怎样利用数据挖掘潜在用户?(利用数据挖掘潜在用户的4个步骤)

qinzhiqiang 12-08 16:43 1,079次浏览

文章分享了一种挖掘潜在用户的算法,与大家分享,希望可以給大家带来启发。

你是否收到过促销短信?

你是否在打开APP时发现有商家推送优惠消息?

这只是简单的群发么?当然不是。

你在网站上的所有行为,代表着你的意向和需求,所以通过算法,网站就能把你推送给相应店家。

你以为网站靠卖卖卖赚钱,对没错,卖的就是你。

这只是个玩笑,接下来要讲的是,玩笑背后的真实买卖——如何挖掘潜在用户。

你关注过B端客户的需求吗?

潜客推荐

区别于“猜你喜欢”:发现用户是帮助B端客户挖掘潜客;猜你喜欢是帮助用户更了解自己的需求。以淘宝为例,为用户推送她关注的红色连衣裙,用推荐算法;那推荐哪个卖家的这条裙子呢,那就是要用到挖掘潜客了。

算法不同:猜你喜欢主要是相似度算法,潜客推荐主要是客观赋权和评分算法。

潜客推荐有什么用?

  • 如果你是普通用户,那么看完整篇文章你就明白你是怎么收到商家短信的。
  • 如果你是B端PM,试试看也做一款这样的产品,或者提提建议也行。
  • 如果你是B端商家,考虑下你是否也有这个需求。

接下来要介绍的发现潜客算法:

怎么找到潜在用户?

1.算法数据支撑

全网用户的所有行为:为了更好地说明,简化为浏览、收藏、在线咨询这三种行为。

这里涉及到一个概念“差异驱动”:当评价对象在某一指标的差异越大时,我们认为这个评价指标的重要性越大。

所以,这三种行为代表用户购买意愿由弱到强。

2.算法逻辑

第一步:计算行为的出现概率

首先,通过近一个月的用户行为数据,算出浏览、收藏、在线咨询这三种行为出现的概率,依次记做P’1、P’2、P’3,假设计算结果为70%、20%、10%。

第二步:为不同行为客观赋权

我们需要利用信息熵来对行为客观赋权。主观上,也可以自定义权重,当然也能根据上一步的概率来赋权,但为了更精确地进行用户评分,需要用特定算法来处理。

首先,信息熵计算

信息熵是衡量一个系统的有序化程度,熵越大表示信息无序化程度越高,信息效用越低。比如球场上一方胜率为70%另一方30%,比两方胜率不明确(均为50%)的熵要小,胜率越明确信息越有效。

其原理可参考论文《利用信息熵计算评价指标权重原理及实例》,作者罗进。

信息熵由信息论之父Shannon提出 ,公式为:

这里的Pi就是代表某一行为的概率,该公式是正相关的关系,但本文中“用户行为的P’i越小表示行为越重要,故权重越小”,为了纠正变量之间的关系,取其倒数Pi=1/P’i,这样才符合我们需求——变量负相关。

接着,数据归一化处理

由于不同行为的性质不同,如果直接用原始值进行对比,就会突出数值较高的指标在综合分析中的作用,同时弱化数值较低的指标的作用,从而使各指标以不等权参加运算分析。为避免这一点,会对数据进行无量纲化处理,也称归一化。算法多样化,一般是算出标准差或极值来作为归一化的系数,记做C。

具体计算方法和原理可参考:http://www.docin.com/p-674202391.html

最后,行为权重计算

加入归一化系数,使权重统一化,公式为:

第三步:行为分值确定

给每种行为分配分值:

设浏览行为的分值为T1,则收藏T2=T1*(W2/W1),电话咨询T3=T1*(W3/W1)

第四步:用户评分

小明今天浏览、收藏、电话咨询的次数记为a、b、c,那么其分数为:

效果评估

首先,此算法可以有多种变种。如果要做得更圆满,应该还要考虑权重的时间变化(比如永远以最近30天的行为来计算概率)、加入用户的消极行为(取关、投诉、差评)、用户习惯(购买周期、页面停留时间等)、用户现状(已购哪些、已退哪些、收藏哪些)等完善用户画像。

  • 暂无推荐