & More
GbyAI
GbyAI
cs.CL updates on arXiv.org
cs.CL updates on arXiv.org
Microsoft Azure Blog
Microsoft Azure Blog
博客园 - 【当耐特】
Martin Fowler
Martin Fowler
V
V2EX
Latest news
Latest news
L
LangChain Blog
The Register - Security
The Register - Security
OSCHINA 社区最新新闻
OSCHINA 社区最新新闻
S
Schneier on Security
奇客Solidot–传递最新科技情报
奇客Solidot–传递最新科技情报
N
News and Events Feed by Topic
M
MIT News - Artificial intelligence
Hacker News - Newest:
Hacker News - Newest: "LLM"
T
The Exploit Database - CXSecurity.com
Microsoft Security Blog
Microsoft Security Blog
S
Secure Thoughts
A
About on SuperTechFans
人人都是产品经理
人人都是产品经理
T
The Blog of Author Tim Ferriss
cs.AI updates on arXiv.org
cs.AI updates on arXiv.org
Spread Privacy
Spread Privacy
S
Securelist
Forbes - Security
Forbes - Security
CTFtime.org: upcoming CTF events
CTFtime.org: upcoming CTF events
Last Week in AI
Last Week in AI
T
Threat Research - Cisco Blogs
V
Vulnerabilities – Threatpost
MyScale Blog
MyScale Blog
G
Google Developers Blog
L
Lohrmann on Cybersecurity
博客园 - Franky
T
Tor Project blog
Exploit-DB.com RSS Feed
Exploit-DB.com RSS Feed
V
Visual Studio Blog
Recent Commits to openclaw:main
Recent Commits to openclaw:main
Google DeepMind News
Google DeepMind News
F
Fortinet All Blogs
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)