做者：秦路算法
原文很长，干货不少，为了便于理解，我把文章拆分为了三期微信
今天介绍第二期：正确使用用户画像机器学习
用户画像首先是基于业务模型的。业务部门连业务模型都没有想好，数据部门只能巧妇难为无米之炊。数据部门也别关门造车，这和作产品同样，连用户需求都没有理解透彻，匆匆忙忙上线一个APP，结果无人问津。工具
理解消费者的决策，考虑业务场景，考虑业务形态，考虑业务部门的需求…这些概念说得很虚，可是一个好的用户画像离不开它们。本文没有说数据、模型和算法，是我认为，它们比技术层面更重要。学习
咱们从一个故事开始设立用户画像吧。spa
老王是一家互联网创业公司的核心人员，产品主营绿色健康沙拉，老王和绿色比较搭嘛。这家公司推出了APP专卖各式各样的沙拉，如今须要创建用户画像指导运营。.net
公司现阶段在业务层面，更关注营销和销售：如何将沙拉卖得更好。3d
下图是老王简单梳理的运营流程。code
老王将顾客按是否购买过沙拉，划分红潜在用户和新客。潜在用户是注册过APP但尚未下单，新客是只购买过一次沙拉的用户，除此之外还有老客，即消费了两次及以上的人群。orm
为了便于你们理解，我用JSON格式表示一个简易的用户画像。
为何独立出新客标签？由于老王的沙拉针对未消费用户会有新人红包引导消费，万事开头难。这也带来新客一次后再也不消费的问题，因此须要潜在、新客、老客的划分。
做为一个有追求的运营人员，划分老客也是不够，这里继续用户分层。
传统的分层用RFM三个维度衡量，沙拉的客单价比较固定，F和M取一个就够用了。老王如今计算不一样消费档次的用户留存度差别，譬如某时间段内消费达XX元的用户,在将来时间段是否依旧消费。
RFM模型是衡量客户价值和客户创利能力的重要工具和手段
最近一次消费 (Recency)
消费频率 (Frequency)
消费金额 (Monetary)
沙拉这类餐饮是高频消费，XX应该选择一个较窄的时间窗口，统计365天内的消费意义不大。还有一点须要注意的是，沙拉不一样季节的销量是有差别的，冬天沙拉确定卖的不如夏天，要综合考虑消费分布。
这里姑且定义，30天内消费200元以上为VIP用户。老王的生意若是特别好，也能够继续划分超级VIP。这种标签每每配合业务，譬如VIP有赠送饮料，优先配送的权益。非VIP人群，也须要激励往VIP发展。
画像的人口统计属性，老王靠用户填写订单上的收货人姓名搞定。籍贯年龄这几个，对沙拉生意没有特别大的帮助，难道为四川籍用户提升麻辣沙拉？
用户地址，能够经过收货地设立规则判断，好比某个地址出现X次，能够将其认为经常使用地地址。再依据送货地在写字楼仍是学校，推算用户是白领仍是学生。
老王针对不一样属性的人群，采起了特殊的运营策略。像学生群体，由于7,8月份是暑假，因此老王提早预估到校园地区的销售额降低。当9月开学季，又能对返校学生进行召回。
白领相关的群体，更关注消费体验，对价格敏感是次要的。若是平台女用户的消费占比高，老王就主打减肥功能的沙拉，而且以包月套餐的形式提升销量。
以一家沙拉店来看，老王的用户画像已经不错了，但他仍是焦头烂额，由于用户流失率开始上升。用户流失有各类各样的缘由：对手老李沙拉的竞争、沙拉的口味、用户以为性价比不高、老王不够帅等。
流失是一个老大难的预测问题。老王对流失用户的定义是30天没有消费。想要准确预测，这里得尝试用机器学习建模，技术方面先这里略过。所谓建模，最好要找到用户开始不消费的时间点以前的关键因素，但是是行为，能够是属性。
用户历史窗口内消费金额少，有可能流失；用户历史窗口内消费频次低，有可能流失；用户历史窗口内打开APP次数少，有可能流失；用户给过差评，有可能流失；用户等餐时间长，有可能流失；用户的性别差别，有可能流失；餐饮的季度因素，有可能流失…
老王依据业务，挑选了可能影响业务的特征，提交给数据组尝试预测流失。须要注意的是，这些用户行为不能反应真实的状况。你们不妨想一下，流失用户的行为，是否是一个动态的变化过程？
我曾经消费过不少次，可是忽然吃腻了，因而减小消费次数，再以后不怎么消费，最终流失。单位时间段内的消费忠诚度是梯度降低的，为了更好的描述变化过程，将时间窗口细分红多个等距段。前30-20天、前20~10天、前10天内，这种切分比前30天内能够更好地表达降低趋势，也更好的预测流失。
从老王的思路看，所谓流失，能够经过用户行为的细节预判。机器学习的建模虽然依赖统计手段，也离不开业务洞察。这里再次证实，用户画像创建在业务模型上。
流失几率解决了老王的心头之患，经过提早发现下降流失用户。挽回流失推行一段时间后，老王发现虽然流失用户减小了，可是成本提升了，由于挽回用户也是要花钱的呀。亏本可不行，老王心头又生一计，他只挽回有价值的，那种拿了红包才消费的用户老王他不要了！老王要的是真爱粉。因而他配合消费档次区别对待，虽然流失用户的数量没有控制好，可是利润提升了。
上述的用户画像，没有一个标签脱离于业务以外。基于业务场景，咱们还能想象不少用户画像的玩法。沙拉有不一样的口味，蔬果鸡肉海鲜。用户的口味偏好，能够用矩阵分解、模糊聚类或者多分类的问题计算，也以0～1之间的数字表示喜爱程度，类似的，还有价格偏好，即价格敏感度。
再深刻想一下业务场景，若是某个办公地点，天天都有五六笔的订单，分属不一样的客户不一样的时间段，外卖小哥得送个五六次，对人力成本是多大的浪费呀。运营能够在后台分析相关的数据，以团购或拼单的形式，促成订单合并，或许销售额的利润会降低，可是外卖的人力成本也节约了。这也是用画像做为数据分析的依据。
老王的运营故事说完了，如今对用户画像的创建有一套想法了吧。
本文分享自微信公众号 - SQL数据分析（dianwu_dw）。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。