- 浏览: 220829 次
- 性别:
- 来自: 上海
文章分类
最新评论
-
julyboxer:
http://www.baobao5u.com/Product ...
喝茶的十八个层次,你属于哪一层? -
xiaolong0211:
呵呵,学习了,这两天一直在装gcc,可算装上了,谢谢
Red Hat enterprise 5 gcc安装顺序 -
run_xiao:
翻译的不是很到位啊
推荐引擎mahout相关资料 -
julyboxer:
关键价值链
B2C网络站点资源梳理 -
julyboxer:
要买的书http://product.dangdang.com ...
B2C网络站点资源梳理
转载声明
:转载时请以超链接形式标明文章原始出处:
http://www.marsopinion.com/2010/04/19/hot-to-interpret-internet-marketing-data-into-actionable-insights-9/
写了这么久,发现包括的内容越来越广了,下次修改的时候打算把题目改成“数据驱动的电子商务运营和网络营销”:)
建议先阅读本系列其他文章:
- 网络营销数据解读(一)——事情不是你看到的那样
- 网络营销数据解读(二)——事情不是你看到的那样
- 网络营销数据解读(三)——那又怎么样呢?
- 网络营销数据解读(四)——目标和指标
- 网络营销数据解读(五)——完善指标
- 网络营销数据解读(六)——自顶向下,逐步求精
- 网络营销数据解读(七)——客户族群细分(Segmentation)1
- 网络营销数据解读(八)——客户族群细分(Segmentation)2-1
上次 列了一些案例给大家讨论,这次来公布答案——答案的意思并不是说“这些案例就是一定得用这些方法来解决 ”,而是用案例来说明这些概念和方法可能可以用在什么方面 :)。大家不用拘泥于这些案例的细节,呵呵,反正都是我瞎编的。
没有仔细去研究理论,完全从实践出发的话,我所用过的客户族群细分的方法主要有三种:
- 按照客户属性细分 :根据客户”是谁“来划分族群,例如把客户分成”男客户“、”女客户“
- 按照客户行为来细分 :根据客户上网行为来细分,例如把客户分成”浏览服装专区的客户“和”浏览数码专区的客户 “。很多时候”根据客户行为“和”根据客户属性“这两者会混在一起,比如一个客户的行为是”每个月都来买一次东西而且只买最贵的“,可能我们就会在数据库 里给他标记上”有钱人”,之后“有钱人”就成了这个客户的属性之一。
- 按照最终结果来细分 :其实是“按照客户行为来细分”的一种,但是它适用性非常广,而且用起来非常方便,所以单独拿出来讲一下。
再次建议先看一下网络营销数据解读(八)——客户族群细分(Segmentation)2-1 ,自己思考一下那些例子再看这篇文章,因为:
- 只有自己思考过才能记得住,光是看看很容易产生“显然是这样啊,太弱智了“的感想,然后看完就忘了。
- 数据驱动的电子商务和网络营销是非常年轻的概念,没有谁是所谓专家(我也在不断学习),我说的东西也只是一家之言,我相信这里的读者里有很多都有非常深厚的经验,如果能够从自己经验出发思考一下那些例子,分享一下自己的想法的话,对我和对其他读者都是很好的学习资源:)
回到那些例子,我们一个个来聊。
案例一
网站销售4个大类的产品:家电,笔记本,日韩时尚女装(中低端),日用百货(卫生纸、零食……),用户平均访问周期是一周一次,停留时间为5分钟,转化率0.8%,平均订单金额340元。
之前已经说过不能光看“平均数”, 这里不再细说了。
从Segment角度来说,我们可以把用户按照浏览行为来细分 为“家电组”、“笔记本组”、“女装组”和“百货 组”(相互重合,没有关系),然后再去看每个组的访问周期、停留时间、转化率、订单金额。可能会发现“笔记本组”的访问周期是每天一次(但是只维持一个 月)、每次平均停留3分钟(可能只是查一下价格),转化率0.05%,平均订单金额5000;而“日用百货组”的访问周期是每两周一次,平均每次停留半小 时,转化率4%,平均订单金额120。
除了可以用”浏览“行为(这个可以用GA的Advanced Segmentation实现,其他高级工具例如Omniture, Coremetirs或者WebTrends也都有很简单的工具可以帮你做这样的细分;刚看了传漾 (Disclosure: 和作者有合作关系)新系统的Demo,他们也提供自定义的Segment功能)来做细分之外,我们也可以用“购买品类”来细分 ,例如分成“家电采购者”、“笔记本采购者”……这里面不变的一点是“根据用户活动所在产品品类来细分 ”,因为每个品类都有自己的特点,逛或者买某个品类产品的用户也有自己的特点,这些特点只有按照品类把客户区隔开之后才能看清楚,而只有看清楚之后我们才能开始考虑说有没有可能用这些数据来做进一步的优化。
案例二
网站销售笔记本,SONY笔记本最近越卖越好,上个月卖了700万销售额,比上个月猛增20%,而Lenovo只卖了 400万,比上个月还下降了5%。应该考虑给负责SONY笔记本的产品经理发奖金,顺便把心里面把管Lenovo那条线的那个家伙画个叉,以后有机会就干 掉他。
首先可以考虑的是把“付费流量”和“免费流量”分开来看 ,付费流 量就是我们需要花钱的流量,包括硬广告、搜索引擎关键词、网站联盟广告等等,而免费流量则包括直接输入网址访问、自然搜索流量和免费的交换链接流量等等。 这个例子里面,可能我们看到SONY笔记本产品访问流量有一半是付费的,而Lenovo只有10%是付费的,而最终的转化里SONY有60%是付费流量产 生的,而Lenovo只有8%,这时我们要考虑的就是:为了创造这些流量和转化,我们分别花了多少钱,赚了多少(钱和用户),然后再比较。如果 SONY700万销售额只有30万毛利,但是花掉了25万市场经费,而Lenovo产生了30万毛利,只花掉5万市场经费,或许我们的结论会有不同。哪怕 外部的投放差不多,内部的资源(例如首页Banner、主推活动里的Featured Iteam位置……)分配不均也可能是销售不平衡的原因,如果不细分看的话可能会得出不够成熟的结论。
这其实是个很常见的现象:我们在考评绩效的时候,常常没有能够将其他支持部门对相应绩效的支持成本合 理的算进来。比如说我们考评产品经理绩效,可能就没有把他们每个人所消耗的营销资源算上,也可能没有把相应的仓储成本算上(有些货很容易签收和发货,有些 很麻烦——例如要记录每个盒子SN号或者需要特别储存环境),还可能没有把对应的RMA费用算上(比如一个产品卖很好,但是卖100个有20个坏掉,18 个用户退换货),以后有机会写数据驱动的电子商务运营的时候再详细说。
另外可以考虑的是竞争情报 ,我们在运营电子商务的时候,眼睛不能光盯着自己的一亩三分地光看每天卖了多少东西,还得看看周遭的局势。具体的做法如果有机会在这个系列的后面几篇再说,大家可以点击这里订阅www.MarsOpinion.com , 这样就不用总来看有没有更新。在我长时间不更新又看到流量上涨的时候总是觉得很愧疚,呵呵。言归正传,这里我们先不说外部的信息采集,光从内部数据出发, 我们怎么能够知道市场的波动呢?正如读者所说,可能是因为SONY推出了新款,所以大家关注SONY,所以它才卖得好,跟产品经理没什么关系。比较粗略 的,我们可以根据浏览行为来细分 ,看这个月浏览两个品类的消费者数量有没有重大变化,例如如果SONY产品线浏览量翻 了一番,Lenovo没变,我们可以合理猜测说可能有些大的市场波动影响了最终的销量。更精准一些。更进一步,如果我们发现说”SONY浏览组“的转化率 比”Lenovo浏览组“的转化率还低的话,甚至可以怀疑说是不是SONY的产品经理没做好,没能把天上掉下来的流量转化成订单。这个做法的优点是简单易 行,缺点是很粗略(SONY产品经理可以说正是因为他辛勤工作,才让大家愿意浏览他的产品)。复杂一点,我们可以根据站内搜索的关键词来分组 ,有条件的就做语义分析细分,没有条件的就简单的把品牌关键词和最热门的3款产品关键词拼到一起做一个组,然后从中看用户对于不同产品线的兴趣是不是有了重大变化。更复杂更合理的,当时是根据站外关键词来做 同样的事情。
案例三
网站销售4个大类的产品:家电,笔记本,日韩时尚女装(中低端),日用百货(卫生纸、零食……),我们做了一个详细分析, 发现我们60%的订单是15%的顾客产生的,我们一定要把这部分客户服务好。在这里我们的市场部根据客户价值(过去一年购物金额)把客户按分成了5 组:VIP顾客,高价值顾客,平均顾客,待发掘顾客和低价值顾客。以后我们的客户关系维护重点要放在VIP和高价值客户上,客服接到他们电话也要提供更周 到的服务。
在做CRM的时候,一定不要吃大锅饭把整个网站所有用户往里丢。不同产品类别的消费者行为特征完全不同,放一起分析往往会得到扭曲的结论。这个例子 里,那所谓15%的高价值用户很可能就是买家电和笔记本的用户,最终的关系维护里可能会把买女装的用户完全忽略掉——虽然她们可能是更有价值的用户。根据 购物品类来细分一下流量对于分析很有帮助。
案例四
新设计了一整套网站页面和购物流程,搞了个比较贵的付费工具来随机挑选顾客 展示给他看不同版本的页面,10%看新版,90%看旧版,结果发现新版的转化率比旧版高0.04%,鉴于消费者对新版还不熟悉,我们认为消费者熟悉之后新 版数据会更好——也就是说新版应该完胜旧版,我们应该马上把旧版替换掉。
对于网站设计和Landing Page设计来说,最常用的还是按照新老客户分组 看效果,看老用户使用是不是顺畅、转化率是否下降厉害(就算是,我们可能心里面也会有一丝期待说这个只是暂时的,等他们习惯就好了),看新用户使用起来是否比之前的新用户要顺利,转化率是否改变(如果一段时间后新版转化还是低,我们就很难找到理由说情况会变好)。
做到更细呢?还可以根据用户对网站的使用习惯来分组 ,例如将用户 分成“搜索组”(来网站总是用站内搜索找东西),“导航组”(总是用目录导航),“闲逛组”(总是点击首页产品),“促销组”(总是点击广告),然后分开 看每个组在新旧版下的表现,这样细分之后可能会发现说”新版整体超过旧版,但是因为搜索框不够明显,对于搜索组的同学们来说转化率反倒下降了“,于是我们 可以不仅仅得出结论说”新版更好“,而且能够找到进一步改进的方向——”试试看放大了搜索框的新版是不是更好“。更好的是,这样子往往可以为公司(和实际 执行的员工)积累下更多的知识财富,我们不仅仅知道了这次应该用什么版式,而且可以记录下来说”XXX样式的搜索框会对搜索组用户产生XXX的影响”、 “XXX的目录可以对导航组的用户产生XXX的影响”……以后再做的时候就能有一个更好的基础。
案例五
分析数据时发现我们有四种很典型的访客行为,一种会浏览14个产品页面,然后什么也不买另一种则直接搜索产品名称,然后马上购物;第三种会随机看5-15个页面,其中多个页面被反复访问,然后购物;最后一种是浏览5-15个页面,然后什么也不买。为什么会这样呢?
这个例子还真是纯粹瞎编出来演示理论的,呵呵。
还有一种分割用户的方法就是按照访问时间来分组 ,比如我觉得我的 网站用户都是白领,我觉得她们的网上行为模式可能和她们的上班模式有关,所以我把用户分成“工作日访问者“和”周末访问者“去仔细看数据,发现果然有不 同,周末访问者大多会随机看5-15个页面,然后有1%左右买东西,而工作日访问者的行为模式则更为复杂。我们可以再把他们细分成”9:00 – 18:00访问者“(如果还要细分,也可以考虑把中午休息时间再分一两个小时出来)和”工作日晚间访客“,如果我们发现说””9:00 – 18:00访问者“就是“会浏览14个产品页面,然后什么也不买”的那群,而”工作日晚间访客“就是“接搜索产品名称,然后马上购物”的那群,我们就能够 更容易对这些奇特的访问行为提出自己的假说:”她们都是在上班时浏览网站,瞎逛,看到好看的记下来,晚上下单“(这个假说是不是正确还需要实践检验,但是 至少我们有了一些基础),基于此,我们可以考虑的事情有:白天时是不是要放更多促销引导的活动?网站上的”收藏夹“功能是不是要加强?按钮要不要做更 大?”最近浏览过的商品“列表是不是要在晚上显示更大?……很多东西可以想。
看到这里,大家可能会想说”神啊,我怎么要想到还要用时间来分Segment啊,你又没提示的“。很 多时候确实就是这样,数据乱七八糟,我们也不知道要怎么分组才能看清它们,所以能做的几件事情是:1. 加深对业务的理解,多和一些员工聊天,多和消费者聊天;2. 多试,积累经验;3. 正如这篇文章最开始所说,我们还有一招:根据结果来细分 。
比如我们就把客户根据观察到的结果分成4组,分别取名字叫“观光客”、“猎人”、“访客”和“游客 “(名字瞎取的),然后我们去各个报告里面看这四组人的表现,最后发现在每周访问时间这个报表上(根据周一、周二……周日来组织信息)”访客“的行为轨迹 和其他三组显著不一样,我们就知道说等会儿可以试试看说把用户分成“工作日访问者“和”周末访问者“去仔细看数据;然后我们再看每日访问时间这个报表(根 据时间——每个小时——来组织数据),发现剩下3组人在访问时间的模式上有明显的差异,由此我们可以合理猜测说之所以有这几组不同的访问模式,是因为他们 来自在不同时间点的访问,然后我们可以很自然的想说我们应该根据访问时间来划分用户族群看数据,然后根据这些数据来推测可能的原因、找到可能的优化点。
案例六
新来了一个SEM Manager,上手一个半月就把搜索引擎的ROI提高了1 2%,人才啊。
在想说如果我很仔细的说应该怎么管理SEM会不会被专业的同学们笑,呵呵。好像有蛮多专业的SEMer也在看www.MarsOpinion.com 。
就我个人对于电子商务的搜索引擎营销的了解来说,有两类的词表现是完全不一样的,第一是“品牌词”, 第二是“产品词”。品牌词就是和你网站品牌、名字、网址相关的词,例如凡客诚品的品牌词可能就包括“VANCL”、“凡客”、“凡客诚品”和“凡客衬衣 ”,搜索这些关键词的一群人已经知道了我们的品牌,而且他们明确的表示了要来我们网站的意愿,只是不知道要怎么来而已。另一群人,搜索的则可能是”男士衬 衣“、”白色男士牛津纺衬衣包快递“、或者”松下相机LX3“,他们知道自己大致需要什么产品,但是并不一定有要来我们网站购买的意愿,只是随机被搜索结 果带到我们网站而已。
所以,我们可以做的第一件事情就是按照”品牌词“和”非品牌词“来细分流量 , 绝大部分时候品牌词本来就应该有高很多的转化率——因为用户已经有意愿来你这里买东西,基本信任已经存在,只要找到东西价钱OK基本上就会买。在这个例子 里,如果发现说SEM付费关键词中品牌词组的比例大幅度提高,可能就能解释为什么ROI提高了。如果网站本身已经比较大,SEO也不错,搜索品牌关键词的 时候本来也会有大量的自然搜索结果出现在最前面,而且也没有竞争对手恶意购买你的品牌词,这时候哦大量购买品牌关键词只是把原来不要钱的流量变成要钱的流 量,让公司亏钱而已。用我的博客举例来说,在这个SEM经理帮我管理之前,每天搜索“Mars电子商务”和”Mars Opinion“来到我博客的人有20000个(不用钱的),其中20%会订阅www.MarsOpinion.com ,另外我自己会买一些类似”数据驱动的精准营销“、”数据驱动的电子商务运营“这类词,花费大约是每天2万块,每天给我带来2000个新的订阅 (也 就是我所需要的转化),ROI是”10块钱买个订阅读者”。他来了之后,把我的2万块钱全部花在买”Mars电子商务“、”Mars Opinion“这些词上面,给我带来22000个流量和4400个订阅,与此同时,这些词的自然搜索流量降到2000(因为付费的链接排在更前面)、自 然带来的订阅降到200,而像”数据驱动的精准营销“、”数据驱动的电子商务运营“这些词,因为没有买关键词,所以带来的订阅量变成了0。从SEM ROI的角度看,ROI从”10块钱买个订阅读者”大幅提高到了”4.5块钱买个订阅读者“,但是对于我博客,作为一个整体来说,我花的钱没有变(都是2 万),但是我总的新订阅数,从6000( = 4000 + 2000)个下降到了4600 (= 4400 + 200)个,他的”优化“给我带来的是亏损。——这个例子可以表明,根据“品牌词”和“非品牌词“细分流量可以让我们加深对于SEM效果的理解。
如果还要更细化,其实”产品词“还得再细分成”产品品牌词“、”品类词“、”产品词“、”购物词“等,搜索每一种词的用户都处于购物决策的不同阶段,需要为它们设计不同的目标和指标来衡量效果 ,这里就不细讲了,对于绝大部分公司应该还没必要做这么细。
另外,在上一篇网络营销数据解读(八)——客户族群细分(Segmentation)2-1 的 留言里,Teamilk99提出了一个很好的观点:我们不能光看ROI,还得看Return的量。把一部分表现低于平均值的关键词去掉就能很简单的提高 ROI,可是这却未必符合公司利益。完全从公司利益角度出发,只要投放关键词的边际收益大于边际成本,就还是应该继续的。
案例七
网站用户平均访问频率是一个月一次,50%访问大约1个月1次,30%大约 每周一次,15%大约两个月一次,5%会超过两个月都不来访问。这样算起来,顾客如果两个月没有来访问的话,就有95%的可能性是要流失了。为了挽回这部 分流失客户,我们应该在侦测到客户停止访问两个月时让客服打电话给客户嘘寒问暖,顺便送一个折扣券给他。
还是根据客户对应的产品品类来分,不细说了(题外话:上一篇网络营销数据解读(八)——客户族群细分(Segmentation)2-1 的留言里Sucirst 对于CRM的接触点有一个比较详细的介绍,建议去看一下)。
说点和具体案例无关的,如果要做客户细分——特别适用于客户关系管理的话,最好要专业的人用高级的数 据挖掘工具来做,这样考虑比较全面。如果一定要自己拍脑袋想模型(这是我经常做的事情@__@),提醒一下说要先把数据过滤一遍,把极端数据先滤掉再做。 比如你卖画,平时每天1000幅,其中总有一两个大客户(他们是从你这里进货然后再零售的)每单就买两三百幅,他们不论被放到哪个族群里都会显著的影响那 个族群的数据(更可怕的情况是,他们非常显著地影响了数据,但是还让你看不出来——举个纯假设性的极端例子,你10000个客户,5000男,5000 女,男的里面有2个是B2B大客户,每人买了250张画,女性那里没有大客户,其中500人每人买了一张。没过滤outlier的话看到的“男客户“族群 和”女客户“族群的转化率数据是一样的,看起来也很合理,不会引起警觉),所以建议把他们单独挑出来研究。
案例八
我们网站有100万注册并登陆过超过一次的会员,10万每周都登陆一次、每 个月买一件东西;30万每个月登陆一次,每3个月买次东西;30万只登陆过2次,没买过东西;最后30万里面,10万每年登陆但是1年才买一次,20万每 半年登陆一次但是至今没有买过东西。我们在做lead acquisition的时候,可以粗略估算说我们抓到的新顾客有10%的可能性会每月买东西,有30%可能性每3个月买一次,有10%可能性1年买一 次。
如果网站获取新用户的方式方法比较多样和豪迈的话,我们可以把用户的注册来源当作用户的一种属性 。 举例来说,如果是20万主动注册,30万通过流氓软件骗来,10万通过联名注册从论坛得到,40万通过“注册有奖”活动从网站联盟来,10万通过垃圾邮件 骗进来,这几组人表现很可能截然不同(主动注册的一般是有意向买东西的,其他就未必了,被骗来的说不定还下过决心说永远不来买东西),不分开看数据是看不 清的。这几组人混在数据会很模糊,根据注册来源分组 来看会清除很多。还有些时候,需要细化到具体的Campaign, 例如”和网购论坛的联合推广活动”和“新浪广告Banner”这两个来源虽然都可以算是Marketing,但是带来的用户后续表现也会有很大差异,能够 细分观察可以帮助我们挖掘更多信息,而且这个数据的积累也是衡量长期效果指标的前提(参考网络营销数据解读(五)——完善指标 )。
用用户属性来细分流量还可以用在别的方面,比如说根据访客的IP来分Segment,看看南方访客北方访客行为有没有什么区别,有没有什么变化趋 势,说不定可以通过数据发现自己电信网通有一边的网速不行让客户都跑了。划分公司本地访客和外地访客可以看看公司地域影响力的变化。在公司拓展市场的时候 (例如像一号店在北京机场巴士上做广告,或者新蛋刚去北京),把自己目标城市的流量分开来看也更能了解状况。
案例九
新建网站,站外做了很多广告,站内做了很多促销活动,发现来访的人当中 5%注册了帐号,1%注册完了还马上买了东西。怎样才能让他们更多的注册,注册完买更多东西呢?
还是用老办法,从结果出发来做细分 ,比如把流量分成“购物组”、 “注册组”和“观光组”,然后反过去看其他报表。看流量来源报表,来查看“购物组”和“注册组”主要是哪些媒体带来的;看内容报表,比较“购物组”和“观 光组”在浏览的产品类别上有没有显著差别;看具体的点击轨迹,比较这三组人到达landing page之后分别做了些什么……总的来说就是,把所有报表都用这三组人过滤一下,看他们在结果数据上有没有什么显著差别,如果有,则再研究是不是因为这个差别导致的后续效果的差别 。 比如说发现“购物组”和“注册组”中访问了“女装”这个类别的比例,显著高于”观光组“中访问过女装类别的比例,我们就可能可以提出两个假说:1. 女性用户对我们更有价值,我们应该多拉这一类的流量;2. 我们女装这个类别做得非常好,能够将流量转化下来,我们应该增加这个品类的曝光。这些结论是否正确还需要进一步考证,但是这是一个很好的起点。换一个例 子,我们去比较点击轨迹,发现”购物组“到达landing page之后大多点击了产品图片直接进入了产品类别或者具体产品页面,而“观光组”中间超过50%点击了“点此参加活动”这个按钮。这样的话我们可以开始 猜测说我们辛苦设计的那个所谓”活动“(比如说是个竞猜之类)到底对我们起了正面还是负面的效果,自己去点点那个按钮看会发生什么事情,首先看是不是流程 上出了问题(我还见过点击“参加活动”这个按钮结果无限循环回到原页面的),如果没问题,再从活动设计的角度反省说它是不是起到了降低转化的作用。
个人很喜欢这个细分方法,本质上它就是根据结果把流量分成“好人”和“坏人”,然后 一路比较“好人”和“坏人”从接触到最后转化或离开这整个过程中所经历过的事情有没有什么显著的不同,如果有,则进一步深入去考虑说这些不同点是否就是造 成他们一些是“好人”一些是”坏人“的原因,再想办法优化这些经历,尽可能增加”好人“这个族群。
有什么其他的好想法么?打开这篇文章留言吧:)
(嗯,这个系列文章还没完……,觉得写完可以改改出书了,反正都写了这么多字了,呵呵)
发表评论
-
网络营销数据解读(八)——客户族群细分(Segmentation)2-1
2010-04-25 10:53 1054转载声明 :转载时请以超链接形式标明文章原始出处: http ... -
网络营销数据解读(七)——客户族群细分(Segmentation)1
2010-04-25 10:52 965转载声明 :转载时请以超链接形式标明文章原始出处: http ... -
网络营销数据解读(六)——自顶向下,逐步求精
2010-04-25 10:52 853转载声明 :转载时请以超链接形式标明文章原始出处: http ... -
网络营销数据解读(五)——完善指标
2010-04-25 10:51 1036转载声明 :转载时请以超链接形式标明文章原始出处: http ... -
网络营销数据解读(四)——目标和指标
2010-04-25 10:49 866转载声明 :转载时请 ... -
网络营销数据解读(三)——那又怎么样呢?
2010-04-25 10:48 900网站分析领域的大师Avinash Kaushik提出过一个很好 ... -
网络营销数据解读(二)——事情不是你看到的那样
2010-04-25 10:47 844上次(请先点击这里查看《事情不是你看到的那样——网络营销数据解 ... -
网络营销数据解读(一)——事情不是你看到的那样
2010-04-25 10:46 741http://www.marsopinion.com/2009 ... -
网站分析报告实例——周末不是学习的好时机?
2009-12-03 10:07 1974网站的分析报告并没有 ... -
网站分析的意义
2009-12-03 09:42 1038一位做电子商务网站的前排朋友提出,他也常常看数据,但是数据只是 ...
相关推荐
这个压缩包“Bank-Customer-Segmentation-on-Behavior-Features-main.zip”很可能包含一个数据分析项目,旨在通过客户的行为特征对银行客户进行深入的市场细分。 一、客户细分的背景与意义 1. 客户细分是市场营销的...
this_is_a_simple_demo__for_image_segmentation.----_unet
本文将围绕"keras-segmentation-master.zip"压缩包中的代码,详细探讨FCN(全卷积网络)、UNet和SegNet这三种语义分割模型的实现,并指导如何在Python 3.6环境下运行这些模型。 FCN(Fully Convolutional Network)...
crack-segmentation-dataset-数据集资源
Semantic-Segmentation-Suite pb文件预测,根据训练情况更改代码
标题中的"Semantic-Segmentation-master_keras_yolov3_"暗示了这是一个关于语义分割(Semantic Segmentation)的项目,使用了Keras框架,并且结合了YOLOv3(You Only Look Once version 3)的目标检测算法。...
在“Image-segmentation-using-pytorch-master”项目中,我们将专注于使用PyTorch来解决这个问题,特别是对于RGB图像的处理。 PyTorch是一个流行的深度学习框架,以其灵活性和易用性而受到广大开发者喜爱。在这个...
"LV-segmentation-in-cardiac-MRI-master"项目提供了使用MATLAB实现的基于学习的活动轮廓(Level Set)方法来对心脏MRI图像进行自动左心室(Left Ventricle, LV)分割。 首先,活动轮廓模型是一种边缘检测和区域...
在这个项目中,"Segmentation-of-Ultrasound-Images-master"可能包含了源代码、数据集、预处理工具以及训练模型。开发者可能已经对超声图像进行了预处理,如噪声过滤、增强对比度等,以优化后续的分割和特征提取过程...
Advanced-Examples-of-3D-Brain-Tumor-Segmentation-and-Experiment-Manager-main
基于理论分析,论文提出了针对校妆网的客户细分策略建议,如通过数据分析精确识别客户需求,实施个性化的营销策略;根据客户价值进行分类,提供差异化的服务;强化客户生命周期管理,特别是在客户的获取、保留和提升...
语义分割标注工具Semantic-Segmentation-Editor所需要的依赖软件,因为网络不能下载,因此可以在这儿进行离线下载使用安装。
python库。 资源全名:itk_segmentation-5.0a2-cp36-cp36m-win_amd64.whl
This paper addresses the problem of video object segmentation, where the initial object mask is given in the first frame of an input video. We propose a novel spatiotemporal Markov Random Field (MRF) ...
在使用`segmentation_models_pytorch`时,我们需要先安装库,通过`pip install segmentation-models-pytorch`命令即可。然后,我们可以根据项目需求选择合适的模型,加载预训练权重,并进行数据预处理。接下来,定义...
标题中的“MRI-brain-segmentation-using-FCM”指的是使用模糊C均值(FCM)算法进行磁共振成像(MRI)脑部图像的分割。FCM是一种聚类方法,常用于图像处理领域,特别是在医学图像分析中,它能将图像像素分为不同的...
python库。 资源全名:itk_segmentation-5.2.0-cp39-cp39-win_amd64.whl
遥感影像数据集“building-segmentation-dataset”是一个专门用于建筑分割任务的资源,它在信息技术领域,尤其是地理信息系统(GIS)、计算机视觉和机器学习中具有重要价值。该数据集的目标是帮助开发者和研究人员...
使用您最喜欢的AUR帮助程序从Arch Linux AUR中以python-ctc-segmentation-git 。 来自来源: git clone https://github.com/lumaku/ctc-segmentation cd ctc-segmentation cythonize -3 ctc_segmentation/ctc_...