一个成功的数据挖掘项目，首先要有准确的业务需求描述，之后则要求项目相关人员自始至终对业务有正确的理解和判断 对业务的理解和思考，永远**项目的分类和分析技术的选择
1目标客户的特征分析
目的：找准目标客户，目标受众，才能进行精细化运营
2目标客户的预测（相应、分类）模型
目的：预测个体相应的概率，展示变量之间的关系
3运营群体活跃度定义
活跃度的定义没有统一标准，一般是根据特定的业务场景和运营需求来量身定做的。其中定义活跃度较常见的两个基本点是：
活跃度组成指标应该是该业务场景中较核心的行为因素
衡量活跃度的定义合适与否的重要判断依据是其能否有效回答业务需求的良好目标
4用户路径分析
路径分析的目的：
监控运营活动（或目标客户）的典型路径，通过分析调整运营策略，较终提升用户点击页面的效率
发现并提炼新的有价值的频繁路径模式，提升运营效率和特定效果
5交叉销售模型
理论依据：客户付费后，企业会想办法保留或延长客户对企业的生命周期和利润贡献
两个运营方向：
延缓客户流失
提高顾客消费
6信息质量模型
举个例子：在同等条件下，一个要素齐备，布局合理，界面友好的店铺或商品详情页一定比不具备核心要素，布局不合理，界面不友好的更加容易达成交易，更容易获得买家的好感。这其中就体现了信息质量的重要价值。
7服务**模型
作用：为卖家提供有价值的服务去支持、**卖家生意的发展
8用户（买家、卖家）分层模型
分层模型是介于粗放式运营与基于个体概率预测模型之间的一种折中和过渡模型，其既兼顾了（相比较粗放运营而言）精细化的需要，又不需要（太多资源）投入到预测模型的搭建和维护中
9卖家（买家）交易模型
目的：为买卖双方服务，帮助卖家获得更多的买家反馈，促进卖家完成更多的交易、获得持续的商业利益
10信用风险模型
一般的信用风险模型由专门的风控团队负责，但从数据挖掘的角度来看，信用风险模型搭建和常规的数据挖掘没有太大区别，算法思路基本相同，其中的区别在于业务背景。相比与常规的数据挖掘，信用风险分析有以下特点：
分析结论或欺诈模型的时效更短，需要优化（更新）的频率更高
行骗手段是随机性的，所以欺诈预警模型对及时性和准确度要求很高
对预测模型提炼出的因子进行规则梳理和罗列，可以在风控管理的初期阶段有效锁定潜在目标群体

hourong55.b2b168.com/m/