视频一区二区欧美丨亚洲国产欧美动漫在线人成丨日本三级一区丨91新网站丨日韩草比丨亚洲综合色噜噜狠狠网站超清丨蜜桃无码一区二区三区丨久久99热婷婷精品一区丨久久久久黄色片丨国内激情自拍丨深夜在线网站丨国产精品1000夫妇激情啪丨julia中文字幕久久亚洲蜜臀丨视频h在线丨亚洲精品国产综合99久久夜夜嗨丨成人免费午夜性大片丨最新三级网站丨欧美激情视频在线播放丨午夜伦4480yy私人影院丨91在线视频导航

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。