11.4 用户特征分析与用户预测模型的区别和联系

在数据化运营的商业实践中,有相当数量的用户特征分析是为了寻找特定人群,比如付费用户的特征分析、续费用户的特征分析、网站高活跃度用户的特征分析等,都是希望通过准确的核心字段和阀值的过滤,来发现大量的潜在付费用户、潜在续费用户、潜在网站高活跃度用户,等,类似这种寻找特定人群的用户特征分析对业务方的作用就跟预测响应(分类)模型应用对业务方的作用很相似,都是为了帮助业务方更好锁定(圈定)潜在的目标用户。另外,在11.2.5节也提到了当商业目的一致时,预测(响应)模型的思路和技术是可以借鉴到用户特征分析的核心变量筛选工作中的,但是两者还是有一些区别的,两者的区别如下:

❑业务方对两者的精度要求不同。相对于用户预测模型来说,用户特征分析的结论精度要求没有那么高,这从两者的产出物就可以看得很清楚。另外,用户分类(预测、响应)模型通常是在前期的用户特征分析基础上进行的,只是分析和挖掘时更加细致、更为聚焦而已,由此也可以看出,其精度要求一定比前期的用户特征分析更高些。

❑两者的产出物不同。用户分类(预测、响应)模型可以针对每个单独的观察值进行预测概率的赋值,打分后的用户群体可以进行以预测概率来排序的任何细分群体的分割;而用户特征分析更多的是从每个细分群体的整体精度来进行评价和应用,一般来说,通过用户特征分析得到的细分群体是不进行更进一步的细化分割的。

❑两者在企业的数据化运营实践中通常有先后顺序的区别。在企业的数据化运营实践中,常常会先进行用户特征分析,然后根据特征分析的结论进行逐渐深入的数据化运营,之后在不断积累的数据和对用户逐渐深入了解的基础上,再进行用户分类(预测、响应)模型的相关实践。