文件名称：深入理解用户画像-python使用梯度下降和牛顿法寻找rosenbrock函数最小值实例
文件大小：3.86MB
文件格式：PDF
更新时间：2024-07-18 23:03:53
用户画像 模型标签 spark项目 大数据项目 涛哥
2.4 深入理解用户画像 画虎不全反类汪，想要用好它，首先得深入理解用户画像。 不要想当然的归纳一个齐全完备的体系，却忽略了画像的核心价值：用户画像首先得是商业目的下 的用户标签集合。 下面以“流失用户”为例来探讨画像标签的设计； 现在运营按用户生命周期设立了几个标签，比如新用户、活跃用户、流失用户，这些标签当然够细 分。但它真的是一个好标签么？不是。 因为这些都是滞后性的。按流失用户的一般定义，往往是用户很长一段时间没有回应和行动，但是 都几个月没有响应了，哪怕知道是流失用户也于事无补。它有价值，但太滞后。 聪明的运营会设立一个新的标签：最近一次活跃距今天数，用户有六个月没有活跃，那么天数就是 180天。这个比单纯的流失用户标签好，能凭此划分不同的距今天数，设立 30天，90天，180天的 时间节点。 距今天数也不是最好的。用户有差异，同样两个用户 A和 B，哪怕不活跃天数相同，我也不能认为 它们的流失可能性相等。该问题在低频场景更凸显，旅游 APP，半年没有活跃也是正常的，此时距 今天数力有未逮。 回过头看流失用户，我们定义它，不是为了设立一个高大上的系统。任何企业，肯定一开始就希望 流失用户越少越好，其次才是如何挽回。这种业务前提下，预防性的减少流失用户比已经流失的标 签更重要。 所以最好的标签是用户流失概率，流失概率 （优于） 距今消费天数 （优于） 流失标签。 猜用户是男是女，哪里人，工资多少，有没有谈恋爱，喜欢什么，准备剁手购物吗？探讨这些是没 有意义的。 是男是女如何影响消费决策，工资多少影响消费能力，有没有谈恋爱会否带来新的营销场景，剁手 购物怎么精准推荐，这些才是用户画像背后的逻辑。 不是我有了用户画像，便能驱动和提高业务。而是为了驱动和提高业务，才需要用户画像。这是很 容易犯的错误。 用户画像的标签一般通过两种形式获得： 基于已有数据或者一定规则统计加工，流失标签和距今天数皆是。 另外一种是基于已有的数据计算概率模型，会用到机器学习和数据挖掘。 概率是介于 0~1之间的数值。拿性别举例，除非能直接获取用户的身份证信息，用户很少会填写性 别，填写的性别也不一定准确，网游中性别为女的扣脚大汉一抓一大把呢。 这里就要增加一层推断用户真实性别的算法。中国人的性别和名字是强相关，建国建军，翠花翠 兰，很容易判断。算法中常用贝叶斯，通过已有的姓名性别库预测新加入的用户性别。 特殊情况下，不少姓名是中性，男女不辩。像晓晶，可男可女。更特殊的情况，看上去是男性的名 字，也有可能是女性，我的初中老师就叫建军，然而是个和蔼可亲的小姐姐。 特殊情况意味着特殊的概率，所以不能用非此即彼的二分法。所谓概率，它更习惯告诉你，通过模 型推断，建军有 95%的可能是男性姓名，表示为 0.95;晓晶有 55%的可能是男性，表示为 0.55。