本文主要是介绍校验用户画像的准确性,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
用户画像是数据运营的基础,也是做深度挖掘的一个不可或缺的模块。只有先打好画像基础,确保画像质量,后续的深挖行为才有突破的可能。
一. 用户画像开发中
1.1 Recall、Pecision、K-S、F1曲线、Roc曲线、Confusion Matrix、AUC
1.2 交叉验证
二. 用户画像上线后
三. 用户画像更新
3.1 用户回访
3.2 机制检测
在用户研究的课题中,用户画像是几乎每个公司都会去做的,浅层的包括统计类的:上月购买量,上周活跃天数等;深层的包括洞察类的:潜在需求偏好,生命周期阶段等;前者的校验简单,后者的校验需要通过一些特别的方式。本文就洞察类画像校验做一系列的梳理。
省略掉预处理设计的过程,画像校验的步骤主要集中在画像开发,画像上线,画像更新中,并且三个阶段中,每个阶段的校验方式不尽不同
一. 用户画像开发中
当我们所开发的用户画像是类似于用户的下单需求、用户的购车意愿、用户是否有注册意愿这一类存在历史的正负样本的有监督的问题,我们可以利用历史确定的数据来校验我们的画像准确性。比如,银行在设计用户征信的画像前,会有一批外部购买的坏样本和好样本,其实画像问题就转化为分类问题去解决评估了。
1.1 Recall、Pecision、K-S、F1曲线、Roc曲线、Confusion Matrix、AUC
针对这类问题,已经有较为成熟的理论基础,直接利用测试样本判断的准确程度判断画像是否准确
这张图是一张非常常见也是有效的来总结Recall、Pecision、Lift曲线、Roc曲线、Confusion Matrix的图。
FPR = FP/(FP + TN)
Recall=TPR=TP/(TP+FN)
Precision=TP/(TP+FP)
F1曲线:2
*
Precision*
Recall/(Precision+Recall)Roc曲线:TPR vs FPR,也就是Precision vs Recall
Auc:area under the roc curve ,也就是roc曲线下面的面积,积分或者投点法均可求解。
1.2 交叉验证
并不是所有画像都是有监督训练的画像,举个例子,用户的性别画像,是一个无监督的刻画,当你无法通过app端资料填写直接获取到的时候,你只能够通过其他数据特征的对用户进行分群。
首先,我们在总的数据集中筛选出所有关键影响特征,每次将筛选出的特征分为两块,测试特征训练特征,利用训练特征建立模型,再利用测试特征去判断模型是否合理(比如女鞋用户群的女鞋购买次数小于男性用户群,则次模型异常,删除),最后集成所有合理模型。
这样的逻辑中,我们将所有异常不合理的模型全部剔除,训练过程中就校验了用户画像的准确性。
二. 用户画像上线后
ABTest
不得不说,abtest是用户画像校验最为直观有效的校验方式。
用户分流模块:
一句话解释,就是A1=A2保证分配随机,A3好于A1+A2的效果检验画像是否准确?多准确?
三. 用户画像更新
3.1 用户回访
在画像刻画完成后,必然会存在画像优化迭代的过程,客服回访是非常常见且有效的方式。
比如,我们定义了一波潜在流失用户10万人,随机抽取1000人,进行回访,根据回访结果做文本挖掘,提取关键词,看消极词用户的占比;
(来源网络)
3.2 机制检测
再比如,我们定义了一波忠诚用户10万人,随机抽取100人,后台随机获取用户安装app的列表,看用户同类app的下载量数目的分布;
横轴为用户手机中同类竞品安装量的个数,纵轴为对应的随机抽样的100人中的个数。
- 人群1分布为忠诚用户画像最准确的,同类app下载量集中在1附近,定义的用户极为准确
- 人群2分布杂乱
- 人群3分布在下降量异常高的数值附近,定义人群不准确
用户画像是数据运营的基础,也是做深度挖掘的一个不可或缺的模块。只有先打好画像基础,确保画像质量,后续的深挖行为才有突破的可能。
这篇关于校验用户画像的准确性的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!