1700501675
反过来说，如果用户特征分析的商业目的很难用预测模型的目标变量来定义，那么就无法借鉴预测模型的思路和做法了。比如，用户特征分析中的商业目的是针对某产品的试用用户群体进行群体细分，找出明显特征区别的细分群体，因为试用用户是随机产生的，不是从一个特定群体里通过某种运营或机制产生的，所以在这个业务场景中，是无法找到合适的目标变量来尝试预测模型的思路和做法的。在类似的业务场景中，进行用户特征分析时就只能想其他的方法了。
1700501676
1700501677
1700501678
1700501679
1700501681
数据挖掘与数据化运营实战：思路、方法、技巧与应用 11.2.6 假设检验的应用
1700501682
1700501683
假设检验作为现代统计学的基础知识，在数据分析挖掘中占有非常重要的基础地位，本书在第12章将对假设检验进行比较深入的讲解，所以本章就不再深入介绍其原理和具体技术了。
1700501684
1700501685
通过假设检验来筛选有显著性差异的核心变量，是用户特征分析应用中选择特征字段的一个有效方法。但是，这种方法需要数据分析师对于业务和数据非常了解，能从众多的数据字段中比较有效地发现、提炼出为数不多的那些最可能是有显著性区别的核心字段，这些核心字段能够显著区别不同群体的典型特征，然后对这些潜在的重点字段通过假设检验去一一验证，看是否真的是可以显著区分不同群体。
1700501686
1700501687
1700501688
1700501689
1700501691
数据挖掘与数据化运营实战：思路、方法、技巧与应用 11.3 特征提炼后的评价体系
1700501692
1700501693
用户特征分析的结论（典型特征）出来之后，在落地应用之前，数据分析师自己需要对分析结论做基本但是却很重要的评估。虽然说落地应用的效果跟踪是最重要的评估方法，但是为了避免资源浪费，也为了在前期有个初步的评价和过滤，数据分析师自己可以采用以下评价体系（思路）对分析结论进行基本的评估：
1700501694
1700501695
❑结论（典型特征）是否与当初的分析需求（商业目标）相一致。很多时候，随着分析的深入，分析方向有可能逐渐偏离原定的商业目标，由于数据、变量的不断增减，或者新的发现更吸引人等原因，导致数据分析师需要经常检视当前的进度或者结论是否与当初的分析需求相一致。
1700501696
1700501697
❑结论是否容易被业务方理解，是否容易特征化。结论在业务中的可理解性和易解释性是数据分析挖掘成果能否得到有效落地应用的关键因素之一，因为数据化运营是多个团队协同的工作，不是数据分析团队单打独斗可以包办的，如果结论不容易被业务方理解和认同，是谈不上在业务方有效落地应用的。这一点不仅适用于用户特征分析的结论，还适合所有的数据分析挖掘课题结论和课题成果。
1700501698
1700501699
❑通过这些主要结论来圈定的客户基数是否足够大，是否可以满足特定运营活动（运营方案）的基本数量要求。有时候，某些特征看上去非常显著，转化率也非常高，但是符合这些特征条件的潜在用户数量太少，这样的特征也是没有商业价值的，因为其难以产生规模化的商业效益。
1700501700
1700501701
❑结论是否方便业务方开发出有效的个性化的运营方案。用户特征分析的目的是为了有效支持精细化运营，如果根据特征结论，业务方很难开发出有效的运营方案，这样的分析结论也是没有业务应用价值的。举例来说，如果对于续费客户的特征分析结论是在线成交次数月均在3次以上的用户，有85%的续签可能性，看上去这个特征非常明确，并且转化率也很诱人，但是这样的结论对于运营方来说没有什么价值。主要原因就在于，这里的特征——月均在线成交3次以上，并不是运营方单方面的努力或者卖家单方面的努力可以达到的，基于这个特征是无法制定有效的个性化运营方案的。相反，如果对于续费客户的特征分析结论是类似月均在线天次在25天次以上，且月均主动跟陌生买家聊天数量为50个买家，有64%的续签可能性，这样的结论就很容易为业务方理解，也很容易据此制定出相应的个性化运营方案了。这时，就可针对续签概率中等的用户群体，即月均在线天次和聊天数量低于上述阀值的群体，制定有针对性的运营方案，鼓励、促进他们提升在线天次，主动跟更多的陌生访客聊天，甚至采用一些技术手段来协助，通过这些努力加上卖家自身的改进，就可以比较显著地提升卖家在线交易成功率了，从而可以比较有效地提供这个细分用户群体的续费转化率。
1700501702
1700501703
如果经过数据分析师的自我评估，发现不能满足上述要求，那这个分析结论很可能需要重新修正；如果基本上能满足相关要求，这个分析结论就可以为业务方进行后期落地应用给予指导了。
1700501704
1700501705
1700501706
1700501707
1700501709
数据挖掘与数据化运营实战：思路、方法、技巧与应用 11.4 用户特征分析与用户预测模型的区别和联系
1700501710
1700501711
在数据化运营的商业实践中，有相当数量的用户特征分析是为了寻找特定人群，比如付费用户的特征分析、续费用户的特征分析、网站高活跃度用户的特征分析等，都是希望通过准确的核心字段和阀值的过滤，来发现大量的潜在付费用户、潜在续费用户、潜在网站高活跃度用户，等，类似这种寻找特定人群的用户特征分析对业务方的作用就跟预测响应（分类）模型应用对业务方的作用很相似，都是为了帮助业务方更好锁定（圈定）潜在的目标用户。另外，在11.2.5节也提到了当商业目的一致时，预测（响应）模型的思路和技术是可以借鉴到用户特征分析的核心变量筛选工作中的，但是两者还是有一些区别的，两者的区别如下：
1700501712
1700501713
❑业务方对两者的精度要求不同。相对于用户预测模型来说，用户特征分析的结论精度要求没有那么高，这从两者的产出物就可以看得很清楚。另外，用户分类（预测、响应）模型通常是在前期的用户特征分析基础上进行的，只是分析和挖掘时更加细致、更为聚焦而已，由此也可以看出，其精度要求一定比前期的用户特征分析更高些。
1700501714
1700501715
❑两者的产出物不同。用户分类（预测、响应）模型可以针对每个单独的观察值进行预测概率的赋值，打分后的用户群体可以进行以预测概率来排序的任何细分群体的分割；而用户特征分析更多的是从每个细分群体的整体精度来进行评价和应用，一般来说，通过用户特征分析得到的细分群体是不进行更进一步的细化分割的。
1700501716
1700501717
❑两者在企业的数据化运营实践中通常有先后顺序的区别。在企业的数据化运营实践中，常常会先进行用户特征分析，然后根据特征分析的结论进行逐渐深入的数据化运营，之后在不断积累的数据和对用户逐渐深入了解的基础上，再进行用户分类（预测、响应）模型的相关实践。
1700501718
1700501719
1700501720
1700501721
1700501723
数据挖掘与数据化运营实战：思路、方法、技巧与应用 11.5 用户特征分析案例
1700501724
[
上一页 ]
[ :1.700501675e+09 ]
[
下一页 ]