? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 用戶畫像系統(tǒng)應用

1 用戶信用等級分級

比如在銀行根據(jù)分級決定給用戶貸款的額度，以及貸款的時長，那么怎么對用戶分級呢？首先收集大量用戶的數(shù)據(jù)，包括基本屬性信息以及用戶在使用銀行的借記卡，信用卡等等。如果是運營商，用戶的入網(wǎng)時間，套餐是什么，每個·月的通話時長消耗流量等，以及整個行為的模式，另外歸屬地在哪。相關(guān)的消費記錄...這些都是自身業(yè)務能夠收集到的數(shù)據(jù)。

一般用聚類中的k-means聚類，這個用戶到底屬于哪一類，可能我們也不清楚，可以自動讓他分簇，同時要保證評估的效率，就可以用RF（隨機森林），就是有多個決策樹，把每個決策樹的結(jié)果求平均得到一個折中的值作為最后的結(jié)果。

2 大數(shù)據(jù)營銷當中的應用

在各大網(wǎng)站進程可以看到各種各樣的排行榜，比如顏值排行榜，吃貨排行榜等等，其實這些排行版就是根據(jù)不同類型的用戶不同商品消費的情況得到的。用戶偏好度是不斷變化，那么用戶偏好度的標簽就不斷變化，那么我們的模型也是需要不斷的更新，用戶畫像也是需要不斷的更新的。用戶偏好的標簽通常是通過搜索，瀏覽，購買等站內(nèi)行為計算的。也要考慮不同行為的·權(quán)重，比如購買的行為是需要掏錢的，代價非常高的，更能代表用戶的偏好，可以給更大的權(quán)重，如果瀏覽也是只是一時好奇。

3 用戶流失預警

用戶流失的模型：比如計算6月份可能流失的用戶，至少分析前3個月的行為數(shù)據(jù)，這個問題是屬于非常明確的分類問題，流失為0，不流失為1。這種問題所使用的訓練集是前3個月的數(shù)據(jù)，那么是使用怎么的數(shù)據(jù)呢？這些特征包括活躍度，登錄次數(shù)，消費次數(shù)等等只要是和主題相關(guān)的一切能采集到的數(shù)據(jù)都能作為用戶是否流式的特征·。經(jīng)過對這些特征的建模，轉(zhuǎn)換成特征向量，使用了分類算法，比如說邏輯回歸或GBRT（漸進梯度回歸樹）。預測出可能會流失用戶有針對的退出相關(guān)活動等

4 潛在用戶分析

通過特征分解，借助一些用戶畫像系統(tǒng)的流程進行建模進行預測。當建立了全量的用戶畫像庫后就可以輕松的分析用戶到底是不是我們潛在的用戶，然后分析出來了可以推薦給內(nèi)容提供商。以在應用中產(chǎn)生注冊，付費等的這樣用戶訓練成樣本，結(jié)合用戶特征進行模型訓練，從用戶畫像庫中帥選出潛在的用戶群體。這個用到的算法用非常簡單的Logic Regression邏輯回歸就可以了。

5 異常檢測與分析（離群點分析）

比如在金融中判斷用戶是不是欺詐。基于規(guī)則，依賴經(jīng)驗準確度第，更好的做法就是基于用戶畫像，基于全部的用戶畫像，基于模型用戶整個所以的行為包括基本的屬性信息

總結(jié)

以上是生活随笔為你收集整理的用户画像系统应用的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。