国产精品久久无码一区-精品国产偷窥一区二区-欧亚欧洲码国产-欧美乱人伦人妻中文字幕-国产av无码国产av毛片

開搶了！雙11創業者優選服務！

我們經常談論的用戶精細化運營，到底是什么?簡單來講，就是將網站的每個用戶標簽化，制作一個屬于他自己的網絡身份證。

然后，運營人員通過身份證來確定活動的投放人群，圈定人群范圍，更為精準的用戶培養和管理。

當然，身份證最基本的信息就是姓名、年齡和性別。與現實不同的是，網絡上用戶填寫的資料不一定完全準確，還需要進行進一步的確認和評估。

下面我來介紹一下具體的識別思路。

一、用戶畫像需要的數據

用戶平時在電商網站的購物行為、瀏覽行為、搜索行為，以及訂單購買情況都會被記錄在案，探查其消費能力，興趣等。數據歸類后，一般來講，可以通過三類數據對用戶進行分群和定義。

1、用戶信息

社會特征：馬克思的人性觀把人分為社會屬性和自然屬性。社會特征主要指的是人在社會上的階級屬性，當然也包括服從性、依賴性或者自覺性等，這是人類發展的必然的基本要求。

自然特征：也可以說成是人的生物性，通常來講可以是食欲，物欲或者購買欲，自我保存能力。但不同人會有不同的自然特征，比如學習能力和邏輯思維等。

興趣特征：對于電商來講，主要是對某件商品，某個品牌或者品類的興趣程度，如加購、瀏覽、收藏、搜索和下單行為。

消費特征：消費能力的評估，消費傾向的評估，能夠判斷用戶的消費層級，是高消費力還是低消費力。

2、商品

商品屬性：基本信息，品類，顏色尺碼型號等。

商品定位：商品層級，是否為高中低端，商品類型傾向于哪類客戶，區域或者其他的特征。

最后通過以上的信息來獲取用戶信息，判斷其具體的畫像特征，然后得到類似于醬紫的網絡身份證。

通常，拿到數據后，我們會將每個環節進行拆解，落實到具體的行動策略上。大體可以根據以下流程進行模型的預估：

業務目標：精準投放——針對已有產品，尋找某性別偏好的精準人群進行廣告投放。

技術目標：對用戶購物性別識別——男性，女性，中性。

解決思路：選擇一種分類算法，建立spark模型，對模型進行應用。

線上投放：對得到的數據進行小范圍內的測試投放，初期不宜過大擴大投放范圍。

效果分析：對投放的用戶進行數據分析，評估數據的準確性。若不夠完美，則需要重新建模和測試。

二、產品如何理解建模過程

重點來了，雖然能夠通過用戶的行為、購買和興趣數據，了解用戶的基本信息，但是仍然不清楚如何建模?用什么語言建模?

其實，購物性別的區分使用的是spark，但是spark也有很多分類，包含邏輯回歸，線性支持向量機，樸素貝葉斯模型和決策樹。那么，又該如何選擇呢?

其中，決策樹的優點較多，主要是其變量處理靈活，不要求相互獨立。可處理大維度的數據，不用預先對模型的特征有所了解。對于表達復雜的非線性模式和特征的相互關系，模型相對容易理解和解釋。看起來決策樹的方法最適合區分性別特征了，所以決定用決策樹進行嘗試。

什么是決策樹?簡單來講，是通過訓練數據來構建一棵用于分類的樹，從而對未知數據進行高效分類。可以從下面的圖了解決策樹的工作原理。

構造決策樹的步驟為：

起始階段，所有歷史數據當作一個主節點;

我們選擇某個屬性測試條件用于分割節點，以擇偶標準模型為例，把長相作為首節點;

將長相節點分割，以帥和丑作為條件，導致的結果作為其子節點，如分割成牽手和是否公務員;

對子節點，如牽手和是否公務員，繼續執行第2、3步，直到節點滿足停止分割的條件。

通過訓練數據來構建一棵用于分類的樹，從而對未知數據進行高效分類。

以上步驟中，能夠得出一個結論，在構建決策樹的過程中，最重要的是如何找到最好的分割點。決策樹值得注意的問題是過擬合問題，整個算法必須解決「如何停止分割」和「如何選擇分割」兩個關鍵問題。

最簡單的做法就是設定樹的深度或枝葉的最少樣本量。但是，過少的樣本量又不具有代表性，所以一般情況，可以使用交叉驗證的方法。交叉驗證就是可以使用一部分數據用于模型的訓練，另一部分數據可以用來評估模型的性能。業內常用的劃分方法是講樣本進行50/50分，60/40分或者80/20分。

三、模型確立過程

在建模前期，首要考慮的事情就是先確定指標，以及對樣本的定義。購物性別指的是什么?通過哪些數據來確定購物性別，樣本的準確性，如何驗證數據的可信度等。

四、購物性別的定義

先看下圖，具體的邏輯可從圖中查看。一般來講，用戶填寫的資料不一定真實，我們對他/她的性別數據持懷疑態度，所以，就需要其他數據進行輔助證明其性別。

訂單數據能夠真實反映用戶的購買心態，預測購買行為，并且能夠通過購買商品的所屬類別，判斷用戶的購買傾向，最后得到性別特征類目。不過本文就不展開探討甄別特征類目的區分方法了。

根據數據結果，最終，確認了購物性別的定義。分為：

購物性別男：N月購買的男性特征類目子下單數> N月購買的女性特征類目子下單數;

購物性別女：N月購買的男性特征類目子下單數> N月購買的女性特征類目子下單數;

購物性別中性：未下單男女特征類目。

N需要具體根據業務場景來定。

五、建模數據準備過程

本節是具體的操作過程，模型的實操階段。一般來講，不同模型的訓練其實大體雷同。從技術上來講，各家算法大多使用spark，不同點是所運算的模型都是針對于場景來定的。

在全部樣本中，取80%的數據用于訓練模型;

在全部樣本中，取20%的數據用戶數據測試。

這種方式可以更好的根據數據的規模，提高模型的準確性。

六、模型效果分析

根據各類參數的評估結果，以及人工經驗選定的模型參數，建立模型。值得注意的是，決策樹的深度不要過深，以防止過擬合的問題：

行業內當前采用數據挖掘、機器學習和推薦系統中的評測指標：準確率(precision)、召回率(Recall)。準確率是應用最廣的數據指標，也很清晰易懂，以男性為例：

準確率=命中的男性用戶數量/所有預測男性數量，一般來講，準確率可以評估模型的質量，他是很直觀的數據評價，但并不是說準確度越高，算法越好。

召回率=命中的男性用戶數量/所有男性數量，反映了被正確判定的正例占總的正例的比重。

模型建立完后，需根據模型的結果與預期的對比，進行調優。

七、最后要說的

購物性別定義對于用戶精準營銷十分重要，疑難雜癥，對癥下藥，才能出現更好的療效。