一种网络流量多维运营分析方法和装置与流程

本发明涉及计算机数据处理技术领域，尤其涉及一种网络流量多维运营分析方法和装置。

背景技术：

本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

近年来互联网行业在以惊人的速度蓬勃发展，它的迅速发展引发了整个社会在社交、媒体、贸易、文化等多方面的变革。一方面它给人们带来了全新的体验；另一方面它给现代商业带来了全新的模式。随着互联网用户访问量的快速增长和互联网企业的激烈竞争，互联网行业需要向传统行业一样进行用户细分，从而支撑用户日益增加的多样化需要，并且使用多样化服务、个性化策略拉拢用户，增加用户粘性，提高用户忠诚度，在竞争市场中获得先机。

然而由于互联网企业的盈利模式与传统商业不同，用户对互联网企业的产品的认可度、访问时长远比用户的消费意愿更重要，因此传统用户分析模型(如rfm等)并不适用于互联网企业，另外rfm模型只能描述用户的静态价值，是用户当前状态的一个快照，对用户的本身的生命周期，用户的发展状态等动态信息没有描述。

因此，如何提供一种新的方案，其能够解决上述技术问题是本领域亟待解决的技术难题。

技术实现要素：

本发明实施例提供一种网络流量多维运营分析方法，针对每类用户提出了不同的运营推广策略，可以增加用户粘性、扩大用户访问量、延长用户访问时长，该方法包括：

获取用户主题数据；

建立网络流量分析模型frlt；

根据用户主题数据和网络流量分析模型frlt，分析用户生命周期和用户价值，确定用户生命周期和用户价值分析结果；

根据用户生命周期和用户价值分析结果，对用户进行划分，确定多个用户分类；

对多个用户分类分别建立对应的运营推广策略。

本发明实施例还提供一种网络流量多维运营分析装置，包括：

数据获取模块，用于获取用户主题数据；

网络流量分析模型frlt建立模块，用于建立网络流量分析模型frlt；

用户生命周期和用户价值分析模块，用于根据用户主题数据和网络流量分析模型frlt，分析用户生命周期和用户价值，确定用户生命周期和用户价值分析结果；

用户划分模块，用于根据用户生命周期和用户价值分析结果，对用户进行划分，确定多个用户分类；

运营推广策略建立模块，用于对多个用户分类分别建立对应的运营推广策略。

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种网络流量多维运营分析方法。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述一种网络流量多维运营分析方法的计算机程序。

本发明实施例提供的一种网络流量多维运营分析方法和装置，包括：首先获取用户主题数据；然后建立网络流量分析模型frlt；接着根据用户主题数据和网络流量分析模型frlt，分析用户生命周期和用户价值，确定用户生命周期和用户价值分析结果；继续根据用户生命周期和用户价值分析结果，对用户进行划分，确定多个用户分类；最后对多个用户分类分别建立对应的运营推广策略。本发明实施例针对互联网行业用户访问流量提出的网络流量多维运营分析方法中，frlt模型相对于rfm模型能够更好的对网站、app流量价值进行多维度的分析，在建立frlt模型的基础之上，分析用户生命周期和用户价值，将用户划分为多个分类，并且针对每类用户提出了不同的运营推广策略，可以增加用户粘性、扩大用户访问量、延长用户访问时长。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本发明实施例一种网络流量多维运营分析方法示意图。

图2为本发明实施例一种网络流量多维运营分析方法的流程图。

图3为本发明实施例一种网络流量多维运营分析方法的网络流量分析模型frlt示意图。

图4为本发明实施例一种网络流量多维运营分析方法的用户生命周期状态变化示意图。

图5为本发明实施例一种网络流量多维运营分析方法的用户生命周期笛卡尔坐标。

图6为本发明实施例一种网络流量多维运营分析方法的用户价值笛卡尔坐标。

图7为运行本发明实施的一种网络流量多维运营分析方法的计算机装置示意图。

图8为本发明实施例一种网络流量多维运营分析装置示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

图1为本发明实施例一种网络流量多维运营分析方法示意图，如图1所示，本发明实施例提供一种网络流量多维运营分析方法，针对每类用户提出了不同的运营推广策略，可以增加用户粘性、扩大用户访问量、延长用户访问时长，该方法包括：

步骤101：获取用户主题数据；

步骤102：建立网络流量分析模型frlt；

步骤103：根据用户主题数据和网络流量分析模型frlt，分析用户生命周期和用户价值，确定用户生命周期和用户价值分析结果；

步骤104：根据用户生命周期和用户价值分析结果，对用户进行划分，确定多个用户分类；

步骤105：对多个用户分类分别建立对应的运营推广策略。

本发明实施例提供的一种网络流量多维运营分析方法，包括：首先获取用户主题数据；然后建立网络流量分析模型frlt；接着根据用户主题数据和网络流量分析模型frlt，分析用户生命周期和用户价值，确定用户生命周期和用户价值分析结果；继续根据用户生命周期和用户价值分析结果，对用户进行划分，确定多个用户分类；最后对多个用户分类分别建立对应的运营推广策略。本发明实施例针对互联网行业用户访问流量提出的网络流量多维运营分析方法中，frlt模型相对于rfm模型能够更好的对网站、app流量价值进行多维度的分析，在建立frlt模型的基础之上，分析用户生命周期和用户价值，将用户划分为多个分类，并且针对每类用户提出了不同的运营推广策略，可以增加用户粘性、扩大用户访问量、延长用户访问时长。

如前所述的，传统的用户分析模型如rfm模型等，并不适用于互联网企业，首先对rfm模型进行分析。rfm模型，是根据美国数据库营销研究所arthurhughes的研究，客户数据库中有三个神奇的要素，这三个要素构成了数据分析最好的指标：最近一次消费(recency)、消费频率(frequency)、消费金额(monetary)，rfm模型是衡量客户价值和客户创利能力的重要工具和手段。在众多的客户关系管理(crm)的分析模式中，rfm模型是被广泛提到的。该机械模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱3项指标来描述该客户的价值状况。

最近一次消费(recency)，是指上一次购买的时候，顾客上一次是几时来店里、上一次根据哪本邮购目录购买东西、什么时候买的车，或在你的超市买早餐最近的一次是什么时候。

消费频率(frequency)，是指顾客在限定的期间内所购买的次数，我们可以说最常购买的顾客，也是满意度最高的顾客。如果相信品牌及商店忠诚度的话，最常购买的消费者，忠诚度也就最高。增加顾客购买的次数意味着从竞争对手处偷取市场占有率，由别人的手中赚取营业额。

消费金额(monetary)，是指客户在限定的时间内所购买的金额，顾客从某个时间点到现在位置总的商品购买金额。消费金额是所有数据库报告的支柱，也可以验证“帕雷托法则”(pareto’slaw)——公司80％的收入来自20％的顾客。

rfm模型只能描述用户的静态价值，是用户当前状态的一个快照，对用户的本身的生命周期，用户的发展状态等动态信息没有描述。为适用互联网企业的流量模式，本发明实施例提供一种网络流量多维运营分析方法。图2为本发明实施例一种网络流量多维运营分析方法的流程图，如图2所示，具体实施本发明实施例提供的一种网络流量多维运营分析方法时，可以包括：获取用户主题数据；建立网络流量分析模型frlt；根据用户主题数据和网络流量分析模型frlt，分析用户生命周期和用户价值，确定用户生命周期和用户价值分析结果；根据用户生命周期和用户价值分析结果，对用户进行划分，确定多个用户分类；对多个用户分类分别建立对应的运营推广策略。

具体实施本发明实施例提供的一种网络流量多维运营分析方法时，在一个实施例中，前述的获取用户主题数据，包括：

通过埋点、业务库数据抽取和日志汇聚的方式将网络流量的用户信息进行抽取，确定抽取数据；

对抽取的数据进行清洗、转换，汇聚成用户主题数据；其中，用户主题数据，包括：用户信息，用户访问时长，用户登陆时间，用户登出时间，用户访问记录，用户访问渠道。

实施例中，获取用户主题数据，主要包括：通过埋点、业务库数据抽取、日志汇聚等方式将app、pc网页等网络流量的用户信息抽取出来，并对抽取数据进行清洗、转换，汇聚成以用户为核心的用户主题数据，一般至少包括：用户信息、用户访问时长、用户登陆时间、用户登出时间、用户访问记录、用户访问渠道等信息。

图3为本发明实施例一种网络流量多维运营分析方法的网络流量分析模型frlt示意图，如图3所示，具体实施本发明实施例提供的一种网络流量多维运营分析方法时，在一个实施例中，前述的建立网络流量分析模型frlt，包括：

以用户最后一次访问距现在的时间长度f、用户访问的频率r、用户第一次访问到最后一次访问的时间长度l和用户访问的平均时长t为指标，建立网络流量分析模型frlt。

实施例中，为了能够进一步优化网络运营，对网络流量进行多维分析对用户进行精准分群，设计建立了frlt模型(也即是：网络流量分析模型frlt)，frlt模型有四个主要指标，这四个指标构成了网站、手机app用户访问流量分析的重要要素。这四个指标是：

f(fresh)：用户最后一次访问距现在的时间长度；

r(rate)：用户访问的频率；

l(length)：用户第一次访问到最后一次访问的时间长度；

t(time)：用户访问的平均时长。

通过frlt模型我们可以对用户在两个维度上进行展开分析，一个是从用户所在的生命周期这个维度进行展开分析，另一个是从用户的价值维度进行展开分析。

图4为本发明实施例一种网络流量多维运营分析方法的用户生命周期状态变化示意图，图5为本发明实施例一种网络流量多维运营分析方法的用户生命周期笛卡尔坐标，如图4和图5所示，具体实施本发明实施例提供的一种网络流量多维运营分析方法时，在一个实施例中，前述的根据用户主题数据和网络流量分析模型frlt，分析用户生命周期，包括：

利用网络流量分析模型frlt中的用户最后一次访问距现在的时间长度f和最后一次访问的时间长度l，构建用户生命周期笛卡尔坐标；

将用户主题数据导入用户生命周期笛卡尔坐标，应用多层分析方法分析网络流量分析模型frlt中用户生命周期的分界点，确定用户生命周期分析结果；其中，用户生命周期分析结果，包括：一一对应的用户最后一次访问距现在的时间长度f、最后一次访问的时间长度l、用户类型、用户特点和管理策略。

实施例中，frlt模型本身是一个动态模型，可以对用户的整个生命周期进行动态分析。如果我们把用户比作朋友，用户对网站、手机app的访问当做一次朋友会面，我们就可以使用frlt模型去衡量我们是新朋友还是老朋友，以及我们之间的关系有多牢靠。

在传统用户生命周期中，用户一般分为新用户、首次访问流失用户、初级用户、老用户、流失用户五类。新用户是值通过搜索、推广或营销活动等渠道拉来的初次访问网站或手机app的用户，这类用户往往是由于推广活动引流，或活动优惠吸引才访问的网站或下载手机app，属于不成熟用户。首次访问流失用户是指在首次或二次访问后不再登陆的用户，这类用户一般是因为不是网站或手机app的目标用户或对互联网厂商提供的内容或服务不认可导致不再访问的，一般这类用户召回较难，也不容易再次存留。初级用户是指在首次访问后仍继续访问的用户，这类用户一般是网站的目标用户并对其提供的内容或服务初步认可，是互联网企业的重点关注对象，也是成熟老用户的重要来源。老用户是指随着对网站或app使用次数的增多，用户对产品的使用规则逐渐熟悉，对产品的价值有一定程度认可，对产品已经有一定程度的依赖，是网站或app流量的主要来源。流失用户是指随着时间流逝一部分初级用户或老用户由于产品或其他原因不再访问网站或app，是互联网企业的重点关注对象，也是用户召回的重要目标。用户生命周期状态变化如图4所示。

在frlt模型中我们使用f(fresh)、l(length)两个技术指标对用户的生命周期进行描述和分析。在用户的生命周期中用户处在不同的状态，所对应的f(fresh)、l(length)指标值显著不同，为了更好的划分用户我们设定f′和l′做为用户生命周期划分的分界值。

当用户i状态为新用户时，由于用户近期访问过网站用户的f指标值fi小于分界值f′(fi<f′)，由于用户注册时间不长用户的l指标值li小于分界值l′(li<l′)。

当用户i状态为单次访问用户时，由于用户首次访问后很长时间不再访问网站用户的f指标值fi大于分界值f′(fi>f′)，由于用户注册后就不再活跃用户的l指标值li小于分界值l′(li<l′)。

当用户i状态为老用户时，由于用户频繁访问网站用户的f指标值fi小于分界值f′(fi<f′)，由于用户一直活跃在网站中用户的l指标值li大于分界值l′(li>l′)。

当用户i状态为流失的老用户时，由于用户近期不再活跃用户的f指标值fi大于分界值f′(fi>f′)，由于用户曾经有一段很长的时间活跃在网站中用户的l指标值li大于分界值l′(li>l′)。

利用网络流量分析模型frlt中的用户最后一次访问距现在的时间长度f和最后一次访问的时间长度l，构建用户生命周期笛卡尔坐标，如图5所示，通过由f和l构建的户生命周期笛卡尔坐标，可以全面的展示用户的整个生命周期并进行进一步分析。

接下来将用户主题数据导入用户生命周期笛卡尔坐标，应用多层分析方法分析网络流量分析模型frlt中用户生命周期的分界点，确定用户生命周期分析结果；其中，用户生命周期分析结果，包括：一一对应的用户最后一次访问距现在的时间长度f、最后一次访问的时间长度l、用户类型、用户特点和管理策略。

如表1所示，将用户生命周期分析结果中的用户最后一次访问距现在的时间长度f、最后一次访问的时间长度l、用户类型、用户特点和管理策略分别列出，形成按用户生命周期对用户分类表：

表1

图6为本发明实施例一种网络流量多维运营分析方法的用户价值笛卡尔坐标，如图6所示，具体实施本发明实施例提供的一种网络流量多维运营分析方法时，在一个实施例中，前述的根据用户主题数据和网络流量分析模型frlt，分析用户价值，包括：

利用网络流量分析模型frlt中的用户访问的频率r和用户访问的平均时长t，构建用户价值笛卡尔坐标；

将用户主题数据导入用户价值笛卡尔坐标，使用k均值聚类法对访问用户的价值特征进行划分，划分每个用户的行为表征和总体价值，确定用户价值分析结果；其中，用户价值分析结果，包括：一一对应的用户访问的频率r、用户访问的平均时长t、用户类型、用户特点和管理策略。

实施例中，frlt模型的另一个维度是可以对用户的价值进行分析，我们可以通过用户的r(rate)和t(time)对用户的价值和粘性进行更进一步的分析。在用户的价值分析中，用户的价值不同，所对应的r(rate)、t(time)指标值显著不同，为了更好的划分用户我们设定r′和t′做为用户价值划分的分界值。

当用户i价值为一般用户时，由于网站对用户粘性不大，用户的r指标值ri小于分界值r′(ri<r′)，用户的t指标值ti小于分界值t′(ti<t′)。

当用户i价值为活跃轻度用户时，由于用户虽然活跃但是对网站认可度不高，用户的r指标值ri大于分界值r′(ri>r′)，用户的t指标值ti小于分界值t′(ti<t′)。

当用户i价值为沉默重度用户时，由于用户对网站部分功能认可但不活跃，用户的r指标值ri小于分界值r′(ri<r′)，用户的t指标值ti大于分界值t′(ti>t′)。

当用户i价值为核心用户时，由于网站对用户粘性很大，用户对网站极为认可，用户的r指标值ri大于分界值r′(ri>r′)，用户的t指标值ti大于分界值t′(ti>t′)。

利用网络流量分析模型frlt中的用户访问的频率r和用户访问的平均时长t，构建用户价值笛卡尔坐标，如图6所示，通过由r和t构建的用户价值笛卡尔坐标，可以全面的展示用户的价值并进行进一步分析；

接下来将用户主题数据导入用户价值笛卡尔坐标，使用k均值聚类法对访问用户的价值特征进行划分，划分每个用户的行为表征和总体价值，确定用户价值分析结果；其中，用户价值分析结果，包括：一一对应的用户访问的频率r、用户访问的平均时长t、用户类型、用户特点和管理策略。

如表2所示，将用户价值分析结果中的用户访问的频率r、用户访问的平均时长t、用户类型、用户特点和管理策略分别列出，形成按用户价值对用户分类表：

表2

具体实施本发明实施例提供的一种网络流量多维运营分析方法时，在一个实施例中，前述的根据用户生命周期和用户价值分析结果，对用户进行划分，确定多个用户分类，包括：

将用户生命周期分析结果中一一对应的用户最后一次访问距现在的时间长度f、最后一次访问的时间长度l、用户类型、用户特点和管理策略，以及用户价值分析结果中一一对应的用户访问的频率r、用户访问的平均时长t、用户类型、用户特点和管理策略进行对照，基于用户最后一次访问距现在的时间长度f、用户访问的频率r、用户第一次访问到最后一次访问的时间长度l和用户访问的平均时长t四项指标的不同数值，对用户进行划分，确定多个用户分类；其中，多个用户分类，包括：核心老用户，活跃轻度老用户，沉默重度老用户，一般老用户，流失的核心老用户，流失的活跃轻度老用户，流失的沉默重度老用户，流失的一般老用户，高价值新用户，活跃轻度新用户，沉默重度新用户，一般新用户，单次访问用户。

实施例中，通过上面对frlt模型用户生命周期和用户价值两个维度的展开，我们可以获得一个在生命周期、价值两个维度上多维分析结果。基于用户流量四个维度的数值不同可以将用户划分为13种类型。frlt模型多维流量划分表的具体情况如表3所示：

表3

通过对用户流量的划分我们可以将用户流量划分为不同的类型，进而针对不同的类型的用户采用不同的商业策略从而达到精准运营的目的。

具体实施本发明实施例提供的一种网络流量多维运营分析方法时，在一个实施例中，前述的对多个用户分类分别建立对应的运营推广策略，在实施例中，通过上面frlt模型对用户流量的分析，我们可以针对不同类型的用户采用不同运营策略：

策略1与传统策略相同，即争取留住核心用户，并对沉默重度用户、活跃轻度用户进行用户提升活动，对一般用户的投入最少。

策略2由于用户生命周期的不同，可以对新用户、老用户采用较少投入，对价值较高的流失老用户采用对应性的激活策略。

策略3当网站有新功能、新内容时，对高价值流失老用户进行推广效果会更好。而新用户和老用户由于近期登陆过网站可以不进行推送，避免重复推送引起用户反感。

策略4针对活跃轻度可以通过协同过滤技术将同类用户核心应用或内容推送该用户，从而增加用户粘性

策略5针对沉默重度用户，可以通过协同过滤可以通过协同过滤技术将同类用户周边应用或内容推送给该用户，从而让用户发现新的吸引点，从而让用户变得更加活跃。

通过实践发现frlt模型四个主要指标基本上涵盖了互联网流量的主要要素，用户可以根据业务需要选取部分要素进行分析，如使用f(fresh)、l(length)两个指标分析用户的生命周期，或者使用r(rate)和t(time)分析用户价值。

图7为运行本发明实施的一种网络流量多维运营分析方法的计算机装置示意图如图7所示，本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种网络流量多维运营分析方法。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行实现上述一种网络流量多维运营分析方法的计算机程序。

本发明实施例中还提供了一种网络流量多维运营分析装置，如下面的实施例所述。由于该装置解决问题的原理与一种网络流量多维运营分析方法相似，因此该装置的实施可以参见一种网络流量多维运营分析方法的实施，重复之处不再赘述。

图8为本发明实施例一种网络流量多维运营分析装置示意图，如图8所示，本发明实施例还提供一种网络流量多维运营分析装置，具体实施时可以包括：

数据获取模块801，用于获取用户主题数据；

网络流量分析模型frlt建立模块802，用于建立网络流量分析模型frlt；

用户生命周期和用户价值分析模块803，用于根据用户主题数据和网络流量分析模型frlt，分析用户生命周期和用户价值，确定用户生命周期和用户价值分析结果；

用户划分模块804，用于根据用户生命周期和用户价值分析结果，对用户进行划分，确定多个用户分类；

运营推广策略建立模块805，用于对多个用户分类分别建立对应的运营推广策略。

具体实施本发明实施例提供的一种网络流量多维运营分析装置时，在一个实施例中，前述的数据获取模块，具体用于：

通过埋点、业务库数据抽取和日志汇聚的方式将网络流量的用户信息进行抽取，确定抽取数据；

对抽取的数据进行清洗、转换，汇聚成用户主题数据；其中，用户主题数据，包括：用户信息，用户访问时长，用户登陆时间，用户登出时间，用户访问记录，用户访问渠道。

具体实施本发明实施例提供的一种网络流量多维运营分析装置时，在一个实施例中，前述的网络流量分析模型frlt建立模块，具体用于：

以用户最后一次访问距现在的时间长度f、用户访问的频率r、用户第一次访问到最后一次访问的时间长度l和用户访问的平均时长t为指标，建立网络流量分析模型frlt。

具体实施本发明实施例提供的一种网络流量多维运营分析装置时，在一个实施例中，前述的用户生命周期和用户价值分析模块，具体用于：

利用网络流量分析模型frlt中的用户最后一次访问距现在的时间长度f和最后一次访问的时间长度l，构建用户生命周期笛卡尔坐标；

将用户主题数据导入用户生命周期笛卡尔坐标，应用多层分析方法分析网络流量分析模型frlt中用户生命周期的分界点，确定用户生命周期分析结果；其中，用户生命周期分析结果，包括：一一对应的用户最后一次访问距现在的时间长度f、最后一次访问的时间长度l、用户类型、用户特点和管理策略。

具体实施本发明实施例提供的一种网络流量多维运营分析装置时，在一个实施例中，前述的用户生命周期和用户价值分析模块，具体用于：

利用网络流量分析模型frlt中的用户访问的频率r和用户访问的平均时长t，构建用户价值笛卡尔坐标；

将用户主题数据导入用户价值笛卡尔坐标，使用k均值聚类法对访问用户的价值特征进行划分，划分每个用户的行为表征和总体价值，确定用户价值分析结果；其中，用户价值分析结果，包括：一一对应的用户访问的频率r、用户访问的平均时长t、用户类型、用户特点和管理策略。

具体实施本发明实施例提供的一种网络流量多维运营分析装置时，在一个实施例中，前述的用户划分模块，具体用于：

将用户生命周期分析结果中一一对应的用户最后一次访问距现在的时间长度f、最后一次访问的时间长度l、用户类型、用户特点和管理策略，以及用户价值分析结果中一一对应的用户访问的频率r、用户访问的平均时长t、用户类型、用户特点和管理策略进行对照，基于用户最后一次访问距现在的时间长度f、用户访问的频率r、用户第一次访问到最后一次访问的时间长度l和用户访问的平均时长t四项指标的不同数值，对用户进行划分，确定多个用户分类；其中，多个用户分类，包括：核心老用户，活跃轻度老用户，沉默重度老用户，一般老用户，流失的核心老用户，流失的活跃轻度老用户，流失的沉默重度老用户，流失的一般老用户，高价值新用户，活跃轻度新用户，沉默重度新用户，一般新用户，单次访问用户。

综上，本发明实施例提供的一种网络流量多维运营分析方法和装置，包括：首先获取用户主题数据；然后建立网络流量分析模型frlt；接着根据用户主题数据和网络流量分析模型frlt，分析用户生命周期和用户价值，确定用户生命周期和用户价值分析结果；继续根据用户生命周期和用户价值分析结果，对用户进行划分，确定多个用户分类；最后对多个用户分类分别建立对应的运营推广策略。本发明实施例针对互联网行业用户访问流量提出网络流量多维运营分析方法，frlt模型相对于rfm模型能够更好的对网站、app流量价值进行多维度的分析，在建立frlt模型的基础之上，应用多层分析的方法来确定frlt模型中用户生命周期的分界点，在此基础上，使用k均值聚类法去对访问用户的价值特征进行划分，然后划分每个用户分类的行为表征和总体价值，并且针对每类用户提出了不同的运营推广策略，可以增加用户粘性、扩大用户访问量、延长用户访问时长。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。