人群估值一般性算法

简介:

        中国互联网发展到今天基本形成了一个定式那就是免费,想让用户付费别做梦了,连操作系统都不花钱,吃你俩烂西瓜又算得了什么呢。虽说免费吧,但中国互联网这些年也发展的有声有色,还革了许多其他行业的命,走别人的路让别人无路可走。总体来看,互联网赚钱无非广告、游戏和电商三种模式,游戏和电商直接收费、广告间接收费。试想在百度每搜索一次付一分钱,微信QQ每用一天收一毛钱,用不了多久估计就挂了,毕竟愿意付这点小钱的用户都太少太少了。有人说国人不重视知识产权,也对,不过这个话题与人群估值一般性算法无关,自动关闭。虽然大多数用户享受互联网服务的时候不愿意付费,但在不影响用户总体体验的前提下找人替用户付费还是相当靠谱的,这样用户在贡献个人行为的同时就可以享受免费服务了。又有人说了国人的用户隐私得不到保障,烦不烦,要啥隐私要啥自行车,不是说了和人群估值无关的话题自动关闭了嘛。

人群属性

自然属性

性别、婚姻、生育、行业、职位、收入、教育、健康、资质、年龄段、所在地 ......

兴趣属性

关注、爱好、兴趣、关联兴趣 ......

消费属性

基础偏好、短期偏好、长期偏好、关联偏好、消费次数、消费金额、消费频率 ......

设备属性

终端设备、操作系统、接入方式、传输带宽、地理位置 ......

社交属性

社交应用、群组特征、关联账户、活跃程度 ......

        根据用户的操作借用互联网广告行业的概念可以分为展示(impression)、点击(click)和行为(action)三种类型,展示指一般性浏览,点击为用户主动触发,行为指用户有明确意图的由一系列步骤构成的操作集合,如注册下载等动作。一个用户在互联网上的行为由多个操作组成,一个人群的定义又由多个用户的各个属性维度组成,因此人群 + 行为 = 估值,对数据建模和逻辑处理的过程叫算法,将采集、存储、计算和应用集成到一起称为系统架构,高效稳定的跑起来叫做人群估值体系,把这一整套玩意玩转的人叫牛牪犇,也不知道这么定义有没有毛病。

公式1:UV(UserValue) = P(I)V(I) + P(C)V(C) + P(A)V(A)

公式2:UV(UserValue) = wimpP(I)V(I) + wclkP(C)V(C) + wactP(A)V(A)

        公式一用户估值由用户浏览、点击和行为三种价值相加后转化而来的,按照用户意图的强度可表示为P(A) > P(C) > P(I),因此对用户价值的评估有必要附加权重系数以充分表现其价值的实际意义,由此得到公式二即获取用户的基准价值。不妨以电商为例,注册、搜索、筛选、加车、购买,新客或回头客可以分别赋予不同的系数q,那么该用户对某商品的喜好就可以表示为UL = L(c, u) * (1 + q),进而该用户的行为价值f(uap) = UV * UL。

        再说说用户价值与目标人群价值的相关性吧,假设将每个用户的人群属性分别映射为一个单独的向量集合Vx = {A1, A2, A3 ... An},那么N个维度的集合记做Un = {V1, V2, V3 ... Vn},

恰好目标人群样本经过离线学习以后同样获得N个维度的集合记做Bn = {V1, V2, V3 ... Vn},那么该用户与目标人群保持潜在一致性的概率分布可以通过公式三获得并位于[-1, 1]区间。

                                    

        其实说了这么些东西,连自己都觉得空洞实际应用的价值相当有限,比如前几天在某宝某东上买了些商品,购买行为早都结束了,短期内也不会再有类似消费行为了,浏览个网页却偏偏还是满屏的刷,一边喊着提升转化率,一边喊着消耗量,反正不花自己兜里的钱,一二线的互联网公司尚且如此,更何况那些技术底蕴薄弱的创业公司和小微企业了,数据没错、算法没错、媒体没错、广告主更没错,是我错了,我不该不清cookie,最后顺便感谢下大姨妈的马老师和苏老师。

        前几天中央创立了雄安经济特区,伴随结构调整和深化改革,国家又将迎来翻天覆地大发展的机遇,听说好多有眼光有胆识的精英们都第一时间冲向了遍地黄金的南三县,自己也想去,可惜盘缠不够,写博客不容易,请大家自觉养成给博主打赏的好习惯,别每次都提醒了,切实转变思想作风,撸起袖子加油干吧!

        励斌出品,必是精品,喊的不齐重来,励斌出品,必是精品。

相关文章
|
算法 数据挖掘 搜索推荐
人群优选算法模型,如何挖掘品牌潜客?
本文主要对品牌目标人群优选算法及相关实践结论进行介绍。
2583 0
|
机器学习/深度学习 算法 搜索推荐
人群优选算法模型,如何挖掘品牌潜客?
品牌数字化营销正在成为热点,在Uni-Marketing背景下,我们通过策略中心海豹项目,探索和实践了品牌目标人群优选算法,在实际投放中取得了非常好的人群转化效果,并得出一些有价值的算法和业务结论。本文主要对品牌目标人群优选算法及相关实践结论进行介绍。
4835 0
|
机器学习/深度学习 算法 搜索推荐
从亿万人中找到你!Lookalike算法教你用深度学习挖掘高相似度人群
调研发现,营销人员预计今年将有26%的营销预算浪费在错误的渠道或策略上,中国的人口结构的变化、传播渠道的变化让国内广告主捕捉消费者的难度大大增加,Lookalike等技术成为解决问题的新手段。
2919 0
|
4天前
|
算法 数据安全/隐私保护 计算机视觉
基于Retinex算法的图像去雾matlab仿真
本项目展示了基于Retinex算法的图像去雾技术。完整程序运行效果无水印,使用Matlab2022a开发。核心代码包含详细中文注释和操作步骤视频。Retinex理论由Edwin Land提出,旨在分离图像的光照和反射分量,增强图像对比度、颜色和细节,尤其在雾天条件下表现优异,有效解决图像去雾问题。
|
4天前
|
算法 数据可视化 安全
基于DWA优化算法的机器人路径规划matlab仿真
本项目基于DWA优化算法实现机器人路径规划的MATLAB仿真,适用于动态环境下的自主导航。使用MATLAB2022A版本运行,展示路径规划和预测结果。核心代码通过散点图和轨迹图可视化路径点及预测路径。DWA算法通过定义速度空间、采样候选动作并评估其优劣(目标方向性、障碍物距离、速度一致性),实时调整机器人运动参数,确保安全避障并接近目标。
|
13天前
|
算法 数据安全/隐私保护
室内障碍物射线追踪算法matlab模拟仿真
### 简介 本项目展示了室内障碍物射线追踪算法在无线通信中的应用。通过Matlab 2022a实现,包含完整程序运行效果(无水印),支持增加发射点和室内墙壁设置。核心代码配有详细中文注释及操作视频。该算法基于几何光学原理,模拟信号在复杂室内环境中的传播路径与强度,涵盖场景建模、射线发射、传播及接收点场强计算等步骤,为无线网络规划提供重要依据。
|
26天前
|
机器学习/深度学习 算法
基于改进遗传优化的BP神经网络金融序列预测算法matlab仿真
本项目基于改进遗传优化的BP神经网络进行金融序列预测,使用MATLAB2022A实现。通过对比BP神经网络、遗传优化BP神经网络及改进遗传优化BP神经网络,展示了三者的误差和预测曲线差异。核心程序结合遗传算法(GA)与BP神经网络,利用GA优化BP网络的初始权重和阈值,提高预测精度。GA通过选择、交叉、变异操作迭代优化,防止局部收敛,增强模型对金融市场复杂性和不确定性的适应能力。
165 80
|
14天前
|
机器学习/深度学习 数据采集 算法
基于GA遗传优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
本项目基于MATLAB2022a实现时间序列预测,采用CNN-GRU-SAM网络结构。卷积层提取局部特征,GRU层处理长期依赖,自注意力机制捕捉全局特征。完整代码含中文注释和操作视频,运行效果无水印展示。算法通过数据归一化、种群初始化、适应度计算、个体更新等步骤优化网络参数,最终输出预测结果。适用于金融市场、气象预报等领域。
基于GA遗传优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
|
14天前
|
算法
基于龙格库塔算法的锅炉单相受热管建模与matlab数值仿真
本设计基于龙格库塔算法对锅炉单相受热管进行建模与MATLAB数值仿真,简化为喷水减温器和末级过热器组合,考虑均匀传热及静态烟气处理。使用MATLAB2022A版本运行,展示自编与内置四阶龙格库塔法的精度对比及误差分析。模型涉及热传递和流体动力学原理,适用于优化锅炉效率。

热门文章

最新文章