滿贈演算法
㈠ 滿五贈一演算法
兩種方案，第一，收24元，蓋四個章，給他四杯。同時告訴他，集滿五個章後，第二次消費才贈送。
第二個方案，收他18元，蓋三個章贈送他一杯。並且消掉五個章。
㈡ 電商用戶畫像建模
用戶畫像：通過演算法聚合成一類實現用戶信息標簽化。
—確定的標簽：比如用戶購買了或者收藏了某個商品等
—猜測的標簽：比如用戶的性別，是男性的概率0.8，另外還有很多模型：孕婦模型，潛在汽車用戶模型，用戶價值模型
比如：用戶活躍度（活躍，沉睡，流失，未購買）
用戶分群：電腦達人，數碼潮人，家庭用戶，網購達人，奶爸奶媽，單身貴族，閃購用戶，時尚男女等
--根據用戶消費的情況來提取的客戶標簽，用以了解用戶的消費情況，消費習慣
客戶消費訂單表標簽：
購買信息：客戶ID，第一次消費時間，最近一次消費時間，首單距今時間，尾單距今時間，近30/60/90天購買次數/購買金額（不含退拒），最大/最小消費金額，累計消費次數/金額（不含退拒）
累計使用代金券金額，客單價（含退拒），常用收貨地區，常用支付方式，退貨商品數量，退貨商品金額，拒收商品金額/數量，最近一次退貨時間，各地點下單總數/總額，上下午下單總數/總額
購物車信息：最近30天購物車商品件數/提交商品件數/購物車成功率/購物車放棄件數
提取標簽的作用：
確定用戶什麼時候來的，多久沒來了：第一次消費時間，最近一次消費時間，首單距今時間，尾單距今時間
最近消費能力：近30天購買次數（不含退拒），近30購買金額（不含退拒），近30天購買次數（含退拒），近30天購買金額（含退拒）
總體的消費情況：最小/大消費金額（可做個性化商品推薦），累計消費次數（不含退拒，可以計算客單價），累計消費金額，累計使用代金券金額（代金券愛好）
消費屬性：常用收貨地區，常用支付方式
購物車習慣：最近30天購物車次數，最近30天購物車提交商品件數，最近30天購物車商品件數，最近30天購物車放棄件數，最近30天購物車成功率
退貨和習慣特徵：退貨商品數量，拒收商品數量，退貨商品金額，拒收商品金額，最近一次退貨時間
用戶購物時間及地點習慣：各下單地點總數，各時間段下單總數
—根據客戶購買類目的情況提取的客戶標簽，用以了解類目的購買人群情況
客戶購買表標簽：
客戶ID，一級/二級/三級分類ID/名稱，近30天/90天/180天購買類目次數/金額，累計購買類目次數/金額，累計購買類目次數/金額，近30天/90天/180天購物車某類目次數/金額，累計購買類目次數/金額，累計購物車類目次數/金額，最後一次購買類目時間/距今天數
--根據客戶購買商店的情況提取的客戶標簽，用以了解商店及品牌的購買人群（做品牌營銷等）
客戶購買 商店表標簽：
用戶ID，商店ID/名稱，品牌ID/名稱，最近30天購物車次數/商品件數/提交商品件數/成功率/放棄件數，最後一次購物車時間，最近90天商品排除退拒商品件數/金額，最近90天貨到付款訂單數，最近90天退換件數/金額，最近90天拒收件數/金額.
用戶購物模型：
用戶忠誠度模型：
—將用戶營銷相關的常用標簽放到一張表中，方便使用
客戶營銷信息表：
客戶ID，營銷手機號，第一個有效訂單來源/地址/手機號，常用的手機號，常用的收貨地址，不同收貨地址的數量，客戶分群，活躍狀態，用戶價值（重要，保持，流失等），糾結商品，糾結小時
主要來源表：
用戶表，訂單表，活動表，購物車表，客戶品類分群模型，用戶價值模型
客戶活躍狀態模型：
用戶價值模型
--根據客戶參與活動的情況提取的客戶標簽，用於了解用戶對活動的參與情況，以進行活動的策劃
客戶活動信息表內容標簽：
客戶ID，用戶促銷明個度，滿減促銷敏感度，打折促銷敏感度，換購促銷敏感度，滿贈促銷敏感度，購買力分段，品牌偏好，品類偏好，顏色偏好，敗家偏好，沖動偏好，累計積分，已用積分，可以積分，累計代金券數量/金額，已用代金券數量/金額，過期代金券數量/金額，可用代金券數量/金額
標簽作用：
確定用戶喜歡那種活動類型：用戶促銷敏感度，滿減促銷敏感度，滿贈敏感度，打折促銷敏感度，換購促銷敏感度，團購促銷敏感度等
促銷敏感度模型：
--根據用戶購買的活動類型訂單數與金額數已判斷其屬於哪類人群
用戶有什麼偏好：店鋪偏好，品牌偏好，品類偏好，顏色偏好
用戶指數：購買力分段，敗家指數，沖動指數
用戶購買力高中低模型：
—從購物車，客單價來判斷
用戶購買力高中低端模型：
指數模型：
--根據客戶訪問的情況提取的客戶標簽以了解訪問習慣
客戶訪問信息標簽：
最近一次/第一次pc端訪問日期/session/cookies/pv/使用瀏覽器/操作系統/，最近一次/ 第一次app端訪問日期/操作系統，最近一次/第一次訪問ip/訪問城市/省份，近7天/15天/30天/60天/90天app端/pc端訪問次數，近30天pc端/app端訪問天數/訪問並購買次數/訪問pv/訪問評價pv/ip數/，app及pc端各時間段訪問的次數
該文章來自邱盛昌老師的慕課視頻筆記：
鏈接： http://www.imooc.com/learn/460/