如何校验用户画像的准确性？
Hi!话题
用户画像是数据运营的基础，也是做深度挖掘的一个不可或缺的模块。只有先打好画像基础，确保画像质量，后续的深挖行为才有突破的可能。
Go!探讨
用户画像开发中
交叉验证
用户画像上线后
用户画像更新
在用户研究的课题中，用户画像是几乎每个公司都会去做的，浅层的包括统计类的：上月购买量，上周活跃天数等；深层的包括洞察类的：潜在需求偏好，生命周期阶段等；前者的校验简单，后者的校验需要通过一些特别的方式。本文就洞察类画像校验做一系列的梳理。
省略掉预处理设计的过程，画像校验的步骤主要集中在画像开发，画像上线，画像更新中，并且三个阶段中，每个阶段的校验方式不尽相同。
用户画像开发中
当我们所开发的用户画像是类似于用户的下单需求、用户的购车意愿、用户是否有注册意愿这一类存在历史的正负样本的有监督的问题，我们可以利用历史确定的数据来校验我们的画像准确性。比如，银行在设计用户征信的画像前，会有一批外部购买的坏样本和好样本，其实画像问题就转化为分类问题去解决评估了。
Recall、Pecision、K-S、F1曲线、Roc曲线、Confusion Matrix、AUC
针对这类问题，已经有较为成熟的理论基础，直接利用测试样本判断的准确程度判断画像是否准确。
这张图是一张非常常见也是有效的来总结Recall、Pecision、Lift曲线、Roc曲线、Confusion Matrix的图。
FPR = FP/(FP + TN)
Recall=TPR=TP/(TP+FN)
Precision=TP/(TP+FP)
F1曲线:
2*Precision*Recall/(Precision+Recall)
Roc曲线：
TPR vs FPR，也就是Precision vs Recall
Auc：area under the roc curve ，也就是roc曲线下面的面积，积分或者投点法均可求解。
交叉验证
并不是所有画像都是有监督训练的画像，举个例子，用户的性别画像，是一个无监督的刻画，当你无法通过app端资料填写直接获取到的时候，你只能够通过其他数据特征的对用户进行分群。
首先，我们在总的数据集中筛选出所有关键影响特征，每次将筛选出的特征分为两块，测试特征训练特征，利用训练特征建立模型，再利用测试特征去判断模型是否合理（比如女鞋用户群的女鞋购买次数小于男性用户群，则次模型异常，删除），最后集成所有合理模型。
这样的逻辑中，我们将所有异常不合理的模型全部剔除，训练过程中就校验了用户画像的准确性。
用户画像上线后
1. ABTest
不得不说，abtest是用户画像校验最为直观有效的校验方式。
用户分流模块：
一句话解释，就是A1=A2保证分配随机，A3好于A1+A2的效果检验画像是否准确？多准确？
用户画像更新
用户回访
在画像刻画完成后，必然会存在画像优化迭代的过程，客服回访是非常常见且有效的方式。
比如，我们定义了一波潜在流失用户10万人，随机抽取1000人，进行回访，根据回访结果做文本挖掘，提取关键词，看消极词用户的占比；
机制检测
再比如，我们定义了一波忠诚用户10万人，随机抽取100人，后台随机获取用户安装app的列表，看用户同类app的下载量数目的分布；
横轴为用户手机中同类竞品安装量的个数，纵轴为对应的随机抽样的100人中的个数。
人群1分布为忠诚用户画像最准确的，同类app下载量集中在1附近，定义的用户极为准确
人群2分布杂乱
人群3分布在下降量异常高的数值附近，定义人群不准确
DinG!结语
用户画像是数据运营的基础，也是做深度挖掘的一个不可或缺的模块。只有先打好画像基础，确保画像质量，后续的深挖行为才有突破的可能。
联璧大数据，作为联璧科技的一级市场分析大脑，在各商业场景中提供专业的分布式各类数据挖掘及场景化的算法调优，全方位覆盖各行的应用需求。针对大客户群提供量化定制化的行业解决方案及多维度的分析，深度满足不同行业的客户在不同场景下的商业需求，快速帮助企业实现以“数据驱动增长”的愿景。
Hey!推荐
Hello!热门
❖ 欢 迎 分 享 到 朋 友 圈 哦 ❖
编辑 ✎ Lin数君
联璧大数据出品 未经授权禁止转载
一键置顶公众号 从此划船不用桨