2.12美团点评技术

http://s3.meituan.net/v1/mss_e63d09aec75b41879dcb3069234793ac/file/2018%E5%B9%B4%E7%BE%8E%E5%9B%A2%E7%82%B9%E8%AF%84%E6%8A%80%E6%9C%AF%E5%B9%B4%E8%B4%A7%EF%BC%88%E4%B8%AD%EF%BC%89.pdf这个年货真的好东西，看来要养成看技术博客的习惯了。

外卖 O2O 的用户画像实践
除去提供常规的用户基础属性（例如年龄、性别、职业、婚育状况等）以及用户偏好之外，还需要考虑这么几个问题： 
1）什么样的用户会成为外卖平 
台的顾客（新客识别）； 
2）用户所处生命周期的判断，用户是否可能从平台流失（流失预警）； 
3）用户处于什么样的消费场景（场景识别）。

新客运营主要需要回答下列三个问题：
1）新客在哪里？ 
2）新客的偏好如何？ 
3）新客的消费力如何？ 
回答这三个问题是比较困难的，因为相对于老客而言，新客的行为记录非常少 
或者几乎没有。这就需要我们通过一些技术手段作出推断。例如：新客的潜在转化概 
率，受到新客的人口属性（职业、年龄等）、所处地域（需求的因素）、周围人群（同样反映需求）以及是否有充足供给等因素的影响；而对于新客的偏好和消费力，从新客在到店场景下的消费行为可以做出推测。另外用户的工作和居住地点也能反映他的消费能力。 
对新客的预测大量依赖他在到店场景下的行为，而用户的到店行为对于外卖是比 
较稀疏的，大多数的用户是在少数几个类别上有过一些消费行为。

用户流失预警
我们借助机器学习的方法，构建用户的描述特征，并借助这些特征来预测用户未来流失的概率。这里有两种做法 : 第一种是预测用户未来若干天是否会下单这一事件发生的概率。这是典型的概率回归问题，可以选择逻辑回归、决策树等算法拟合给定观测下事件发生的概率；第二种是借助于生存模型，例如 COX-PH 模型，做流失的风险预测

场景运营
场景可以从时间、地点、订单三个维度描述。比如说工作日的下午茶，周末的家 
庭聚餐，夜里在家点夜宵等等。其中重要的一点是用户订单地址的分析。通

旅游推荐系统的演进-郑刚
旅游推荐特点：
1.本异地差异大。在本地生活场景中用户需求绝大部分集中在本地，而在旅游场
景中超过 30% 的订单来自于异地请求，即常驻城市为 A 的用户购买了城市 B
的旅游订单。外地人浏览北京时推荐故宫、长城没有问题，北京人浏览时推
荐北京欢乐谷、野生动物园