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