一、目标：

预测买家是否会购买某类商品，然后将优惠券发给最有可能购买的人群，从而提升转化率和客单价。（转化率-从意向购买到实际付款；客单价-用户单次购物花费金额）

二、分析：

落实到算法模型上，包含两个核心的问题

2.1、优惠券发给谁，即客户群选择

客户群选择实际上是预测买家的购买倾向，并依据购买倾向的强弱来给出排序的结果，落实到学习模型层面来解决。这个过程我们要以用户的历史行为数据为基础，比如分析出他浏览过哪些商品，每种商品的浏览次数。再比如他是否有把这种商品添加到购物车的行为。诸如这类方式进行运算得出我们的的买家用户群体。

2.2、发什么样的优惠券，比如满减，满多少减多少最优

发放哪种优惠券属于运营层面的思考，可以根据满减的阈值和折扣力度来综合确定。优惠券的种类有很多，我们这里以满减为例来说明。这也是提高买家客单价的一种措施。比如，当买家已经购买了150元的商品，我们可以通过给他发放价值15元的优惠券，比如满200使用，则买家这次的购物商品总金额就很有可能达到200元了，甚至跟多。

计算模型.png

三、数据样本：

我们在上面提到选出意向购买用户并根据他们的购买倾向强弱做排序，这个实际上是一种计算学习模型，学习的时候就必须要有数据支撑，本小节就根据样本数据来模拟学习模型的一种学习思路。

3.1、计算学习

买家和商家交互行为样本.png

通过样本数据我们发现买家U1和U2对店铺S感兴趣的类目牛仔裤、连衣裙、小背心、T恤。由于U2已经购买了牛仔裤，那么学习模型会认为短期内购买牛子裤的需求不会太强烈。卖家U1和U2分别对小背心、T恤添加购物车1次，学习模型可认为他们购买这两件商品的意向更强。那么计算规则认为：添加购物车是比收藏和浏览更具有强烈的购买兴趣。再进一步，比较用户U1和U2时，U1对小背心浏览29次高于U2对小背心的浏览次数23次。那么计算规则认为：浏览同一商品次数越多的购买兴趣强。通过诸如这类算法模拟，学习模型得出了意向购买用户群数据。

学习模型.png

3.2、业务运营

有了需要发放优惠券的买家，现在就要确定下来给这些买家发放什么样的优惠券。满值的设置一般是为了提升客单价。比如，买家花费均值在150元左右，那么可以就可以设置满200才给减，吸引客户再多买一些商品。根据业务运营以往的经验，可设置满值为目标商品客单价的1.2倍，并将结果规约到50元的倍数。设置其折扣比例是10%。那么就可以得到优惠券的发放结果了。参考下面样本示例，这里卖家给U1发放15元的优惠券，15元这个值的计算过程：客单价110元 乘以 1.2=132元，规约满值150元，然后折扣10%得到15元。

满减折扣举例.png

四、用户画像

用户画像.png

4.1、用户画像方向

为哪些用户画像，画什么样的像，画像的预期和分类是怎样的。这些在画像前期都是要考虑的。有些问题并不是系统自动产生，还是需要人工介入设计规则。比如我们要进行消费能力的画像，消费内容偏好画像，消费流失画像。实际上这些也是后面数据采集和画像模型构建的前期和目标。

4.2、用户数据收集

当确立了画像的方向以后我们也就确定了需要的数据信息和粒度，比如客户的消费的详细的信息、客户的浏览商品的次数、收藏商品数量、下单的时间、客单价、商品信息，商品促销信息等等，客户画像的数据要做到真实、可关联应用、存在一定的周期可供偏好类模型构建。

4.3、用户标签、指数建模研究

有的标签是客观引入，比如性别。但更多的是基于大量的历史行为数据综合而成的。比如我们看到用户希望阿迪达斯的鞋子，但并不能够根据一次购买就下定结论。而是需要应用使用的频次、占消费比、占大部分人群比等综合信息去构建。

用户画像是精准营销的一个具体的呈现形式，用户画像本身并不神秘，而且随着时间和信息积累也在不断的更新拓展，我们相信随着互联网、O2O等交互应用信息越来越多，客户画像能够为企业甚至行业、政府了解客户、认知客户、营销客户起到更加重要的积极的作用。

五、总结

做优惠券的精准营销发放，归纳起来，有两个核心的阶段，一个是学习阶段，一个是业务运营阶段。学习阶段实际是就是以用户的历史数据为基础做一次数据建模，建模的过程就是根据规则和算法进行运算的过程。有了这些建模我们就能得出用户群体。整个过程实际上是一次用户画像，如下：

构建画像.png

有了买家用户的画像，我们就可以根据画像来选择性的发放优惠券，具体的优惠券类型根据业务运营设置规则，最后我们将优惠券精准的投放到购买意愿强的用户手中。

文章同步更新到公众号

参考资料：
https://www.zhihu.com/question/19853605
http://www.yushanfang.com/