:大胆的想象
与“传统”垄断行业相比，我们有什么优势？
有数字化的用户数据。基于计算机和网络的服务模式自然数字化并记录用户属性和行为，成为公司最大的资产，如收入。
什么样的服务是温暖感人的？
只有高端的个人裁缝。无论是葛爷爷和白百合电影里的“梦想工程”，还是大众辉腾使馆区的线下定制中心，都体现出一种强烈的顶级个性化的感觉，只针对伊拉克人民。这不就是终极互联网服务吗？个性化服务，千人一面。然而，梦想计划终究亮起，低调的辉腾退却。
为什么？粒度太细，难以形成规模经济，导致每单成本太高，整体利润太少。如果要推费真正达到千人，投资太高，收益暂时难以评估。所以在最初的尝试中，我们把“点”改成了“面”，粒度不是每个人，而是某一类人。
:数据发现挖掘点
算法数据=生长点
如何把“点”变成“脸”，识别人，在事先没有预期目标的情况下，掂量的工具是聚类算法。
1算法
简单来说，聚类算法就是将所有对象按照其特征的距离划分成若干个聚类。这些集群满足以下条件：
1)集群中对象之间的距离很近
2)不同聚类对象之间的距离较远
类似上图所示的效果，中心点是聚类的核心，靠近中心点的批次是同一个聚类。很容易区分不同类别和业务特征的组。分组操作更容易获得更好的效果。
例如，企业的特征包括以下几类。聚类算法应该如何具体应用？
2功能标准化
在收集了上述行为数据之后，就需要对数据进行“标准化”。标准化的方法有很多，这里举个简单的例子。
为什么要做标准化？这涉及到聚类算法K-的实现原理。K-是一种基于距离的迭代算法，将N个观测案例划分为K个聚类，使得每个观测案例与其聚类中心的距离小于其他聚类的距离。其中距离的计算方法可以是欧氏距离(2-范数)、曼哈顿距离(，1-范数)或其他。以我们初中的欧洲距离为例
其间
是两个对象对应的特征量，比如是播放时间，单位是秒。类似地
是一周中播放的天数。秒的维度远远大于一周的播放天数。一首2分钟的歌，播放时间120秒，一周内可以一直播放，只有7天播放时间。最终，播放天数对距离计算影响不大，聚类特征倾向于播放时间。其他常用的距离计算方法也有类似的问题，如：
曼哈顿距离：
闵可夫斯基距离：
求解在于无量纲，方法是标准化。
我们这次采用了Z-标准化，公式如下：
其中x为特定分数，为平均值，为标准差。
标准分可以回答这样一个问题：给定的分数与平均值有多少标准差？高于平均水平的分数将获得正标准分数，低于平均水平的分数将获得负标准分数。
3聚类结果的输出和解释
获得三个具有商业意义的聚类，在三维空间上的投影如下：(由于商业敏感性，具体描述忽略)
可以看出，每个类别在空间上的位置和集中程度是有差异的，我们根据这些差异总结出以上三种类型的不同特点。然后根据不同的特点，制定不同的催费方式。
第三步：产品沟通
与产品沟通，将计划推向地面。由于业务关系，这里就不描述了
说服产品体验技巧：
了解运营的痛点和瓶颈
成功案例的证明(第一个案例，依靠个人或团队的影响)
算法探索实例
第四步：在线测试
我们需要一种快速、低成本的验证方法。在整个流程和后台界面不变的约束下，有什么方法可以更快的替换图片和文档，风险和成本更低？通过反复迭代优化，最终效果如下：通过改变紫色框中的图片和红色框中的文案，不同的图片和文案被不同的用户群体所触动
步骤5:效果跟踪和评估
7天流量灰度测试结果如下：
1常规在线实际转化效果对比
衡量：向付款成功发送提醒消息的平均转化率
炫耀：x1%享受：x2%耍酷：x3%参考群：c1%
x2x1x3c1
证明两个因素的重要性
嗯，看到实验组平均值比参考组高，说明是有效的。扩大灰度，发邮件，收工？那么问题来了，你怎么知道上面的效果是个性化复制造成的，还是你身边的随机性造成的？
把这个问题转化成统计学问题，实验组和参考组的差异显著？
我们可以用方差分析来解决这个问题。方差分析(ANOVA)，也称为“方差分析”，是由费希尔发明的，用于测试两个或多个样本之间的平均差异的显著性。
工具我们用最喜欢的R，套路如下：
由此我们可以大致认为，不同群体间均值的差异不太可能受到不可控随机因素的影响，差异来自可控因素和基于用户行为的个性化文本。
第六步：自动化操作
用户数据模型是常规的，所有接口都是在线联合调整和部署的
步骤7:效果监控
通过邮件、短信、QQ、微信等形式，长期监控效果，及时优化关注的变化。
评论(0)