本文主要是介绍校验用户画像的准确性，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
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。
一. 用户画像开发中
1.1 Recall、Pecision、K-S、F1曲线、Roc曲线、Confusion Matrix、AUC
1.2 交叉验证
二. 用户画像上线后
三. 用户画像更新
3.1 用户回访
3.2 机制检测
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不同
一. 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。
1.1 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。
1.2 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。
二. 用户画像上线后
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？
三. 用户画像更新
3.1 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；
（来源网络）
3.2 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
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。
这篇关于校验用户画像的准确性的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
