基于大数据的用户行为预测
source link: https://mp.weixin.qq.com/s?__biz=MzU2MDc1MjcyMQ%3D%3D&mid=2247483848&idx=1&sn=089a03caf1eefb5f801446e9c21479d6&chksm=fc0270f6cb75f9e0da45859a29700e7bb1cb7801d535bce764309bd04d8291a581e844ee24b3&token=2353
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
基于大数据的用户行为预测
随着智能手机的普及和APP形态的愈发丰富，移动设备的应用安装量急剧上升。用户在每天使用这些APP的过程中，也会产生大量的线上和线下行为数据。这些数据反映了用户的兴趣与需求，如果能够被深入挖掘并且合理利用，可以指导用户的运营。若能提前预测用户下一步的行为，甚至提前得知用户卸载、流失的可能性，则能更好地指导产品的优化以及用户的精细化运营。
大数据服务商个推旗下的应用统计产品“个数”，可以从用户属性、使用行为、行业对比等多指标多维度对APP进行全面统计分析。除了基础统计、渠道统计、埋点统计等功能外，个数的一大特色能力是——可基于大数据进行用户行为预测，帮助运营者预测用户流失、卸载、付费的可能性，从而助力APP的精细化运营以及全生命周期管理。
开发者在实践的过程中，基于大数据进行用户行为预测会有两大难点：第一，开发者需要使用多种手段对目标问题进行分解；第二，数据在特定的问题上会有不同的表现。
“个数”利用数据分析建模，对用户行为进行预测的大概流程包括以下几点：
目标问题分解（1）明确需要进行预测的问题；
（2）明确未来一段时间的跨度。
分析样本数据（1）提取出所有用户的历史付费记录，这些付费记录可能仅占所有记录的千分之几，数据量会非常小；
（2）分析付费记录，了解付费用户的构成，比如年龄层次、性别、购买力和消费的产品类别等；
（3）提取非付费用户的历史数据，这里可以根据产品的需求，添加条件、或无条件地进行提取，比如提取活跃并且非付费用户，或者不加条件地直接进行提取；
（4）分析非付费用户的构成。
构建模型的特征（1）原始的数据可能能够直接作为特征使用；
（2）有些数据在变换后，才会有更好的使用效果，比如年龄，可以变换成少年、中年、老年等特征；
（3）交叉特征的生成，比如“中年”和“女性”两种特征，就可以合并为一个特征进行使用。
计算特征的相关性（1）计算特征饱和度，进行饱和度过滤；
（2）计算特征IV、卡方等指标，用以进行特征相关性的过滤。
选用相关的模型进行建模（1）选择适当的参数进行建模；
（2）模型训练好后，统计模型的精确度、召回率、AUC等指标，来评价模型；
（3）如果觉得模型的表现可以接受，就可以在验证集上做验证，验证通过后，进行模型保存和预测。
加载上述保存的模型，并加载预测数据，进行预测。
最后，运营人员还需要对每次预测的结果进行关键指标监控，及时发现并解决出现的问题，防止出现意外情况，导致预测无效或预测结果出现偏差。
以上就是“个数”对用户行为进行预测的整体流程。总的来说，分析和建模的关键在于大数据的收集和对大数据细节的处理。在进行用户行为预测的整个过程中，可供技术人员选择的方法和模型都有很多，而对于实际的应用者来说，没有最好的选择，只有更合适的选择。
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK