基于数据挖掘的汽车行业客户行为特征分析

主要思路

以汽车行业为载体，通过对具体业务需求的理解与梳理，转化为数据分析问题，进行数据建模，将输出的结果应用到业务中，对业务提供支持（建议，预测，判断等等）。当然了，数据分析与挖掘的过程也是持续地与业务碰撞的过程，这是一个反复建模分析，反复验证解释的过程。此次分享的内容以解决思路为主。

行业知识铺垫

数据挖掘是以业务为核心。因为业务决定了数据分析与挖掘的方向与重心。

每一个行业都有一个所谓的客户生命周期，对于汽车行业来说，客户生命周期是，认知、需求、选车、购车、用车、修车、换车。见下图：

每一个点表示的是，客户在不同的生命周期阶段所获取信息或服务的途径。而我们的目标是在客户生命周期每个阶段均采取针对性措施增加客户价值（为客户增加价值就是增加每一个客户对企业的生命价值）。目标分解：增加客户的生命时间增加每一次与客户互动所得的收入。

具体案例场景（客户流失预警分析）

背景：客户流失的危害：1，盈利损失：客户忠诚度下降,企业利润下降；2，口碑损失：60%新客户参考现有客户 的推荐;一个不满的客户扩散范围大5-6倍（与满意客户比）;3，成本增加：开发一个新客户成本=维系六个老客户成本。需要回答的问题：哪些客户流失了？ 什么时候流失？流失客户价值如何？回答以上问题，就可以对即将流失客户做相应的动作给予挽回（数据对业务的支持）。

解决思路

切记：解决问题过程的每一步都要与业务进行碰撞（特征的探索，建立模型时候的参数及区间的设定等等），业务诉求及结论需要数据分析进行支持，数据分析结果（探索的结果）需要业务进行验证解释。

步骤：1，根据业务梳理所需指标；2，了解各字段来源，权重分配与评分方式确立；3，建立模型，验证优化; 4，根据结果提出相应建议（跟踪时间，优惠点等等）（略）

建模思路：1，筛选客户消费频次，金额，推荐等特征，建立客户价值分类模型，2，对比已流失用户与保有用户，寻 找显著特征；3，依据筛选出的特征，建立流失预警模型； 4，结合分类模型与流失模型，对用户进行差异性营销。其实这个是两个模型的结合：1.客户价值分析（模型）：客户价值区分（根据历史消费行为等记录，测算 当前价值，对客户进行区分）。2.流失预警分析（模型）：依据客户历史维保周期等信息，及时预警超期未进店客户。

我们从两个维度进行构建客户价值分析（模型）。物质价值（以客户消费的相关数据为依据，反应客户带给企业的货币形式的价值）和情感价值（以客户与车 型品牌的互动的相关数据为依据，反应客户对车型品牌的依赖度、忠诚度等非货币形式的价值）。支撑物质价值的字段包括：维保金额，维保频次，最近维保时间 等；支撑情感价值的字段包括：年均积分获取次数，年均积分使用次数，年均参加活动次数，投诉记录，推荐购车等等。以上是提取字段，接下来是衍生字段（如年 均次数等）（略）

模型是k-means聚类

将客户按价值分为高中低等（具体字段不赘述）。

客户流失模型

就当前时间点而言，最后一次进店时间距当前时间大于等于12个月，标记为流失，最后一次进店时间距当前时间小于12个月，标记为未流失。60%放入训练集，40%放入测试集。模型为决策树。同时我们对已流失客户进行特征提取，分析如下：

流失集中在2年左右的时间。

车龄三年的用户流失比重达25%，车龄五年以上用户已经有近半流失。

同时，流失前也伴随着某些特征：

• 1. 流失前后有明显的积分获取使用的频次下降。
• 2. 流失用户金额波动更大，多经历高维保金额
• 3. 流失用户流失前最后一次进店原因为‘事故车’比率达22%，更换常去经销商比率为15%。
  

我们将两个模型导出的结果标识（每一条记录都有标识）进行取交集操作，如下图所示

我们会对量化后的指标进行离散化处理（将具体的定量指标定义为定性指标）。下一步就是将数据进行打包，附上针对性的跟踪服务建议，下发经销商，相关人员进行跟踪反馈，因为牵扯面太大（区域，人员等等），对跟踪反馈结果的收集难度很大。

来源：数据分析网