用戶畫像是數據運營的基礎，也是做深度挖掘的一個不可或缺的模塊。只有先打好畫像基礎，確保畫像質量，后續的深挖行為才有突破的可能。

一. 用戶畫像開發中
? ??1.1 Recall、Pecision、K-S、F1曲線、Roc曲線、Confusion Matrix、AUC
? ? 1.2??交叉驗證
二. 用戶畫像上線后
三. 用戶畫像更新
? ? 3.1 用戶回訪
? ? 3.2 機制檢測

---

在用戶研究的課題中，用戶畫像是幾乎每個公司都會去做的，淺層的包括統計類的：上月購買量，上周活躍天數等；深層的包括洞察類的：潛在需求偏好，生命周期階段等；前者的校驗簡單，后者的校驗需要通過一些特別的方式。本文就洞察類畫像校驗做一系列的梳理。

省略掉預處理設計的過程，畫像校驗的步驟主要集中在畫像開發，畫像上線，畫像更新中，并且三個階段中，每個階段的校驗方式不盡不同

一. 用戶畫像開發中

當我們所開發的用戶畫像是類似于用戶的下單需求、用戶的購車意愿、用戶是否有注冊意愿這一類存在歷史的正負樣本的有監督的問題，我們可以利用歷史確定的數據來校驗我們的畫像準確性。比如，銀行在設計用戶征信的畫像前，會有一批外部購買的壞樣本和好樣本，其實畫像問題就轉化為分類問題去解決評估了。

1.1 Recall、Pecision、K-S、F1曲線、Roc曲線、Confusion Matrix、AUC

針對這類問題，已經有較為成熟的理論基礎，直接利用測試樣本判斷的準確程度判斷畫像是否準確

這張圖是一張非常常見也是有效的來總結Recall、Pecision、Lift曲線、Roc曲線、Confusion Matrix的圖。

FPR = FP/(FP + TN)

Recall=TPR=TP/(TP+FN)

Precision=TP/(TP+FP)

F1曲線:2*Precision*Recall/(Precision+Recall)

Roc曲線：TPR vs FPR，也就是Precision vs Recall

Auc：area under the roc curve ，也就是roc曲線下面的面積，積分或者投點法均可求解。

1.2??交叉驗證

并不是所有畫像都是有監督訓練的畫像，舉個例子，用戶的性別畫像，是一個無監督的刻畫，當你無法通過app端資料填寫直接獲取到的時候，你只能夠通過其他數據特征的對用戶進行分群。

首先，我們在總的數據集中篩選出所有關鍵影響特征，每次將篩選出的特征分為兩塊，測試特征訓練特征，利用訓練特征建立模型，再利用測試特征去判斷模型是否合理（比如女鞋用戶群的女鞋購買次數小于男性用戶群，則次模型異常，刪除），最后集成所有合理模型。

這樣的邏輯中，我們將所有異常不合理的模型全部剔除，訓練過程中就校驗了用戶畫像的準確性。

二. 用戶畫像上線后

ABTest

不得不說，abtest是用戶畫像校驗最為直觀有效的校驗方式。

用戶分流模塊：

一句話解釋，就是A1=A2保證分配隨機，A3好于A1+A2的效果檢驗畫像是否準確？多準確？

三. 用戶畫像更新

3.1 用戶回訪

在畫像刻畫完成后，必然會存在畫像優化迭代的過程，客服回訪是非常常見且有效的方式。

比如，我們定義了一波潛在流失用戶10萬人，隨機抽取1000人，進行回訪，根據回訪結果做文本挖掘，提取關鍵詞，看消極詞用戶的占比；

（來源網絡）

3.2 機制檢測

再比如，我們定義了一波忠誠用戶10萬人，隨機抽取100人，后臺隨機獲取用戶安裝app的列表，看用戶同類app的下載量數目的分布；

橫軸為用戶手機中同類競品安裝量的個數，縱軸為對應的隨機抽樣的100人中的個數。

• 人群1分布為忠誠用戶畫像最準確的，同類app下載量集中在1附近，定義的用戶極為準確
• 人群2分布雜亂
• 人群3分布在下降量異常高的數值附近，定義人群不準確

用戶畫像是數據運營的基礎，也是做深度挖掘的一個不可或缺的模塊。只有先打好畫像基礎，確保畫像質量，后續的深挖行為才有突破的可能。

總結

以上是生活随笔為你收集整理的校验用户画像的准确性的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。