9.1 聚类分析的典型应用场景

可以说,聚类分析的典型应用场景是非常普遍的,业务团队几乎每天都要碰到。比如说,把付费用户按照几个特定的维度,如利润贡献、用户年龄、续费次数等进行聚类划分,得到不同特征的群体。举个例子:在将付费用户进行聚类划分后,其中一个群体占总的付费用户人数的40%,其特征是用户年龄在25岁左右,利润贡献不大,但是续费次数多;还有一个群体,占总的付费用户人数的15%,而该群的特征是用户年龄在40岁以上,利润贡献比较大,但是续费次数不多。对于运营方来说,这两个典型群体都是可以“着力”的目标群体,并且分别有不同的运营思路和业务价值。对于第一个群体,虽然利润贡献不大,但是由于续费次数多,其表现出来的产品忠诚度对于企业和产品来说非常重要、非常可贵,因此针对该群体的重要运营目的应该是稳中有升,同时积极预防其流失,密切监控相应的流失率,并且还要进一步分析挖掘该群体的其他特征,从而可以有效复制该群体的规模,针对其25岁左右的年龄这个特点,可以考虑在运营方式和内容上更加贴近年轻人的喜好和兴趣;而针对后一个群体,虽然利润贡献大,但是很不稳定,续费次数少,对企业和产品的忠诚度不高,因此针对该群体的运营重点应该是采取积极措施提升续费率,提升其忠诚度。而该群体“40岁以上的年龄”这个特点,也为相应的运营方式和运营内容的设计提供了比较准确的参考范围。

从上述简单的案例中,可以看出聚类分析的一个重要用途就是针对目标群体进行多指标的群体划分,而类似这种目标群体的分类常常就是精细化运营、个性化运营的基础和核心,只有进行了正确的分类,才可以有效进行个性化和精细化的运营、服务及产品支持等,从这个角度来看,聚类分析技术对于数据化运营而言是非常重要、非常基础的。

总地来说,聚类分析技术在数据化运营实践中常见的业务应用场景如下。

❑目标用户的群体分类:通过为特定运营目的和商业目的所挑选出的指标变量进行聚类分析,把目标群体划分成几个具有明显特征区别的细分群体,从而可以在运营活动中为这些细分群体采用精细化、个性化的运营和服务,最终提升运营的效率和商业的效果。

❑不同产品的价值组合:企业可以按照不同的商业目的,并依照特定的指标变量来为众多的产品种类进行聚类分析,把企业的产品体系进一步细分成具有不同价值、不同目的多维度的产品组合,并且可在此基础上分别制定相应的产品开发计划、运营计划和服务规划。

❑探测、发现孤立点、异常值:孤立点就是指相对于整体数据对象而言的少数数据对象,这些对象的行为特征与整体的数据行为特征很不一致。虽然在一般的数据处理过程中会把孤立点作为噪声而剔除出去,但是在许多业务领域里,孤立点的价值非常重要。比如说,互联网的风险管理里,就非常强调对于风险的预防和预判,而相关的风险控制分析中的孤立点很多时候又是风险的最大嫌疑和主要来源。及时发现这些特殊行为对于互联网的风险管理来说至关重要。比如,某B2C电商平台上,比较昂贵的、频繁的交易,就有可能隐含着欺诈的风险成分,需要风控部门提前关注、监控,防患于未然。