客群划分机制

零售行业客群划分机制

第一种：客单价

客单价是衡量购买力的重要指标，企业A根据用户过去一年的行为，计算出过去一年的平均客单价，以平均客单价为界，划分客群，此后在高价值用户中根据过去一年的购买频次和注册时间又细分出三种客群类型

这种以客单价为分界的分类机制简单明了，清楚的界定了高价值用户。但在调研中，CDC的研究员发现，低价值用户中存在消费频次高，客单价低的用户（由于消费频次高，客单价相对较低），他们的消费总额与高价值用户相似，甚至高于某些高价值的用户。

如果使用这种客单价一刀切的客群分类方式，这些低客单高频用户是否属于被遗漏的高价值用户？客单价高，但频率非常低的用户是否属于被高估的低价值用户？相比较，企业B的分类方式维度多，更为全面。

第二种：上一次购买时间，购买频次，订单贡献金额

企业B根据用户首单时间先划分大类，然后根据购买频次和订单金额综合再细分有效、活跃、忠诚等维度客群。

此后在忠客群体中根据人群特点，购买行为，订单金额等进一步细分为上班族女，上班族男，健身达人，宝妈，家庭主妇/夫和其他群体

我们看到企业B的分类较企业A的分类维度多。在进行忠客的识别中，考虑了上一次购买时间，购买频次和订单贡献金额，较为全面，与客群分类的RFM模型相符合。

在RFM模型中，R(Recency)表示客户最近一次购买的时间有多远，F(Frequency)表示客户在最近一段时间内购买的次数，M (Monetary)表示客户在最近一段时间内购买的金额。根据RFM，可以分析对企业价值高的用户分别是哪些，例如：

重要价值客户： 最近消费时间近，消费频次和消费金额都很高

重要保持客户： 最近消费时间较远，但消费频次和金额都很高

重要发展客户： 最近消费时间较近，消费金额高，但频次不高，忠诚度不高

重要挽留客户： 最近消费时间较远，消费频次不高，但消费金额高的用户

        对于一个新上线产品的前期运营，我们一般的做法都是做活动、上新品、蹭热点、做营销、不断地去拓展新的客户。但是这种做法收效却不容乐观，真正获取的用户没有几个，最终都便宜了羊毛党。其实客户在不同阶段的需求是不一样的，有的客户图便宜，有的客户看新品，有的客户重服务。所以我们想要运营好一个产品，就需要对客户精细化运营。

     精细化运营最经典的用户分群工具就是RFM模型，RFM模型是衡量用户价值和用户创新能力的经典工具，主要是由用户最近一次购买时间、消费频次、消费金额组成。

        RFM模型是衡量客户价值和客户潜在价值的重要工具和手段，RFM是Rencency（最近一次消费），Frequency（消费频率），Monetary（消费金额）组合而成，此模型对于运营、销售、财务、市场来说都比较重要。

R值（Recency）： 最近一次消费

        表示用户最近一次消费距离现在的时间，消费时间越近的客户价值越大，1年前消费过的用户肯定没有1月前消费过的用户价值大，是衡量用户价值的一个指标。

        基于R值的大小，可以看出上表中的客户2是最有价值的，客户3是最没有价值的，但是如果就此说明客户2是最有价值，而客户3是没有价值的是不成立的，对于客户价值我们不能仅看R值，还需要考虑F值和M值。这里我们只举出4个客户为例，但在真实的客户场景中，我们可以把客户按照周、月、季、年等维度的占比详细来观察出R的趋势变化。

F值（Frequency）： 消费频率

        消费频率是指用户在统计周期内购买商品的次数，经常购买的用户也就是熟客，其价值比偶尔来一次的客户价值大

        基于F值的大小，可以看出客户4的价值最大，客户1的价值最小，但是如果考虑R值和M值就不能这样认为。其实客户对于产品的复购的核心因素是类目。有的类目产品复购率高（食品类）主要是食品属于易耗品，消耗周期短，购买的频率高，相对容易产生重复性购买。而有的类目产品复购率低（家电类），消耗周期长，购买频次低。建议在对F值进行统计时对于不同的类目要有相应的统计周期。

M值（Monetary）： 消费金额

消费金额是指用户在统计周期内消费的总金额，体现了消费者对于企业的价值。

        基于M值的大小，可以看出客户4的价值最高，客户1的价值最低，M值同上面的R值、F值类似，单一的值并不能说明客户的好坏，三者结合才能更好地精细化用户，对购买产品的用户合理的分隔，采用不同的机制去运营。

RFM模型的主观细分

        根据RFM模型值得大小对客户进行细分，如下表所示，将客户分为了8部分去运营，对于不同的细分人群采取不同的运营策略，在实际的应用场景中，店铺可以根据自己店铺的实际情况来细分人群，购买人群多的就分多个人群，购买人群少的就少分几个人群，具体的情况根据店铺来定。

RFM模型的量化细分

        上面的模型细分主要是根据RFM值的大小进行模糊的细分，而如果想要更细地对人群进行划分，就需要对RFM进行量化处理，一般采用的方式有

1、根据经验定义权重

RFM值=a*R值+b*F值+c*M值

对于其中的权重a,b,c则需要经验丰富的业务人员来判断

2、归一化处理

将RFM的值进行归一化处理，公式为

RFM值=R1值+F1值+M1值

上面的R1,F1,M1都是归一化处理过后的值

3、AHP层次分析得出权重值

RFM值=a1*R值+a2*F值+a3*M值

a1,a2,a3的值是AHP层次分析得出的权向量值

具体参考链接

最终按照得出值的大小进行人群细分，得出不同的人群

1、LS最小二乘法，可以用于线性回归模型、ARMA等模型

2、TSLS两阶段最小二乘法

3、GMM广义矩估计方法

4、ARCH自回归条件异方差，还可以估计其他各种ARCH模型，如 GARCH、T- GARCH

5、BINARY用于估计二元选择模型，包括 Logit、 Probit和 Extreme value模型

6、ORDERED用于估计有序选择模型

7、CENSORED用于估计删截模型

8、COUNT用于估计计数模型

9、OREG分位数回归分析方法

10、GLM义线性模型分析方法

11、STEPLS分段最小二乘分析方法

12、ROBUSTLS稳健最小二乘分析方法

13、HECKIT赫克曼备择模型

14、BREAKLS带断点的最小二乘分析方法

15、THRESHOLD门限回归分析

16、SWTCHREG转换回归

17、ARDL自回归分布滞后模型

18、IDAS混合数据抽样

1

TSLS两阶段最小二乘法

一个典型的线性回归模型:y= β0 + β1x1+ βX + ε(1)，这里y为被解释变量，x1为自变量，或者解释变量，也即“因”。大写的 X为外生控制项向量( 也即一组假定为外生的其他控制变量，例如年龄、性别等等) ，ε则为误差项。如果ε与x1不相关，那么我们可以利用OLS 模型对方程进行无偏估计。

然而，如果一个重要变量x2被模型(1) 遗漏了，且x1和x2也相关，那么对β1的OLS 估计值就必然是有偏的。

此时，x1被称作“内生”的解释变量，这就是 “内生性”问题。遇到“内生性”问题肿木办？有一个方法就是找工具变量Z。

如果存在内生性，则称解释变量为 “内生变量”(endogenousvariable)；反之，则称为 “外生变量”(exogenous variable)。

内生性的严重后果是使得 OLS估计量不一致(inconsistent)，即无论样本容量多大，OLS 估计量也不会收敛至真实的参数值。

在计量经济学中，把所有与扰动项相关的解释变量都称为“内生变量”。这与一般经济学理论中的定义有所不同。1。与误差项相关的变量称为内生变量(endogenous variable)。2。与误差项不相关的变量称为外生变量(exogenous variable)。

二阶段最小二乘法Eviews *** 作介绍：二阶段最小二乘法的第一阶段就是利用原模型的内生解释变量对工具变量进行OLS，得到解释变量的拟合值；第二步，利用得到解释变量的拟合值对原模型进行最小二乘法，从而得到方程模型的估计值，这样就可以消除内生性的影响。

原文阅读：一文读懂内生性问题之二阶段最小二乘法(TSLS)Eviews *** 作

2

THRESHOLD门限回归分析

阈值回归模型描述了一种简单的非线性回归模型。 TR规范很受欢迎，因为它们很容易。 估计和解释，并能产生有趣的非线性和丰富的动力学。 在TR的应用中，有样品分裂，多重平衡。 非常流行的阈值自回归(TAR)和自激励阈值自回归(SETAR)(Hansen 1999, 2011波特2003)。

在功能强大的特性中，Eviews有选择最佳阈值TR模型选择工具。能够从候选列表中，并且能够指定两种状态的变化和非变化的变量。例如，您可以轻松地指定两种模式的门限模型并允许EViews 估计最优变量和参数、阈值、系数和协方差。并对变化和回归参数的估计。

门限回归模型是一种重要的结构变化模型，当观测变量通过未知门限时，函数模型具有分段线性的特征，并且区制发生变化。门限回归模型很容易估计和解释，再加上它具备动态性，所以应用比较广泛。门限回归能够应用于多种模型中。

门限变量qt和解释变量Xt、Zt的特征决定了门限函数的类型。如果qt是yt的d期滞后值，则称为自激励(SE)模型；如果门限变量不是被解释变量的滞后变量，则为一般的门限回归(TR)模型。如果解释变量Xt、Zt中仅包含截距项和滞后的被解释变量，则表示自回归(AR)模型。在此基础上易于得出，自激励门限自回归(SETAR)模型中则包括自回归设定和滞后被解释变量两类要素。

639e4823edb8cc50111e59d9a9ba7a4c.png

dbce26b1caac28775a1291712294ae11.png

8cdcef5788cc5eca9e09129a190f5132.png

Estimation Output

334917e0cecd4f7e210f52597ca3fddd.png

fd2d83ff3028c1da90faeff91056796f.png

Criteria Graph and Table If you select View/Model Selection Summary from an estimated threshold equation you will be offered a choice of displaying a Criteria Graph or a Criteria Table:

509f3764eab30874d843fb3810295cf3.png

89921a233e35c7229775aef367dd965a.png

0ebbe0974a3548f360240d621f2005e1.png

3

BREAKLS带断点的最小二乘分析方法

基本普通最小二乘法假设模型的参数不随观测值的变化而变化。尽管这种假设。结构的变化，以及样本区间参数的变化 ，在应用时间序列分析中起着重要的作用。

因此，有大量的研究针对回归方程中参数结构变动的问题。EViews 8提出了结构变动的线性回归估计工具。在Bai (1997), Bai and Perron (1998)中的断点都是已知，先前指定的。

一、Estimating Least Squares with Breakpoints in EViews

案例所需数据介绍，本节以hansen_jep为例，具体数据如下：

caf32e362e649c0ac5b734a1bdcda664.png

要估计一个具有断点的最小二乘方程，请选择Object/New Object….../ Equation or Quick/Estimate Equation，或者从EViews主菜单中选择BREAKLS - Method下拉菜单中带有断点的最小二乘法，或者在命令窗口中简单输入关键字BREAKLS:

a8dff76e26477d684b86f49c67f663b8.png

接下来，单击Options选项卡，显示计算系数协方差矩阵、断点说明、权重和系数名的附加设置。

aafeb487bb386657a01d873c0ceab2bc.png

Break Specification包括如下选项：

The Break specification section of the dialog contains a Method drop-down where you may specify the type of test you wish to perform. You may choose between:

• Sequential L+1 breaks vs. L

• Sequential tests all subsets

• Global L breaks vs. none

• L+1 breaks vs. global L

• Global information criteria

• Fixed number - sequential

• Fixed number - global

• User-specified

这些选项在结构突变检验章节将再次介绍。为了说明断点方程估计的输出，我们使用Han- sen’s (2001)劳动生产率的例子。Hansen的示例使用了1947年2月至2001年4月美国劳动生产率在制造业耐用品行业的测量。工业生产指数与每周平均工时之比增长率。

我们估计一个断点模型，使用DDUR与DDUR(-1)和一个常数的回归。输出如下:

3b8779fe9ce17e64a967f1201d33f517.png

Breakpoint Specification View显示一个断点回归的总结,该方法用于确定断点。输出的顶部显示断点摘要以及剩下的部分显示了断点确定的中间结果:

77b6688e648eb97563890d8583cf6a82.png

2dac73483254db7859fa35daa5d5c4a0.png

二、Example

为了说明这些工具在实践中的使用，我们采用了美国出口实际利率的数据(from Garcia and Perron (1996) that is used as an example by Bai and Perron (2003a).)

选择对象/新对象…从主菜单中 或在命令行中输入命令断点并单击enter。

a2745ee2062aabdd0c8117060d5eebcf.png

Next, click on the Options tab and specify HAC (Newey-West) standard errors, check Allow error distributions to differ across breaks, choose the Bai-Perron Global L breaks vs. none method using the Unweighted-Max F (UDMax) test to determine the number of breaks, and set a Trimming percentage of 15, and a Significance level of 0.05.

96b15a35b2722d6ea8d4d1798a4df540.png

Lastly, to match the test example in Bai and Perron (2003a), we click on the HAC Options button and set the options to use a Quadratic-Spectral kernel with Andrews automatic bandwidth and single pre-whitening lag:

813e82543f980cff9136072fba4706ed.png

输出结果为：

d85919d0d008bc138d3da17b9abc9cff.png

点击视图/实际，拟合，剩余/实际，拟合，残差图，在原始序列和残差的旁边，查看样本内的拟合数据:

c80b2f91f30210d4d43b573278853140.png

未完待续！

◆◆◆◆

精彩回顾

6f4317c5ad1ee068da228571e7a38922.png

点击上图查看：

计量经济学小白必修课--网课《高级计量经济学及Eviews应用》震撼上架！

9ff111c0b4810753b7b65a81065a7931.png

点击上图查看：

《初级计量经济学及Stata应用：Stata从入门到进阶》

3ec7be2e15086249d5d7ef268047064a.png

点击上图查看：

《高级计量经济学及Stata应用：Stata回归分析与应用》

相关资源：柯布-道格拉斯(Cobb-Douglas)生产函数模型_柯布道格拉斯生产函数...

点击阅读全文

打开CSDN，阅读体验更佳

参与评论 请先 登录 后发表或查看评论

matlab进行道格拉斯筛选,柯布-道格拉斯(Cobb-Douglas)生产函数模型.doc...

α , β—— K 和 L 的产出d性. 经济学中著名的柯布-道格拉斯(Cobb-Douglas)生产函数的一般形式为 Q(K , L) = aK α Lβ , 0 <α , β <1 (1-1) 其中Q, K , L 分别表示产值、资金、劳动力,式中α , β ...

[渝粤教育] 九江学院 计量经济学 参考 资料_wx_yuyueshool的博客-CSDN博...

B、在柯布—道格拉斯生产函数中,检验规模报酬是否不变。 C、在回归方程中,检验结构是否存在变化。 D、在回归方程中,检验误差项是否服从正态分布。 E、在回归方程中,检验某一参数是否异于零。

柯布-道格拉斯（Cobb-Douglas）生产函数模型

柯布-道格拉斯（Cobb-Douglas）生产函数模型，齐微，，柯布-道格拉斯生产函数（Cobb-Douglas production function）用来预测国家和地区的工业系统或大企业的生产和分析发展生产的途径的一种经济数

Eviews实现ARDL的步骤.docx

Eviews实现ARDL 自回归分布滞后模型 EViews 9及以上版本提供了ARDL，自回归分布滞后模型的工具，变量包括了滞后变量和常规解释变量。 其中，EViews 内置了滞后阶数的选择；协整估计；长期趋势的Bounds检验。

CD案例分析

本文是对CD案例的一个总结，主要是根据用户消费记录，分析用户消费行为，建立RFM模型，分析复购率、回购率等关键指标。希望对其他产品的线上消费数据分析有一定的借鉴价值。 分析过程 准备工作（数据集观察与数据清洗） 用户消费趋势分析（按月）——每月消费总金额、消费次数、产品购买量、消费人数、用户平均消费金额、用户平均消费次数 用户个体消费分析——用户消费金额，产品购买量的描述性统计、用户消费金额和产品购买量分布、用户累计消费金额占比 用户消费行为分析——用户第一次消费（首购）时间分布、用户最后一次消费时间分布

继续访问

回归系数b的经济含义_计量经济学常见问题汇总

来源| 本文由计量经济学服务中心整理转载请联系计量经济学相关问题1计量经济学是分析啥的？包含些什么内容？计量经济学的主要用途或目的主要有两个方面：1、理论检验。2、预测应用。研究对象：计量经济学的两大研究对象：横截面数据(Cross-sectional Data)和时间序列数据(Time-series Data)。前者旨在归纳不同经济行为者是否具有相似的行为关联性，以模型参数估计...

继续访问

[Day2]计量经济学之ARDL模型

ARDL模型模型结构建模步骤 模型结构 ARDL(p,q1，q2)的结构是ϕ(L,p)yt=β1t(L,q1)x1t+β2t(L,q2)x2t+δWt+ut\phi(L,p)y_{t}=\beta1_{t}(L,q1)x_{1t}+\beta2_{t}(L,q2)x_{2t}+\delta W_{t}+u_{t}ϕ(L,p)yt​=β1t​(L,q1)x1t​+β2t​(L,q2)x2t​+δWt​+ut​ 建模步骤 第一步，建立与该ARDL模型想对应的的ECM模型，并计算其下统计量，以此判断是否存在长期的

继续访问

eviews怎么回归道格拉斯生产函数_【干货分享】Eviews估计方法汇总

1最小二乘法(1)普通最小二乘估计(OLS)：这是使用的最为普遍的模型，基本原理就是估计残差平方和最小化，不予赘述。(2)加权最小二乘估计(WLS) Eviews路径：LS模型设定对话框-----options OLS的假设条件最为严格，其他的估计方法往往是在OLS的某些条件无法满足的前提下进行修正处理的。WLS就是用来修正异方差问题的。 在解释变量...

继续访问

ardl模型stata命令_小白学统计|面板数据分析与Stata应用笔记（三）

#文章首发于公众号“如风起”。原文链接：小白学统计|面板数据分析与Stata应用笔记（三）​mp.weixin.qq.com面板数据分析与Stata应用笔记整理自慕课上浙江大学方红生教授的面板数据分析与Stata应用课程，笔记中部分图片来自课程截图。笔记内容还参考了陈强教授的《高级计量经济学及Stata应用（第二版）》长面板数据分析上两篇笔记我们讲到了短面板数据分析。短面板数据分析主要关注对不可观...

继续访问

面板数据分析复习总结

一、混合回归和固定效应模型和随机效应模型 类型、特点、基本假定、模型估计、模型设定检验、检验判定 二、固定效应模型和随机效应模型的不同点 三、SUR模型、SWAMY模型、HSiao模型 类型、特点、基本假定、模型估计、特点 四、平均个体回归模型和平均时间回归模型 五、各种检验的优缺点 ...

继续访问

ardl模型stata命令_二值模型的Stata命令

二值模型的 Stata 命令为probit y x1 x2 x3,r (probit 模型) logit y x1 x2 x3,r or (logit 模型) 选择项“r”表示使用稳健标准误(默认为普通标准误)；选择项“or”表示显示几率比(odds ratio)，不显示回归系数。完成 Probit 或 Logit 估计后，可进行预测，计算准确预测的百分比，或计算边际效应：predict y1 (...

继续访问

ardl模型stata命令_Stata新命令快讯: 有向无环图、模糊倍分法等

Stata 连享会： 知乎 | 简书 | 码云连享会   最新专题   直播编者按： 自今日起，Stata 连享会 (公众号 StataChina) 将开设「Stata新命令快讯」专栏，定期推送 SSC 网站上发布的最新命令，对于我们认为重要的命令进行标注。 对于您感兴趣的命令，可以直接在 Stata 命令窗口中输入 ssc install 命令名称, replace 进行下载。下载完成...

继续访问

ARDL模型笔记

毕业论文打算用ARDL模型做，所以查了一些资料，虽然以后可能不会再用了，说到底也是一个经验。可能有错误，还望赐教。 1.ARDL：Autoregressive distributed lagged model Yt= a*Yt-1 +b*Xt + c*Xt-1 + ...+ d 是基于自回归的拓展，加入了其他滞后项，在模型的构建上是格兰杰因果的进一步发展，但对于回归结果的显著性并没

继续访问

8145v5 参数_参数估计

一、估计量与估计值、点估计、区间估计1、参数估计：用样本统计量去估计总体的参数。2、估计量：用于估计总体参数的统计量的名称如样本均值，样本比例，样本方差等例如：样本均值就是总体均值 的一个估计量3、参数用 表示4、估计值：估计参数时计算出来的统计量的具体值如果样本均值 =80，则80就是 的估计值5、点估计用样本的估计量的某个取值直接作为总体参数的估计值例如：用样本均值直接作为总体均值的估...

继续访问

浙江大学【面板数据分析与STATA应用】——第三讲内生性与工具变量法

解释变量和误差项存在内生性问题 内生性问题来源 内生性问题主要来自于三个方面，分别为：遗漏变量、联立性以及度量误差 遗漏变量 遗漏变量是指可能与解释变量相关的变量，本来应该加以控制，但却没有控制的变量。这些变量最后进入了误差项，从而导致误差项与解释变量相关，进而导致了内生性问题。 联立性 联立性是指一个计量方程中的核心解释变量A对被解释变量B产生影响，反过来，被解释变量B又对A产生影响。 如果B对A有正向的影响，正向冲击就会导致A增加，从而导致核心解释变量A与误差项正相关。 如果B对A有负向的影响，正向

继续访问

最新发布 eviews怎么回归道格拉斯生产函数_受限因变量模型及Eviews应用

1前言在现实生活中，有时候会遇到这样的额问题，因变量是连续的，但是会受到某种限制，这时候就不能按照一般的模型进行估计。有时候所谓的因变量的观测值来源于总体的一个受限制的子集，但是却不能完全的反应总体的实际特征，此时需要用到建立首先因变量模型俩腿短总体的特征。例如我们在对居民收入做调查时候，通常会有一个区间，例如大于5万的取一个值，然后小于2000的取一个值。这个时候这个最低的和最高的我们...

继续访问

基于柯布-道格拉斯生产函数的煤矿产能分析研究

正确的产能分析方法对于煤矿优化人员结构,提升效率极为重要。基于柯布-道格拉斯生产函数,以美国井工矿为例,分析了人员投入与产能之间的关系,得出美国井工矿现有人员条件下合理产能区间。对于我国西部优质煤炭产能释放过程中人员结构规划提供了有益借鉴。

eviews教程之CES生产函数

比较方便快的计算CES生产函数计算步骤及过程。

ARDL模型 eviews *** 作详细分析

评论留言说明你的需要。 ARDL模型 eviews *** 作详细分析

继续访问

Eviews 8.0＆9.0界面新功能介绍

Eviews 8.0＆9.0界面新功能介绍 本文其中一些是自己的整理，也有一些是经管之家论坛中一位热心、好学坛友的整理，其中只是简单介绍一下这两个新版本的部分特性，分享出来，有兴趣的看客可以一起学习、进步。 Eviews 8 一、变量显示 估计参数界面得到加强，打入头几个词，会有相关关联字段的出现，方便写入变量。 二、工作表的详

继续访问

热门推荐 使用Eviews做简单线性回归

写论文过程中，发现管理类哟呵发文，大多数是写数理模型，一般刊物上的文章都是提出一个模型，然后使用算例来证明模型的可行性和有效性。但是管理类论文的这套老做法已经很难行的通了。相比之下，经济类的论文发表在一般刊物上的做法就是使用计量经济模型对一些经济现象或规律进行实证研究，相对来讲这套做法仍旧是行得通的。以前轻视回归的我，现在再也不敢轻视回归模型了。因为计量经济学数理模型方法的核心就是回归模型。以前正

继续访问

eviews命令

本命令集几乎涵盖了 Eviews 中所有命令，视图和过程的完整列表我们分为基本命令、矩阵和字符串函数以及编程语言三个面加以介绍，在每一个面的列表按照字母顺序排。

eviews柯布道格拉斯生产函数。

---