基于大數(shù)據(jù)平臺構(gòu)建精準(zhǔn)營銷體系_第1頁
基于大數(shù)據(jù)平臺構(gòu)建精準(zhǔn)營銷體系_第2頁
基于大數(shù)據(jù)平臺構(gòu)建精準(zhǔn)營銷體系_第3頁
基于大數(shù)據(jù)平臺構(gòu)建精準(zhǔn)營銷體系_第4頁
基于大數(shù)據(jù)平臺構(gòu)建精準(zhǔn)營銷體系_第5頁
已閱讀5頁，還剩8頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進行舉報或認領(lǐng)

文檔簡介

精準(zhǔn)營銷建設(shè)方案精準(zhǔn)營銷建設(shè)方案頁頁#影響三項內(nèi)容：推薦模型，人工特征工程模型以及依賴數(shù)據(jù)。而我們常說的模型自優(yōu)化主要體現(xiàn)在基于人工智能自動構(gòu)建的推薦模型上，而人工特征工程模型以及依賴數(shù)據(jù)往往依然需要人為的進行優(yōu)化。結(jié)果評價的直接對象為推薦模型，一般推薦模型的評價可以分為離線評估與在線評估兩種模式離線評估可以采用混淆矩陣進行模型的效能分析，由于營銷的黑白樣本數(shù)據(jù)_\TPTP+_\TPTP+FPTPr=TP+FN_TP+TN_P+NFP+FNP:精度r:召回率齊精確率e:錯誤率可得性較高，因此可以通過對帶標(biāo)識的樣本數(shù)據(jù)進行測試，并得出模型效能預(yù)測10合計實際1TruePositive(TP)FalseNegative(FNJA-ctualPoEi:i7e(TP+l:N)0FalsePositive(FP)TrueNegativefTN)ActualNegstive(FR4-TN)合計PredictedPasitive(TP+FPJPredictedNegative(FN+TN)TP+FP+FN+TN其中精度與召回率是評價一個模型的效能的主要指標(biāo)，兩個指標(biāo)相互制衡，必須同時達標(biāo)才能認為模型通過測試。而在線評估在營銷場景上主要采用A/BTEST的方式，通過同時上線兩個同—推薦場景的不同模型，通過對用戶的分桶測試，來確定模型那個更優(yōu)，是一個比較性質(zhì)的監(jiān)測方式，也是最科學(xué)的評估方式。

而當(dāng)推薦模型經(jīng)過一段時間的優(yōu)化和自優(yōu)化后，如果發(fā)現(xiàn)依然無法達到預(yù)期的目標(biāo)，我們則需要開始關(guān)注推薦模型以外數(shù)據(jù)本身的問題。對于數(shù)據(jù)質(zhì)量的評估相比對推薦模型的評估而言要復(fù)雜的多，需要大量的人工干預(yù)過程，也是花費精力最大的地方。數(shù)據(jù)質(zhì)量本身的評估體系主要從某—個字段的空值率，連續(xù)

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽，若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論