我們經(jīng)常談?wù)摰挠脩艟?xì)化運營，到底是什么?簡單來講，就是將網(wǎng)站的每個用戶標(biāo)簽化，制作一個屬于他自己的網(wǎng)絡(luò)身份證。

　　然后，運營人員通過身份證來確定活動的投放人群，圈定人群范圍，更為的用戶培養(yǎng)和管理。

　　當(dāng)然，身份證最基本的信息就是姓名、年齡和性別。與現(xiàn)實不同的是，網(wǎng)絡(luò)上用戶填寫的資料不一定完全準(zhǔn)確，還需要進(jìn)行進(jìn)一步的確認(rèn)和評估。

　　下面我來介紹一下具體的識別思路。

　　一、用戶畫像需要的數(shù)據(jù)

　　用戶平時在電商網(wǎng)站的購物行為、瀏覽行為、搜索行為，以及訂單購買情況都會被記錄在案，探查其消費能力，興趣等。數(shù)據(jù)歸類后，一般來講，可以通過三類數(shù)據(jù)對用戶進(jìn)行分群和定義。

　　1、用戶信息

　　社會特征：馬克思的人性觀把人分為社會屬性和自然屬性。社會特征主要指的是人在社會上的階級屬性，當(dāng)然也包括服從性、依賴性或者自覺性等，這是人類發(fā)展的必然的基本要求。

　　自然特征：也可以說成是人的生物性，通常來講可以是食欲，物欲或者購買欲，自我保存能力。但不同人會有不同的自然特征，比如學(xué)習(xí)能力和邏輯思維等。

　　興趣特征：對于電商來講，主要是對某件商品，某個或者品類的興趣程度，如加購、瀏覽、收藏、搜索和下單行為。

　　消費特征：消費能力的評估，消費傾向的評估，能夠判斷用戶的消費層級，是高消費力還是低消費力。

　　2、商品

　　商品屬性：基本信息，品類，顏色尺碼型號等。

　　商品定位：商品層級，是否為高中低端，商品類型傾向于哪類客戶，區(qū)域或者其他的特征。

　　通過以上的信息來獲取用戶信息，判斷其具體的畫像特征，然后得到類似于醬紫的網(wǎng)絡(luò)身份證。

　　通常，拿到數(shù)據(jù)后，我們會將每個環(huán)節(jié)進(jìn)行拆解，落實到具體的行動策略上。大體可以根據(jù)以下流程進(jìn)行模型的預(yù)估：

　　業(yè)務(wù)目標(biāo)：投放已有產(chǎn)品，尋找某性別偏好的人群進(jìn)行廣告投放。

　　技術(shù)目標(biāo)：對用戶購物性別識別男性，女性，中性。

　　解決思路：選擇一種分類算法，建立spark模型，對模型進(jìn)行應(yīng)用。

　　線上投放：對得到的數(shù)據(jù)進(jìn)行小范圍內(nèi)的測試投放，初期不宜過大擴大投放范圍。

　　效果分析：對投放的用戶進(jìn)行數(shù)據(jù)分析，評估數(shù)據(jù)的準(zhǔn)確性。若不夠完美，則需要重新建模和測試。

　　二、產(chǎn)品如何理解建模過程

　　重點來了，雖然能夠通過用戶的行為、購買和興趣數(shù)據(jù)，了解用戶的基本信息，但是仍然不清楚如何建模?用什么語言建模?

　　其實，購物性別的區(qū)分使用的是spark，但是spark也有很多分類，包含邏輯回歸，線性支持向量機，樸素貝葉斯模型和決策樹。那么，又該如何選擇呢?

　　其中，決策樹的優(yōu)點較多，主要是其變量處理靈活，不要求相互獨立?？商幚泶缶S度的數(shù)據(jù)，不用預(yù)先對模型的特征有所了解。對于表達(dá)復(fù)雜的非線性模式和特征的相互關(guān)系，模型相對容易理解和解釋?？雌饋頉Q策樹的方法最適合區(qū)分性別特征了，所以決定用決策樹進(jìn)行嘗試。

　　什么是決策樹?簡單來講，是通過訓(xùn)練數(shù)據(jù)來構(gòu)建一棵用于分類的樹，從而對未知數(shù)據(jù)進(jìn)行高效分類?？梢詮南旅娴膱D了解決策樹的工作原理。

　　構(gòu)造決策樹的步驟為：

　　起始階段，所有歷史數(shù)據(jù)當(dāng)作一個主節(jié)點;

　　我們選擇某個屬性測試條件用于分割節(jié)點，以擇偶標(biāo)準(zhǔn)模型為例，把長相作為首節(jié)點;

　　將長相節(jié)點分割，以帥和丑作為條件，導(dǎo)致的結(jié)果作為其子節(jié)點，如分割成牽手和是否公務(wù)員;

　　對子節(jié)點，如牽手和是否公務(wù)員，繼續(xù)執(zhí)行第2、3步，直到節(jié)點滿足停止分割的條件。

　　通過訓(xùn)練數(shù)據(jù)來構(gòu)建一棵用于分類的樹，從而對未知數(shù)據(jù)進(jìn)行高效分類。

　　以上步驟中，能夠得出一個結(jié)論，在構(gòu)建決策樹的過程中，最重要的是如何找到的分割點。決策樹值得注意的問題是過擬合問題，整個算法必須解決「如何停止分割」和「如何選擇分割」兩個關(guān)鍵問題。

　　最簡單的做法就是設(shè)定樹的深度或枝葉的最少樣本量。但是，過少的樣本量又不具有代表性，所以一般情況，可以使用交叉驗證的方法。交叉驗證就是可以使用一部分?jǐn)?shù)據(jù)用于模型的訓(xùn)練，另一部分?jǐn)?shù)據(jù)可以用來評估模型的性能。業(yè)內(nèi)常用的劃分方法是講樣本進(jìn)行50/50分，60/40分或者80/20分。

　　三、模型確立過程

　　在建模前期，首要考慮的事情就是先確定指標(biāo)，以及對樣本的定義。購物性別指的是什么?通過哪些數(shù)據(jù)來確定購物性別，樣本的準(zhǔn)確性，如何驗證數(shù)據(jù)的可信度等。

　　四、購物性別的定義

　　先看下圖，具體的邏輯可從圖中查看。一般來講，用戶填寫的資料不一定真實，我們對他/她的性別數(shù)據(jù)持懷疑態(tài)度，所以，就需要其他數(shù)據(jù)進(jìn)行輔助證明其性別。

　　訂單數(shù)據(jù)能夠真實反映用戶的購買心態(tài)，預(yù)測購買行為，并且能夠通過購買商品的所屬類別，判斷用戶的購買傾向，得到性別特征類目。不過本文就不展開探討甄別特征類目的區(qū)分方法了。

　　根據(jù)數(shù)據(jù)結(jié)果，最終，確認(rèn)了購物性別的定義。分為：

　　購物性別男：N月購買的男性特征類目子下單數(shù)> N月購買的女性特征類目子下單數(shù);

　　購物性別女：N月購買的男性特征類目子下單數(shù)> N月購買的女性特征類目子下單數(shù);

　　購物性別中性：未下單男女特征類目。

　　N需要具體根據(jù)業(yè)務(wù)場景來定。

　　五、建模數(shù)據(jù)準(zhǔn)備過程

　　本節(jié)是具體的操作過程，模型的實操階段。一般來講，不同模型的訓(xùn)練其實大體雷同。從技術(shù)上來講，各家算法大多使用spark，不同點是所運算的模型都是于場景來定的。

　　在全部樣本中，取80%的數(shù)據(jù)用于訓(xùn)練模型;

　　在全部樣本中，取20%的數(shù)據(jù)用戶數(shù)據(jù)測試。

　　這種方式可以更好的根據(jù)數(shù)據(jù)的規(guī)模，提高模型的準(zhǔn)確性。

　　六、模型效果分析

　　根據(jù)各類參數(shù)的評估結(jié)果，以及人工經(jīng)驗選定的模型參數(shù)，建立模型。值得注意的是，決策樹的深度不要過深，以防止過擬合的問題：

　　行業(yè)內(nèi)當(dāng)前采用數(shù)據(jù)挖掘、機器學(xué)習(xí)和推薦系統(tǒng)中的評測指標(biāo)：準(zhǔn)確率(Precision)、召回率(Recall)。準(zhǔn)確率是應(yīng)用最廣的數(shù)據(jù)指標(biāo)，也很清晰易懂，以男性為例：

　　準(zhǔn)確率=命中的男性用戶數(shù)量/所有預(yù)測男性數(shù)量，一般來講，準(zhǔn)確率可以評估模型的質(zhì)量，他是很直觀的數(shù)據(jù)評價，但并不是說準(zhǔn)確度越高，算法越好。

　　召回率=命中的男性用戶數(shù)量/所有男性數(shù)量，反映了被正確判定的正例占總的正例的比重。

　　模型建立完后，需根據(jù)模型的結(jié)果與預(yù)期的對比，進(jìn)行調(diào)優(yōu)。

　　七、要說的

　　購物性別定義對于用戶營銷十分重要，疑難雜癥，對癥下藥，才能出現(xiàn)更好的。