rfm分析法應(yīng)用案例（rfm分析法應(yīng)用案例作業(yè)）

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于rfm分析法應(yīng)用案例的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務(wù)客戶遍布全球各地，如需了解SEO相關(guān)業(yè)務(wù)請撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

• 1、【第1周】數(shù)據(jù)分析慣用的5種分析方法

• 2、如何用SQL分析電商用戶行為數(shù)據(jù)（案例）

• 3、[恒豐銀行]基于大數(shù)據(jù)的精準(zhǔn)營銷模型應(yīng)用

• 4、道格拉斯回歸需要什么數(shù)據(jù)

一、【第1周】數(shù)據(jù)分析慣用的5種分析方法

就好比中學(xué)里你要解一元二次方式，可以用公式法、配方法、直接開平方法、因式分解法。

數(shù)據(jù)分析里也有技巧，在一些通用的分析場景下可以快速使用，而且對未來構(gòu)建數(shù)據(jù)分析模型也有幫助。

所謂公式法就是針對某個指標(biāo)，用公式層層分解該指標(biāo)的影響因素

舉例：分析某產(chǎn)品的銷售額較低的原因， 用公式法分解

某產(chǎn)品銷售額=銷售量 X 產(chǎn)品單價

銷售量=渠道A銷售量 + 渠道B銷售量 + 渠道C銷售量 + …

渠道銷售量=點擊用戶數(shù) X 下單率

點擊用戶數(shù)=曝光量 X 點擊率

通過對銷售額的逐層拆解，細(xì)化評估以及分析的粒度。

公式拆解法是針對問題的層級式解析，在拆解時，對因素層層分解，層層剝盡。

對比法就是用兩組或兩組以上的數(shù)據(jù)進(jìn)行比較，是最通用的方法。

我們知道孤立的數(shù)據(jù)沒有意義，有對比才有差異。一些直接描述事物的變量，如長度、數(shù)量、高度、寬度等。通過對比得到比率數(shù)據(jù)，增速、效率、效益等指標(biāo)，這才是數(shù)據(jù)分析時常用的。

比如用于在時間維度上的同比和環(huán)比、增長率、定基比，與競爭對手的對比、類別之間的對比、特征和屬性對比等。對比法可以發(fā)現(xiàn)數(shù)據(jù)變化規(guī)律，使用頻繁，經(jīng)常和其他方法搭配使用。

通過對兩種及以上維度的劃分，運用坐標(biāo)的方式表達(dá)出想要的價值。由價值直接轉(zhuǎn)變?yōu)椴呗?，從而進(jìn)行一些落地的推動。

象限法是一種策略驅(qū)動的思維，常于產(chǎn)品分析、市場分析、客戶管理、商品管理等。

比如，下圖是一個廣告點擊的四象限分布，X軸從左到右表示從低到高，Y軸從下到上表示從低到高。

還有經(jīng)典的RFM模型 ，把客戶按最近一次消費(Recency)、消費頻率(Frequency)、消費金額 (Monetary)三個維度分成八個象限。

象限法的優(yōu)勢：

1.找到問題的共性原因

通過象限分析法，將有相同特征的事件進(jìn)行歸因分析，總結(jié)其中的共性原因。例如上面廣告的案例中，第一象限的事件可以提煉出有效的推廣渠道與推廣策略，第三和第四象限可以排除一些無效的推廣渠道；

2.建立分組優(yōu)化策略

針對投放的象限分析法可以針對不同象限建立優(yōu)化策略，例如RFM客戶管理模型中按照象限將客戶分為重點發(fā)展客戶、重點保持客戶、一般發(fā)展客戶、一般保持客戶等不同類型。

二八法也可以叫帕累托法則，源于經(jīng)典的二八法則。在數(shù)據(jù)分析中，則可以理解為20%的數(shù)據(jù)產(chǎn)生了80%的效果需要圍繞這20%的數(shù)據(jù)進(jìn)行挖掘

二八法是抓重點分析，適用于任何行業(yè)。找到重點，發(fā)現(xiàn)其特征，然后可以思考如何讓其余的80%向這20%轉(zhuǎn)化，提高效果。

一般地，會用在產(chǎn)品分類上，去測量并構(gòu)建ABC模型。比如某零售企業(yè)有500個SKU以及這些SKU對應(yīng)的銷售額，那么哪些SKU是重要的呢，這就是在業(yè)務(wù)運營中分清主次的問題。

常見的做法是將產(chǎn)品SKU作為維度，并將對應(yīng)的銷售額作為基礎(chǔ)度量指標(biāo)，將這些銷售額指標(biāo)從大到小排列，并計算截止當(dāng)前產(chǎn)品SKU的銷售額累計合計占總銷售額的百分比。

百分比在 70%（含）以內(nèi)，劃分為 A 類。

百分比在 70~90%（含）以內(nèi)，劃分為 B 類。

百分比在 90~100%（含）以內(nèi)，劃分為 C 類。

ABC分析模型，不光可以用來劃分產(chǎn)品和銷售額，還可以劃分客戶及客戶交易額等。比如給企業(yè)貢獻(xiàn)80%利潤的客戶是哪些，占比多少。假設(shè)有20%，那么在資源有限的情況下，就知道要重點維護這20%類客戶。

是一個流程化的思考方式，常用于像新用戶的開發(fā)、購物轉(zhuǎn)化率這些有變化和一定流程的分析中。

整體漏斗模型的核心思想其實可以歸為分解和量化。 比如分析電商的轉(zhuǎn)化，我們要做的就是監(jiān)控每個層級上的用戶轉(zhuǎn)化，尋找每個層級的可優(yōu)化點。對于沒有按照流程操作的用戶，專門繪制他們的轉(zhuǎn)化模型，縮短路徑提升用戶體驗。

AARRR模型 ：用戶獲取、用戶激活、用戶留存、用戶收益以及用戶傳播

單一的漏斗分析是沒有用的，不能得出什么結(jié)果，要與其它相結(jié)合，如與歷史數(shù)據(jù)的對比等。

二、如何用SQL分析電商用戶行為數(shù)據(jù)（案例）

        

本文以“淘寶用戶行為數(shù)據(jù)集”的分析全過程為例，展示數(shù)據(jù)分析的全過程

——使用工具：MySQL，Excel，Navicat，PowerBI

——分析類型：描述分析，診斷分析

——分析方法：漏斗分析，用戶路徑分析，RFM用戶價值分析，活躍/存留分析，帕累托分析，假設(shè)驗證分析。

（考慮到閱讀體驗文章中只放了SQL截圖，如需PDF版本，再公眾號后臺回復(fù)“用戶行為分析”領(lǐng)取）

（目錄如下）

       

1.分析流程和方法

當(dāng)沒有清晰的數(shù)據(jù)看板時我們需要先清洗雜亂的數(shù)據(jù)，基于分析模型做可視化，搭建描述性的數(shù)據(jù)看板。

然后基于描述性的數(shù)據(jù)挖掘問題，提出假設(shè)做優(yōu)化，或者基于用戶特征數(shù)據(jù)進(jìn)行預(yù)測分析找規(guī)律，基于規(guī)律設(shè)計策略。簡單來說：

——描述性分析就是：“畫地圖”

——診斷性分析就是：“找問題”

——預(yù)測性分析就是 ：“找規(guī)律”

在數(shù)據(jù)分析中有兩個典型的場景：

一種是有數(shù)據(jù)，沒有問題：需要先整體分析數(shù)據(jù)，然后再根據(jù)初步的描述分析，挖掘問題做診斷性分析，提出假設(shè)，設(shè)計策略解決問題。

 

另一種是已經(jīng)發(fā)現(xiàn)了問題，或者已經(jīng)有了假設(shè)，這種做數(shù)據(jù)分析更偏向于驗證假設(shè)。

 

2.淘寶用戶行為分析

本次是對“淘寶用戶行為數(shù)據(jù)集”進(jìn)行分析，在分析之前我們并不知道有什么問題，所以需要先進(jìn)行描述性分析，分析數(shù)據(jù)挖掘問題。

我們首先來看下這個數(shù)據(jù)集的元數(shù)據(jù)：

       

根據(jù)以上數(shù)據(jù)字段我們可以拿用戶行為為主軸從縱深方向提出一些問題，然后再從數(shù)據(jù)中找答案

       

縱向：

——這個數(shù)據(jù)集中用戶的日活躍和周活躍時間有什么規(guī)律嗎？

——在當(dāng)日活躍的用戶次日，三日，四日……還有多少活躍？

深向：

——用戶從瀏覽到購買的整體轉(zhuǎn)化率怎么樣？

——用戶從瀏覽到購買的路徑是怎么樣子的？ 

——平臺主要會給用戶推送什么商品？

——用戶喜歡什么類目？喜歡什么商品？ 

——怎么判斷哪些是高價值用戶 ？ 

 

 

下面是叮當(dāng)整理的常用分析方法：      

我們可以給前面的問題匹配一下分析方法，便于后面的分析：

為了便于后面的數(shù)據(jù)分析，在分析之前我們需要先對做一下清洗

看元數(shù)據(jù)（字段解釋，數(shù)據(jù)來源，數(shù)據(jù)類型，數(shù)據(jù)量……）初步發(fā)現(xiàn)問題為之后的處理做準(zhǔn)備。

       

確定缺失值范圍，去除不需要字段，填充缺失內(nèi)容    

根據(jù)元數(shù)據(jù)格式和后續(xù)分析需要的格式對數(shù)據(jù)進(jìn)行處理

  

去除重復(fù)值，異常值

——去除重復(fù)值：并把用戶ID,商品ID，時間戳設(shè)置為主鍵

——異常值處理：查詢并刪除2017年11月25日至2017年12月3日之外的數(shù)據(jù)

     

查詢并刪除小于2017-11-25的

——驗證數(shù)據(jù)：      

——分析思路：

——SQL提數(shù)：

       

       

——Excel可視化：

       

活躍曲線整體為上升狀態(tài)，同為周六日，12月2號，3號相比11月25日，26日活躍度更高。

用戶在周六周日相比其他時間更活躍（周六周日為休息日，用戶有更多時間）

      

一天內(nèi)用戶活躍的最高峰期為21點（用戶在這個時間段空閑較多）

 

——分析思路：

——SQL提數(shù)：

列出每用戶每天及當(dāng)天后面又活躍的日期，并創(chuàng)建“活躍時間間隔表”用于后面求次日存留，三日存留……

       

對“活躍時間間隔表視圖”引用進(jìn)行分組統(tǒng)計，計算每日存留人數(shù)并創(chuàng)建視圖

對存留人數(shù)表進(jìn)行計算，統(tǒng)計活躍用戶留存率

——Excel可視化：

       

——分析思路：

——SQL提數(shù)：

-把各種用戶行為分離出來并創(chuàng)建視圖方便后續(xù)查詢用戶行為數(shù)據(jù)

查詢整體數(shù)據(jù)漏斗

——Excel可視化：

       

用戶從瀏覽到購買整體轉(zhuǎn)化率2.3%，具體主要在哪個環(huán)節(jié)流失還需要再細(xì)分用戶路徑分析

 

——分析思路：

       

——SQL提數(shù)：

——PowerBI可視化：

       

用戶從瀏覽到購買的路徑主要有4條，路徑越長轉(zhuǎn)化率越底

路徑1：瀏覽→購買：轉(zhuǎn)化率1.45%

路徑2：瀏覽→加購物車→購買：轉(zhuǎn)化率0.33

路徑3：瀏覽→收藏→購買：轉(zhuǎn)化率0.11%

路徑4：瀏覽→收藏→加購物車→購買：轉(zhuǎn)化率0.03%

——分析思路：

——SQL提數(shù)：

——Excel可視化：

       

——描述性分析：

瀏覽量top100的商品瀏覽量呈階梯分布，越靠前的階梯之間的落差相對越大在這個階梯中的商品越少，越靠后商品瀏覽量階梯之間的落差相對越小，同階梯內(nèi)的商品越多。

瀏覽量TOP100的商品所屬類目中，4756105，3607361，4357323三個類目瀏覽量遠(yuǎn)超其他類目。

——分析思路：

——SQL提數(shù)：

查詢計算商品轉(zhuǎn)化率，升序排列，取前100個

       

——Excel可視化：

       

——描述性分析：

從商品看：有17款商品轉(zhuǎn)化率超過了1。

從類目看：這些商品所屬類目分布均勻，除965809，4801426，2735466，2640118，5063620，4789432，2945933這7個類目之外，其他類目都只有一個商品在轉(zhuǎn)化率TOP100的商品中。

——分析思路：

用戶價值分析常用的分析方式是RFM模型

       

本次分析中的R,F,M具體定義（僅用于演示分析方法，無實際業(yè)務(wù)參考價值）：

 

——SQL取數(shù)與分析：

1）建立打分標(biāo)準(zhǔn)：先計算R,F的值，并排序，根據(jù)R,F值最大值和最小值得區(qū)間設(shè)計本次得打分標(biāo)準(zhǔn)

-查詢并計算R，F(xiàn)值創(chuàng)建視圖

       

-引用RF數(shù)值表，分別查詢R,F的最大值和最小值

       

       

-結(jié)合人工瀏覽的建立打分標(biāo)準(zhǔn)      

2）給R，F(xiàn)按價值打分

3）計算價值的平均值

       

4）用平均值和用戶分類規(guī)則表比較得出用戶分類   

     

——Excel可視化      

 

通過描述性分析得到可視化的數(shù)據(jù)后我們一般會先看一下是否符合業(yè)務(wù)常識

如果符合常識接下來我們會通過與行業(yè)平均數(shù)據(jù)和本產(chǎn)品的同比環(huán)比對比看是否正常，如果不正常就要找原因，設(shè)計解決方案，如果正常那就看是否有可以優(yōu)化的地方。

       

我們首先來看一下這些描述性分析是否符合業(yè)務(wù)常識和指標(biāo)是否正常：

       

1.活躍曲線整體為上升狀態(tài)，同為周六日，12月2號，3號相比11月25日，26日活躍度更高。

2.用戶在周六周日相比其他時間更活躍

3.一天內(nèi)用戶活躍的最高峰期為21點

4.從2017年11月15日致2017年12月3日，活躍用戶新增38%

5.從2017年11月15日致2017年12月3日，活躍用戶次日留存增長18.67%，當(dāng)日的活躍用戶留存也在快速增長，第七日留存比次日留存高18.56%。

6.用戶從瀏覽到購買整體轉(zhuǎn)化率2.3%

7.用戶從瀏覽到購買的路徑主要有4條，路徑越長轉(zhuǎn)化率越低。

8.瀏覽量top100的商品瀏覽量呈階梯分布，越靠前的階梯之間的落差相對越大在這個階梯中的商品越少，越靠后商品瀏覽量階梯之間的落差相對越小，同階梯內(nèi)的商品越多。

9.瀏覽量TOP100的商品所屬類目中，4756105，3607361，4357323三個類目瀏覽量遠(yuǎn)超其他類目。

10.從商品看：有17款商品轉(zhuǎn)化率超過了1。

11.從類目看：這些商品所屬類目分布均勻，除965809，4801426，2735466，2640118，5063620，4789432，2945933這7個類目之外，其他類目都只有一個商品在轉(zhuǎn)化率TOP100的商品中。

根據(jù)以上診斷分析我們梳理出了以下假設(shè)，做假設(shè)驗證。

       

 

假設(shè)1：這些商品中有高轉(zhuǎn)化率的爆款商品

       

 

對比瀏覽量TOP5的商品，發(fā)現(xiàn)這些商品轉(zhuǎn)化率在同一類目下并不高，假設(shè)不成立

 

假設(shè)2：4756105，3607361，4357323三個類目屬于高頻剛需類目

-創(chuàng)建類目購買頻次表

       

-計算類目購買頻次平均值

       

-查詢4756105，3607361，4357323三個類目的購買頻次       

4756105，3607361，4357323三個類目的用戶購買頻次明顯高于平均值，假設(shè)成立

 

假設(shè)3：有部分用戶是未點擊商詳直接從收藏和購物車購買的。

       

用戶不是直接從收藏和購物車購買的，只是后續(xù)復(fù)購未點擊商詳，假設(shè)不成立

 

假設(shè)4：淘寶推薦的商品主要是“同一類目下的高轉(zhuǎn)化商品”

       

用Excel對瀏覽量TOP100的商品ID和轉(zhuǎn)化率TOP100的商品ID進(jìn)行去重，結(jié)果無重復(fù)值，假設(shè)不成立

3.結(jié)論：

1）用戶活躍：用戶活躍曲線整體呈上升趨勢，在一周中周六，周日活躍度比平時更高，在一天中用戶活躍曲線從凌晨4點開始往上升，在中午12點和下午5~6點有兩個小低谷（吃飯），到晚上9點時活躍度達(dá)到頂峰。

 

2）用戶留存：從2017年11月15日致2017年12月3日的用戶留存數(shù)據(jù)來看，淘寶的用戶留存數(shù)據(jù)較好，活躍用戶次日留存增長18.67%，當(dāng)日的活躍用戶留存也在快速增長，第七日留存比次日留存高18.56%。

 

3）用戶轉(zhuǎn)化：整體轉(zhuǎn)化2.3%，用戶從瀏覽到購買的路徑主要有4條，路徑越長轉(zhuǎn)化率越低。

4）平臺推薦與用戶偏好：從數(shù)據(jù)集中的數(shù)據(jù)來看，排除用戶興趣偏好標(biāo)簽，淘寶給用戶用戶推送的商品主要是高頻剛需的類目，促使用戶復(fù)購，流量回流平臺。

 

以上結(jié)論受數(shù)據(jù)量和數(shù)據(jù)類型的影響，并不一定準(zhǔn)確，僅用來練習(xí)數(shù)據(jù)分析方法。

（考慮到閱讀體驗文章中只放了SQL截圖，如需PDF版本，再公眾號后臺回復(fù)“用戶行為分析”領(lǐng)取）

三、[恒豐銀行]基于大數(shù)據(jù)的精準(zhǔn)營銷模型應(yīng)用

【案例】恒豐銀行——基于大數(shù)據(jù)的精準(zhǔn)營銷模型應(yīng)用 https://mp.weixin.qq.com/s?src=3&timestamp=1500159788&ver=1&signature=pCHfpePVrKXUGp39JEg577lopIPT9KCdx9FqIL2LbRmunZMQ-86itFcexY XKcX3Vb1ypwGo8v0IU6fkNgcs QIafGAccsZFmMb6yBYcuPdqH63EKBvL88BGFaUrBBPQl0v*mpgzYxrTCkcaJGaX2iIFRHZEDNCmuM0qhqqN294=

本篇案例為數(shù)據(jù)猿推出的大型 “金融大數(shù)據(jù)主題策劃” 活動 （查看詳情） 第一部分的系列案例/征文；感謝** 恒豐銀行** 的投遞

作為整體活動的第二部分，2017年6月29日，由數(shù)據(jù)猿主辦，上海金融信息行業(yè)協(xié)會、互聯(lián)網(wǎng)普惠金融研究院合辦，中國信息通信研究院、大數(shù)據(jù)發(fā)展促進(jìn)委員會、上海大數(shù)據(jù)聯(lián)盟、首席數(shù)據(jù)官聯(lián)盟、中國大數(shù)據(jù)技術(shù)與應(yīng)用聯(lián)盟協(xié)辦的 《「數(shù)據(jù)猿·超聲波」之金融科技·商業(yè)價值探索高峰論壇》 還將在上海隆重舉辦 【論壇詳情】 【上屆回顧（點擊閱讀原文查看）】

在論壇現(xiàn)場，也將頒發(fā) “技術(shù)創(chuàng)新獎”、“應(yīng)用創(chuàng)新獎”、“最佳實踐獎”、“優(yōu)秀案例獎” 四大類案例獎

本文長度為 6000 字，建議閱讀 12 分鐘

如今，商業(yè)銀行信息化的迅速發(fā)展，產(chǎn)生了大量的業(yè)務(wù)數(shù)據(jù)、中間數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)，大數(shù)據(jù)隨之興起。要從這些海量數(shù)據(jù)中提取出有價值的信息，為商業(yè)銀行的各類決策提供參考和服務(wù)，需要結(jié)合大數(shù)據(jù)和人工智能技術(shù)。國外的匯豐、花旗和瑞士銀行是數(shù)據(jù)挖掘技術(shù)應(yīng)用的先行者。在國內(nèi)的商業(yè)銀行中，大數(shù)據(jù)的思想和技術(shù)逐步開始在業(yè)務(wù)中獲得實踐和嘗試。

面對日趨激烈的行業(yè)內(nèi)部競爭及互聯(lián)網(wǎng)金融帶來的沖擊，傳統(tǒng)的上門營銷、電話營銷，甚至是掃街營銷等方式跟不上時代的節(jié)奏。利用精準(zhǔn)營銷可節(jié)約大量的人力物力、提高營銷精準(zhǔn)程度，并減少業(yè)務(wù)環(huán)節(jié)，無形中為商業(yè)銀行節(jié)約了大量的營銷成本。

雖然恒豐銀行內(nèi)部擁有客戶的基本信息和交易等大量數(shù)據(jù)，但是傳統(tǒng)的營銷系統(tǒng)并沒有挖掘出行內(nèi)大量數(shù)據(jù)的價值，仍然停留在傳統(tǒng)的規(guī)則模型。當(dāng)下，恒豐銀行接入了大量的外部數(shù)據(jù)，有著更多的維度，如果將內(nèi)部數(shù)據(jù)與外部數(shù)據(jù)進(jìn)行交叉，則能產(chǎn)生更大的價值?？蛻粜畔⑹占饺妗⑼暾?，數(shù)據(jù)分析得到的結(jié)論就越趨向于合理和客觀。利用人工智能技術(shù)，建立精準(zhǔn)營銷系統(tǒng)變得可能且必要。

恒豐銀行基于大數(shù)據(jù)的精準(zhǔn)營銷方案是利用大數(shù)據(jù)平臺上的機器學(xué)習(xí)模型深入洞察客戶行為、客戶需求，客戶偏好，挖掘潛出在客戶，實現(xiàn)可持續(xù)的營銷計劃。

周期/節(jié)奏

2016.4-2016.5 完成需求梳理和業(yè)務(wù)調(diào)研，并在此基礎(chǔ)上進(jìn)行總體方案設(shè)計。

2016.5-2016.8 整理銀行內(nèi)、外部數(shù)據(jù)，根據(jù)營銷需求制定客戶標(biāo)簽和設(shè)計文檔，實施用戶畫像。

2016.8-2016.10 在用戶畫像的基礎(chǔ)上，構(gòu)建理財產(chǎn)品個性化推薦系統(tǒng)。其中包括個性化推薦算法調(diào)研，模型對比等一系列工作。

2016.10-2017.1 客戶需求預(yù)測并對客戶價值進(jìn)行建模，并完善整合精準(zhǔn)營銷應(yīng)用模型。

2017.1-2017.3 用戶畫像、個性化推薦、客戶價值預(yù)測等精準(zhǔn)營銷模型上線。

客戶名稱/所屬分類

恒豐銀行/客戶管理

任務(wù)/目標(biāo)

根據(jù)零售業(yè)務(wù)營銷要求，運用多種數(shù)據(jù)源分析客戶行為洞察客戶需求，實現(xiàn)精準(zhǔn)營銷與服務(wù)，提高銀行客戶滿意度和忠誠度。

針對不同的客戶特征、產(chǎn)品特征和渠道特征，制定不同市場推廣策略。為了完成以上任務(wù)，主要從以下幾個方面構(gòu)建精準(zhǔn)營銷系統(tǒng)：

1.用戶畫像： 結(jié)合用戶的歷史行為和基本屬性給用戶打標(biāo)簽。

2.精準(zhǔn)推薦系統(tǒng)： 給用戶推薦個性化理財產(chǎn)品， 例如在微信銀行中給每個客戶推薦他喜歡的產(chǎn)品，幫客戶找到其最適合的產(chǎn)品，增加產(chǎn)品的購買率。

3.需求預(yù)測和客戶價值： 新產(chǎn)品發(fā)售的時候，找到最有可能購買該產(chǎn)品的客戶，進(jìn)行短信營銷，進(jìn)而提高產(chǎn)品響應(yīng)率?？蛻魞r值精準(zhǔn)定位，根據(jù)客戶價值水平制定不同的推薦策略。銀行通過計算客戶使用其產(chǎn)品與服務(wù)后所形成的實際業(yè)務(wù)收益，充分了解每一個客戶的貢獻(xiàn)度，為管理層提供決策支撐。

挑戰(zhàn)

項目實施過程由用戶畫像，精準(zhǔn)推薦系統(tǒng)，需求預(yù)測和客戶價值建模三部分組成，采用TDH機器學(xué)習(xí)平臺Discover所提供的算法和模型庫進(jìn)行開發(fā)和驗證。

（一）用戶畫像的建立

客戶標(biāo)簽主要包含客戶基本屬性，客戶等級標(biāo)簽，客戶偏好標(biāo)簽，客戶交易特征，客戶流失特征，客戶信用特征，客戶終身價值標(biāo)簽，客戶潛在需求標(biāo)簽。

（二）精準(zhǔn)推薦系統(tǒng)的建立

由于系統(tǒng)復(fù)雜，且篇幅有限，僅對其中最重要的理財推薦系統(tǒng)做詳細(xì)闡述。精準(zhǔn)推薦系統(tǒng)架構(gòu)圖如下。

2.1業(yè)務(wù)問題轉(zhuǎn)化為機器學(xué)習(xí)問題

業(yè)務(wù)問題

銀行理財產(chǎn)品個性化推薦給客戶。 例如在微信銀行中給每個客戶推薦此客戶喜歡的產(chǎn)品，幫客戶找到其最適合的產(chǎn)品，增加產(chǎn)品的購買率。

將業(yè)務(wù)問題轉(zhuǎn)化為機器學(xué)習(xí)問題

理財產(chǎn)品種類繁多，產(chǎn)品迭代速度很快，客戶在繁多的產(chǎn)品中不能快速找到適合自己的產(chǎn)品，因此有必要建立一個自動化推薦模型，建立客戶理財偏好，給客戶推薦最適合的產(chǎn)品。

將銀行理財產(chǎn)品推薦業(yè)務(wù)問題轉(zhuǎn)化為機器學(xué)習(xí)問題，進(jìn)而利用人工智能技術(shù)提高推薦產(chǎn)品的點擊率和購買率。例如在恰當(dāng)?shù)臅r間，通過用戶偏好的渠道給用戶推薦產(chǎn)品，推薦的結(jié)果為用戶購買或者未購買。這個問題可以看作一個典型機器學(xué)習(xí)二分類問題：基于歷史營銷數(shù)據(jù)來訓(xùn)練模型，讓模型自動學(xué)到客戶購買的產(chǎn)品偏好，并預(yù)測客戶下次購買理財產(chǎn)品的概率。對模型預(yù)測出所有客戶對所有產(chǎn)品的響應(yīng)概率進(jìn)行排序，可選擇客戶購買概率最高的topN個產(chǎn)品推薦給客戶。

下面將敘述如何構(gòu)建該推薦預(yù)測模型。

2.2數(shù)據(jù)源準(zhǔn)備

在建立的一個理財推薦模型之前，可以預(yù)見到相似的客戶可能會喜好相似的產(chǎn)品（需要表征客戶和產(chǎn)品的數(shù)據(jù)），同一個人的喜好可能具有連續(xù)性（購買歷史交易數(shù)據(jù)，包括基金國債等），他的存款、貸款資金可能決定了他能購買什么檔次的理財?shù)鹊取Ｒ虼?，我們需要?zhǔn)備以下數(shù)據(jù)。

客戶基本屬性：客戶性別，年齡，開戶時間，評估的風(fēng)險等級等等。

產(chǎn)品基本屬性：產(chǎn)品的逾期收益率，產(chǎn)品周期，保本非保本，風(fēng)險等級等。

客戶購買理財產(chǎn)品的歷史：在什么時候購買什么產(chǎn)品以及購買的金額。

客戶的存款歷史： 客戶歷史存款日均余額等。

客戶的貸款歷史： 客戶歷史貸款信息等。

客戶工資：客戶工資的多少也決定了客戶購買理財?shù)念~度和偏好。

用戶畫像提取的特征：用戶的AUM等級，貢獻(xiàn)度，之前購買基金，國債的金額等。

2.3特征轉(zhuǎn)換和抽取

有了這么多數(shù)據(jù)，但是有一部分特征是算法不能直接處理的，還有一部分?jǐn)?shù)據(jù)是算法不能直接利用的。

特征轉(zhuǎn)換

把不能處理的特征做一些轉(zhuǎn)換，處理成算法容易處理的干凈特征。舉例如下：

開戶日期。就時間屬性本身來說，對模型來說不具有任何意義，需要把開戶日期轉(zhuǎn)變成到購買理財時的時間間隔。

產(chǎn)品特征。從理財產(chǎn)品信息表里面可以得到風(fēng)險等級，起點金額等。但是并沒有標(biāo)志這款產(chǎn)品是否是新手專屬，是否是忠誠客戶專屬。這就需要我們從產(chǎn)品名字抽取這款產(chǎn)品的上述特征。

客戶交易的時間信息。同客戶的開戶日期，孤立時間點的交易信息不具有任何意義，我們可以把交易時間轉(zhuǎn)變?yōu)榫嚯x上次購買的時間間隔。

特征抽取

還有一部分?jǐn)?shù)據(jù)算法不能直接利用，例如客戶存款信息，客戶交易信息。我們需用從理財交易和存款表中抽取可能有用的信息。

用戶存款信息：根據(jù)我們的經(jīng)驗，客戶購買理財之前的存款變動信息更能表明客戶購買理財?shù)恼鎸嵪敕?，因此我們需要從客戶歷史存款數(shù)據(jù)抽取客戶近三個月，近一個月，近一周的日均余額，以體現(xiàn)客戶存款變化。

客戶交易信息：客戶最近一次購買的產(chǎn)品、購買的金額、及其相關(guān)屬性，最近一個月購買的產(chǎn)品、購買的金額及其相關(guān)屬性等等。

以上例舉的只是部分特征。

2.4構(gòu)造、劃分訓(xùn)練和測試集

構(gòu)造

以上說明了如何抽取客戶購買理財?shù)南嚓P(guān)特征，只是針對正樣本的，即客戶購買某種理財時候的特征。隱藏著的信息是，此客戶當(dāng)時沒有購買其他在發(fā)售的產(chǎn)品。假設(shè)把客戶購買了產(chǎn)品的標(biāo)簽設(shè)為1，沒有購買的產(chǎn)品樣本設(shè)為0，我們大致有如下訓(xùn)練樣本（只列舉部分特征）。

其中客戶是否購買產(chǎn)品是我們在有監(jiān)督訓(xùn)練的標(biāo)簽，也就是我們建立的是一個預(yù)測客戶是否會購買產(chǎn)的模型。

劃分訓(xùn)練集和測試集

考慮到最終模型會預(yù)測將來的某時間客戶購買某種產(chǎn)品的概率，為了更真實的測試模型效果，以時間來切分訓(xùn)練集和測試集。具體做法如下。假設(shè)我們有2016-09-01 ~ 2017-03-20 的理財購買相關(guān)數(shù)據(jù)。以2016-09-01 ~ 2017-03-19的理財交易數(shù)據(jù)作為訓(xùn)練，2017-03-20這一天的客戶對每個產(chǎn)品是否購買的數(shù)據(jù)作為測試。以2016-09-01 ~ 2017-03-18的理財交易數(shù)據(jù)作為訓(xùn)練，2017-03-19這一天的客戶對每個產(chǎn)品是否購買的數(shù)據(jù)作為測試，以此類推。

2.5模型訓(xùn)練

根據(jù)提取的特征，組成樣本寬表，輸入到分類模型，這里選擇了TDH平臺機器學(xué)習(xí)組件Discover所提供的近百個分布式算法進(jìn)行建模和訓(xùn)練，同時我們還使用了特征的高階交叉特性進(jìn)行推薦的預(yù)測和分析。

2.6模型評估

評價推薦好壞的指標(biāo)很多，比較常用的有

1.ROC曲線下面積（AUC）

2.logloss

3.推薦產(chǎn)品第一次命中rank的倒數(shù)（MRR）

4.TopN

針對銀行的理財推薦實際業(yè)務(wù)，客戶當(dāng)天絕大多數(shù)是只購買了某一款理財，MRR(Mean Average Precision 的特殊情況)能反應(yīng)這種情況下推薦的好壞。另一種直觀的評價指標(biāo)是TopN，假定我們只推薦N個模型認(rèn)為客戶最有可能購買的產(chǎn)品，并和真實情況比較，就能得到當(dāng)天推薦的結(jié)果的混淆矩陣，TN，TP，F(xiàn)N，F(xiàn)P，recall，precision等。

我們在生產(chǎn)上驗證了最近十天的推薦效果，即測試了2017-03-20， 2017-03-19，…… , 2017-03-11等十天的推薦效果，以下是這些結(jié)果的評價。

AUC

Logloss

MRR

0.89

0.45

0.78

也可以把新客戶（之前沒有購買理財）和老客戶（至少購買過一次）分開評估效果。 新客戶的購買占了整個理財購買的1/3 以上。

測試新客戶的預(yù)測效果，可以看出模型對冷啟動問題解決的好壞。

對新客戶的預(yù)測效果

AUC

Logloss

MRR

0.80

0.73

0.32

對老客戶的預(yù)測效果

AUC

Logloss

MRR

0.92

0.38

0.88

2.7模型優(yōu)化

1.上線之前的優(yōu)化：特征提取，樣本抽樣，參數(shù)調(diào)參

2.上線之后的迭代，根據(jù)實際的A/B testing和業(yè)務(wù)人員的建議改進(jìn)模型

（三）需求預(yù)測和客戶價值

“顧客終生價值”(Customer Lifetime Value)指的是每個購買者在未來可能為企業(yè)帶來的收益總和。研究表明，如同某種產(chǎn)品一樣，顧客對于企業(yè)利潤的貢獻(xiàn)也可以分為導(dǎo)入期、快速增長期、成熟期和衰退期。

經(jīng)典的客戶終身價值建模的模型基于客戶RFM模型。模型簡單的把客戶劃分為幾個狀態(tài)，有一定意義但不一定準(zhǔn)確，畢竟RFM模型用到的特征不全面，不能很好的表征客戶的價值以及客戶銀行關(guān)系管理。

為了方便的對客戶終身價值建模，有幾個假定條件。其一把客戶的購買價值近似為客戶為企業(yè)帶來的總收益，其二把未來時間定義在未來一個季度、半年或者一年。也就是我們通過預(yù)測客戶在下一個時間段內(nèi)的購買價值來定義客戶的終身價值。因此，我們將預(yù)測的問題分為兩個步驟：第一步預(yù)測這個客戶在下一個階段是否會發(fā)生購買（需求預(yù)測）。第二步對預(yù)測有購買行為的客戶繼續(xù)建模預(yù)測會購買多大產(chǎn)品價值。

3.1需求預(yù)測

提取客戶定活期存款、pos機刷卡、渠道端查詢歷史等特征，以這些特征作為輸入預(yù)測用戶在當(dāng)前時間節(jié)點是否有購買需求，訓(xùn)練和測試樣本構(gòu)造如下：

1.歷史用戶購買記錄作為正樣本。

2.抽樣一部分從未購買的理財產(chǎn)品的用戶作為負(fù)樣本集合Un，對于每一個正樣本Un中隨機選取一個用戶構(gòu)造負(fù)樣本。

3.選取2016.04-201610 的購買數(shù)據(jù)作為訓(xùn)練樣本，2016.11的數(shù)據(jù)作為測試樣本。

使用機器學(xué)習(xí)算法進(jìn)行分類訓(xùn)練和預(yù)測，重復(fù)上述實驗，得到下列結(jié)果:

AUC: 0.930451274

precision: 0.8993963783

recall: 0.8357507082

fmeasure: 0.8664062729

進(jìn)一步對客戶分群之后，可以更好的對新客戶進(jìn)行建模，對于老客戶我們可以進(jìn)一步提取他們的歷史購買特征，預(yù)測他們在下一段時間內(nèi)購買的產(chǎn)品價值（數(shù)量，金額等），對于新客戶，可以進(jìn)根據(jù)他的存款量預(yù)測其第一次購買的產(chǎn)品價值，把存款客戶變成理財客戶。通過分析客戶存款變動于客戶購買理財?shù)年P(guān)系，我們發(fā)現(xiàn)客戶購買理財?shù)那耙欢螘r間內(nèi)定活期的增加的有不同的模式，如下圖。

根據(jù)需求預(yù)測模型，我們給出新客戶最有可能購買的top N 列表，然后由業(yè)務(wù)人員進(jìn)行市場推廣。

3.2客戶價值預(yù)測

進(jìn)一步預(yù)測有購買需求的客戶的購買價值高低。這是個回歸問題，但是預(yù)測變量從二分類變量變?yōu)轭A(yù)測連續(xù)的金額值。訓(xùn)練的時候預(yù)測值取訓(xùn)練周期內(nèi)（一個月或者季度）客戶所購買的總金額。

算出客戶的當(dāng)前價值（即當(dāng)前階段購買的產(chǎn)品價值）和未來價值（預(yù)測的下一個階段的客戶價值）可以幫助我們鑒定客戶處于流失階段，或者上升階段，或者是穩(wěn)定階段。當(dāng)前價值取的是當(dāng)前時間前三個月的交易量。對流失階段高價值客戶可以適當(dāng)給予營銷優(yōu)惠，對于有購買意向的客戶適當(dāng)引導(dǎo)。如下圖所示。

結(jié)果/效果

一是提高銀行營銷準(zhǔn)確性。隨著客戶不斷增加，理財產(chǎn)品也在不斷推陳出新，在實時精準(zhǔn)營銷平臺的幫助下，銀行從以前盲目撒網(wǎng)式的營銷方式轉(zhuǎn)變到對不同客戶精準(zhǔn)觸達(dá)，提高了理財產(chǎn)品的營銷成功率，降低銷售和運作成本。理財產(chǎn)品推薦的上線以來，產(chǎn)品推薦成功率比專家經(jīng)驗排序模型最高提升10倍。

二是增加銀行獲客數(shù)量。精準(zhǔn)營銷系統(tǒng)洞察客戶潛在需求和偏好，提高了銀行獲取目標(biāo)客戶群的準(zhǔn)確率。從數(shù)百萬客戶中,通過機器學(xué)習(xí)模型,找到最有可能購買產(chǎn)品的客戶群，通過渠道營銷，實現(xiàn)響應(yīng)率提升。相比傳統(tǒng)盲發(fā)模式，發(fā)送原38%的短信即可覆蓋80%的客戶。

通過構(gòu)建基于大數(shù)據(jù)的精準(zhǔn)營銷方案，恒豐銀行深入洞察客戶行為、需求、偏好，幫助銀行深入了解客戶，并打造個性化推薦系統(tǒng)和建立客戶價值預(yù)測模型，實現(xiàn)可持續(xù)的營銷計劃。

四、道格拉斯回歸需要什么數(shù)據(jù)

1、LS最小二乘法，可以用于線性回歸模型、ARMA等模型

2、TSLS兩階段最小二乘法

3、GMM廣義矩估計方法

4、ARCH自回歸條件異方差，還可以估計其他各種ARCH模型，如 GARCH、T- GARCH

5、BINARY用于估計二元選擇模型，包括 Logit、 Probit和 Extreme value模型

6、ORDERED用于估計有序選擇模型

7、CENSORED用于估計刪截模型

8、COUNT用于估計計數(shù)模型

9、OREG分位數(shù)回歸分析方法

10、GLM義線性模型分析方法

11、STEPLS分段最小二乘分析方法

12、ROBUSTLS穩(wěn)健最小二乘分析方法

13、HECKIT赫克曼備擇模型

14、BREAKLS帶斷點的最小二乘分析方法

15、THRESHOLD門限回歸分析

16、SWTCHREG轉(zhuǎn)換回歸

17、ARDL自回歸分布滯后模型

18、IDAS混合數(shù)據(jù)抽樣

1

TSLS兩階段最小二乘法

一個典型的線性回歸模型:y= β0 + β1x1+ βX + ε(1)，這里y為被解釋變量，x1為自變量，或者解釋變量，也即“因”。大寫的 X為外生控制項向量( 也即一組假定為外生的其他控制變量，例如年齡、性別等等) ，ε則為誤差項。如果ε與x1不相關(guān)，那么我們可以利用OLS 模型對方程進(jìn)行無偏估計。

然而，如果一個重要變量x2被模型(1) 遺漏了，且x1和x2也相關(guān)，那么對β1的OLS 估計值就必然是有偏的。

此時，x1被稱作“內(nèi)生”的解釋變量，這就是 “內(nèi)生性”問題。遇到“內(nèi)生性”問題腫木辦？有一個方法就是找工具變量Z。

如果存在內(nèi)生性，則稱解釋變量為 “內(nèi)生變量”(endogenousvariable)；反之，則稱為 “外生變量”(exogenous variable)。

內(nèi)生性的嚴(yán)重后果是使得 OLS估計量不一致(inconsistent)，即無論樣本容量多大，OLS 估計量也不會收斂至真實的參數(shù)值。

在計量經(jīng)濟學(xué)中，把所有與擾動項相關(guān)的解釋變量都稱為“內(nèi)生變量”。這與一般經(jīng)濟學(xué)理論中的定義有所不同。1。與誤差項相關(guān)的變量稱為內(nèi)生變量(endogenous variable)。2。與誤差項不相關(guān)的變量稱為外生變量(exogenous variable)。

二階段最小二乘法Eviews操作介紹：二階段最小二乘法的第一階段就是利用原模型的內(nèi)生解釋變量對工具變量進(jìn)行OLS，得到解釋變量的擬合值；第二步，利用得到解釋變量的擬合值對原模型進(jìn)行最小二乘法，從而得到方程模型的估計值，這樣就可以消除內(nèi)生性的影響。

原文閱讀：一文讀懂內(nèi)生性問題之二階段最小二乘法(TSLS)Eviews操作

2

THRESHOLD門限回歸分析

閾值回歸模型描述了一種簡單的非線性回歸模型。 TR規(guī)范很受歡迎，因為它們很容易。 估計和解釋，并能產(chǎn)生有趣的非線性和豐富的動力學(xué)。 在TR的應(yīng)用中，有樣品分裂，多重平衡。 非常流行的閾值自回歸(TAR)和自激勵閾值自回歸(SETAR)(Hansen 1999, 2011;波特2003)。

在功能強大的特性中，Eviews有選擇最佳閾值TR模型選擇工具。能夠從候選列表中，并且能夠指定兩種狀態(tài)的變化和非變化的變量。例如，您可以輕松地指定兩種模式的門限模型并允許EViews 估計最優(yōu)變量和參數(shù)、閾值、系數(shù)和協(xié)方差。并對變化和回歸參數(shù)的估計。

門限回歸模型是一種重要的結(jié)構(gòu)變化模型，當(dāng)觀測變量通過未知門限時，函數(shù)模型具有分段線性的特征，并且區(qū)制發(fā)生變化。門限回歸模型很容易估計和解釋，再加上它具備動態(tài)性，所以應(yīng)用比較廣泛。門限回歸能夠應(yīng)用于多種模型中。

門限變量qt和解釋變量Xt、Zt的特征決定了門限函數(shù)的類型。如果qt是yt的d期滯后值，則稱為自激勵(SE)模型；如果門限變量不是被解釋變量的滯后變量，則為一般的門限回歸(TR)模型。如果解釋變量Xt、Zt中僅包含截距項和滯后的被解釋變量，則表示自回歸(AR)模型。在此基礎(chǔ)上易于得出，自激勵門限自回歸(SETAR)模型中則包括自回歸設(shè)定和滯后被解釋變量兩類要素。

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帶斷點的最小二乘分析方法

基本普通最小二乘法假設(shè)模型的參數(shù)不隨觀測值的變化而變化。盡管這種假設(shè)。結(jié)構(gòu)的變化，以及樣本區(qū)間參數(shù)的變化 ，在應(yīng)用時間序列分析中起著重要的作用。

因此，有大量的研究針對回歸方程中參數(shù)結(jié)構(gòu)變動的問題。EViews 8提出了結(jié)構(gòu)變動的線性回歸估計工具。在Bai (1997), Bai and Perron (1998)中的斷點都是已知，先前指定的。

一、Estimating Least Squares with Breakpoints in EViews

案例所需數(shù)據(jù)介紹，本節(jié)以hansen_jep為例，具體數(shù)據(jù)如下：

caf32e362e649c0ac5b734a1bdcda664.png

要估計一個具有斷點的最小二乘方程，請選擇Object/New Object….../ Equation or Quick/Estimate Equation，或者從EViews主菜單中選擇BREAKLS - Method下拉菜單中帶有斷點的最小二乘法，或者在命令窗口中簡單輸入關(guān)鍵字BREAKLS:

a8dff76e26477d684b86f49c67f663b8.png

接下來，單擊Options選項卡，顯示計算系數(shù)協(xié)方差矩陣、斷點說明、權(quán)重和系數(shù)名的附加設(shè)置。

aafeb487bb386657a01d873c0ceab2bc.png

Break Specification包括如下選項：

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

這些選項在結(jié)構(gòu)突變檢驗章節(jié)將再次介紹。為了說明斷點方程估計的輸出，我們使用Han- sen’s (2001)勞動生產(chǎn)率的例子。Hansen的示例使用了1947年2月至2001年4月美國勞動生產(chǎn)率在制造業(yè)耐用品行業(yè)的測量。工業(yè)生產(chǎn)指數(shù)與每周平均工時之比增長率。

我們估計一個斷點模型，使用DDUR與DDUR(-1)和一個常數(shù)的回歸。輸出如下:

3b8779fe9ce17e64a967f1201d33f517.png

Breakpoint Specification View顯示一個斷點回歸的總結(jié),該方法用于確定斷點。輸出的頂部顯示斷點摘要以及剩下的部分顯示了斷點確定的中間結(jié)果:

77b6688e648eb97563890d8583cf6a82.png

2dac73483254db7859fa35daa5d5c4a0.png

二、Example

為了說明這些工具在實踐中的使用，我們采用了美國出口實際利率的數(shù)據(jù)(from Garcia and Perron (1996) that is used as an example by Bai and Perron (2003a).)

選擇對象/新對象…從主菜單中 或在命令行中輸入命令斷點并單擊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

輸出結(jié)果為：

d85919d0d008bc138d3da17b9abc9cff.png

點擊視圖/實際，擬合，剩余/實際，擬合，殘差圖，在原始序列和殘差的旁邊，查看樣本內(nèi)的擬合數(shù)據(jù):

c80b2f91f30210d4d43b573278853140.png

未完待續(xù)！

◆◆◆◆

精彩回顧

6f4317c5ad1ee068da228571e7a38922.png

點擊上圖查看：

計量經(jīng)濟學(xué)小白必修課--網(wǎng)課《高級計量經(jīng)濟學(xué)及Eviews應(yīng)用》震撼上架！

9ff111c0b4810753b7b65a81065a7931.png

點擊上圖查看：

《初級計量經(jīng)濟學(xué)及Stata應(yīng)用：Stata從入門到進(jìn)階》

3ec7be2e15086249d5d7ef268047064a.png

點擊上圖查看：

《高級計量經(jīng)濟學(xué)及Stata應(yīng)用：Stata回歸分析與應(yīng)用》

相關(guān)資源：柯布-道格拉斯(Cobb-Douglas)生產(chǎn)函數(shù)模型_柯布道格拉斯生產(chǎn)函數(shù)...

點擊閱讀全文

打開CSDN，閱讀體驗更佳

參與評論 請先 登錄 后發(fā)表或查看評論

matlab進(jìn)行道格拉斯篩選,柯布-道格拉斯(Cobb-Douglas)生產(chǎn)函數(shù)模型.doc...

α , β—— K 和 L 的產(chǎn)出彈性. 經(jīng)濟學(xué)中著名的柯布-道格拉斯(Cobb-Douglas)生產(chǎn)函數(shù)的一般形式為 Q(K , L) = aK α Lβ , 0 < α , β < 1 (1-1) 其中Q, K , L 分別表示產(chǎn)值、資金、勞動力,式中α , β ...

[渝粵教育] 九江學(xué)院 計量經(jīng)濟學(xué) 參考 資料_wx_yuyueshool的博客-CSDN博...

B、在柯布—道格拉斯生產(chǎn)函數(shù)中,檢驗規(guī)模報酬是否不變。 C、在回歸方程中,檢驗結(jié)構(gòu)是否存在變化。 D、在回歸方程中,檢驗誤差項是否服從正態(tài)分布。 E、在回歸方程中,檢驗?zāi)骋粎?shù)是否異于零。

柯布-道格拉斯（Cobb-Douglas）生產(chǎn)函數(shù)模型

柯布-道格拉斯（Cobb-Douglas）生產(chǎn)函數(shù)模型，齊微，，柯布-道格拉斯生產(chǎn)函數(shù)（Cobb-Douglas production function）用來預(yù)測國家和地區(qū)的工業(yè)系統(tǒng)或大企業(yè)的生產(chǎn)和分析發(fā)展生產(chǎn)的途徑的一種經(jīng)濟數(shù)

Eviews實現(xiàn)ARDL的步驟.docx

Eviews實現(xiàn)ARDL 自回歸分布滯后模型 EViews 9及以上版本提供了ARDL，自回歸分布滯后模型的工具，變量包括了滯后變量和常規(guī)解釋變量。 其中，EViews 內(nèi)置了滯后階數(shù)的選擇；協(xié)整估計；長期趨勢的Bounds檢驗。

CD案例分析

本文是對CD案例的一個總結(jié)，主要是根據(jù)用戶消費記錄，分析用戶消費行為，建立RFM模型，分析復(fù)購率、回購率等關(guān)鍵指標(biāo)。希望對其他產(chǎn)品的線上消費數(shù)據(jù)分析有一定的借鑒價值。 分析過程 準(zhǔn)備工作（數(shù)據(jù)集觀察與數(shù)據(jù)清洗） 用戶消費趨勢分析（按月）——每月消費總金額、消費次數(shù)、產(chǎn)品購買量、消費人數(shù)、用戶平均消費金額、用戶平均消費次數(shù) 用戶個體消費分析——用戶消費金額，產(chǎn)品購買量的描述性統(tǒng)計、用戶消費金額和產(chǎn)品購買量分布、用戶累計消費金額占比 用戶消費行為分析——用戶第一次消費（首購）時間分布、用戶最后一次消費時間分布

繼續(xù)訪問

回歸系數(shù)b的經(jīng)濟含義_計量經(jīng)濟學(xué)常見問題匯總

來源| 本文由計量經(jīng)濟學(xué)服務(wù)中心整理轉(zhuǎn)載請聯(lián)系計量經(jīng)濟學(xué)相關(guān)問題1計量經(jīng)濟學(xué)是分析啥的？包含些什么內(nèi)容？計量經(jīng)濟學(xué)的主要用途或目的主要有兩個方面：1、理論檢驗。2、預(yù)測應(yīng)用。研究對象：計量經(jīng)濟學(xué)的兩大研究對象：橫截面數(shù)據(jù)(Cross-sectional Data)和時間序列數(shù)據(jù)(Time-series Data)。前者旨在歸納不同經(jīng)濟行為者是否具有相似的行為關(guān)聯(lián)性，以模型參數(shù)估計...

繼續(xù)訪問

[Day2]計量經(jīng)濟學(xué)之ARDL模型

ARDL模型模型結(jié)構(gòu)建模步驟 模型結(jié)構(gòu) ARDL(p,q1，q2)的結(jié)構(gòu)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​ 建模步驟 第一步，建立與該ARDL模型想對應(yīng)的的ECM模型，并計算其下統(tǒng)計量，以此判斷是否存在長期的

繼續(xù)訪問

eviews怎么回歸道格拉斯生產(chǎn)函數(shù)_【干貨分享】Eviews估計方法匯總

1最小二乘法(1)普通最小二乘估計(OLS)：這是使用的最為普遍的模型，基本原理就是估計殘差平方和最小化，不予贅述。(2)加權(quán)最小二乘估計(WLS) Eviews路徑：LS模型設(shè)定對話框-----options OLS的假設(shè)條件最為嚴(yán)格，其他的估計方法往往是在OLS的某些條件無法滿足的前提下進(jìn)行修正處理的。WLS就是用來修正異方差問題的。 在解釋變量...

繼續(xù)訪問

ardl模型stata命令_小白學(xué)統(tǒng)計|面板數(shù)據(jù)分析與Stata應(yīng)用筆記（三）

#文章首發(fā)于公眾號“如風(fēng)起”。原文鏈接：小白學(xué)統(tǒng)計|面板數(shù)據(jù)分析與Stata應(yīng)用筆記（三）​mp.weixin.qq.com面板數(shù)據(jù)分析與Stata應(yīng)用筆記整理自慕課上浙江大學(xué)方紅生教授的面板數(shù)據(jù)分析與Stata應(yīng)用課程，筆記中部分圖片來自課程截圖。筆記內(nèi)容還參考了陳強教授的《高級計量經(jīng)濟學(xué)及Stata應(yīng)用（第二版）》長面板數(shù)據(jù)分析上兩篇筆記我們講到了短面板數(shù)據(jù)分析。短面板數(shù)據(jù)分析主要關(guān)注對不可觀...

繼續(xù)訪問

面板數(shù)據(jù)分析復(fù)習(xí)總結(jié)

一、混合回歸和固定效應(yīng)模型和隨機效應(yīng)模型 類型、特點、基本假定、模型估計、模型設(shè)定檢驗、檢驗判定 二、固定效應(yīng)模型和隨機效應(yīng)模型的不同點 三、SUR模型、SWAMY模型、HSiao模型 類型、特點、基本假定、模型估計、特點 四、平均個體回歸模型和平均時間回歸模型 五、各種檢驗的優(yōu)缺點 ...

繼續(xù)訪問

ardl模型stata命令_二值模型的Stata命令

二值模型的 Stata 命令為probit y x1 x2 x3,r (probit 模型) logit y x1 x2 x3,r or (logit 模型) 選擇項“r”表示使用穩(wěn)健標(biāo)準(zhǔn)誤(默認(rèn)為普通標(biāo)準(zhǔn)誤)；選擇項“or”表示顯示幾率比(odds ratio)，不顯示回歸系數(shù)。完成 Probit 或 Logit 估計后，可進(jìn)行預(yù)測，計算準(zhǔn)確預(yù)測的百分比，或計算邊際效應(yīng)：predict y1 (...

繼續(xù)訪問

ardl模型stata命令_Stata新命令快訊: 有向無環(huán)圖、模糊倍分法等

Stata 連享會： 知乎 | 簡書 | 碼云連享會   最新專題   直播編者按： 自今日起，Stata 連享會 (公眾號 StataChina) 將開設(shè)「Stata新命令快訊」專欄，定期推送 SSC 網(wǎng)站上發(fā)布的最新命令，對于我們認(rèn)為重要的命令進(jìn)行標(biāo)注。 對于您感興趣的命令，可以直接在 Stata 命令窗口中輸入 ssc install 命令名稱, replace 進(jìn)行下載。下載完成...

繼續(xù)訪問

ARDL模型筆記

畢業(yè)論文打算用ARDL模型做，所以查了一些資料，雖然以后可能不會再用了，說到底也是一個經(jīng)驗?？赡苡绣e誤，還望賜教。 1.ARDL：Autoregressive distributed lagged model Yt= a*Yt-1 +b*Xt + c*Xt-1 + ...+ d 是基于自回歸的拓展，加入了其他滯后項，在模型的構(gòu)建上是格蘭杰因果的進(jìn)一步發(fā)展，但對于回歸結(jié)果的顯著性并沒

繼續(xù)訪問

8145v5 參數(shù)_參數(shù)估計

一、估計量與估計值、點估計、區(qū)間估計1、參數(shù)估計：用樣本統(tǒng)計量去估計總體的參數(shù)。2、估計量：用于估計總體參數(shù)的統(tǒng)計量的名稱如樣本均值，樣本比例，樣本方差等例如：樣本均值就是總體均值 的一個估計量3、參數(shù)用 表示4、估計值：估計參數(shù)時計算出來的統(tǒng)計量的具體值如果樣本均值 =80，則80就是 的估計值5、點估計用樣本的估計量的某個取值直接作為總體參數(shù)的估計值例如：用樣本均值直接作為總體均值的估...

繼續(xù)訪問

浙江大學(xué)【面板數(shù)據(jù)分析與STATA應(yīng)用】——第三講內(nèi)生性與工具變量法

解釋變量和誤差項存在內(nèi)生性問題 內(nèi)生性問題來源 內(nèi)生性問題主要來自于三個方面，分別為：遺漏變量、聯(lián)立性以及度量誤差 遺漏變量 遺漏變量是指可能與解釋變量相關(guān)的變量，本來應(yīng)該加以控制，但卻沒有控制的變量。這些變量最后進(jìn)入了誤差項，從而導(dǎo)致誤差項與解釋變量相關(guān)，進(jìn)而導(dǎo)致了內(nèi)生性問題。 聯(lián)立性 聯(lián)立性是指一個計量方程中的核心解釋變量A對被解釋變量B產(chǎn)生影響，反過來，被解釋變量B又對A產(chǎn)生影響。 如果B對A有正向的影響，正向沖擊就會導(dǎo)致A增加，從而導(dǎo)致核心解釋變量A與誤差項正相關(guān)。 如果B對A有負(fù)向的影響，正向

繼續(xù)訪問

最新發(fā)布 eviews怎么回歸道格拉斯生產(chǎn)函數(shù)_受限因變量模型及Eviews應(yīng)用

1前言在現(xiàn)實生活中，有時候會遇到這樣的額問題，因變量是連續(xù)的，但是會受到某種限制，這時候就不能按照一般的模型進(jìn)行估計。有時候所謂的因變量的觀測值來源于總體的一個受限制的子集，但是卻不能完全的反應(yīng)總體的實際特征，此時需要用到建立首先因變量模型倆腿短總體的特征。例如我們在對居民收入做調(diào)查時候，通常會有一個區(qū)間，例如大于5萬的取一個值，然后小于2000的取一個值。這個時候這個最低的和最高的我們...

繼續(xù)訪問

基于柯布-道格拉斯生產(chǎn)函數(shù)的煤礦產(chǎn)能分析研究

正確的產(chǎn)能分析方法對于煤礦優(yōu)化人員結(jié)構(gòu),提升效率極為重要?；诳虏?道格拉斯生產(chǎn)函數(shù),以美國井工礦為例,分析了人員投入與產(chǎn)能之間的關(guān)系,得出美國井工礦現(xiàn)有人員條件下合理產(chǎn)能區(qū)間。對于我國西部優(yōu)質(zhì)煤炭產(chǎn)能釋放過程中人員結(jié)構(gòu)規(guī)劃提供了有益借鑒。

eviews教程之CES生產(chǎn)函數(shù)

比較方便快的計算CES生產(chǎn)函數(shù)計算步驟及過程。

ARDL模型 eviews操作詳細(xì)分析

評論留言說明你的需要。 ARDL模型 eviews操作詳細(xì)分析

繼續(xù)訪問

Eviews 8.0＆9.0界面新功能介紹

Eviews 8.0＆9.0界面新功能介紹 本文其中一些是自己的整理，也有一些是經(jīng)管之家論壇中一位熱心、好學(xué)壇友的整理，其中只是簡單介紹一下這兩個新版本的部分特性，分享出來，有興趣的看客可以一起學(xué)習(xí)、進(jìn)步。 Eviews 8 一、變量顯示 估計參數(shù)界面得到加強，打入頭幾個詞，會有相關(guān)關(guān)聯(lián)字段的出現(xiàn)，方便寫入變量。 二、工作表的詳

繼續(xù)訪問

熱門推薦 使用Eviews做簡單線性回歸

寫論文過程中，發(fā)現(xiàn)管理類喲呵發(fā)文，大多數(shù)是寫數(shù)理模型，一般刊物上的文章都是提出一個模型，然后使用算例來證明模型的可行性和有效性。但是管理類論文的這套老做法已經(jīng)很難行的通了。相比之下，經(jīng)濟類的論文發(fā)表在一般刊物上的做法就是使用計量經(jīng)濟模型對一些經(jīng)濟現(xiàn)象或規(guī)律進(jìn)行實證研究，相對來講這套做法仍舊是行得通的。以前輕視回歸的我，現(xiàn)在再也不敢輕視回歸模型了。因為計量經(jīng)濟學(xué)數(shù)理模型方法的核心就是回歸模型。以前正

繼續(xù)訪問

eviews命令

本命令集幾乎涵蓋了 Eviews 中所有命令，視圖和過程的完整列表我們分為基本命令、矩陣和字符串函數(shù)以及編程語言三個面加以介紹，在每一個面的列表按照字母順序排。

eviews柯布道格拉斯生產(chǎn)函數(shù)。

以上就是關(guān)于rfm分析法應(yīng)用案例相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進(jìn)行咨詢，客服也會為您講解更多精彩的知識和內(nèi)容。

推薦閱讀：

aso和rf陽性是什么意思（aso和rf都是陰性）

rfm分析法應(yīng)用案例（rfm分析法應(yīng)用案例作業(yè)）

colourful英語怎么說讀音

簡單的商品介紹（簡單的商品介紹文案）

銷售開門紅文案（銷售開門紅語句）