论文部分内容阅读
近几年随着互联网经济的迅速发展，企业的竞争环境越发激烈，企业的竞争战略也由过去的以产品或服务为中心逐渐转变为以客户为中心，同时，用不同的方法和手段获取并保持高质量的客户资源成为企业生存与发展的关键。所以如何正确地识别价值客户，成为企业客户研究的重要方向。目前对用户终生价值的研究主要集中在传统行业，比如电信业、零售业、银行业、保险业等，而对互联网用户终生价值研究较少，为此本文以互联网新闻资讯行业为例，对用户在APP上的阅读行为特征与其为企业创造的收益进行关联性分析，以便探究新闻资讯行业用户的终生价值。
客户终生价值是客户在整个生命周期中为公司业务贡献出的价值，本文梳理了客户终生价值相关理论模型，发现目前研究的基础均为净现值模型，所以本文也借鉴该模型，以某公司2017年及2018年的真实用户数据为基础，对数据进行观察及预处理，然后利用因子分析方法对多个用户行为指标进行降维重构，确定新闻资讯行业用户阅读特征中的关键特征，结合新闻资讯行业以广告变现方式实现商业收益的情况，找到广告收益与用户不同阅读行为特征的关联性，然后用其表示净现值模型中的用户给企业带来的收益，建立起新闻资讯行业基于用户阅读行为的价值衡量模型。然后，本文对机器学习算法相关理论进行研究，利用机器学习算法中的GBDT及XGBoost模型，将2017年用户在接下来一年中的行为数据及价值数据分为训练集和测试集进行模型训练，通过逐步迭代找到最优的模型参数，以应用于预测当前用户在未来一年内的价值。
通过本文的研究确定在用户阅读行为特征中用户的信息流浏览深度即信息流刷新次数、阅读深度即总文章阅读次数、用户复访意愿即用户总APP打开次数构成了用户的关键行为特征，结合与用户该三种行为相关的商业化系数，最终建立以用户价值净现值模型为基础的新闻资讯行业用户终生价值计算模型。然后以该模型计算出的真实值与GBDT及XGBoost两种机器算法模型的预测值进行比较，最终选用XGBoost模型作为用户终生价值预测模型。在实际应用时，企业通常都会把预测值作为基准点，对用户价值做进一步的波动范围调控，并计算成本收益比，以衡量获客渠道的质量，最终指导企业针对于用户增长的市场投放决策及获客成本。
客户终生价值是客户在整个生命周期中为公司业务贡献出的价值，本文梳理了客户终生价值相关理论模型，发现目前研究的基础均为净现值模型，所以本文也借鉴该模型，以某公司2017年及2018年的真实用户数据为基础，对数据进行观察及预处理，然后利用因子分析方法对多个用户行为指标进行降维重构，确定新闻资讯行业用户阅读特征中的关键特征，结合新闻资讯行业以广告变现方式实现商业收益的情况，找到广告收益与用户不同阅读行为特征的关联性，然后用其表示净现值模型中的用户给企业带来的收益，建立起新闻资讯行业基于用户阅读行为的价值衡量模型。然后，本文对机器学习算法相关理论进行研究，利用机器学习算法中的GBDT及XGBoost模型，将2017年用户在接下来一年中的行为数据及价值数据分为训练集和测试集进行模型训练，通过逐步迭代找到最优的模型参数，以应用于预测当前用户在未来一年内的价值。
通过本文的研究确定在用户阅读行为特征中用户的信息流浏览深度即信息流刷新次数、阅读深度即总文章阅读次数、用户复访意愿即用户总APP打开次数构成了用户的关键行为特征，结合与用户该三种行为相关的商业化系数，最终建立以用户价值净现值模型为基础的新闻资讯行业用户终生价值计算模型。然后以该模型计算出的真实值与GBDT及XGBoost两种机器算法模型的预测值进行比较，最终选用XGBoost模型作为用户终生价值预测模型。在实际应用时，企业通常都会把预测值作为基准点，对用户价值做进一步的波动范围调控，并计算成本收益比，以衡量获客渠道的质量，最终指导企业针对于用户增长的市场投放决策及获客成本。