回答僅代表個人看法，歡迎交流評論留言涣狗，有不正確的地方請多指教~~
1谍婉、某APP 7月份DAU比同年5月份上漲了10%，作為數(shù)據(jù)分析師屑柔，你會從哪些方面分析DAU增長的原因屡萤？ 請列舉至少兩種以上拆分思路。
step1：確定數(shù)據(jù)是否存在異常：基于歷史數(shù)據(jù)掸宛，利用移動平均等預(yù)測方法死陆，預(yù)測7月DAU數(shù)值，與2-3倍標(biāo)準(zhǔn)差做對比唧瘾，判斷實(shí)際數(shù)值是否處于正常范圍措译。（也就是判斷DAU上漲10%這是一個趨勢，還是一個問題饰序，是長期因素導(dǎo)致的领虹，還是短期內(nèi)社會事件等因素導(dǎo)致的。）
step2：拆分?jǐn)?shù)據(jù)維度：人群拆分求豫、渠道拆分塌衰、地理拆分、內(nèi)外部拆分（拆分的核心是找出哪些影響因素導(dǎo)致了數(shù)值的異常蝠嘉，從各個維度判斷是整體因素還是某類因素）最疆。
① 人群拆分：新老用戶維度、性別維度蚤告、年齡維度努酸、職業(yè)維度等等。
② 渠道拆分：從新用戶的的引入渠道杜恰、APP的跳轉(zhuǎn)入/跳轉(zhuǎn)出渠道获诈、分享渠道、付費(fèi)渠道等心褐。
③ 地理拆分：從地區(qū)舔涎、城市、線級等粒度逗爹，拆分?jǐn)?shù)據(jù)亡嫌，分析DAU增長點(diǎn)是發(fā)生在某類城市、還是整體市場的變化。如果是在某個或某類城市的變化昼伴，則進(jìn)一步分析其DAU增長原因。同時對比其滲透率與DAU變化較小的城市滲透率镣屹，判斷這類城市的變化對整體DAU變化的影響程度圃郊。
④ 內(nèi)外部拆分：內(nèi)部主要指產(chǎn)品本身的改動點(diǎn)是否獲得用戶認(rèn)可，包括產(chǎn)品模塊的改動女蜈、產(chǎn)品運(yùn)營策略的改動持舆，可通過A/B Test、用戶調(diào)研等方式進(jìn)行檢驗(yàn)伪窖。 ?外部可以從市場趨勢逸寓、市場競爭、外部輿論覆山、社會事件竹伸、節(jié)假日、PEST模型等因素考慮簇宽，可利用輿論熱度勋篓、關(guān)鍵詞搜索量、ADX等指標(biāo)衡量趨勢類因素魏割，也可從分隔市場角度解釋市場競爭因素（在固定容量的市場環(huán)境中譬嚣，一些產(chǎn)品的倒下或爆紅，將導(dǎo)致用戶量的集中和分散）钞它。
step3/4/5/6/7/8/9：具體維度考察技術(shù)拜银、產(chǎn)品、運(yùn)營遭垛，進(jìn)一步細(xì)化DAU增長原因尼桶，分析問題，預(yù)測8月趨勢變化耻卡，并為后續(xù)運(yùn)營策略提優(yōu)化建議疯汁。
2、你發(fā)現(xiàn)你負(fù)責(zé)的產(chǎn)品有用戶在褥羊毛卵酪，你如何通過數(shù)據(jù)分析方法揪出這群羊毛黨幌蚊，將漏洞補(bǔ)上？
step1：定義薅羊毛行為：包括羊毛指什么溃卡，薅羊毛的手段溢豆、薅羊毛的性質(zhì)，大體可分為兩類：
① 利用活動規(guī)則而行使的正常撿漏行為：通俗來說就是在活動期間瘸羡，利用活動規(guī)則漩仙，使用消費(fèi)券、優(yōu)惠券、免費(fèi)券等队他，導(dǎo)致支付金額較少卷仑，低變現(xiàn)轉(zhuǎn)化的行為。
例如1：瑞辛咖啡的邀請新人得免費(fèi)咖啡券麸折，羊毛黨邀請不喝咖啡的長輩锡凝，免費(fèi)得2張咖啡券。
例如2：陰陽師分享得藍(lán)票垢啼，羊毛黨分享在朋友圈僅自己可見窜锯，或分享給文件傳輸助手等。
② 利用漏洞芭析，運(yùn)動專業(yè)技術(shù)批量性操作的作弊手段锚扎、或針對平臺Bug 而行使的惡性撿漏行為。
例如1：ofo單車眾騎活動中馁启，利用虛擬GPS作弊領(lǐng)取紅包的行為.
例如2：拼多多后臺Bug領(lǐng)取百元紅包的行為等驾孔。
（也可以從薅羊毛的方法上對羊毛黨進(jìn)行分類：刷單刷票類、任務(wù)類进统、黃牛類助币、黑客類、漏斗研究類）
step2：定義清楚薅羊毛的行為類別后螟碎，確定具體的羊毛量眉菱，即金額、補(bǔ)貼等可量化的指標(biāo)（部分活動的發(fā)起不僅是為了拉新掉分，也為了促活俭缓，因此一定范圍內(nèi)的羊毛是正常的，所以需要明確具體的羊毛量酥郭，防止將過多正常用戶被納入羊毛黨）华坦。
step3：利用sql或python，從數(shù)據(jù)庫中定位相應(yīng)用戶賬號不从。
step4：分析用戶行為數(shù)據(jù)的共性與特征惜姐，明確產(chǎn)出羊毛的途徑，與行為路徑椿息。
step5：補(bǔ)漏從開源歹袁、節(jié)流、數(shù)據(jù)監(jiān)控三個方面展開：
開源填補(bǔ)：對惡性刷單用戶進(jìn)行懲罰（例如：押金不退）寝优，對于交易金額較少或僅活動交易的用戶条舔，在產(chǎn)品推薦機(jī)制上，增加低價產(chǎn)品的曝光率乏矾，將這類用戶的共性孟抗，加入下次產(chǎn)品活動的規(guī)則考量迁杨。
節(jié)流控制：對于惡性薅羊毛行為，設(shè)置薅羊毛警告（例如：刷單用戶一經(jīng)舉報合適凄硼，取消活動資格铅协，押金不退等手段），對于大批量用戶可以通過技術(shù)手段實(shí)現(xiàn)控制（例如：驗(yàn)證碼摊沉、IP等）警医。此外，可從用戶坯钦、設(shè)備、渠道侈玄、補(bǔ)貼上限婉刀、活動時間、獲利門檻等角度對產(chǎn)品活動設(shè)置限制（例如：實(shí)名認(rèn)證序仙、信用分突颊、設(shè)備參與次數(shù)、紅包上限等）潘悼。
數(shù)據(jù)監(jiān)控：對突增的數(shù)據(jù)進(jìn)行跟蹤（如用戶量律秃、交易額），對關(guān)鍵用戶的數(shù)據(jù)（也就是對整體數(shù)據(jù)影響較大的用戶數(shù)據(jù)）進(jìn)行檢查治唤，通過實(shí)時在線的手段棒动，來檢查風(fēng)險，并作出相應(yīng)的風(fēng)險處理宾添，控制整體產(chǎn)品活動效果船惨。
3、用戶分析是電商數(shù)據(jù)分析中重要的模塊缕陕，在對用戶特征深度理解和用戶需求充分挖掘基礎(chǔ)上粱锐，進(jìn)行全生命周期的運(yùn)營管理（拉新—>活躍—>留存—>價值提升—>忠誠），請嘗試回答以下3個問題：
問題一：用戶第一單購買的行為往往反映了用戶對平臺的信任度和消費(fèi)能力】敢兀現(xiàn)在數(shù)據(jù)庫中有一張用戶交易表order怜浅，其中有userid（用戶ID）、amount（消費(fèi)金額）蔬崩、paytime（支付時間）恶座，請寫出對應(yīng)的SQL語句，查出每個用戶第一單的消費(fèi)金額舱殿。
select userid, amount from(select userid, amount, min(payment) from order group by userid);
問題二：當(dāng)你發(fā)現(xiàn)本月的支付用戶數(shù)環(huán)比上月大幅下跌（超30%）奥裸，你會如何去探查背后的原因？請描述你的思路和其中涉及的關(guān)鍵指標(biāo)
step1：從長期/短期角度考慮沪袭，支付率的下降是否存在問題湾宙。長期角度從既往數(shù)據(jù)出發(fā)樟氢，對本月數(shù)據(jù)做預(yù)測，以2-3個標(biāo)準(zhǔn)差范圍衡量數(shù)據(jù)的下降是長期趨勢侠鳄，還是短期問題埠啃。如果是短期問題，那么考慮是否是近期的社會事件伟恶、上月是否存在特殊促銷活動碴开、是否存在疫情等外部情況導(dǎo)致的全面范圍影響。
step2：明確“支付用戶數(shù)=瀏覽用戶數(shù)*支付率”博秫，就可進(jìn)一步從瀏覽用戶數(shù)潦牛、支付率維度，觀察影響因子的變化挡育，確定是瀏覽用戶數(shù)下降導(dǎo)致巴碗，還是支付率下降導(dǎo)致。
step3：拆分維度：從新老用戶維度（新增客戶數(shù)即寒、留存率橡淆、復(fù)購率等）、生命周期維度（新用戶增量母赵、活躍用戶數(shù)量逸爵、留存用戶數(shù)量、支付用戶數(shù)量）凹嘲、人口統(tǒng)計(jì)學(xué)維度（性別师倔、年齡、職業(yè)等）周蹭、用戶群體（RFM模型用戶分層）溯革、渠道（拉新、付費(fèi)谷醉、推薦等）致稀、地域（區(qū)域、城市俱尼、線級等）抖单、內(nèi)外部（產(chǎn)品策略、市場趨勢遇八、競品）等因素進(jìn)一步細(xì)化假設(shè)矛绘，找出相關(guān)用戶群體，以及相關(guān)衡量指標(biāo)刃永，進(jìn)一步分析支付用戶數(shù)下降的原因货矮。
step4：回歸分析與預(yù)測：根據(jù)上述分析結(jié)果，對影響因子建立預(yù)測模型斯够，預(yù)估下跌趨勢的持續(xù)狀態(tài)以及跌幅程度囚玫。
step5：風(fēng)險與損失評估：評估支付用戶數(shù)的下降對核心KPI（商品總營收）的影響程度喧锦。
step6：根據(jù)業(yè)務(wù)分析、預(yù)測以及風(fēng)險評估結(jié)果抓督，制定下一步運(yùn)營策略燃少。
問題三：為了更好的理解用戶，我們通常會基于用戶的特征對用戶進(jìn)行分類铃在，便于更加精細(xì)化的理解用戶阵具，設(shè)計(jì)產(chǎn)品和運(yùn)營玩法，請你設(shè)計(jì)對應(yīng)的聚類方法定铜，包括重點(diǎn)的用戶特征的選擇及聚類算法并說明其基本原理和步驟
用戶特征選擇：人口統(tǒng)計(jì)學(xué)特征（包括性別阳液、年齡、地域揣炕、薪資趁舀、家庭成員）、用戶分層特征（最近一次消費(fèi)時間祝沸、消費(fèi)金額、消費(fèi)頻率）越庇、購買物品類別
聚類方法：Kmeans聚類算法罩锐，處理連續(xù)且數(shù)據(jù)量較大的數(shù)據(jù)。
基本原理：通過特征分析對用戶進(jìn)行分類卤唉，采用距離作為相似性的評價指標(biāo)涩惑，即認(rèn)為兩個對象的距離越近，其相似度就越大桑驱。
step1：先隨機(jī)選取K個對象作為初始的聚類中心:竭恬；
step2：計(jì)算每個對象與各種子聚類中心間的歐式距離，把每個對象分配給他最近的聚類中心熬的。
step3：一旦全部對象被分配了痊硕，每個聚類的聚類中心會根據(jù)聚類中現(xiàn)有的對象被重新計(jì)算，重新分配押框。依次循環(huán)岔绸，直到聚類中心點(diǎn)不再改變時循環(huán)結(jié)束。
4橡伞、某款游戲10月份收入比同年9月份下降了20%盒揉，作為數(shù)據(jù)分析師，你會從哪些方面分析收入下降原因兑徘？（列舉至少2種以上拆分思路刚盈，并寫清楚每種思路下對應(yīng)的數(shù)據(jù)指標(biāo)）
step1：基于既往數(shù)據(jù)，判斷10月份的收入下降是否是一個問題挂脑。確認(rèn)數(shù)據(jù)的真實(shí)性藕漱，存在下降異常后欲侮，拆分?jǐn)?shù)據(jù)維度。（注意谴分，由于是環(huán)比下降锈麸，需考察上月及下月是否存在促銷。）
step2：
思路一：用戶維度拆分牺蹄，明確收入計(jì)算公式忘伞，從新老維度、分層維度沙兰，對相關(guān)指標(biāo)進(jìn)一步分析
收入 = 用戶數(shù) * 人均消費(fèi)金額（ARPU）?
? ? ? ? ?= 用戶數(shù) * 人均消費(fèi)次數(shù) * 單均消費(fèi)金額
? ? ? ? ?= 用戶數(shù) * 付費(fèi)用戶比率（PUR） *?付費(fèi)用戶人均消費(fèi)金額（ARPPU）
? ? ? ? ?= 用戶數(shù) * 活躍用戶比率 * 活躍用戶付費(fèi)比率 * 付費(fèi)用戶人均消費(fèi)金額（ARPPU）
? 新老用戶維度：收入 = 新用戶數(shù)*新用戶付費(fèi)比率*新付費(fèi)用戶人均消費(fèi)金額 + 老用戶數(shù)*老用戶活躍用戶比率*老用戶活躍用戶付費(fèi)比率*老用戶付費(fèi)用戶人均消費(fèi)金額氓奈。基于上述公式鼎天，對新老用戶的用戶行為進(jìn)行研究舀奶，從新老用戶數(shù)、活躍比率斋射、消費(fèi)比率育勺、人均消費(fèi)金額、付費(fèi)用戶人均消費(fèi)金額等角度分析收入下降的原因罗岖。
??用戶分層維度：基于RFM模型（最近一次消費(fèi)時間涧至、消費(fèi)頻率、消費(fèi)金額）桑包，結(jié)合游戲相關(guān)指標(biāo)（包括：用戶等級南蓬、鉆級、游戲時長等）哑了，對用戶進(jìn)行分層處理赘方。針對每類用戶群體，進(jìn)一步研究用戶行為（包括每類用戶群體的用戶數(shù)弱左、活躍比率窄陡、消費(fèi)比率、人均消費(fèi)金額等）拆火。
? 用戶轉(zhuǎn)化維度：基于AARRR模型泳梆，對各階段相關(guān)的用戶數(shù)據(jù)指標(biāo)進(jìn)行同比、環(huán)比的分析：
① 用戶獲劝裾啤：渠道曝光量优妙、渠道轉(zhuǎn)化率、ROI憎账、獲客成本
② 用戶活躍：活躍用戶數(shù)套硼、用戶訪問時長、平均訪問次數(shù)胞皱、新老客占比
③ 用戶留存：次日留存率邪意、7日留存率九妈、15日留存率、30日留存率
④ 營收：訂單量雾鬼、訂單金額萌朱、付費(fèi)用戶占比、活躍用戶的平均消費(fèi)金額策菜、付費(fèi)用戶的平均消費(fèi)金額晶疼、人均消費(fèi)金額、用戶生命價值（LTV）
⑤ 傳播：平均用戶分享率又憨、老帶新平均新量翠霍、活動曝光量
思路二：內(nèi)外部維度拆分，從產(chǎn)品內(nèi)部變化蠢莺，與外部市場情況寒匙，分析影響整體收入的因素
? 內(nèi)部模塊維度：考察游戲各個模塊的收入情況（總收入=所有模塊收入之和）
將各模塊收入同比、環(huán)比情況躏将，與整體收入的同比锄弱、環(huán)比情況做對比，考察收入的下降是整體趨勢祸憋，還是單個会宪、或某幾個模塊的收入下降導(dǎo)致。
如果是各模塊與整體下降情況都呈現(xiàn)較為一致夺衍，且無單個模塊下降或增長異常，通關(guān)人數(shù)占比處于正常水平喜命，說明下降的原因主要是外部因素導(dǎo)致沟沙。
如果出現(xiàn)某個或某幾個模塊數(shù)據(jù)異常，則針對這類模塊進(jìn)一步從產(chǎn)品壁榕、運(yùn)營矛紫、技術(shù)維度分析：
① 產(chǎn)品角度：產(chǎn)品模塊是否版本更新、是否存在模塊玩法封頂牌里、上新需求是否急切等颊咬。
② 運(yùn)營角度：折扣優(yōu)惠額度、促銷活動次數(shù)牡辽、推廣渠道喳篇、各模塊的DAU、MAU态辛、游戲時長麸澜、付費(fèi)用戶數(shù)、平均付費(fèi)金額等奏黑，考察渠道炊邦、內(nèi)容编矾、促銷、推廣等運(yùn)營模式是否存在異常馁害。
③ 技術(shù)數(shù)角度：檢驗(yàn)是否存在Bug窄俏、不流暢、質(zhì)量下降等情況碘菜。
同時凹蜈，針對出現(xiàn)異常的模塊，要注意傾聽用戶的聲音炉媒，收集評論與輿論等信息踪区，做用戶調(diào)研，為下一步的優(yōu)化策略提供用戶需求基礎(chǔ)吊骤。
? 外部環(huán)境維度分析：基于PEST模型缎岗，對比事件前后，用戶數(shù)白粉、年齡传泊、下載次數(shù)、消費(fèi)金額等數(shù)據(jù)的變化鸭巴，考察外部環(huán)境變化對收入產(chǎn)生的影響眷细。
政策因素（例如禁止18歲以下兒童使用）、市場趨勢（手游&端游占比趨勢鹃祖，團(tuán)競溪椎、休閑等游戲類型的占比趨勢）、競品因素（競品下載次數(shù)恬口、熱度數(shù)據(jù)）校读、節(jié)日及社會輿論熱點(diǎn)（寒暑假、高考中考祖能、游戲沉迷等負(fù)面輿論）歉秫。對比事件前后，各年齡層比率的變化养铸，對比總收入變化雁芙。
5、用戶分析是電商數(shù)據(jù)分析中重要的模塊钞螟，在對用戶特征深度理解和用戶需求充分挖掘基礎(chǔ)上兔甘，進(jìn)行全生命周期的運(yùn)營管理（拉新—>活躍—>留存—>價值提升—>忠誠），請嘗試回答以下3個問題：
問題一：現(xiàn)在數(shù)據(jù)庫中有一張用戶交易表order鳞滨，其中有userid（用戶ID）裂明、orderid（訂單ID）、amount（訂單金額）、paytime（支付時間）闽晦，請寫出對應(yīng)的SQL語句扳碍，查出每個月的新客數(shù)（新客指在嚴(yán)選首次支付的用戶），當(dāng)月有復(fù)購的新客數(shù)仙蛉，新客當(dāng)月復(fù)購率（公式=當(dāng)月有復(fù)購的新客數(shù)/月總新客數(shù)）笋敞。
① 查詢每個月的新客數(shù)：
step1：將時間格式的payment，轉(zhuǎn)化為年-月格式荠瘪，新增列 ym
ALTER TABLE order ADD COLUMN ym VARCHAR(255) NOT NULL;
UPDATE order SET ym=DATE_FORMAT(paytime, '%Y-%m');
step 2：創(chuàng)建新客戶userid和第一次的支付時間的視圖夯巷，方便后續(xù)調(diào)用：
CREATE VIEW t1 AS
SELECT userid, MIN(paytime), ym FROM order_t GROUP BY userid ;
step 3：查詢每個月的新客戶數(shù)：
SELECT ym AS 年月名稱, COUNT(userid) AS 新客戶數(shù)
FROM t1 GROUP BY ym;
② 查詢當(dāng)月有復(fù)購的新客戶數(shù)：
step1：查詢每個月新客戶的購買數(shù)量
CREATE VIEW t2 AS
SELECT t0.userid AS 用戶編號, COUNT(t0.userid) AS 購買次數(shù), t0.ym AS 年月名稱
FROM order_t AS t0, t1
WHERE t0.userid = t1.userid AND t0.ym = t1.ym
GROUP BY t0.userid;
step 2：篩選每個月新客戶購買數(shù)量大于1次的客戶及客戶數(shù)
CREATE VIEW t3 AS
SELECT 年月名稱, COUNT(用戶編號) AS 復(fù)購新用戶數(shù) FROM t2
WHERE 購買次數(shù) > 1 GROUP BY 年月名稱;
SELECT * FROM t3;
③ 新客當(dāng)月復(fù)購率
SELECT t2.`年月名稱`, t3.復(fù)購新用戶數(shù)/COUNT(t2.`用戶編號`) AS 新客當(dāng)月復(fù)購率
FROM t2, t3 WHERE t2.`年月名稱`=t3.`年月名稱` GROUP BY t2.`年月名稱`;
問題二：當(dāng)你發(fā)現(xiàn)最近一周APP端新訪用戶當(dāng)天轉(zhuǎn)化率（公式=新訪當(dāng)天支付人數(shù)/新訪用戶數(shù)，新訪是指首次訪問嚴(yán)選APP的設(shè)備）環(huán)比最近4周日均轉(zhuǎn)化率大幅下跌（超30%）哀墓，你會如何去探查背后的原因趁餐？請描述你的思路和其中涉及的關(guān)鍵指標(biāo)
step 1：判斷數(shù)據(jù)真實(shí)性，由于環(huán)比最近4周日均轉(zhuǎn)化率下跌篮绰，可初步排除趨勢類因素
step 2：拆分?jǐn)?shù)據(jù)維度后雷，并觀察各維度下新訪當(dāng)天支付人數(shù)、當(dāng)天新訪用戶數(shù)的環(huán)比情況：
????人口統(tǒng)計(jì)維度：年齡吠各、性別臀突、職業(yè)、薪資等
????地理位置維度：區(qū)域贾漏、城市候学、線級
????渠道維度：引流渠道、支付渠道纵散、分享渠道梳码、渠道曝光率
????內(nèi)外部因素：市場趨勢、競品數(shù)據(jù)伍掀、促銷活動掰茶、社會熱點(diǎn)、輿論硕盹、節(jié)假日等維度
當(dāng)定位到異常數(shù)據(jù)后符匾，可進(jìn)一步細(xì)化假設(shè)叨咖，從產(chǎn)品瘩例、運(yùn)營、技術(shù)等角度甸各，考察具體轉(zhuǎn)化率下降的原因垛贤。例如：產(chǎn)品的更新是否不符合用戶需求、運(yùn)營活動是否吸引力較小趣倾、支付渠道是否存在問題聘惦。
再如：若發(fā)現(xiàn)渠道數(shù)據(jù)異常，則探究該渠道的投放素材儒恋、運(yùn)營策略是否存在問題善绎。以及產(chǎn)品策略是否存在調(diào)整黔漂，調(diào)整后的產(chǎn)品策略是否與該渠道用戶需求不符。如果是個別渠道的新訪客增多禀酱，那么說明該渠道的前期運(yùn)營還不錯炬守，但該渠道獲得的用戶價值可能不高，或者該渠道對用戶的推薦可能不夠準(zhǔn)確剂跟，導(dǎo)致用戶的轉(zhuǎn)化率低减途。
可針對異常數(shù)據(jù)，進(jìn)一步從用戶行為數(shù)據(jù)（對各功能模塊的使用情況曹洽、瀏覽-收藏-加購-購買的漏斗模型等）進(jìn)一步觀察用戶在哪些功能模塊停留時長較短鳍置、退出路徑等，分析該類渠道用戶的真實(shí)需求送淆，進(jìn)而優(yōu)化算法推薦等税产，或調(diào)整渠道策略，以提高轉(zhuǎn)化率坊夫。
問題三：在進(jìn)行用戶運(yùn)營之前砖第，我們通常會對用戶進(jìn)行分層，針對不同類型用戶實(shí)施差異化的運(yùn)營策略和資源投入环凿，請你幫助設(shè)計(jì)嚴(yán)選用戶分層的方案梧兼，包括關(guān)鍵特征的選擇，分層的方法智听，如涉及模型/算法羽杰，請說明選擇的算法類型、基本原理和步驟
step 1：明確用戶分層的目的
針對用戶全生命周期（拉新—>活躍—>留存—>價值提升—>忠誠）實(shí)施差異化的運(yùn)營管理和資源投入到推，也就是更關(guān)注用戶生命周期與各階段的用戶價值考赛。
step 2：選擇關(guān)鍵特征
? ? 用戶屬性：獲客渠道、城市莉测、家庭颜骤、薪資、職業(yè)捣卤、信息完善度忍抽、支付方式種數(shù)（忠誠度）
????用戶價值：最近一次消費(fèi)、消費(fèi)頻率董朝、消費(fèi)金額鸠项、會員狀態(tài)
????用戶活躍度：注冊時間、距離最近一次活躍天數(shù)子姜、活躍頻率祟绊、使用時長
而后利用統(tǒng)計(jì)分析技術(shù)（例如相關(guān)性分析），結(jié)合轉(zhuǎn)化率情況，對上述各特征進(jìn)行相關(guān)性檢驗(yàn)牧抽，而后選取相關(guān)程度較高的指標(biāo)嘉熊，進(jìn)行下一步的分層設(shè)計(jì)。
而后利用K-means聚類算法扬舒，針對上述篩選后連續(xù)且數(shù)據(jù)量較大的指標(biāo)记舆，對應(yīng)其轉(zhuǎn)化率情況，各計(jì)算3-5個聚類中心呼巴，構(gòu)建每個指標(biāo)的層次維度泽腮，結(jié)合分類性指標(biāo)，構(gòu)建最終的關(guān)鍵特征群衣赶。
step 3：設(shè)計(jì)用戶分層方案
首先诊赊，從業(yè)務(wù)層面對各指標(biāo)對整體結(jié)果的影響權(quán)重進(jìn)行打分；
而后府瞄，基于K-means聚類結(jié)果碧磅，對每個指標(biāo)的子維度權(quán)重進(jìn)行打分；
最后遵馆，參考RFM模型思路鲸郊，對用戶屬性、用戶價值货邓、用戶活躍度構(gòu)建融合模型
（以下權(quán)重占比以及評分范圍秆撮，未經(jīng)檢驗(yàn)，僅用作示例）
算法解釋與說明：
① 相關(guān)性分析：指對兩個或多個具備相關(guān)性的變量元素進(jìn)行分析换况，從而衡量兩個變量因素的相關(guān)密切程度职辨。相關(guān)系數(shù) r = （x和y的協(xié)方差）/（x的標(biāo)準(zhǔn)差 * y的標(biāo)準(zhǔn)差），相關(guān)系數(shù) r 的正負(fù)表示相關(guān)性方向戈二，其大小表示相關(guān)性程度舒裤。
② K-means 聚類算法：適合處理連續(xù)且數(shù)據(jù)量較大的數(shù)據(jù)。通過特征分析對指標(biāo)進(jìn)行分類觉吭，采用距離作為相似性的評價指標(biāo)腾供，即認(rèn)為兩個對象的距離越近，其相似度就越大鲜滩。
實(shí)現(xiàn)步驟：先隨機(jī)選取K個對象作為初始的聚類中心:伴鳖；計(jì)算每個對象與各種子聚類中心間的歐式距離，把每個對象分配給他最近的聚類中心绒北。一旦全部對象被分配了黎侈，每個聚類的聚類中心會根據(jù)聚類中現(xiàn)有的對象被重新計(jì)算察署，重新分配闷游。依次循環(huán)，直到聚類中心點(diǎn)不再改變時循環(huán)結(jié)束。
③ 融合模型：建立母維度脐往，并賦予每個維度各自權(quán)重占比休吠。而后拆分各個母維度，并對其子維度進(jìn)行范圍劃定（基于上述K-means聚類結(jié)果）业簿，對各子維度賦予各自權(quán)重占比瘤礁，基于子母維度的得分情況，繪制融合模型梅尤，實(shí)現(xiàn)多維度的用戶分層柜思。
以上僅代表個人看法，對于算法模型在運(yùn)營維度的邏輯性巷燥、以及在數(shù)據(jù)維度的可操作性赡盘，還有待實(shí)際驗(yàn)證。歡迎各位留言交流探討~~
