1、產(chǎn)品與數(shù)據(jù) 基于數(shù)據(jù)挖掘的產(chǎn)品設(shè)計(jì),引言,同樣是搜索土豆，他們想看到的一樣么？,引言,同樣是商品，您更愿意向誰(shuí)買？,Hi，我有你想要的,Hi，我這里什么都有,Hi，我的商品是為您準(zhǔn)備的,引言,產(chǎn)品同樣是基于數(shù)據(jù)，誰(shuí)代表了未來(lái)？,3. 常用數(shù)據(jù)挖掘方法 RFM數(shù)據(jù)模型 用戶行為特征數(shù)據(jù)挖掘 4. 基于數(shù)據(jù)的交互設(shè)計(jì)案例 案例一：基于數(shù)據(jù)的交互設(shè)計(jì)(1.2.3) 案例二：建設(shè)以數(shù)據(jù)為中心的組織,1. 客戶為中心的數(shù)據(jù)分析框架思想 客戶為中心的業(yè)務(wù)規(guī)劃 業(yè)務(wù)及營(yíng)銷為中心的數(shù)據(jù)體系建設(shè) 2.數(shù)據(jù)分析框架的主要事件 分類（Classification） 估計(jì)（Estimation） 預(yù)測(cè)（Predict

2、ion） 數(shù)據(jù)分組（Affinity Grouping） 聚類（Clustering） 描述（Description） 復(fù)雜數(shù)據(jù)挖掘,客戶為中心的業(yè)務(wù)規(guī)劃,客戶為中心的業(yè)務(wù)規(guī)劃大致有三個(gè)環(huán)節(jié)：從客戶研究到需求挖掘，從需求信息到數(shù)據(jù)化的需求管理，從需求文檔到業(yè)務(wù)規(guī)劃與設(shè)計(jì) 客戶為中心的業(yè)務(wù)規(guī)劃不僅僅需要考慮業(yè)務(wù)需求是否能夠滿足需求的問(wèn)題，還需要考慮到業(yè)務(wù)的變化趨勢(shì)，業(yè)務(wù)的營(yíng)銷重點(diǎn),需求信息 客戶研究 競(jìng)爭(zhēng)對(duì)手信息 公司戰(zhàn)略 當(dāng)前的產(chǎn)品組合 技術(shù)趨勢(shì),IPD,了解 需求,進(jìn)行需求細(xì)分,進(jìn)行組合分析,制定業(yè) 務(wù)策略 和計(jì)劃,優(yōu)化業(yè)務(wù)計(jì)劃,管理業(yè)務(wù)計(jì)劃、評(píng)估,任務(wù),是,否,產(chǎn)品業(yè)務(wù)計(jì)劃 產(chǎn)品組合 產(chǎn)品

3、路標(biāo) 注：含技術(shù)/產(chǎn)品,客戶為中心的數(shù)據(jù)分析框架思想_從客戶視角構(gòu)建業(yè)務(wù)框架,傳統(tǒng)業(yè)務(wù)規(guī)劃方式：,Looking for goods,Put in basket,Payment zone,Purchase,大腦風(fēng)暴構(gòu)建業(yè)務(wù)流程，從業(yè)務(wù)規(guī)劃者角度而非客戶角度出發(fā) 我們不知道客戶需要什么，更糟糕的是客戶可能也不知道 每個(gè)環(huán)節(jié)都存在客戶流失，而我們不知道發(fā)生了什么 客戶每次點(diǎn)擊都是營(yíng)銷機(jī)會(huì)，但是我們錯(cuò)過(guò)了每一次機(jī)會(huì) 客戶在每一個(gè)環(huán)節(jié)都錯(cuò)過(guò)了本來(lái)他可能會(huì)購(gòu)買的商品 當(dāng)客戶離開時(shí)我們永久的失去了該客戶，沒有留下有價(jià)值的信息,客戶為中心的數(shù)據(jù)分析框架思想_從客戶視角構(gòu)建業(yè)務(wù)框架,以客戶為中心的思維方式構(gòu)建

4、業(yè)務(wù)框架 系統(tǒng)需要滿足不同類型的客戶的個(gè)性化需求，其核心為數(shù)據(jù)挖掘和應(yīng)用 系統(tǒng)需要協(xié)助客戶達(dá)成實(shí)現(xiàn)客戶期望，并幫助客戶發(fā)現(xiàn)并實(shí)現(xiàn)潛在需求 系統(tǒng)需要智能尋找最佳的幫助時(shí)機(jī)，智能的進(jìn)行客戶協(xié)助 系統(tǒng)建設(shè)需要考慮未來(lái)系統(tǒng)的發(fā)展方向，其核心為客戶需求挖掘,客戶為中心的業(yè)務(wù)規(guī)劃：,Product Design,Market,Buyer,Purchase,Customer Research,數(shù)據(jù)中心,Who What Why When Where How,Put in basket,Payment zone,客戶為中心的數(shù)據(jù)分析框架思想_業(yè)務(wù)及營(yíng)銷為中心的數(shù)據(jù)體系建設(shè),數(shù)據(jù)中心,業(yè)務(wù)框架,客戶中心,3.

5、常用數(shù)據(jù)挖掘方法 RFM數(shù)據(jù)模型 用戶行為特征數(shù)據(jù)挖掘 4. 基于數(shù)據(jù)的交互設(shè)計(jì)案例 案例一：基于數(shù)據(jù)的交互設(shè)計(jì)(1.2.3) 案例二：建設(shè)以數(shù)據(jù)為中心的組織,1. 客戶為中心的數(shù)據(jù)分析框架思想 客戶為中心的業(yè)務(wù)規(guī)劃 業(yè)務(wù)及營(yíng)銷為中心的數(shù)據(jù)體系建設(shè) 2.數(shù)據(jù)分析框架的主要事件 分類（Classification） 估計(jì)（Estimation） 預(yù)測(cè)（Prediction） 數(shù)據(jù)分組（Affinity Grouping） 聚類（Clustering） 描述（Description） 復(fù)雜數(shù)據(jù)挖掘,數(shù)據(jù)分析框架的主要事件,數(shù)據(jù)分析框架的主要事件_分類（Classification）,在業(yè)務(wù)構(gòu)建中，

6、最重要的分類一般是對(duì)客戶數(shù)據(jù)的分類，主要用于精準(zhǔn)營(yíng)銷 通常分類數(shù)據(jù)最大的問(wèn)題在于分類區(qū)間的規(guī)劃，例如分類區(qū)間的顆粒度以及分類區(qū)間的區(qū)間界限等，分類區(qū)間的規(guī)劃需要根據(jù)業(yè)務(wù)流來(lái)設(shè)定，而業(yè)務(wù)流的設(shè)計(jì)必須以客戶需要為核心，因此分類的核心思想在于能夠完成滿足客戶需要的業(yè)務(wù) 由于市場(chǎng)需求是變化的，分類通常也是變化的，例如銀行業(yè)務(wù)中VIP客戶的儲(chǔ)蓄區(qū)間,銀行信用卡客戶分類案例 cluster-3：優(yōu)質(zhì)客戶 cluster-2：潛力優(yōu)質(zhì)客戶 cluster-1：一般客戶 cluster-4：劣質(zhì)客戶,數(shù)據(jù)分析框架的主要事件_估計(jì)（Estimation）,通常數(shù)據(jù)估計(jì)是互動(dòng)營(yíng)銷的基礎(chǔ)，基于客戶行為進(jìn)行數(shù)據(jù)估計(jì)為

7、基礎(chǔ)進(jìn)行互動(dòng)營(yíng)銷已經(jīng)被證實(shí)具有較高的業(yè)務(wù)轉(zhuǎn)化率，銀行業(yè)中通常通過(guò)客戶數(shù)據(jù)估計(jì)客戶對(duì)金融產(chǎn)品的偏好，電信業(yè)務(wù)和互聯(lián)網(wǎng)業(yè)務(wù)則通常通過(guò)客戶數(shù)據(jù)估計(jì)客戶需要的相關(guān)服務(wù)或者估計(jì)客戶的生命周期 數(shù)據(jù)估計(jì)必須基于數(shù)據(jù)的細(xì)分和數(shù)據(jù)邏輯關(guān)聯(lián)性，數(shù)據(jù)估計(jì)需要有較高的數(shù)據(jù)挖掘和數(shù)據(jù)分析水平,數(shù)據(jù)分析框架的主要事件_預(yù)測(cè)（ Prediction ）,根據(jù)數(shù)據(jù)變化趨勢(shì)進(jìn)行未來(lái)預(yù)測(cè)通常是非常有力的產(chǎn)品推廣方式，例如證券業(yè)通常會(huì)推薦走勢(shì)良好的股票，銀行會(huì)根據(jù)客戶的資本情況協(xié)助客戶投資理財(cái)以達(dá)到某個(gè)未來(lái)預(yù)期，電信行業(yè)通常以服務(wù)使用的增長(zhǎng)來(lái)判斷業(yè)務(wù)擴(kuò)張和收縮以及營(yíng)銷等。 數(shù)據(jù)預(yù)測(cè)通常是多個(gè)變量的共同結(jié)果，每組變量之間一般會(huì)存在

8、某個(gè)相互聯(lián)系的數(shù)值，我們根據(jù)每個(gè)變量的關(guān)系通常可以計(jì)算出數(shù)據(jù)預(yù)測(cè)值，并以此作為業(yè)務(wù)決策的依據(jù)展開后續(xù)行動(dòng),股價(jià)連續(xù)打底三次，沒有再創(chuàng)下新低價(jià)格， 反而向上突破頸線,買進(jìn)股票,數(shù)據(jù)分析框架的主要事件_數(shù)據(jù)分組（ Affinity Grouping ）,數(shù)據(jù)分組是精準(zhǔn)營(yíng)銷的基礎(chǔ)。當(dāng)數(shù)據(jù)分組以客戶特征為主要維度時(shí)，通?？梢杂糜诠烙?jì)下一次行為的基礎(chǔ)，例如通過(guò)客戶使用的服務(wù)特征的需要來(lái)營(yíng)銷配套服務(wù)和工具，購(gòu)買了A類產(chǎn)品的客戶一般會(huì)有B行為等等。 數(shù)據(jù)分組的難點(diǎn)在于分組維度的合理性，通常其精確性取決于分組邏輯是否與客戶行為特征一致。,購(gòu)買了A商品的客戶,數(shù)據(jù)分析框架的主要事件_聚類（ Clustering

9、 ）,數(shù)據(jù)聚類是數(shù)據(jù)分析的重點(diǎn)項(xiàng)目之一。例如在健康管理系統(tǒng)中通過(guò)癥狀組合可以大致估計(jì)病人的疾病，在電信行業(yè)產(chǎn)品創(chuàng)新中客戶使用的業(yè)務(wù)組合通常是構(gòu)成服務(wù)套餐的重要依據(jù)，在銀行業(yè)產(chǎn)品創(chuàng)新中客戶投資行為聚合也是其金融產(chǎn)品創(chuàng)新的重要依據(jù)。 數(shù)據(jù)聚類的要點(diǎn)在于聚類維度選取的正確性，需要不斷的實(shí)踐來(lái)驗(yàn)證其可行性,投資者乙,投資者甲,投資者丙,理智穩(wěn)健型,保守謹(jǐn)慎型,投機(jī)冒險(xiǎn)型,個(gè)性： 理財(cái)方式： 理財(cái)工具： 風(fēng)險(xiǎn)容忍度： 投資目標(biāo)： 投資組合管理：,穩(wěn)健 理智 藍(lán)籌股票、平衡型基金、萬(wàn)能保險(xiǎn) 適中 穩(wěn)健成長(zhǎng) 綜合平衡保守型與投機(jī)型的做法,謹(jǐn)慎 保守 銀行存款、收益型基金、高等級(jí)債券、傳統(tǒng)型保險(xiǎn)、分紅保險(xiǎn) 較

10、低 穩(wěn)健保本 定期定額投資法、分散投資法,冒險(xiǎn) 投機(jī) 成長(zhǎng)型股票、對(duì)沖型基金、期貨、垃圾債券、投資連結(jié)保險(xiǎn) 較高 積極成長(zhǎng) 低吸高拋法、集中投資法,投資者的類型,數(shù)據(jù)分析框架的主要事件_描述（ Description ）,描述性數(shù)據(jù)的最大效用在于可以對(duì)事件進(jìn)行詳細(xì)歸納，通常很多細(xì)微的機(jī)會(huì)發(fā)現(xiàn)和靈感啟迪來(lái)自于一些描述性的客戶建議，同時(shí)客戶更愿意通過(guò)描述性的方法來(lái)查詢搜索等，這時(shí)就需要技術(shù)上通過(guò)較好的數(shù)據(jù)關(guān)聯(lián)方法來(lái)協(xié)助客戶。 描述性數(shù)據(jù)的使用難點(diǎn)在于大數(shù)據(jù)量下數(shù)據(jù)要素提取和歸類，其核心在于要素提取規(guī)則以及歸類方法。要素提取和歸類是其能夠被使用的基礎(chǔ)。,我比較喜歡穩(wěn)健性投資,穩(wěn)健A基金,穩(wěn)健B基金,

11、穩(wěn)健C基金,根據(jù)描述關(guān)聯(lián)產(chǎn)品或服務(wù) 通常有較高的轉(zhuǎn)化率,數(shù)據(jù)分析框架的主要事件_復(fù)雜數(shù)據(jù)挖掘,復(fù)雜數(shù)據(jù)挖掘比如Video，Audio等，其要素目前依然難以通過(guò)技術(shù)手段提取，但也可以從上下文與語(yǔ)境中提取一些要素幫助聚類。例如重要客戶標(biāo)記了高度重要性的Video一般優(yōu)先權(quán)重也應(yīng)該較高。 復(fù)雜數(shù)據(jù)的挖掘目前處理的方式一般通過(guò)數(shù)據(jù)錄入的標(biāo)準(zhǔn)化來(lái)解決，核心在于數(shù)據(jù)錄入標(biāo)準(zhǔn)體系的規(guī)劃。建議為了整理的方便，初期規(guī)劃是盡可能考慮完善，不僅僅適用現(xiàn)在，而且可以適用于未來(lái)。,3. 常用數(shù)據(jù)挖掘方法 RFM數(shù)據(jù)模型 用戶行為特征數(shù)據(jù)挖掘 4. 基于數(shù)據(jù)的交互設(shè)計(jì)案例 案例一：基于數(shù)據(jù)的交互設(shè)計(jì)(1.2.3) 案例二

12、：建設(shè)以數(shù)據(jù)為中心的組織,1. 客戶為中心的數(shù)據(jù)分析框架思想 客戶為中心的業(yè)務(wù)規(guī)劃 業(yè)務(wù)及營(yíng)銷為中心的數(shù)據(jù)體系建設(shè) 2.數(shù)據(jù)分析框架的主要事件 分類（Classification） 估計(jì)（Estimation） 預(yù)測(cè)（Prediction） 數(shù)據(jù)分組（Affinity Grouping） 聚類（Clustering） 描述（Description） 復(fù)雜數(shù)據(jù)挖掘,RFM數(shù)據(jù)模型,RFM模型：R(Recency)表示客戶最近一次購(gòu)買的時(shí)間有多遠(yuǎn)，F(xiàn)(Frequency)表示客戶在最近一段時(shí)間內(nèi)購(gòu)買的次數(shù)，M(Monetary)表示客戶在最近一段時(shí)間內(nèi)購(gòu)買的金額。一般原始數(shù)據(jù)為3個(gè)字段：客戶ID、

13、購(gòu)買時(shí)間（日期格式）、購(gòu)買金額，用數(shù)據(jù)挖掘軟件處理，加權(quán)（考慮權(quán)重）得到RFM得分，進(jìn)而可以進(jìn)行客戶細(xì)分，客戶等級(jí)分類，Customer Level Value得分排序等,RFM數(shù)據(jù)模型,假定我們拿到一個(gè)月的客戶充值行為數(shù)據(jù)集，我們們先用IBM Modeler軟件構(gòu)建一個(gè)分析流，然后再找出符合RFM分析要求的數(shù)據(jù)：,找出符合RFM分析要求的數(shù)據(jù),RFM數(shù)據(jù)模型,現(xiàn)在我們得到了RFM模型的Recency_Score、Frequency_Score、Monetary_Score和RFM_Score；這里對(duì)RFM得分進(jìn)行了五等分切割，采用100、10、1加權(quán)得到RFM得分表明了125個(gè)RFM魔方塊。

14、,通過(guò)加權(quán)評(píng)分，得到RFM魔方塊,RFM數(shù)據(jù)模型,輸出結(jié)果后將數(shù)據(jù)導(dǎo)入Excel，將R、F、M三個(gè)字段分類與該字段的均值進(jìn)行比較，利用Excel軟件的條件格式給出與均值比較的趨勢(shì)！結(jié)合RFM模型魔方塊的分類識(shí)別客戶類型：通過(guò)RFM分析將客戶群體劃分成重要保持客戶、重要發(fā)展客戶、重要挽留客戶、一般重要客戶、一般客戶、無(wú)價(jià)值客戶等六個(gè)級(jí)別,借助RFM模型魔方塊進(jìn)行客戶識(shí)別，建立客戶模型,基于用戶特征展開產(chǎn)品設(shè)計(jì),RFM數(shù)據(jù)模型,其實(shí)原理很簡(jiǎn)單.,A,B,C,RFM數(shù)據(jù)模型只是常用的一種，基于業(yè)務(wù)還有更多模型能夠幫助和指導(dǎo)產(chǎn)品設(shè)計(jì)和用戶體驗(yàn)改進(jìn),用戶行為特征數(shù)據(jù)挖掘,客戶行為特征數(shù)據(jù)獲取要點(diǎn)（一）

15、Clickstream Data 點(diǎn)擊流數(shù)據(jù) 直接訪問(wèn)數(shù)量 訪客來(lái)源 訪客地理位置 點(diǎn)擊流跟蹤 Outcomes Data 結(jié)果型數(shù)據(jù) 訪客（初次訪問(wèn)數(shù)，訪問(wèn)總數(shù)，平均回訪數(shù)，關(guān)注點(diǎn)） 頁(yè)面瀏覽（平均瀏覽數(shù)，總PV ，訪問(wèn)超過(guò)一頁(yè)的訪客比） 時(shí)間（全局，人均） 關(guān)鍵行為（如：注冊(cè)，購(gòu)買） 轉(zhuǎn)化率 相關(guān)（Keyword，趨勢(shì)，網(wǎng)站）,用戶行為特征數(shù)據(jù)挖掘（某酒店訂購(gòu)網(wǎng)站點(diǎn)擊流數(shù)據(jù)一）,用戶行為特征數(shù)據(jù)挖掘（某酒店訂購(gòu)網(wǎng)站點(diǎn)擊流數(shù)據(jù)二）,用戶行為特征數(shù)據(jù)挖掘（某酒店訂購(gòu)網(wǎng)站點(diǎn)擊流數(shù)據(jù)三）,用戶行為特征數(shù)據(jù)挖掘,客戶行為特征數(shù)據(jù)獲取要點(diǎn)（二） Research Data 研究性數(shù)據(jù) 客戶研究 啟發(fā)式

16、評(píng)估，客戶體驗(yàn)測(cè)試 客戶屬性（數(shù)據(jù)庫(kù)分析） 客戶期望分析（從數(shù)據(jù)到服務(wù)） Competitive Data 競(jìng)爭(zhēng)性數(shù)據(jù) “面”數(shù)據(jù)測(cè)量（大眾分析） 網(wǎng)絡(luò)服務(wù)數(shù)據(jù)測(cè)量（行業(yè)分析） 搜索引擎測(cè)量（輿情分析）,用戶行為特征數(shù)據(jù)挖掘,客戶篩選標(biāo)準(zhǔn)確認(rèn),客戶招募執(zhí)行,訪談篩選標(biāo)準(zhǔn),客戶文化背景數(shù)據(jù),訪談?dòng)涗浳臋n,發(fā)現(xiàn)點(diǎn),客戶角色,訪談方案制作,現(xiàn)場(chǎng)實(shí)施,數(shù)據(jù)整理與分析,設(shè)計(jì)原則,機(jī)會(huì)分析,功能設(shè)置,場(chǎng)景,客戶研究過(guò)程示例,用戶行為特征數(shù)據(jù)挖掘,客戶研究案例客戶深訪: 在對(duì)客戶進(jìn)行的開放式訪談中, 探尋參與的客戶的 : 當(dāng)前使用情況 需求 痛點(diǎn) 差距 心理 態(tài)度 渴望 選擇產(chǎn)品品牌及型號(hào)時(shí)的偏好和原因 驅(qū)

17、動(dòng)角色深訪: 訪問(wèn)的目的是為了收集以下數(shù)據(jù): 市場(chǎng)中不同品牌的認(rèn)可度以及為什么某些品牌比其他品牌更好 賣點(diǎn)和客戶需求 選擇品牌和的準(zhǔn)則 制定價(jià)格的準(zhǔn)則 除了提供銷售策略開發(fā)方面的見解之外, 這部分客戶研究還將從賣家的角度提供消 費(fèi)者的心態(tài).,用戶行為特征數(shù)據(jù)挖掘,完成基礎(chǔ)需求：轉(zhuǎn)賬，支付，查詢 電腦安全性分析 個(gè)性化需求（功能，布局，呈現(xiàn)） 理財(cái)，繳費(fèi)，信用卡,她想要做的,她想要知道的,了解廣發(fā)網(wǎng)銀有什么功能 了解如何安全使用廣發(fā)網(wǎng)銀 了解個(gè)人的財(cái)務(wù)狀況 了解每個(gè)業(yè)務(wù)的相關(guān)手續(xù)費(fèi),李婷 27歲 公司職員 月薪4k 經(jīng)常上網(wǎng)，網(wǎng)齡4年以上 使用Nokia N93手機(jī) 喜歡網(wǎng)上購(gòu)物，逛論壇，看新聞

18、等各種網(wǎng)上活動(dòng) 擁有儲(chǔ)蓄卡和信用卡，正準(zhǔn)備使用網(wǎng)銀,客戶建模研究案例,用戶行為特征數(shù)據(jù)挖掘,Hmm, what does this do? Ill try it Ooops, now what happened?,Now, why did it do that?,Oh, I think you clicked on the wrong icon,Do you know why you never tried that option?,I didnt see it. Why dont you make it look like a button?,Tell me about the last big problem you had with Word,I can never get my figures in the right place. Its really annoying. I spent hours on it and I had