note.me.book.<数据挖掘与运营>

4p->4c

product , customer

price ,cost and value to the customer's wants

place, convenince

promotion, communication;

3p/3c

product(产品), probablity(营销,运营以概率为核心,追求精细化,精准率),prospect(目标客户)

Cost/price(成本,价格),creative(创意,文案,活动),Channel(渠道,如何给目标客户)

------------------------------

数字化运营,

企业级海量数据存储和分析挖掘为基础,全员参与,精准/细分/精细化;

核心: 如何,挖掘/分析/运用这些数据;

条件:

海量数据存储实现;

分析和挖掘技术的有效应用;(数据分析/挖掘团队+数据分析师+业务团队)

互联网:

1,网站流量,目标客户行为,网站内容更新,网络营销推广;

展望:

1,数据产品; 2,泛BI;3,数据PD;

--------------------------------

统计vs挖掘

1,统计,数据需要假设,确定概率函数;挖掘,无任何假设,算法自动寻找变量间关系;

2,统计/分析,通常表现为函数关系式; 挖掘,某些情况下为黑箱;如神经网络;

主要应用:

1,决策树;(探索式,不需要知识干预)

CHAID,

CART,

ID3,

C4.5,

C5.0

2,神经网络 (Neural Network),

反馈传播,Backpropagation;

层数,

3,回归(Regression)

线性回归,linear Regression --描述一个因变量如何岁自变量变化而变化;

逻辑斯蒂回归,Logistic Regression--预测"二选一"的可能性;

响应预测,分类划分;

4,关联规则;

Arpriori

5,聚类

划分的方法(Paritioning method)

层次的方法(Hierarchical Method)

密度的方法

网格的方法

模型的方法

6,贝叶斯 --分类

给定观察值的相关属性判断其属于某一特定类别的概率;

7,支持向量机 --vs 神经网络,简单,性能好;预测,分类;

训练数据大,非线性决策建模高度准确;不容易过拟合;

>>>>>>>>>>>>>统计分析

8,主成分分析

9,假设检验;

------------------------------------

互联网,常见数据分析项目类型:

1,目标客户特征分析

试运营之前的特征探索(找相似的业务场景数据);

真实运营数据;

2,目标客户的预测,响应,分类模型(业务可能不一致)

流失预警模型,

付费/续费预测模型;

活动响应模型;

3,运营群体的活跃度定义

活跃度组成指标应为最核心的行为因素;

针对某些特性;

4,用户路径分析

频繁访问的路径模式;特定群体与路径;网页优化与改版;(PD,UED)

5,交叉销售模型

潜在需求;

关联分析,序列分析(加入先后顺序),预测(响应,分类)模型;逻辑回归,决策树;

6,信息质量模型

确保商品信息,优质和高效,全面,清楚的展示商品;提升转化率;

7,服务保障模型

8,用户(买家,卖家)分层模型