主题对照

用户行为建模:选择、生存与LTV

比较离散选择模型、生存分析与用户生命周期价值(LTV)建模的假设、估计方法与解读方式。

39 张卡片 · 7 本书

本层 39 张卡片 · 含下级覆盖 39 张卡片

本主题的卡片

数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 如何分析用户的选择

效用最大化与揭示性偏好

理性人选择理论认为决策者会为每个备选项计算效用(满足感的量化),并选择效用最大的一项,这一过程称为效用最大化。但效用本身无法直接观测,揭示性偏好理论解决了这个矛盾:只要预算、价格等条件不变,消费者的历史选择行为本身就”揭示”了偏好——被选中的选项效用一定最高。这让分析师可以通过统计历史选择数据反推影响效用的因素,为离散选择模型提供了可估计的理论基础。

查看卡片与原书出处

数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 如何分析用户的选择

DCM的模型簇结构

离散选择模型(DCM)把选择过程形式化为:选择结果=F(决策者,备选项集合,备选项属性),其中F是效用最大化准则。DCM并非单一模型,而是一个模型簇——逻辑回归、多项Logit(MNL)、嵌套Logit(NL)等具体模型分别对应不同的选择场景(二选一、多选一、有层次结构的选择)。选错模型会让分析结果产生系统性偏差,需要结合业务逻辑和数据反馈谨慎选择。

查看卡片与原书出处

数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 如何分析用户的选择

Logit与Probit的分野

[[DCM的模型簇结构]]把效用拆成确定效用V(由可观测属性决定)和残差ε(未观测因素、测量误差等造成的偏差)之和:U=V+ε。对残差分布的假设不同,会推导出不同的具体模型——假设残差服从正态分布得到Probit模型,假设服从Logit分布得到Logit模型。Logit分布不需要数值积分或模拟就能算出选择概率,计算优势明显,因此实践中比Probit更常用,也是MNL、NL等模型的共同基础。

查看卡片与原书出处

数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 如何分析用户的选择

IIA假设与红蓝巴士悖论

[[DCM的模型簇结构]]中的MNL模型依赖”无关选择独立性”假设(IIA):两个备选项的选择概率之比不受其他备选项存在与否的影响。红蓝巴士悖论揭示其脆弱性——新增一辆和已有巴士无差别的红色巴士,MNL会机械地把巴士份额对半拆分,让原本不受影响的”开车”份额也被错误拉低。备选项间存在替代/层次关系时IIA不成立,应改用嵌套Logit(NL)模型。

查看卡片与原书出处

数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 如何分析用户的选择

备选项特定常数ASC

当决策者对某个备选项存在无法被属性(价格、耗时等)解释的固有偏好时,[[DCM的模型簇结构]]的效用函数需要加入一个备选项特定常数ASC(Alternative Specific Constant)。ASC捕捉的是”选择这个选项本身”带来的偏好,而不是它有什么客观属性——比如即使各方面条件都对齐,有人还是天然更爱坐火车。加入ASC让DCM从”纯属性驱动”的理想模型,扩展为更贴近真实选择行为的模型。

查看卡片与原书出处

数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 第1章 如何分析用户的选择

选择数据的长格式与宽格式

离散选择建模的数据有两种组织方式:宽格式一行代表一次完整的选择,每个备选项的属性平铺成不同列,逻辑回归等多数机器学习模型用的是这种格式;长格式一行只代表一次选择中的一个备选项,用0/1标记该项是否被选中,多项Logit、嵌套Logit等模型需要这种格式。同一份数据可以通过工具在两种格式间互相转换,选哪种格式本质上取决于下游模型要不要把”选项”当作独立的观测单位。

查看卡片与原书出处

数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 如何分析用户的选择

逻辑回归系数的几率解读

逻辑回归的系数不能直接读成”概率变化了多少”,而要换算成几率(odds,即选中概率/不选中概率)的变化倍数:某个属性增加一个单位,选中的几率会变化exp(β)-1倍。这种”谈几率不谈概率”的解读语言,是所有基于Logit([[Logit与Probit的分野]])的离散选择模型共享的解释方式,也是它区别于普通线性回归”系数即边际效应”这种直觉解读的地方,做业务解读时容易踩坑混用两种口径。

查看卡片与原书出处

数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 如何分析用户的选择

共线性检验的VIF阈值

建模前需要检验自变量之间是否存在共线性——两个变量高度相关会让参数估计变得不稳定,削弱模型的可解释性和泛化能力。常用的判断标准是方差膨胀因子(VIF),经验上VIF超过10就认为共线性较强,需要处理,最简单的方式是从共线的变量组里剔除多余变量,只保留单变量分析中解释力(如AUC)最高的那一个,再进入正式建模。

查看卡片与原书出处

数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 与时间相关的行为分析

生存分析解决截面回归的盲点

一般回归模型(逻辑回归、决策树等)只能给出某个时间截面上”事件是否发生”的概率,无法刻画事件随时间连续变化的规律;而且一旦样本在观察期中途状态改变(比如二手车中途调价),原本的截面标签就会被打乱,很难分析这次变化的真实影响。生存分析把”事件是否发生”和”发生所需时间”绑定在一起建模,天然适合库存周转、用户流失这类随时间推移逐步发生的行为分析场景。

查看卡片与原书出处

数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 第2章 与时间相关的行为分析

删失与右删失

生存分析中,若某个研究对象在观察窗口结束时仍未发生关注的终点事件,或因其他原因中途脱离观测(如二手车中途被调价,此后销售情况不可再追踪),这种”知道观测起点、不知道终点具体时间”的情形称为右删失。[[生存分析解决截面回归的盲点]]的关键就在于它能把这类不完整观测也纳入模型一起利用,而不是像一般回归那样简单丢弃或强行按截面二分类处理。

查看卡片与原书出处

数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 与时间相关的行为分析

生存函数与风险函数

生存函数S(t)描述”活过时间t”的概率,是一条从1单调递减到0的曲线;风险函数h(t)(条件死亡率)描述”在t时刻之前一直存活、恰好在t时刻发生事件”的瞬时概率。二者由同一份数据推导却回答不同的问题:生存函数关心”还剩多少没发生”,风险函数关心”下一刻发生的风险有多大”,两者可以相互换算,是生存分析里最基础的一对度量。

查看卡片与原书出处

数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 第2章 与时间相关的行为分析

半衰期作为生存指标

由于[[删失与右删失]]的存在,一组对象里总有一部分不知道确切的事件发生时间,无法用简单平均值来衡量这组对象的典型生存时长。生存分析改用半衰期(中位生存时间)——即生存概率降到50%所需的时间——作为核心描述指标,本质是绕开了”删失样本没有确切终点”这个障碍,只依赖生存函数曲线本身就能算出来,且可以推广到任意百分位。

查看卡片与原书出处

数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 与时间相关的行为分析

KM曲线的非参数估计与局限

KM曲线(Kaplan-Meier曲线)不对生存时间的分布做任何假设,直接用各时刻”风险中未发生事件的比例”逐段相乘来估计生存函数,优点是直观、能对不同分组的曲线做直接对比。但它只能处理单一分类变量的对比,无法在存在多个混杂变量时把各自的影响分离开,所以常配合对数秩检验判断组间差异是否显著,而不能替代多变量建模。

查看卡片与原书出处

数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 与时间相关的行为分析

Cox比例风险模型的半参数结构

Cox比例风险回归模型把风险函数写成h(t;x)=h0(t)·e^(βx),h0(t)是不做分布假设的基准风险率(非参数部分),β是待估计的回归系数(参数部分),因此是一种半参数模型。它依赖”比例风险假设”:不同个体之间风险率的比例不随时间变化。这让它既能像[[KM曲线的非参数估计与局限]]一样不依赖具体分布形状,又能像普通回归一样同时控制多个自变量,分离出单个变量对生存概率的净影响。

查看卡片与原书出处

数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 第2章 与时间相关的行为分析

Cox系数的危险保护解读

[[Cox比例风险模型的半参数结构]]的系数β可以换算成风险率的变化倍数e^β:β>0表示该变量每增加一单位,风险率上升e^β倍,称为危险因素;β表示风险率下降,称为保护因素;β=0则是无关因素。这套”系数看风险率倍数”的解读语言,和[[逻辑回归系数的几率解读]]中”系数看几率倍数”的思路是同一种套路——都是把非线性模型的系数换算成乘性效应而非直接的加性效应。

查看卡片与原书出处

数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 第2章 与时间相关的行为分析

参数法与非参数法的生存函数估计

若假定生存时间服从某种分布(如指数分布假设风险率恒定不随时间变化,威布尔分布允许风险率随时间单调递增或递减),可以用参数法直接拟合分布参数,得到光滑且可外推的生存/风险函数;而KM曲线等非参数法不作任何分布假设,更贴近真实数据但曲线是阶梯状的,外推能力弱。两者的取舍本质是”用假设换平滑性和可预测性”与”少假设但只能描述观测区间内现象”之间的权衡。

查看卡片与原书出处

数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 与时间相关的行为分析

单因素生存曲线对比需警惕混杂

用对数秩检验发现两组生存曲线存在显著差异(比如访问次数少的二手车卖得更快),并不能直接下”访问次数导致销售变慢”的因果结论——差异可能来自其他未控制的变量,比如访问少的车恰好价格更低或行驶里程更短。要把某个因素的净影响单独分离出来,需要用[[Cox比例风险模型的半参数结构]]控制其他协变量,而不能停留在单变量对比的结果上就下结论。

查看卡片与原书出处

数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 洞察用户长期价值:基于神经网络的LTV建模

LTV的定义与用户行为估值法

用户长期价值(LTV)定义为用户与企业在整个生命周期内产生的全部经济收益之和。彼得·费德教授提出的基于用户行为的公司估值法认为,把所有用户未来价值预测出来再求和,就能较好评估公司整体价值——这把”公司值多少钱”这个抽象问题,转化成了”每个用户能带来多少钱”的具体问题,也是精细化运营时代把盈利目标下沉到用户维度这套管理思路的理论基础。

查看卡片与原书出处

数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 洞察用户长期价值:基于神经网络的LTV建模

用户生命周期的五个阶段

用户与商业平台的互动可分为引入期(首次交易,从陌生到熟悉)、成长期(购买频次上升)、成熟期(稳定复购)、休眠期(受竞品等因素影响频率下降)、流失期(不再复购)五个阶段,彼此没有明确边界,具体时长因行业、运营策略、用户属性而异。用户在整个生命周期付费曲线下的面积就是[[LTV的定义与用户行为估值法]],直观地把”长期价值”变成了一个可以用求和/积分方式计算的量。

查看卡片与原书出处

数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 第3章 洞察用户长期价值:基于神经网络的LTV建模

LTV观察窗口的折衷

严格意义上的LTV要等用户彻底流失后才能算准,但这个时间跨度可能长达数年,业务等不起这么久才拿到可用信号。实务中常用截断的观察窗口作为近似替代,比如LTV90指90天内的付费总额、LTV180指180天,本质是用”提前拿到可用信号”换取”完全准确但太晚可用”这两者之间的折衷。这个思路在铁路、航空等用户很难主动流失的垄断行业尤其常见,因为等真实流失几乎不可能。

查看卡片与原书出处

数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 洞察用户长期价值:基于神经网络的LTV建模

LTV计算方法的五级演进

LTV计算方法沿”假设越少、数据利用越充分”演进:简单算术公式(收入/流失率)→线性回归(可引变量但难刻画非线性)→统计学模型(如BG/NBD,参数可解释、小数据也能用)→机器学习模型(精度更高但可解释性下降)→神经网络(适应性最强但几乎不可解释)。选哪一级本质是可解释性与精度间的取舍,与[[黑盒模型与白盒模型的取舍]]同源。

查看卡片与原书出处

数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 洞察用户长期价值:基于神经网络的LTV建模

BG/NBD统计模型的分布假设

BG/NBD模型是[[LTV计算方法的五级演进]]中统计学建模路线的代表,建立在四个假设上:用户活跃期内的交易次数服从泊松分布、不同用户间的交易率差异服从gamma分布、每次购买后用户都有一定概率变为不活跃、不同用户的这个概率也服从gamma分布。这套”用已知概率分布刻画个体异质性”的思路,让模型即使在数据量不大的场景下也能给出较可靠的预测,是统计模型相比纯机器学习模型的独特优势。

查看卡片与原书出处

数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 第3章 洞察用户长期价值:基于神经网络的LTV建模

LTV的CNN-LSTM嵌套

作为[[LTV计算方法的五级演进]]中最强的模型,为捕捉购买行为在”星期”和”星期内时序”两个尺度的周期性,网络设计成里外两层:内层用一维卷积抽取每周内局部特征,再接LSTM压缩成向量;外层把每周向量用双向LSTM沿星期串起来,接全连接层输出预测值。这种”先局部编码、再跨周期聚合”的嵌套结构,是处理多重周期性序列数据的通用思路,不限于LTV。

查看卡片与原书出处

数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 第3章 洞察用户长期价值:基于神经网络的LTV建模

长尾目标变量的对数变换

用户180天总付费(LTV)的原始分布类似幂律递减、右尾很长,直接拿来做回归目标会让极少数大额付费用户主导训练过程。对目标值取对数后,分布明显更接近正态,数值范围也从(0,4000)压缩到(0,10)。这是处理金额、次数等长尾数值型目标变量时的常见预处理手段,能让模型更容易学到稳定、不被极端值支配的规律,是[[LTV的CNN-LSTM嵌套]]能稳定训练的前置步骤。

查看卡片与原书出处

数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 第3章 洞察用户长期价值:基于神经网络的LTV建模

变长行为序列的截断与填充

不同用户在同一时间窗口内的购买次数差异很大,而神经网络的输入却要求固定形状。常见做法是”截断+填充”:设定一个统一长度,超过的序列只取前面部分,不足的序列用0补齐,从而把长度不一的行为记录统一转换成矩阵/张量形状。代价是会丢失过长序列尾部的信息,也会给短序列引入一堆无意义的填充值,是[[LTV的CNN-LSTM嵌套]]接收变长行为序列前必须接受的取舍。

查看卡片与原书出处

企业大数据系统构建实战_技术、架构、实施与应用 (大数据技术丛书) · 企业大数据业务应用

用户画像设计四问

构建用户画像不是简单地给用户贴标签,而要先想清楚四个设计问题。画像对象是谁:不局限于直接带来经济利益的消费者,也可以扩展到员工、供货商家、平台商家、渠道商家、合作媒体等——只要是能给企业带来商业价值的对象,都可以成为画像对象。画像的目的和内容是什么:不同对象的画像目的完全不同,例如员工画像服务于人才管理和生命周期管理,消费者画像服务于个性化营销和精准广告,供货商家画像服务于合作策略制定。画像存放在哪:有两种方式——以应用场景为驱动,分散存放到各自对应的业务系统(如员工画像存人力资源系统),好处是不影响现有系统、能快速落地,坏处是维护分散、更新慢;以数据为驱动,统一存放在一体化大数据平台供各业务系统调用,好处是管理和优化更快,坏处是前期需要跨平台改造、投入周期长。画像更新频率是多少:不能一刀切,要按业务需求区分静态信息(身份、学历等,周或月更新即可)和动态信息(操作行为等,需要分钟或小时级更新,尤其电商场景下操作失误的实时预警、精准广告的实时召回都依赖高频更新),更新过快浪费IT资源,过慢则失去画像意义。

结构图:

flowchart TB
  A["用户画像设计四问"]
  A --> B["对象是谁?<br/>不限消费者,可扩展至员工/供应商/媒体"]
  A --> C["目的和内容是什么?<br/>不同对象对应不同商业价值"]
  A --> D["存放在哪?<br/>分散存放(快但难维护) vs 统一平台(慢但好管理)"]
  A --> E["更新频率是多少?<br/>静态信息周/月更新,动态信息分钟/小时级更新"]
查看卡片与原书出处

企业大数据系统构建实战_技术、架构、实施与应用 (大数据技术丛书) · 企业大数据业务应用

画像标签权重公式

用户每次行为是一次事件,可用五要素描述:什么用户、什么时间、什么地点(接触点)、什么对象、做了什么。由此得出标签权重公式:标签权重 = 衰减因子 × 行为权重 × 网址子权重。时间越久衰减越多,购买、收藏、浏览权重依次降低,不同网址反映的需求强度不同。

查看卡片与原书出处

企业大数据系统构建实战_技术、架构、实施与应用 (大数据技术丛书) · 企业大数据业务应用

每个客户即细分市场

市场细分要求每个细分群体足够大才能盈利。随着需求不断细分、多样性增强,为每个群体提供商品的难度越来越大,找到有代表性的人也越来越难。成功的企业于是让每个客户都成为自己的细分市场,这就是个性化营销:结合用户属性、行为、时间、地域刻画兴趣和价值,自动推送差异化信息。

查看卡片与原书出处

分布式实时计算框架原理及实践案例 · 综合实例:新闻推荐中的用户画像近实时更新

推荐系统是闭环

主流个性化推荐系统是一个闭环:收集用户行为(网站访问日志和前端埋点),解析行为日志,用推荐算法计算并更新用户画像和标签,再由推荐服务把结果展示给用户;用户对推荐结果的新行为又被收集回来,进入下一轮计算,使系统能够结合算法自我学习。

查看卡片与原书出处

分布式实时计算框架原理及实践案例 · 综合实例:新闻推荐中的用户画像近实时更新

日志与埋点互补

推荐系统的行为数据有两个来源:网站访问日志(如 Nginx)一般不会遗漏、信息量大,可从请求 URL 分析出行为类型和资源,是数据挖掘的基础;分享、收藏、转发等通过 Ajax 异步完成的行为不会进入访问日志,要靠前端埋点实时提交,经 MQ 统一收集。访问日志按小时或天批量处理,用来周期性修正实时计算造成的画像偏差。

查看卡片与原书出处
辅助阅读:卢曼编号

按卢曼编号阅读

点击箭头逐层展开,点击卡片标题查看详情。路径上下文仅用于连接层级,不计入主题卡片数。

  • 展开或收起下级: 1060 效用最大化与揭示性偏好 主题成员 数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 如何分析用户的选择 理解等级:未标注
    • 1060.a DCM的模型簇结构 主题成员 数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 如何分析用户的选择 理解等级:未标注
    • 1060.b Logit与Probit的分野 主题成员 数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 如何分析用户的选择 理解等级:未标注
    • 1060.c IIA假设与红蓝巴士悖论 主题成员 数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 如何分析用户的选择 理解等级:未标注
    • 1060.d 备选项特定常数ASC 主题成员 数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 如何分析用户的选择 理解等级:未标注
    • 1060.e 选择数据的长格式与宽格式 主题成员 数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 第1章 如何分析用户的选择 理解等级:未标注
    • 1060.f 逻辑回归系数的几率解读 主题成员 数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 如何分析用户的选择 理解等级:未标注
    • 1060.g 共线性检验的VIF阈值 主题成员 数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 如何分析用户的选择 理解等级:未标注
  • 展开或收起下级: 1061 生存分析解决截面回归的盲点 主题成员 数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 与时间相关的行为分析 理解等级:未标注
    • 1061.a 删失与右删失 主题成员 数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 第2章 与时间相关的行为分析 理解等级:未标注
    • 1061.b 生存函数与风险函数 主题成员 数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 与时间相关的行为分析 理解等级:未标注
    • 1061.c 半衰期作为生存指标 主题成员 数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 第2章 与时间相关的行为分析 理解等级:未标注
    • 1061.d KM曲线的非参数估计与局限 主题成员 数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 与时间相关的行为分析 理解等级:未标注
    • 1061.e Cox比例风险模型的半参数结构 主题成员 数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 与时间相关的行为分析 理解等级:未标注
    • 1061.f Cox系数的危险保护解读 主题成员 数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 第2章 与时间相关的行为分析 理解等级:未标注
    • 1061.g 参数法与非参数法的生存函数估计 主题成员 数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 第2章 与时间相关的行为分析 理解等级:未标注
    • 1061.h 单因素生存曲线对比需警惕混杂 主题成员 数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 与时间相关的行为分析 理解等级:未标注
  • 展开或收起下级: 1062 LTV的定义与用户行为估值法 主题成员 数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 洞察用户长期价值:基于神经网络的LTV建模 理解等级:未标注
    • 1062.a 用户生命周期的五个阶段 主题成员 数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 洞察用户长期价值:基于神经网络的LTV建模 理解等级:未标注
    • 1062.b LTV观察窗口的折衷 主题成员 数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 第3章 洞察用户长期价值:基于神经网络的LTV建模 理解等级:未标注
    • 1062.c LTV计算方法的五级演进 主题成员 数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 洞察用户长期价值:基于神经网络的LTV建模 理解等级:未标注
    • 1062.d BG/NBD统计模型的分布假设 主题成员 数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 洞察用户长期价值:基于神经网络的LTV建模 理解等级:未标注
    • 1062.e LTV的CNN-LSTM嵌套 主题成员 数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 第3章 洞察用户长期价值:基于神经网络的LTV建模 理解等级:未标注
    • 1062.f 长尾目标变量的对数变换 主题成员 数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 第3章 洞察用户长期价值:基于神经网络的LTV建模 理解等级:未标注
    • 1062.g 变长行为序列的截断与填充 主题成员 数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow · 第3章 洞察用户长期价值:基于神经网络的LTV建模 理解等级:未标注
  • 展开或收起下级: 2778 场景分析五要素 路径上下文 企业大数据系统构建实战_技术、架构、实施与应用 (大数据技术丛书) · 企业大数据业务应用 理解等级:未标注
    • 2778.b 用户画像设计四问 主题成员 企业大数据系统构建实战_技术、架构、实施与应用 (大数据技术丛书) · 企业大数据业务应用 理解等级:未标注
    • 2778.c 画像标签权重公式 主题成员 企业大数据系统构建实战_技术、架构、实施与应用 (大数据技术丛书) · 企业大数据业务应用 理解等级:未标注
    • 2778.e 每个客户即细分市场 主题成员 企业大数据系统构建实战_技术、架构、实施与应用 (大数据技术丛书) · 企业大数据业务应用 理解等级:未标注
  • 展开或收起下级: 2807 推荐系统是闭环 主题成员 分布式实时计算框架原理及实践案例 · 综合实例:新闻推荐中的用户画像近实时更新 理解等级:未标注
    • 2807.a 日志与埋点互补 主题成员 分布式实时计算框架原理及实践案例 · 综合实例:新闻推荐中的用户画像近实时更新 理解等级:未标注
    • 2807.c 画像权重随时间衰减 主题成员 分布式实时计算框架原理及实践案例 · 综合实例:新闻推荐中的用户画像近实时更新 理解等级:未标注
  • 5193 用行为分组解释功能采用 主题成员 可观测性工程 · 第20章 可观测性利益相关方和联盟 理解等级:中级
  • 5195 下线功能前找实际使用者 主题成员 可观测性工程 · 第20章 可观测性利益相关方和联盟 理解等级:中级

未编号或编号待整理

  • 群体画像对比 理解等级:未标注

    数据中台实战:手把手教你搭建数据中台 · 数据打通

  • RFM配置分群 理解等级:未标注

    数据中台实战:手把手教你搭建数据中台 · 数据打通

  • 生命周期运营 理解等级:未标注

    数据中台实战:手把手教你搭建数据中台 · 用户分析

  • 魔法数字N 理解等级:未标注

    数据中台实战:手把手教你搭建数据中台 · 交易分析

  • 联想词来自日志 理解等级:未标注

    自己动手写分布式搜索引擎 · 搜索引擎用户界面

  • 比较好友圈时间切片识别扩散方向 理解等级:中级

    大数据时代的IT架构设计 · 社交网络大数据挖掘与社会化推荐引擎的构建

来源书籍

来源书籍

可观测性工程

可观测性/监控类

Skill 版本:v23

书籍类型:经典原理

清单覆盖 8/8

189 张卡片

主题索引

大数据营销、广告与征信应用

比较大数据在用户画像、个性化营销、程序化广告与实时竞价、大数据征信中的方法、数据来源与风险。

108 张卡片 · 12 本书

主题索引

数据分析、实验与因果

从数据里得出可行动的结论:用户行为与生命周期怎么建模、A/B 实验怎么设计才有效、观测数据下的因果推断能推到哪一步。

84 张卡片 · 13 本书

主题索引

Lambda架构与数据系统分层

比较以不可变主数据、批处理层、服务层与速度层构建数据系统的思路,以及重算、增量与视图合并的取舍。

83 张卡片 · 17 本书