文章分享了一種挖掘潛在用戶(hù)的算法，與大家分享，希望可以給大家?guī)?lái)啟發(fā)。

你是否收到過(guò)促銷(xiāo)短信？

你是否在打開(kāi)APP時(shí)發(fā)現(xiàn)有商家推送優(yōu)惠消息？

這只是簡(jiǎn)單的群發(fā)么？當(dāng)然不是。

你在網(wǎng)站上的所有行為，代表著你的意向和需求，所以通過(guò)算法，網(wǎng)站就能把你推送給相應(yīng)店家。

你以為網(wǎng)站靠賣(mài)賣(mài)賣(mài)賺錢(qián)，對(duì)沒(méi)錯(cuò)，賣(mài)的就是你。

這只是個(gè)玩笑，接下來(lái)要講的是，玩笑背后的真實(shí)買(mǎi)賣(mài)——如何挖掘潛在用戶(hù)。

你關(guān)注過(guò)B端客戶(hù)的需求嗎？

潛客推薦

區(qū)別于“猜你喜歡”：發(fā)現(xiàn)用戶(hù)是幫助B端客戶(hù)挖掘潛客；猜你喜歡是幫助用戶(hù)更了解自己的需求。以淘寶為例，為用戶(hù)推送她關(guān)注的紅色連衣裙，用推薦算法；那推薦哪個(gè)賣(mài)家的這條裙子呢，那就是要用到挖掘潛客了。

算法不同：猜你喜歡主要是相似度算法，潛客推薦主要是客觀(guān)賦權(quán)和評(píng)分算法。

潛客推薦有什么用？

• 如果你是普通用戶(hù)，那么看完整篇文章你就明白你是怎么收到商家短信的。
• 如果你是B端PM，試試看也做一款這樣的產(chǎn)品，或者提提建議也行。
• 如果你是B端商家，考慮下你是否也有這個(gè)需求。

接下來(lái)要介紹的發(fā)現(xiàn)潛客算法：

怎么找到潛在用戶(hù)？

1.算法數(shù)據(jù)支撐

全網(wǎng)用戶(hù)的所有行為：為了更好地說(shuō)明，簡(jiǎn)化為瀏覽、收藏、在線(xiàn)咨詢(xún)這三種行為。

這里涉及到一個(gè)概念“差異驅(qū)動(dòng)”：當(dāng)評(píng)價(jià)對(duì)象在某一指標(biāo)的差異越大時(shí)，我們認(rèn)為這個(gè)評(píng)價(jià)指標(biāo)的重要性越大。

所以，這三種行為代表用戶(hù)購(gòu)買(mǎi)意愿由弱到強(qiáng)。

2.算法邏輯

第一步：計(jì)算行為的出現(xiàn)概率

首先，通過(guò)近一個(gè)月的用戶(hù)行為數(shù)據(jù)，算出瀏覽、收藏、在線(xiàn)咨詢(xún)這三種行為出現(xiàn)的概率，依次記做P’1、P’2、P’3，假設(shè)計(jì)算結(jié)果為70%、20%、10%。

第二步：為不同行為客觀(guān)賦權(quán)

我們需要利用信息熵來(lái)對(duì)行為客觀(guān)賦權(quán)。主觀(guān)上，也可以自定義權(quán)重，當(dāng)然也能根據(jù)上一步的概率來(lái)賦權(quán)，但為了更精確地進(jìn)行用戶(hù)評(píng)分，需要用特定算法來(lái)處理。

首先，信息熵計(jì)算

信息熵是衡量一個(gè)系統(tǒng)的有序化程度，熵越大表示信息無(wú)序化程度越高，信息效用越低。比如球場(chǎng)上一方勝率為70%另一方30%，比兩方勝率不明確（均為50%）的熵要小，勝率越明確信息越有效。

其原理可參考論文《利用信息熵計(jì)算評(píng)價(jià)指標(biāo)權(quán)重原理及實(shí)例》，作者羅進(jìn)。

信息熵由信息論之父Shannon提出 ，公式為：

這里的Pi就是代表某一行為的概率，該公式是正相關(guān)的關(guān)系，但本文中“用戶(hù)行為的P’i越小表示行為越重要，故權(quán)重越小”，為了糾正變量之間的關(guān)系，取其倒數(shù)Pi=1/P’i，這樣才符合我們需求——變量負(fù)相關(guān)。

接著，數(shù)據(jù)歸一化處理

由于不同行為的性質(zhì)不同，如果直接用原始值進(jìn)行對(duì)比，就會(huì)突出數(shù)值較高的指標(biāo)在綜合分析中的作用，同時(shí)弱化數(shù)值較低的指標(biāo)的作用，從而使各指標(biāo)以不等權(quán)參加運(yùn)算分析。為避免這一點(diǎn)，會(huì)對(duì)數(shù)據(jù)進(jìn)行無(wú)量綱化處理，也稱(chēng)歸一化。算法多樣化，一般是算出標(biāo)準(zhǔn)差或極值來(lái)作為歸一化的系數(shù)，記做C。

具體計(jì)算方法和原理可參考：http://www.docin.com/p-674202391.html

最后，行為權(quán)重計(jì)算

加入歸一化系數(shù)，使權(quán)重統(tǒng)一化，公式為：

第三步：行為分值確定

給每種行為分配分值：

設(shè)瀏覽行為的分值為T(mén)1，則收藏T2=T1*(W2/W1)，電話(huà)咨詢(xún)T3=T1*(W3/W1)

第四步：用戶(hù)評(píng)分

小明今天瀏覽、收藏、電話(huà)咨詢(xún)的次數(shù)記為a、b、c，那么其分?jǐn)?shù)為：

效果評(píng)估

首先，此算法可以有多種變種。如果要做得更圓滿(mǎn)，應(yīng)該還要考慮權(quán)重的時(shí)間變化（比如永遠(yuǎn)以最近30天的行為來(lái)計(jì)算概率）、加入用戶(hù)的消極行為（取關(guān)、投訴、差評(píng)）、用戶(hù)習(xí)慣（購(gòu)買(mǎi)周期、頁(yè)面停留時(shí)間等）、用戶(hù)現(xiàn)狀（已購(gòu)哪些、已退哪些、收藏哪些）等完善用戶(hù)畫(huà)像。

其次，行為賦權(quán)有什么用？用戶(hù)評(píng)分可以怎么用？對(duì)B端來(lái)說(shuō)，可以對(duì)這些用戶(hù)進(jìn)行進(jìn)一步分級(jí)，不同級(jí)別分別可以電話(huà)聯(lián)系、發(fā)短信、IM聊天或消息推送，當(dāng)然更潛移默化的方式是個(gè)性化廣告展示、猜你喜歡展示、消息精準(zhǔn)推送。對(duì)普通用戶(hù)來(lái)說(shuō)，用戶(hù)評(píng)分是用來(lái)滿(mǎn)足和挖掘他們的需求，對(duì)不同分值的用戶(hù)提供個(gè)性化服務(wù)、分層次的權(quán)益、針對(duì)性的產(chǎn)品。

最后，如何進(jìn)行效果監(jiān)控評(píng)估？算法的價(jià)值在于用得好，不在于專(zhuān)業(yè)或者復(fù)雜度。能否提升轉(zhuǎn)化率、增加流量、滿(mǎn)足用戶(hù)需求，都需要恰當(dāng)?shù)嘏浜锨〉胶锰幍姆?wù)，見(jiàn)仁見(jiàn)智。

歡迎補(bǔ)充和提問(wèn)。

全文完。

作者：小喬，公眾號(hào)：亂入花間化綠葉。產(chǎn)品小白一枚，希望通過(guò)這種每周一次深入思考總結(jié)的方式，促進(jìn)自己的成長(zhǎng)，走出從0到1到無(wú)窮的產(chǎn)品之路。

本文由 @小喬 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。