[发明专利]用户分层模型构建方法及系统、运营分析方法及系统

说明书

本发明公开了一种用户分层模型构建方法及系统、运营分析方法及系统，用户分层模型构建方法包括：获取在长租公寓场景下流程环节的用户行为分布数据；从用户行为分布数据中提取表征近度、频度、额度三个维度指标的特征数据，特征数据包括：浏览记录天数、日均点击搜索结果次数、日均访问时长、列表页日均浏览次数、详情页日均浏览次数、预约次数和关注成功次数；根据近度、频度、额度三个维度及特征数据构建用于用户价值分类的用户分层模型。该方法先确定适用于长租公寓场景下的能够作为三个维度指标的7个特征数据，并根据特征数据构建适用于长租公寓场景的用户分层模型，进而根据该模型对用户进行用户行为分析，实现精细化运营，提高了运营效率。

技术领域

本发明涉及数据处理技术领域，具体涉及到一种用户分层模型构建方法及系统、运营分析方法及系统。

背景技术

用户分层模型(RFM模型)是衡量客户价值(如当前用户价值和客户潜在价值)和客户创利能力的重要工具和手段，RFM是Rencency(最近一次消费)，Frequency(消费频率)、Monetary(消费金额)三个指标首字母组合。RFM模型主要包括以下三个指标：R：最近一次消费(Recency，也称为近度)，代表用户距离当前最后一次消费的时间；F：消费频次(Frequency，也称为频度)，用户在一段时间内，在产品内的消费频次；M：消费金额(Monetary，也称为额度)，代表用户的价值贡献。根据RFM模型对用户价值进行细分，实现用户的分层分析和管理，实现精细化运营，因此RFM模型被广泛应用于各行各业中。

然而，各行各业均有其自身特点，上述经典的RFM模型并不能很好地适用于每个行业，尤其是在长租公寓行业。随着长租公寓行业的高速发展，若采用上述经典RFM模型对用户进行分层，将导致用户分层不准确，对存量用户的了解与价值判断也不准确，进而导致根据上述分层结果得到的运用分析策略也不准确，降低了运营效率。因此，如何构建适用于长租公寓场景下的用户分层模型，提高运营效率成为亟待解决的技术问题。

发明内容

有鉴于此，本发明实施例提供了一种用户分层模型构建方法及系统、运营分析方法及系统，以解决现有技术中长租公寓场景下运营效率低的问题。

为此，本发明实施例提供了如下技术方案：

根据第一方面，本发明实施例提供了一种用户分层模型构建方法，包括：获取在长租公寓场景下流程环节的用户行为分布数据；从所述用户行为分布数据中提取表征近度、频度、额度三个维度指标的特征数据，所述特征数据包括：浏览记录天数、日均点击搜索结果次数、日均访问时长、列表页日均浏览次数、详情页日均浏览次数、预约次数和关注成功次数；根据近度、频度、额度三个维度及所述特征数据构建用于用户价值分类的用户分层模型。

可选地，获取在长租公寓场景下流程环节的用户行为分布数据，包括：获取在长租公寓场景下流程环节的用户行为原始数据；根据所述用户行为原始数据和预设时间得到用户行为分布数据。

可选地，根据近度、频度、额度三个维度及所述特征数据构建用于用户价值分类的用户分层模型，包括：根据近度、频度、额度三个维度对所述特征数据进行维度划分，得到每一个维度对应的特征数据；对每一个维度所对应的特征数据进行数值区间分档，得到特征数据的区间数据；根据所述特征数据的区间数据构建用于用户价值分类的用户分层模型。

可选地，近度维度所对应的特征数据包括：浏览记录天数；频度维度所对应的特征数据包括：日均点击搜索结果次数、日均访问时长、列表页日均浏览次数和详情页日均浏览次数；额度维度所对应的特征数据包括：预约次数和关注成功次数。

可选地，根据所述特征数据的区间数据构建用于用户价值分类的用户分层模型，包括：获取每一个维度下所述特征数据所对应的预设权重数值；根据所述特征数据的区间数据和所述预设权重数值构建用于用户价值分类的用户分层模型。