BI/CDP/CTR 建模
一般情况下,模型驱动项目的起点是一个业务场景或者痛点,比如说大家想解决一个什么样的问题。我们的团队会和需求方进行一个详细的沟通,比如说在业务场景中出现这种问题的原因是什么,有哪些解决方案,开发模型需要那些数据。这些业务角度的洞察,对我们后面的项目部署具有非常好的指导意义。
具体来讲,很多企业近年来借助 BI(Business Intelligence,商务智能) 工具,得到了很多有意义的洞察与增长。但由于 BI 工具是由分析师设计,再交由运营人员去使用的分析工具,所以从人力投入与使用场景来看,BI 工具所做出的分析一般不会特别复杂,可能只是一些低维度的比如一维、二维的分析。
举例来讲,最近在为来自不同行业的客户做预测模型,尽管不同行业的业务场景各有差异,但抽象后总能发现一些共性问题。比如用户转化率的提升就是不同行业所共同关注的一个关键指标。
以将有限的资源集中到这些高潜用户中从而进行精准运营。总体而言,就是以最少的投入触达最多的高转化率用户,最终提升整体转化率。
当我们拥有大体方案后,下一步就是进行数据采集。一些提前部署了 客户数据平台(CDP) 的企业,他们的数据已经封装在我们的客户数据平台中。这些标准化后的数据是可以直接使用的。
一个成功的技术模型,往往是商业洞察、数据、算法三者相互作用的结果。业务目标决定了我们需要采集什么数据、使用什么算法、做什么验证以及制定什么策略。总而言之,业务目标是一个根本性的驱动因素。
模型检验通常来讲有两个目的,一是验证模型的准确性,二是解决模型的稳定性。通常而言,
在衡量算法模型项目的准确性时候,通常会用到技术指标和商业指标:
技术指标
不同类型的模型会有一些技术指标,相信大家都非常熟悉。
商业指标
做模型的最终目的是给业务带来增长,因此商业指标在某种程度上要比技术指标更重要。比如说看一下 CTR(Click-Through-Rate,点击通过率)或是引入模型后带来的营收增量等指标。
A/B 测试是我们比较熟悉的检测方法,更复杂的还有交叉验证、In-time testing 和 Out of time testing。这些都是基础模型常用的检测手段。
尽管模型本身的数据逻辑很复杂,但它背后的核心逻辑能用两点来概括:一是商业逻辑;二是长期作用。如果我们能够探索出决定模型的商业逻辑,它在我们提炼营销策略时就能起到很好的提示作用。
从方法论来讲,我们主要可以从三个方面来入手。
第一个是变量的重要性。
第二个考虑我们所使用的特征与商业指标之间的关系。
第三个是输入与输出的关系。
相关文章
- HEVC Study Two(基于HM14.0平台)--如何在HEVC中加入背景建模技术(一)
- 数学建模经验分享:国赛美赛对比/选题参考/常用技巧
- 数学建模番外篇8:画图配色
- atitit.web ui 结构建模工具总结
- 对灵敏度分析技术进行建模(Matlab代码实现)
- MATLB|基于Copula理论的多风电场风电预测误差时空相关性建模研究
- 【雷达通信】SAR雷达系统反设计及典型目标建模与仿真实现研究——目标生成与检测(Matlab代码实现)
- 【经验分享】数学建模论文格式要求及常见问题汇总
- 【经验分享】用全新视角看待大学生数学建模竞赛,这些点你都了解吗?
- 偏振3d算法(两张图形方可建模立体图像)
- 数学建模学习(92):gurobipy详细入门教程【MLP、MIP模型、仓库调度模型、单/多目标优化、敏感性分析】
- 数学建模学习(3):数据统计与分析之随机数
- 2022数学建模国赛如何安排进度?川川学长精心讲解
- 2022长三角数学建模A题:学在长三角
- 建模算法(六)——神经网络模型
- Python小白的数学建模课-20.网络流优化案例
- 2022年第十一届认证杯数学中国数学建模国际赛小美赛:D题野生动物贸易是否应该长期禁止建模 38页一等奖论文及代码
- 电力系统中针对状态估计的虚假数据注入攻击建模与对策(Matlab代码实现)
- 三态(tri-state)门、双向(bi-directional)端口的建模、仿真和综合