上一篇共享算法模型失利的事例【不明白数据剖析的算法工程师，混得有多惨！】，激起了许多同学的共识，有同学识：“有没有用户画像项目失利的比方，也共享下。”
答：失利的用户画像项目，几乎作恶多端！一抓一大把。今日咱们体系解说一下。
1
用户画像失利的标志
当然，更一般的扑街办法，是刚开始做用户画像的时分，事务部分摇头摆尾的说：“咱们要根据用户画像，具体深化的了解用户，比方用户性别，年纪，地域，喜爱，消费习气，……这样咱们就能精细化决议计划了”。然后数据部分夯吃夯吃搞了几个月，打了30000个用户标签，还沾沾自喜的跟领导陈述：“咱们的用户画像大数据建造获得长足进步”。
然后项目第一期陈述会上，数据部分沾沾自喜的讲到：
咱们的用户男女比例6:4
华南地区占比30%，华东25%
购买A产品占比50%
我早知道了
咱们的用户都是这样的呀
你做这有啥用？
当然还有更惨的，便是你贴个“忠实用户”的标签，事务方说：哦，已然那么忠实，就不做啥动作了，成果丫下个月不消费也不登录了！你贴了“A产品爱用者”的标签，事务方推了A产品，丫没有买！事务方怒气冲冲找来算账：“这用户画像一点都不精准嘛！”所以项目完全凉凉。
2
用户画像项目失利的外表原因
问1：一个用户昨日买了苹果，前天买了苹果，大前天也买了苹果，他今日买不买苹果？
问2：一个用户买了酱油，鸡翅，可乐，请问他是否还需求买竹签去烧烤？
考虑一秒钟，不必考虑一秒钟，咱们都知道，答案是：不必定，不必定，不必定。接连买苹果，有或许代表他喜爱吃苹果，也有或许现已买了许多了所以不买了。买酱油+鸡翅+可乐，或许是去烧烤，也或许是做可乐鸡翅。曩昔的行为不等于未来的行为，未来的行为需求进行猜测。不管猜测的办法是根据事务逻辑的推理，仍是根据算法模型的核算，都需求经过数据剖析和实验验证。只需体现安稳的猜测办法，才干被采用。
可是做用户画像的时分，事务方常常混杂这两点。往往对着曩昔产生的行为贴一大堆标签，对未来猜测毫无概念，在猜测剖析上半点投入没有。看用户画像陈述，或许在CDP里设置推送规矩的时分，想当然地以为：曩昔买了今后也买。最终猜测禁绝，反而把锅甩给用户画像体系。成果天然悲惨剧。
问一个简略的问题：一个用户在曩昔30天内，有1天来咱们家购买产品，请问该用户是不是咱们的产品爱用者？如果有2天呢、3天呢、4天呢……如果有30天呢？30天里天天都来买，必定是爱用者了吧！
答：不必定。30天里天天都来买，你可以管他叫“高频购买者”，由于购买频率确实是很高。可是是不是人家很爱用咱们的产品，不必定，由于你并不知道他究竟爱不爱用，乃至不知道他用了没用。购买频次不能直接等同于用户喜爱。用户喜爱或许不喜爱，需求更多维度的数据进行剖析，而且剖析成果得有必定概率的安稳性，才干这么叫。
相似的，许多企业里，事务方和数据剖析师，对待这种“爱用者”等等名词运用十分随意、粗糙，基本上都是用消费金额、登录频次等等，高了就算“喜爱”、“爱用”，低了就算“边际”“测验”。做出来的成果，天然是毫无准确性可言。不必说，出了问题，比方引荐产品没有人买之类，又算在用户画像头上。
问：累计消费10000元以上的用户，都购买了5次以上，所以让用户购买5次，用户就会累计消费10000，对不对……当然不对呀。可是事务方常常这么干！拿着过往消费高的用户行为，往消费低的身上套，以为只需消费低的模拟了某个数字，就能成为消费高的。还没其名曰：“魔法数字”。很有或许从源头上，消费高的和消费低的便是两类人，应该经过深化的剖析搞清楚究竟驱动行为的原因是什么。
从外表上看，用户画像失利的原因，在于：重数据，轻剖析。过火投入精力细化现已产生的行为，贴了太多太多事实性标签。对猜测投入力度不行，对因果关系剖析不行，对用户需求洞悉不行。最终判别全赖事务拍脑袋。
你问他为啥根据这几个标签推产品/活动，他答的都是：
我觉得他都买了那么屡次，他这次必定买
我觉得他买过相关产品，他这次必定买
我觉得他买了A，怎样也得买B
看了用户画像今后拍脑袋，和看报表拍脑袋都是拍脑袋，没有本质区别，谢谢。根据曩昔的数据搞一堆标签，很简单；沉积有猜测力、有准确度的用户标签，很难。不光需求深度的数据剖析和建模，更需求重复的，多轮的，比照性测验。不是一蹴即至。所以在事务部分自以为很懂，数据部分欢天喜地地宣告“打了三万个标签”的时分，祸源就现已埋下来了。可是，同样是事务希望值太高+数据预备缺乏的场景，为啥用户画像类项目，比数据模型类项目还要简单扑街呢？
3
用户画像失利的深层原因
深层地看，由于数据建模的难度高，所以事务方对中心进程无法参加，只能对着成果品头论足。做建模的小哥们，只需自己不作死，不凭空捏造，自动下降事务希望，是可以很大程度上防止问题的。所以建模项目失利，基本上是瞎子骑瞎马的成果。
<section style="text-align: justify; font-family: 'Helvetica Neue', Helvetica, 'Hiragino Sans GB', 'Microsoft YaHei', Arial, sans-serif; letter-spaci
特别申明：本站的主旨在于收集互联网运营相关的干货知识，给运营小伙伴提供便利。网站所收集到的公开内容均来自于互联网或用户投稿，并不代表本站认同其观点，也不对网站内容的真实性负责，如有侵权，请联系站长删除，转载请注明出处：https://www.lnwcn.com/157452.html。
微信扫一扫 
支付宝扫一扫 
