这些模型识别具有最小相互距离的数据点组。例如，您可以在 电子邮件列表 数据集中对退货频率高于平均水平的客户进行聚类。 相关客户群示例： 相对较新的网站用户，尚未订购任何东西但在网站上表现出大量互动； 长期未订购产品的客户； 有价 电子邮件列表值的客户，他们在网站上表现出很多互动并定期订购。 目标群体示例 您可以根据这些细分设置 电子邮件列表 再营销活动。该活动旨在重新激活长时间未订购任何东西的客户。另一种选择是排除它们。如果您不想将营销预算花在不太可能转化的用户身上，建议您这样做。
在智能手机上购物 3. 根据应用数据预测 电子邮件列表 客户流失（SaaS 业务） 想象一下，您正在运行一个移动应用程序。在这种情况下，您希望减少删除您的应用的用户数量。 如果您有一个包含唯一可识别用户及其应用内操作的数据集，则可以预测用户 电子邮件列表 删除（或不积极使用）应用的可能性。 例如，使用一个三个月的数据集，该数据集还显示用户是否删除了应用程序，然后将数据集中的“应用程序已删除”列指定为可预测值。现在用一组数据训练 电子邮件列表 你的模型。您的模型会了解哪些变量会增加删除应用程序的机会。
您可能会了解到，在第一个月玩了五场游戏的用 电子邮件列表 户在前三个月不会删除该应用程序。为了限制流失，您决定根据这些学习结果在玩了五场游戏后奖励用户一个不错的额外奖励。 目标听众： 您将用户置于三个月后未玩过五场游戏的目标群体中。您鼓 电子邮件列表 励此目标群体通过展示广告或应用内广告系列再次使用该应用。 4.基于电子商务数据 电子邮件列表 预测客户生命周期价值（CLTV） 每个营销人员的愿望：为有价值的客户优化您的活动。 如果您在较长时间内收集了电子商务数据，您就会知道您的用户采取了哪些操作以及他们在网站上向您订购了多少。