数据分析必会模型(二)——用户价值矩阵模型
互联网公司数据分析的重要内容之一是用户分析,而用户分析的目的主要是了解用户,促进用户增长,提高用户价值。
提高用户价值的一个重要环节是用户细分。最简单也最常用的用户细分指标为用户消费频次、消费金额、最近一次消费天数,即RFM模型(参考文章: 你做数据分析却不懂RFM模型?开什么玩笑!)。但RFM模型有一个缺点,即消费频次和消费总金额二者之间存在共线性。
用户价值矩阵模型在RFM模型的基础上进行改进,用次均消费金额代替消费总金额,从而消除了共线性因素的干扰。
在用户价值矩阵模型中,横轴表示消费频次,纵轴表示次均消费金额。根据这两个指标,可以将用户展示在一个平面上,如下图所示:
用户价值矩阵模型将用户分为四类:
(1) 消费型用户:消费频次低,但次均消费金额高;未来侧重提高消费频次;
(2) 优质型用户:消费频次和次均消费金额都高;是未来重点保留的对象;
(3) 不确定型用户:消费频次低,且次均消费金额低;未来有可能流失,是待挖掘和转化的对象,侧重从这类用户中找出真正有价值的用户。
(4) 高频型用户:消费频次高,但次均消费金额低;未来侧重提高客单价。
用户价值矩阵将用户细分成四类,对每一类用户可采取不同的策略,最终目标是将非优质型用户转化为优质型用户。
“数学算法的世界”专注数据分析、数据科学技能传播。后期会陆续推出数据分析模型系列文章,敬请关注!
往期回顾
遇到三门问题时,如何(用Python编程)战胜杠精?!
在数据分析/科学中的竞争力如何?一张图帮你读懂数据科学需要掌握的技能
抖音日活3.2亿,可能有 3.3亿用户在同一天内使用抖音吗?(泊松分布的Python实现)
常见数据分析(Python)面试题(一)
什么影响了你的工资?方差分析告诉你
我放弃了国企工作,转行做了数据分析