如何用大数据做行为预测的？

“个数”是“个推”旗下面向 APP 开发者提供数据统计分析的产品。“个数”通过可视化埋点技术及大数据分析能力从用户属性、渠道质量、行业对比等维度对 APP 进行全面的统计分析。

“个数”不仅可以及时统计用户的活跃、新增等&＃xff0c;还可以分析卸载用户的成分、流向&＃xff0c;此外还能实现流失、付费等用户关键行为的预测&＃xff0c;从而帮助 APP 开发者实现用户精细化运营和全生命周期管理。其中很值得一提的是&＃xff0c;“个数”在“可视化埋点”及“行为预测”方面的创新&＃xff0c;为 APP 开发者在实际运营中带来了极大便利&＃xff0c;所以&＃xff0c;在下文中&＃xff0c;我们也将围绕这两点做详细的分析。

可视化埋点

埋点是指在产品流程的关键部位植入相关统计代码&＃xff0c;以追踪用户行为&＃xff0c;统计关键流程的使用程度&＃xff0c;并将数据以日志的方式上报至服务器的过程。

目前&＃xff0c;数据埋点采集模式主要有代码埋点、无埋点、可视化埋点等方式。

“代码埋点”是指在监控页面上加入基础 js&＃xff0c;根据需求添加监控代码&＃xff0c;它的优点是灵活&＃xff0c;可以自定义设置&＃xff0c;可以选择自己需要的数据来分析&＃xff0c;但对复杂网站来说&＃xff0c;每次修改一个页面就得重新出一份埋点方案&＃xff0c;成本较大。目前&＃xff0c;采用这种埋点方案的代表产品有百度统计、友盟、腾讯云分析、Google Analytics 等。

“可视化埋点”通常是指开发者通过设备连接用户行为分析工具&＃xff0c;直接在数据接入管理界面上对可交互且交互后有效果的页面元素&＃xff08;如&＃xff1a;图片、按钮、链接等&＃xff09;进行操作实现数据埋点&＃xff0c;下发采集代码生效回数的埋点方式。目前&＃xff0c;可视化埋点的代表产品有个数、Mixpanel、神策数据等。

“无埋点”与“全埋点”相似&＃xff0c;它的原理是“全部采集&＃xff0c;按需选取”&＃xff0c;也就是说它可以对页面中所有交互元素的用户行为进行采集&＃xff0c;它是先尽可能多收集检测页面的内容&＃xff0c;然后再通过界面配置决定分析哪些数据&＃xff0c;但它是标准化采集&＃xff0c;如果需要设置自定义的采集方式仍需要代码埋点助力。这种方案的代表产品有 GrowingIO、数极客、百度统计等。

“个数”为什么会选用可视化埋点&＃xff1f;

当下移动互联网正处于高速发展且发展形势瞬息万变的阶段中&＃xff0c;开发者需要及时根据大数据的分析、反馈&＃xff0c;对业务功能等做出调整&＃xff0c;在传统的操作模式中&＃xff0c;如果想要了解不同节点的数据&＃xff0c;就要修改相应代码里面的埋点&＃xff0c;然后测试发布&＃xff0c;之后再在应用商店审核、上线&＃xff0c;整个周期可能长达几个星期&＃xff0c;这显然无法满足业务的需求。所以&＃xff0c;“个数”采用的“可视化埋点”技术就是为了帮助开发者解决这个问题的。

“个数”的可视化埋点灵活、方便&＃xff0c;不需对数据追踪点添加任何代码&＃xff0c;使用者只需要通过设备连接管理台&＃xff0c;对页面可埋点的元素圈圈点点&＃xff0c;即可添加随时生效的界面追踪点&＃xff0c;同时在数据采集模式及数据分析能力上&＃xff0c;“个数”能够提供给开发者们准确的、有效的数据。

可视化埋点主要具有以下特性&＃xff1a;

• 零代码&＃xff0c;无需代码&＃xff0c;节省成本
• 免更新&＃xff0c;新增便捷&＃xff0c;无需升级
• 易测试&＃xff0c;圈选测试&＃xff0c;实时呈现

换而言之&＃xff0c;可视化埋点不仅可以节约企业成本&＃xff0c;还可以提高开发人员和运营人员的工作效率。

行为预测

“个数”的行为预测主要包括流失预测、卸载预测、付费预测等&＃xff0c;它的原理是基于 App 历史行为数据构建算法模型预测用户关键行为&＃xff0c;从而帮助开发者达到用户精细化运营和全生命周期管理的目的。

在这里需要注意的是&＃xff0c;“个数”的行为预测与电商平台常用的个性化推荐不同&＃xff0c;后者主要是基于用户近期的行为&＃xff0c;如浏览记录、购买记录而分析出用户可能需要的东西&＃xff0c;而“个数”是基于 App 各渠道卸载数、卸载趋势等指标的综合分析&＃xff0c;更多的是对人群的聚类分析&＃xff0c;而非仅仅基于个人的行为。

行为预测的步骤

据“个推”大数据科学家朱金星介绍&＃xff0c;“个数”的行为预测主要分为以下几个步骤&＃xff1a;

1、找样本&＃xff0c;主要从历史数据库中抽取&＃xff1b;

2、特征抽取&＃xff0c;将用户与数据库打通&＃xff0c;做匹配&＃xff1b;

3、特征筛选&＃xff0c;保留相关性高的或有价值的特征&＃xff1b;

4、模型训练&＃xff0c;将保留下来的特征放到模型中训练&＃xff0c;在模型的选用上&＃xff0c;“个数”主要用了逻辑回归&＃xff0c;逻辑回归的模型相对深度学习等其他模型来说&＃xff0c;简单一些&＃xff0c;而且在特征筛选上相对好处理&＃xff0c;得到的结果好解释&＃xff0c;也相对稳定。

5、参数优化&＃xff0c;根据效果进行调整&＃xff0c;如果结果不理想&＃xff0c;即可返回调整参数重新走一次以上流程。

实例分析

下面我们以付费预测为例&＃xff0c;为大家梳理一下具体的实现过程。

个数付费预测的流程主要包括以下几点&＃xff1a;

1、目标问题分解

明确需要进行预测的问题即付费预测&＃xff0c;以及未来一段时间的跨度。

2、分析样本数据

&＃xff08;1&＃xff09;提取出所有用户的历史付费记录&＃xff1b;

&＃xff08;2&＃xff09;分析付费记录&＃xff0c;了解付费用户的构成&＃xff0c;比如年龄层次、性别、购买力和消费的产品类别等&＃xff1b;

&＃xff08;3&＃xff09;提取非付费用户的历史数据&＃xff0c;这里可以根据产品的需求&＃xff0c;添加条件、或无条件地进行提取&＃xff0c;比如提取活跃并且非付费用户&＃xff0c;或者不加条件地直接进行提取&＃xff1b;

&＃xff08;4&＃xff09;分析非付费用户的构成。

3、构建模型的特征

&＃xff08;1&＃xff09;原始的数据可能能够直接作为特征使用&＃xff1b;

&＃xff08;2&＃xff09;有些数据在变换后&＃xff0c;才会有更好的使用效果&＃xff0c;比如年龄&＃xff0c;可以变换成少年、中年、老年等特征&＃xff1b;

&＃xff08;3&＃xff09;交叉特征的生成&＃xff0c;比如“中年”和“女性”两种特征&＃xff0c;就可以合并为一个特征进行使用。

对大数据以及人工智能概念都是模糊不清的&＃xff0c;该按照什么线路去学习&＃xff0c;学完往哪方面发展&＃xff0c;想深入了解&＃xff0c;想学习的同学欢迎加入大数据学习qq群&＃xff1a;458345782&＃xff0c;有大量干货&＃xff08;零基础以及进阶的经典实战&＃xff09;分享给大家&＃xff0c;并且有清华大学毕业的资深大数据讲师给大家免费授课&＃xff0c;给大家分享目前国内最完整的大数据高端实战实用学习流程体系 。从java和linux入手&＃xff0c;其后逐步的深入到HADOOP-hive-oozie-web-flume-python-hbase-kafka-scala-SPARK等相关知识一一分享&＃xff01;

4、计算特征的相关性

&＃xff08;1&＃xff09;计算特征饱和度&＃xff0c;进行饱和度过滤&＃xff1b;

&＃xff08;2&＃xff09;计算特征 IV、卡方等指标&＃xff0c;用以进行特征相关性的过滤。

5、选用逻辑回归进行建模

&＃xff08;1&＃xff09;选择适当的参数进行建模&＃xff1b;

&＃xff08;2&＃xff09;模型训练好后&＃xff0c;统计模型的精确度、召回率、AUC 等指标&＃xff0c;来评价模型&＃xff1b;

&＃xff08;3&＃xff09;如果觉得模型的表现可以接受&＃xff0c;就可以在验证集上做验证&＃xff0c;验证通过后&＃xff0c;进行模型保存和预测。

6、预测

加载上述保存的模型&＃xff0c;并加载预测数据&＃xff0c;进行预测。

7、监控

最后&＃xff0c;运营人员还需要对每次预测的结果进行关键指标监控&＃xff0c;及时发现并解决出现的问题&＃xff0c;防止出现意外情况&＃xff0c;导致预测无效或预测结果出现偏差。

其他场景如流失预测、卸载预测等&＃xff0c;在流程上与付费预测类似&＃xff0c;所以在这里就不再一一介绍了。

有了精准的行为预测&＃xff0c;运营者则可以将运营目标进行拆分、细化&＃xff0c;具体到每个场景、每个流程&＃xff0c;针对不同用户采取不同的推广渠道、运营策略。例如基于流失预测&＃xff0c;运营者能够提前洞察到用户流失行为&＃xff0c;提早进行干预&＃xff0c;通过个性化内容推荐、消息推送等运营手段对即将流失的用户进行挽留&＃xff0c;从而降低流失率。总的来说&＃xff0c;在大数据行为预测的帮助下&＃xff0c;运营者能够更及时、更全面地了解用户&＃xff0c;从而达到精细化运营的目的。