基于“用户画像”挖掘的精准营销
用户画像的核心工作是为用户打标签。打标签的重要目的之一是为了让人能够理解并且方便计算机处理，如.可以做分类统计：旅游中喜欢的报旅行社的用户有多少？喜欢报旅行社的人群中，男、女比例是多少，入住习惯是什么？用户画像完成后，进一步的我们可以做数据挖掘工作：客户分群、搜索引擎、推荐引擎、广告投放等各种应用领域，都将能进一步提升精准度，提高信息获取的效率。所以，在大数据应用中，用户画像极为关键。
浙旅客户价值分群
1）构建K-Means聚类，LRFTC优化模型对用户价值识别
客户价值识别算法升级：
- 模型目标就是对浙旅集团会员价值识别，即通过浙旅集团会员画像数据识别出不同价值的客户。识别会员价值应用最广泛的模型是通过三个指标（最近消费时间间隔（Recency）、消费频率（Frequency）和消费金额（Monetary））来进行会员细分，识别出高价值的会员客户，简称RFM.
- 但是，针对浙旅集团LRFTC模型，如果采用传统的RFM模型分析的属性分箱方法，如图一所示，（它是依据属性的平均值进行划分，其中大于平均值的表示↑，小于平均值的表示为↓），虽然也能识别最有价值的客户，但是细分的客户群太多，提高了针对性营销的成本。因此，我们对传统模型进行改进，找到适用于集团客户模型。通过对浙旅集团客户价值的LRFTC模型的五个指标进行K-Means聚类，识别出最有价值会员客户。
LRFTC模型就是基于浙旅集团多模块业务特性优化而来，我们将会员关系长度L、消费间隔R、消费频率F、会员与浙旅业务消费粘粘性T和购买服务累计金额C五个指标作为浙旅识别客户价值指标（见下表）
表：指标含义
| 模型 |
L |
R |
F |
T |
C |
| 浙旅 |
会员注册时间 |
会员最近一次购买产品&服务距观测窗口结束的月数 |
会员在观测窗口内购买浙旅旅游服务&产品次数 |
客户在观测窗口期间涉及浙旅业务板块数量（8+1） |
会员在观测窗口内累计花费金额 |
注：表中观测窗口意思为某个固定时间段。如，7年5月至18年五月为观察窗口
2）浙旅会员价值分析的总体流程如图：
图：浙旅会员数据挖掘建模流程
3）客户价值特征分析
通过LRFTC模型分析方法研究浙旅集团业务场景，对客户的五个识别指标进行标准化处理，利用K-Means聚类结果进行特征分析，经过分析我们发现，每个客户群都有显著不同的表现特征，基于该特征描述，我们定义五个等级的客户识别类别：重要客户、重要发展客户、重要挽留客户、一般客户、低价值客户。
(ps:克丽缇娜改为浙旅，不会p图)
根据每个客户类型的特性，对各类客户群进行客户价值排名，其结果如下表所示。针对不同类型的客户群提供不同的产品和服务，提升重要发展客户的价值、稳定和延长重要保持客户的高水平消费、防范重要挽留客户的流失并积极进行关系恢复。
| 客户群 |
排名 |
排名含义 |
| 客户群1 |
1 |
重要保持客户 |
| 客户群5 |
2 |
重要发展客户 |
| 客户群2 |
3 |
重要挽留客户 |
| 客户群4 |
4 |
一般客户 |
| 客户群3 |
5 |
低价值客户 |
根据对各个客户群进行特征分析，采用一些销售手段和策略，为浙旅的价值客户群管理提供参考依据。如：会员升级和保级、积分兑换调整、交叉销售。
基于用户的协同过滤推荐算法为集团会员推送服务/广告
协同过滤推荐算法主要的功能是预测和推荐。算法通过对用户历史行为数据的挖掘发现用户的偏好，基于不同的偏好对用户进行群组划分并推荐品味相似的商品。简单的说就是：人以类聚，物以群分。（ps:为了简化算法模型阐述，下面，我们统一将浙旅的服务产品称为商品）
我们模拟了三个浙旅集团的用户对4个集团业务产品套餐的的评分，来说明如何通过用户对浙旅，不同业务套餐产品的态度和偏好寻找相似的用户。
图：协同过滤算法推荐示意图
（将上图产品product1-product4分别改为汽车租赁、康养医疗、酒店服务、旅游投资）
在示例中，三个用户分别对4个产品进行了评分。这里的分值可能表示真实的购买，也可以是用户对产品不同行为的量化指标。例如，旅游产品的次数，向朋友推荐产品，收藏，分享，或评论等等。这些行为都可以表示用户对产品的态度和偏好程度。
图中是为用户C推荐的产品的协同过滤算法结果，可以看出用户C与用户D、E皮尔逊系数接近于1，相似度非常高，再者在用户相似度非常高的情况下，可以直观看到，商品C的推荐指数最高，商品B的推荐指数最低。所以，为用户C进行排序推荐（图中的所得的推荐指数由指标加权得来）。
实施精准营销
深度决策管理
降低运营成本
提升综合效益
