基于數(shù)據(jù)挖掘的產(chǎn)品設(shè)計(jì)課件

1、產(chǎn)品與數(shù)據(jù) 基于數(shù)據(jù)挖掘的產(chǎn)品設(shè)計(jì)引言同樣是搜索土豆，他們想看到的一樣么？引言同樣是商品，您更愿意向誰買？Hi，我有你想要的Hi，我這里什么都有Hi，我的商品是為您準(zhǔn)備的引言產(chǎn)品同樣是基于數(shù)據(jù)，誰代表了未來？3. 常用數(shù)據(jù)挖掘方法RFM數(shù)據(jù)模型用戶行為特征數(shù)據(jù)挖掘4. 基于數(shù)據(jù)的交互設(shè)計(jì)案例案例一：基于數(shù)據(jù)的交互設(shè)計(jì)(1.2.3)案例二：建設(shè)以數(shù)據(jù)為中心的組織1. 客戶為中心的數(shù)據(jù)分析框架思想客戶為中心的業(yè)務(wù)規(guī)劃業(yè)務(wù)及營(yíng)銷為中心的數(shù)據(jù)體系建設(shè)2.數(shù)據(jù)分析框架的主要事件分類（Classification）估計(jì)（Estimation）預(yù)測(cè)（Prediction）數(shù)據(jù)分組（Affinity Grou

2、ping）聚類（Clustering）描述（Description）復(fù)雜數(shù)據(jù)挖掘客戶為中心的業(yè)務(wù)規(guī)劃客戶為中心的業(yè)務(wù)規(guī)劃大致有三個(gè)環(huán)節(jié)：從客戶研究到需求挖掘，從需求信息到數(shù)據(jù)化的需求管理，從需求文檔到業(yè)務(wù)規(guī)劃與設(shè)計(jì)客戶為中心的業(yè)務(wù)規(guī)劃不僅僅需要考慮業(yè)務(wù)需求是否能夠滿足需求的問題，還需要考慮到業(yè)務(wù)的變化趨勢(shì)，業(yè)務(wù)的營(yíng)銷重點(diǎn)需求信息客戶研究競(jìng)爭(zhēng)對(duì)手信息公司戰(zhàn)略當(dāng)前的產(chǎn)品組合技術(shù)趨勢(shì)IPD ConceptPlanDevelopQualifyLaunchLifeCycleConceptPlanDevelopQualifyLaunchLifeCycleConceptPlanDevelopQualifyL

3、aunchLifeCycle概念計(jì)劃開發(fā)驗(yàn)證發(fā)布生命周期了解需求進(jìn)行需求細(xì)分進(jìn)行組合分析制定業(yè)務(wù)策略和計(jì)劃優(yōu)化業(yè)務(wù)計(jì)劃管理業(yè)務(wù)計(jì)劃、評(píng)估 任務(wù)是否產(chǎn)品業(yè)務(wù)計(jì)劃產(chǎn)品組合產(chǎn)品路標(biāo)注：含技術(shù)/產(chǎn)品客戶為中心的數(shù)據(jù)分析框架思想_從客戶視角構(gòu)建業(yè)務(wù)框架傳統(tǒng)業(yè)務(wù)規(guī)劃方式：Looking for goodsPut in basketPayment zonePurchase大腦風(fēng)暴構(gòu)建業(yè)務(wù)流程，從業(yè)務(wù)規(guī)劃者角度而非客戶角度出發(fā)我們不知道客戶需要什么，更糟糕的是客戶可能也不知道每個(gè)環(huán)節(jié)都存在客戶流失，而我們不知道發(fā)生了什么客戶每次點(diǎn)擊都是營(yíng)銷機(jī)會(huì)，但是我們錯(cuò)過了每一次機(jī)會(huì)客戶在每一個(gè)環(huán)節(jié)都錯(cuò)過了本來他可能會(huì)購(gòu)買

4、的商品當(dāng)客戶離開時(shí)我們永久的失去了該客戶，沒有留下有價(jià)值的信息客戶為中心的數(shù)據(jù)分析框架思想_從客戶視角構(gòu)建業(yè)務(wù)框架以客戶為中心的思維方式構(gòu)建業(yè)務(wù)框架系統(tǒng)需要滿足不同類型的客戶的個(gè)性化需求，其核心為數(shù)據(jù)挖掘和應(yīng)用系統(tǒng)需要協(xié)助客戶達(dá)成實(shí)現(xiàn)客戶期望，并幫助客戶發(fā)現(xiàn)并實(shí)現(xiàn)潛在需求系統(tǒng)需要智能尋找最佳的幫助時(shí)機(jī)，智能的進(jìn)行客戶協(xié)助系統(tǒng)建設(shè)需要考慮未來系統(tǒng)的發(fā)展方向，其核心為客戶需求挖掘客戶為中心的業(yè)務(wù)規(guī)劃：Product DesignMarketBuyerPurchaseCustomer Research數(shù)據(jù)中心WhoWhatWhyWhenWhereHowPut in basketPayment zon

5、e客戶為中心的數(shù)據(jù)分析框架思想_業(yè)務(wù)及營(yíng)銷為中心的數(shù)據(jù)體系建設(shè)數(shù)據(jù)中心業(yè)務(wù)框架數(shù)據(jù)產(chǎn)品營(yíng)銷客戶中心3. 常用數(shù)據(jù)挖掘方法RFM數(shù)據(jù)模型用戶行為特征數(shù)據(jù)挖掘4. 基于數(shù)據(jù)的交互設(shè)計(jì)案例案例一：基于數(shù)據(jù)的交互設(shè)計(jì)(1.2.3)案例二：建設(shè)以數(shù)據(jù)為中心的組織1. 客戶為中心的數(shù)據(jù)分析框架思想客戶為中心的業(yè)務(wù)規(guī)劃業(yè)務(wù)及營(yíng)銷為中心的數(shù)據(jù)體系建設(shè)2.數(shù)據(jù)分析框架的主要事件分類（Classification）估計(jì)（Estimation）預(yù)測(cè)（Prediction）數(shù)據(jù)分組（Affinity Grouping）聚類（Clustering）描述（Description）復(fù)雜數(shù)據(jù)挖掘數(shù)據(jù)分析框架的主要事件主要事件

6、事件描述分類根據(jù)業(yè)務(wù)的需要進(jìn)行必要的分類，比如對(duì)客戶評(píng)級(jí)的分類，AA等級(jí)或AAA等級(jí)估計(jì)根據(jù)業(yè)務(wù)數(shù)據(jù)判斷的需要定義需要估計(jì)的數(shù)據(jù)和數(shù)據(jù)區(qū)間值，對(duì)業(yè)務(wù)進(jìn)行補(bǔ)充和協(xié)助，例如根據(jù)客戶儲(chǔ)蓄和投資行為估計(jì)客戶投資風(fēng)格預(yù)測(cè)根據(jù)數(shù)據(jù)的變化趨勢(shì)預(yù)測(cè)數(shù)據(jù)的發(fā)展方向，例如根據(jù)歷史投資數(shù)據(jù)幫助客戶預(yù)測(cè)投資行情等數(shù)據(jù)分組根據(jù)業(yè)務(wù)需要對(duì)數(shù)據(jù)進(jìn)行分組，例如購(gòu)買A類的客戶通常也會(huì)購(gòu)買B類，購(gòu)買A的客戶后有一個(gè)B周期會(huì)產(chǎn)生C行為聚類數(shù)據(jù)集合的邏輯關(guān)系，比如同時(shí)擁有A特征和B特征的數(shù)據(jù)，可以推斷出其也擁有C特征描述描述性數(shù)據(jù)有助于提取關(guān)鍵要素進(jìn)行數(shù)據(jù)歸納，例如從數(shù)據(jù)關(guān)鍵詞中進(jìn)行近似業(yè)務(wù)營(yíng)銷，備忘錄等復(fù)雜數(shù)據(jù)挖掘例如Video，

7、Audio，圖形圖像等等數(shù)據(jù)分析框架的主要事件_分類（Classification）在業(yè)務(wù)構(gòu)建中，最重要的分類一般是對(duì)客戶數(shù)據(jù)的分類，主要用于精準(zhǔn)營(yíng)銷通常分類數(shù)據(jù)最大的問題在于分類區(qū)間的規(guī)劃，例如分類區(qū)間的顆粒度以及分類區(qū)間的區(qū)間界限等，分類區(qū)間的規(guī)劃需要根據(jù)業(yè)務(wù)流來設(shè)定，而業(yè)務(wù)流的設(shè)計(jì)必須以客戶需要為核心，因此分類的核心思想在于能夠完成滿足客戶需要的業(yè)務(wù)由于市場(chǎng)需求是變化的，分類通常也是變化的，例如銀行業(yè)務(wù)中VIP客戶的儲(chǔ)蓄區(qū)間銀行信用卡客戶分類案例cluster-3：優(yōu)質(zhì)客戶cluster-2：潛力優(yōu)質(zhì)客戶cluster-1：一般客戶cluster-4：劣質(zhì)客戶數(shù)據(jù)分析框架的主要事件_估計(jì)

8、（Estimation）通常數(shù)據(jù)估計(jì)是互動(dòng)營(yíng)銷的基礎(chǔ)，基于客戶行為進(jìn)行數(shù)據(jù)估計(jì)為基礎(chǔ)進(jìn)行互動(dòng)營(yíng)銷已經(jīng)被證實(shí)具有較高的業(yè)務(wù)轉(zhuǎn)化率，銀行業(yè)中通常通過客戶數(shù)據(jù)估計(jì)客戶對(duì)金融產(chǎn)品的偏好，電信業(yè)務(wù)和互聯(lián)網(wǎng)業(yè)務(wù)則通常通過客戶數(shù)據(jù)估計(jì)客戶需要的相關(guān)服務(wù)或者估計(jì)客戶的生命周期數(shù)據(jù)估計(jì)必須基于數(shù)據(jù)的細(xì)分和數(shù)據(jù)邏輯關(guān)聯(lián)性，數(shù)據(jù)估計(jì)需要有較高的數(shù)據(jù)挖掘和數(shù)據(jù)分析水平潛在客戶認(rèn)知度提升經(jīng)常性收入服務(wù)現(xiàn)金成本話務(wù)量流失交叉銷售/向上銷售壞帳折扣調(diào)整優(yōu)惠計(jì)劃更新客戶贏回客戶獲取成本（SAC）客戶離網(wǎng)客戶入網(wǎng)（再入網(wǎng)）載體客戶離網(wǎng)載體Mth 1Mth 2Mth 3Mth 4Mth 10Mth 11Mth 12Mth 13M

9、th 141112345687910數(shù)據(jù)分析框架的主要事件_預(yù)測(cè)（ Prediction ）根據(jù)數(shù)據(jù)變化趨勢(shì)進(jìn)行未來預(yù)測(cè)通常是非常有力的產(chǎn)品推廣方式，例如證券業(yè)通常會(huì)推薦走勢(shì)良好的股票，銀行會(huì)根據(jù)客戶的資本情況協(xié)助客戶投資理財(cái)以達(dá)到某個(gè)未來預(yù)期，電信行業(yè)通常以服務(wù)使用的增長(zhǎng)來判斷業(yè)務(wù)擴(kuò)張和收縮以及營(yíng)銷等。數(shù)據(jù)預(yù)測(cè)通常是多個(gè)變量的共同結(jié)果，每組變量之間一般會(huì)存在某個(gè)相互聯(lián)系的數(shù)值，我們根據(jù)每個(gè)變量的關(guān)系通常可以計(jì)算出數(shù)據(jù)預(yù)測(cè)值，并以此作為業(yè)務(wù)決策的依據(jù)展開后續(xù)行動(dòng)股價(jià)連續(xù)打底三次，沒有再創(chuàng)下新低價(jià)格，反而向上突破頸線買進(jìn)股票數(shù)據(jù)分析框架的主要事件_數(shù)據(jù)分組（ Affinity Grouping

10、）數(shù)據(jù)分組是精準(zhǔn)營(yíng)銷的基礎(chǔ)。當(dāng)數(shù)據(jù)分組以客戶特征為主要維度時(shí)，通?？梢杂糜诠烙?jì)下一次行為的基礎(chǔ)，例如通過客戶使用的服務(wù)特征的需要來營(yíng)銷配套服務(wù)和工具，購(gòu)買了A類產(chǎn)品的客戶一般會(huì)有B行為等等。數(shù)據(jù)分組的難點(diǎn)在于分組維度的合理性，通常其精確性取決于分組邏輯是否與客戶行為特征一致。購(gòu)買了A商品的客戶數(shù)據(jù)分析框架的主要事件_聚類（ Clustering ）數(shù)據(jù)聚類是數(shù)據(jù)分析的重點(diǎn)項(xiàng)目之一。例如在健康管理系統(tǒng)中通過癥狀組合可以大致估計(jì)病人的疾病，在電信行業(yè)產(chǎn)品創(chuàng)新中客戶使用的業(yè)務(wù)組合通常是構(gòu)成服務(wù)套餐的重要依據(jù)，在銀行業(yè)產(chǎn)品創(chuàng)新中客戶投資行為聚合也是其金融產(chǎn)品創(chuàng)新的重要依據(jù)。數(shù)據(jù)聚類的要點(diǎn)在于聚類維度選

11、取的正確性，需要不斷的實(shí)踐來驗(yàn)證其可行性投資者乙投資者甲投資者丙理智穩(wěn)健型保守謹(jǐn)慎型投機(jī)冒險(xiǎn)型個(gè)性：理財(cái)方式：理財(cái)工具：風(fēng)險(xiǎn)容忍度：投資目標(biāo)：投資組合管理：穩(wěn)健理智藍(lán)籌股票、平衡型基金、萬能保險(xiǎn)適中穩(wěn)健成長(zhǎng)綜合平衡保守型與投機(jī)型的做法謹(jǐn)慎保守銀行存款、收益型基金、高等級(jí)債券、傳統(tǒng)型保險(xiǎn)、分紅保險(xiǎn)較低穩(wěn)健保本定期定額投資法、分散投資法冒險(xiǎn)投機(jī)成長(zhǎng)型股票、對(duì)沖型基金、期貨、垃圾債券、投資連結(jié)保險(xiǎn)較高 積極成長(zhǎng)低吸高拋法、集中投資法投資者的類型數(shù)據(jù)分析框架的主要事件_描述（ Description ）描述性數(shù)據(jù)的最大效用在于可以對(duì)事件進(jìn)行詳細(xì)歸納，通常很多細(xì)微的機(jī)會(huì)發(fā)現(xiàn)和靈感啟迪來自于一些描述性的客

12、戶建議，同時(shí)客戶更愿意通過描述性的方法來查詢搜索等，這時(shí)就需要技術(shù)上通過較好的數(shù)據(jù)關(guān)聯(lián)方法來協(xié)助客戶。描述性數(shù)據(jù)的使用難點(diǎn)在于大數(shù)據(jù)量下數(shù)據(jù)要素提取和歸類，其核心在于要素提取規(guī)則以及歸類方法。要素提取和歸類是其能夠被使用的基礎(chǔ)。我比較喜歡穩(wěn)健性投資穩(wěn)健A基金穩(wěn)健B基金穩(wěn)健C基金根據(jù)描述關(guān)聯(lián)產(chǎn)品或服務(wù)通常有較高的轉(zhuǎn)化率數(shù)據(jù)分析框架的主要事件_復(fù)雜數(shù)據(jù)挖掘復(fù)雜數(shù)據(jù)挖掘比如Video，Audio等，其要素目前依然難以通過技術(shù)手段提取，但也可以從上下文與語境中提取一些要素幫助聚類。例如重要客戶標(biāo)記了高度重要性的Video一般優(yōu)先權(quán)重也應(yīng)該較高。復(fù)雜數(shù)據(jù)的挖掘目前處理的方式一般通過數(shù)據(jù)錄入的標(biāo)準(zhǔn)化來解決

13、，核心在于數(shù)據(jù)錄入標(biāo)準(zhǔn)體系的規(guī)劃。建議為了整理的方便，初期規(guī)劃是盡可能考慮完善，不僅僅適用現(xiàn)在，而且可以適用于未來。客戶研究復(fù)雜數(shù)據(jù)上下文背景Map3. 常用數(shù)據(jù)挖掘方法RFM數(shù)據(jù)模型用戶行為特征數(shù)據(jù)挖掘4. 基于數(shù)據(jù)的交互設(shè)計(jì)案例案例一：基于數(shù)據(jù)的交互設(shè)計(jì)(1.2.3)案例二：建設(shè)以數(shù)據(jù)為中心的組織1. 客戶為中心的數(shù)據(jù)分析框架思想客戶為中心的業(yè)務(wù)規(guī)劃業(yè)務(wù)及營(yíng)銷為中心的數(shù)據(jù)體系建設(shè)2.數(shù)據(jù)分析框架的主要事件分類（Classification）估計(jì)（Estimation）預(yù)測(cè)（Prediction）數(shù)據(jù)分組（Affinity Grouping）聚類（Clustering）描述（Descript

14、ion）復(fù)雜數(shù)據(jù)挖掘RFM數(shù)據(jù)模型RFM模型：R(Recency)表示客戶最近一次購(gòu)買的時(shí)間有多遠(yuǎn)，F(xiàn)(Frequency)表示客戶在最近一段時(shí)間內(nèi)購(gòu)買的次數(shù)，M(Monetary)表示客戶在最近一段時(shí)間內(nèi)購(gòu)買的金額。一般原始數(shù)據(jù)為3個(gè)字段：客戶ID、購(gòu)買時(shí)間（日期格式）、購(gòu)買金額，用數(shù)據(jù)挖掘軟件處理，加權(quán)（考慮權(quán)重）得到RFM得分，進(jìn)而可以進(jìn)行客戶細(xì)分，客戶等級(jí)分類，Customer Level Value得分排序等RFM數(shù)據(jù)模型假定我們拿到一個(gè)月的客戶充值行為數(shù)據(jù)集，我們們先用IBM Modeler軟件構(gòu)建一個(gè)分析流，然后再找出符合RFM分析要求的數(shù)據(jù)：找出符合RFM分析要求的數(shù)據(jù)RFM數(shù)

15、據(jù)模型現(xiàn)在我們得到了RFM模型的Recency_Score、Frequency_Score、Monetary_Score和RFM_Score；這里對(duì)RFM得分進(jìn)行了五等分切割，采用100、10、1加權(quán)得到RFM得分表明了125個(gè)RFM魔方塊。通過加權(quán)評(píng)分，得到RFM魔方塊RFM數(shù)據(jù)模型輸出結(jié)果后將數(shù)據(jù)導(dǎo)入Excel，將R、F、M三個(gè)字段分類與該字段的均值進(jìn)行比較，利用Excel軟件的條件格式給出與均值比較的趨勢(shì)！結(jié)合RFM模型魔方塊的分類識(shí)別客戶類型：通過RFM分析將客戶群體劃分成重要保持客戶、重要發(fā)展客戶、重要挽留客戶、一般重要客戶、一般客戶、無價(jià)值客戶等六個(gè)級(jí)別借助RFM模型魔方塊進(jìn)行客戶

16、識(shí)別，建立客戶模型基于用戶特征展開產(chǎn)品設(shè)計(jì)RFM數(shù)據(jù)模型其實(shí)原理很簡(jiǎn)單. ABCRFM數(shù)據(jù)模型只是常用的一種，基于業(yè)務(wù)還有更多模型能夠幫助和指導(dǎo)產(chǎn)品設(shè)計(jì)和用戶體驗(yàn)改進(jìn)用戶行為特征數(shù)據(jù)挖掘客戶行為特征數(shù)據(jù)獲取要點(diǎn)（一）Clickstream Data 點(diǎn)擊流數(shù)據(jù)直接訪問數(shù)量訪客來源訪客地理位置點(diǎn)擊流跟蹤Outcomes Data 結(jié)果型數(shù)據(jù)訪客（初次訪問數(shù)，訪問總數(shù)，平均回訪數(shù)，關(guān)注點(diǎn)）頁面瀏覽（平均瀏覽數(shù)，總PV ，訪問超過一頁的訪客比）時(shí)間（全局，人均）關(guān)鍵行為（如：注冊(cè)，購(gòu)買）轉(zhuǎn)化率相關(guān)（Keyword，趨勢(shì)，網(wǎng)站）用戶行為特征數(shù)據(jù)挖掘（某酒店訂購(gòu)網(wǎng)站點(diǎn)擊流數(shù)據(jù)一）酒店搜索列表頁Hotel

17、s-SearchVisits:1,076,361酒店詳細(xì)頁Hotels-DetailsVisits:955,555酒店預(yù)訂確認(rèn)頁Hotels-ConfirmVisits:119,529Entry Page Visits:474,93344.12%立即退出:305,80728.41%Exit Page Visits:630,69258.59%Visits: 42,3733.94%Visits: 464,11943.12%Entry Page Visits:453,37647.45%Exit Page Visits:646,12667.62%立即退出:365,64938.27%Visits: 64

18、,4606.75%Visits: 13,3251.39%35.45%53.93%11.15%Entry Page Visits:15,151.27%立即退出:3510.29%Exit Page Visits:19,41116.24%Visits: 58,26048.7%Visits: 62,56652.3%Visits: 371,23838.9%用戶行為特征數(shù)據(jù)挖掘（某酒店訂購(gòu)網(wǎng)站點(diǎn)擊流數(shù)據(jù)二）酒店預(yù)訂確認(rèn)頁Hotels-ConfirmVisits:119,529登陸/直接預(yù)訂頁Myelong/LoginVisits:205,344酒店訂單填寫頁Hotels-OrderVisits:41,46

19、0Exit Page Visits:19,41116.24%Exit Page Visits:20,3509.91%Visits: 36,80330.79%Visits: 28,77714.01%聯(lián)盟登陸頁Mytrip/LoginVisits:57,585Visits: 22,98819.23%Visits: 2,1953.81%Visits: 9,7568.16%23.53%69.41%5.29%Exit Page Visits:14,51225.20%Visits: 13,23431.9%用戶行為特征數(shù)據(jù)挖掘（某酒店訂購(gòu)網(wǎng)站點(diǎn)擊流數(shù)據(jù)三）酒店訂單填寫頁Hotels-OrderVisits:

20、41,460酒店訂單確認(rèn)頁Hotels-EnsureVisits:33,396酒店訂單提交頁Hotels-ReserveVisits:31,036Exit Page Visits:4,54210.96%Exit Page Visits:1,6454.93%Exit Page Visits:8,07226.01%Visits: 29,04670.06%Visits: 30,34090.85%Visits: 8,79826.3%Visits: 6,33120.33%用戶行為特征數(shù)據(jù)挖掘客戶行為特征數(shù)據(jù)獲取要點(diǎn)（二）Research Data 研究性數(shù)據(jù)客戶研究啟發(fā)式評(píng)估，客戶體驗(yàn)測(cè)試客戶屬性（數(shù)據(jù)

21、庫分析）客戶期望分析（從數(shù)據(jù)到服務(wù)）Competitive Data 競(jìng)爭(zhēng)性數(shù)據(jù)“面”數(shù)據(jù)測(cè)量（大眾分析）網(wǎng)絡(luò)服務(wù)數(shù)據(jù)測(cè)量（行業(yè)分析）搜索引擎測(cè)量（輿情分析）用戶行為特征數(shù)據(jù)挖掘調(diào)研產(chǎn)品背景客戶招募文化探尋深度訪談數(shù)據(jù)整理分析客戶研究報(bào)告撰寫客戶篩選標(biāo)準(zhǔn)確認(rèn)客戶招募執(zhí)行訪談篩選標(biāo)準(zhǔn)客戶文化背景數(shù)據(jù)訪談?dòng)涗浳臋n發(fā)現(xiàn)點(diǎn)客戶角色訪談方案制作現(xiàn)場(chǎng)實(shí)施數(shù)據(jù)整理與分析設(shè)計(jì)原則機(jī)會(huì)分析功能設(shè)置場(chǎng)景客戶研究過程示例用戶行為特征數(shù)據(jù)挖掘客戶研究案例客戶深訪:在對(duì)客戶進(jìn)行的開放式訪談中, 探尋參與的客戶的 :當(dāng)前使用情況需求痛點(diǎn)差距心理態(tài)度渴望選擇產(chǎn)品品牌及型號(hào)時(shí)的偏好和原因驅(qū)動(dòng)角色深訪:訪問的目的是為了收集以下

22、數(shù)據(jù):市場(chǎng)中不同品牌的認(rèn)可度以及為什么某些品牌比其他品牌更好賣點(diǎn)和客戶需求選擇品牌和的準(zhǔn)則制定價(jià)格的準(zhǔn)則除了提供銷售策略開發(fā)方面的見解之外, 這部分客戶研究還將從賣家的角度提供消費(fèi)者的心態(tài).用戶行為特征數(shù)據(jù)挖掘完成基礎(chǔ)需求：轉(zhuǎn)賬，支付，查詢電腦安全性分析個(gè)性化需求（功能，布局，呈現(xiàn)）理財(cái)，繳費(fèi)，信用卡她想要做的她想要知道的了解廣發(fā)網(wǎng)銀有什么功能了解如何安全使用廣發(fā)網(wǎng)銀了解個(gè)人的財(cái)務(wù)狀況了解每個(gè)業(yè)務(wù)的相關(guān)手續(xù)費(fèi)李婷 27歲公司職員 月薪4k經(jīng)常上網(wǎng)，網(wǎng)齡4年以上使用Nokia N93手機(jī)喜歡網(wǎng)上購(gòu)物，逛論壇，看新聞等各種網(wǎng)上活動(dòng)擁有儲(chǔ)蓄卡和信用卡，正準(zhǔn)備使用網(wǎng)銀客戶建模研究案例用戶行為特征數(shù)據(jù)挖掘Hmm, what does this do? Ill try it Ooops, now what happened?Now, why did it do that?Oh, I think you clicked on the wrong iconDo you know why you never tried that option?I didnt s