Behavioral Entity Set: Tags, die basierend auf dem Benutzerverhalten generiert werden. Diese Tags entwickeln entsprechende Marketingstrategien, indem sie die Verhaltensmerkmale und Nachfragetypen der Benutzer analysieren. Beispielsweise können wir für Benutzer, die Flugtickets und Hotels in Peking gekauft haben, deren Verhaltensmerkmale wie Kaufzeitpunkt, Häufigkeit, Präferenzen usw. weiter analysieren, um gezieltere Marketingstrategien zu entwickeln. 2. Looklike-Algorithmus, der auf Wissensgraphen und häufigen Mustern basiert schwieriges Problem. Mit herkömmlichen Methoden wie der Sortierung nach Wert, Aktivität usw. ist es schwierig sicherzustellen, dass die ausgewählten Benutzer der Zielgruppe der Benutzer am ähnlichsten sind. Durch Wissensgraphen oder häufige Muster können wir die Ähnlichkeit zwischen Benutzern messen, und diese Ähnlichkeit ist quantifizierbar und skalierbar. Durch die Beziehungsebene kann der Algorithmus Benutzergruppen genauer finden, die dem Zielbenutzer ähnlich sind. 
3. Auf kausaler Inferenz basierender Lookalike-Algorithmus
Im Vergleich zu herkömmlichen Assoziationsregeln und Porträtbezeichnungen kann kausale Inferenz tiefere Probleme lösen. Assoziationsregeln und Porträtetiketten lösen hauptsächlich Korrelationsprobleme wie „Benutzer, die Bier kaufen, kaufen möglicherweise auch Windeln“, können jedoch nicht erklären, warum dieser Zusammenhang besteht. In anderen Kulturen und Märkten trifft dieser Zusammenhang möglicherweise nicht zu. Daher können durch kausale Schlussfolgerungen aus historischen Daten und Modellen die Schlüsselfaktoren ermittelt werden, die das Benutzerverhalten und die Konvertierung beeinflussen. Diese Schlüsselfaktoren können durch Beziehungserkennung ermittelt werden, was uns wiederum dabei hilft, das Benutzerverhalten und die Geschäftsprozesse besser zu verstehen.
Zum Beispiel filtert der rote Teil in der oberen rechten Ecke die Teile heraus, die den Geschäftsprozess durch Verständnis des Geschäfts besser widerspiegeln, um mehr Benutzer zu gewinnen.
4. Objektporträt
Bei der Erstellung des Objektporträts konzentrieren wir uns hauptsächlich auf die Attribute und Eigenschaften des Objekts, wie Städte, Geschäftsviertel, Routen usw. im Hotelporträt Flüge etc. Diese Eigenschaften helfen uns, Objekte genauer zu beschreiben und zu verstehen und liefern reichhaltige Inhalte für ihre Porträts.
Im Vergleich zu Benutzerporträts betonen Porträts von Objekten die Ähnlichkeiten zwischen Objekten. In der Praxis verwenden wir normalerweise die Ähnlichkeit von Objekten für Operationen wie Empfehlungen und Rankings. Um die Ähnlichkeit zwischen Objekten zu messen, können verschiedene Methoden verwendet werden, beispielsweise Attributvektoren und Einbettung. Diese Methoden können Objekte als Vektoren darstellen und diese Vektoren verwenden, um Ähnlichkeitsberechnungen durchzuführen. Es ist zu beachten, dass der Prozess zum Erstellen von Objektporträts zwar dem Prozess zum Erstellen von Benutzerporträts ähnelt, wir jedoch in tatsächlichen Anwendungen entsprechende Anpassungen und Optimierungen basierend auf Geschäftsanforderungen und -szenarien vornehmen müssen. Gleichzeitig ist es auch notwendig, eine eingehende Analyse der Beziehungen und hierarchischen Strukturen zwischen Objekten durchzuführen, um sicherzustellen, dass die Porträts von Objekten die Geschäftsanforderungen genau widerspiegeln.
Darüber hinaus müssen wir beim Aufbau des Bildes des Objekts auch auf einige Schlüsselaspekte achten.
(1) „Ähnlich“ bedeutet nicht „ähnlich“. Wenn beispielsweise bei Verwendung der Einbettungsmethode eine hochwertige Benutzergruppe nach Fünf-Sterne-Hotels sucht, kann die Korrelation zwischen diesen Fünf-Sterne-Hotels stark sein. In einigen Geschäftsszenarien trifft dieser Zusammenhang jedoch möglicherweise nicht zu. Daher müssen wir die Ähnlichkeit von Objekten basierend auf bestimmten Geschäftsszenarien sorgfältig prüfen.
(2) Kaltstartproblem. Wenn beispielsweise bei der Hotelprofilierung ein neues Hotel online geht, fehlen möglicherweise Daten zum Benutzerverhalten. Um dieses Problem zu lösen, können wir den Attributabstand verwenden, um großdimensionale Etikettenattribute zu extrahieren, ein benutzerfreundliches Porträtetikett zu erstellen und dieses Etikett zur Durchführung von Ähnlichkeitsberechnungen zu verwenden. 3) Interpretierbarkeit
Porträt-Tags spielen eine wichtige Rolle Rolle im Auswahl- und Verbreitungsprozess des Marketings. Durch die sinnvolle Verwendung von Portrait-Tags können Betreiber eine detailliertere Analyse und Überprüfung der ausgewählten Benutzergruppen durchführen. Wenn Betreiber das Gefühl haben, dass die ursprünglich ausgewählten Benutzergruppen zu groß oder zu klein sind oder der Marketingeffekt weiter erweitert oder optimiert werden muss, ist dies möglich durch Porträt-Tags verbreitet oder erneut ausgewählt werden, um bessere Marketingergebnisse zu erzielen.
Bei der Auswahl und Verbreitung von Porträt-Tags treten jedoch am häufigsten Probleme in den vier Quadranten der Benutzerkonvertierung und des operativen Eingriffs auf. Diese vier Quadranten repräsentieren jeweils unterschiedliche Benutzerkonversionszustände und betriebliche Interventionsstrategien, die unterschiedliche Reaktionen auf unterschiedliche Situationen erfordern. Beispielsweise können Sie für Benutzer mit hoher Konversion und geringem Eingriff Strategien zur Aufrechterhaltung des Status Quo anwenden; für Benutzer mit geringer Konversion und geringem Eingriff können Sie Strategien zur Förderung der Konversion usw. übernehmen.
Im Folgenden sind die vier Phasen der Marketingauswahl und Verbreitung von Porträt-Tags im Bewerbungsprozess aufgeführt:
Wissenschaftliche Analyse: Tief in die Benutzerdaten eintauchen und Zielgruppen genau lokalisieren, um Konversionseffekte zu verbessern.
Hilfskreisauswahl: Verwenden Sie Tags, um Zielbenutzer effizient zu filtern und die Relevanz und Effizienz von Marketingaktivitäten zu verbessern.
Intelligente Erweiterung: Basierend auf Algorithmen und Modellen werden Benutzergruppen intelligent klassifiziert und erweitert, um die Marketingabdeckung zu erweitern.
Modellimplementierung: In Kombination mit tatsächlichen Marketingaktivitäten optimieren Sie Bild-Tags und -Strategien, um die besten Marketingergebnisse zu erzielen.
Anwendung 2: Attributionsanalyse von Geschäftsindikatoren
Verwenden Sie das Porträt-Tag-System, um die Qualität von Geschäftsindikatoren zu analysieren und Strategien weiter zu optimieren. Während des Geschäftsiterationsprozesses verwenden wir normalerweise Methoden wie Attributionsanalysealgorithmen und Geschäftsanalysen, um Strategien zu generieren. Führen Sie dann experimentelle Messungen durch. Wenn die experimentelle Strategie gut funktioniert, wird sie vollständig gestartet.
Bei diesem Prozess treten jedoch zwei Probleme auf: Wie ist die Qualität der Indikatoren und die Qualität der experimentellen Ergebnisse zu analysieren? Um diese Probleme zu lösen, müssen wir eine Attributionsanalyse von Geschäftsindikatoren durchführen. Entdecken Sie zunächst Geschäftsprobleme anhand von Berichten, Alarmen usw., ermitteln Sie die Ursachen der Probleme und klären Sie spezifische Szenarien und tatsächliche Transformationsbeziehungen. Suchen Sie als Nächstes die Ursache des Problems und stellen Sie fest, ob die Ursache kontrollierbar oder unkontrollierbar ist. Wenn es unkontrollierbar ist, handelt es sich möglicherweise um einen natürlichen Jitter, der nicht allzu viel Aufmerksamkeit erfordert. Wenn es kontrollierbar ist, muss weiter untersucht werden, ob es unbekannte Szenarien gibt, die dieses Problem verursachen.
Im qualitativen Analysemodul klären wir die kontrollierbaren und unkontrollierbaren Faktoren und untersuchen die Ursachen von Problemen in einigen unbekannten Szenarien. Abschließend werden Vorschläge gemacht, um das Geschäftspersonal in den entsprechenden Szenarios anzuleiten. Dieses Szenario bedeutet tatsächlich, dass die Conversion-Rate eines bestimmten Unternehmens gesunken ist. Durch den Analyseprozess des gesamten Unternehmens können wir den Anteil von Nicht-Marktfaktoren und kontrollierbaren Faktoren ermitteln. Wenn Marktfaktoren einen großen Anteil ausmachen, können wir das Problem später lösen, ohne sofort viel Personal und materielle Ressourcen zu verbrauchen.
Anwendung 3: Leistungsanalyse von AB-Experimenten
Während unserer Verantwortung für das AB-Experimentsystem von Qunar stehen wir oft vor einigen Herausforderungen. Wenn das Produktteam viel Zeit und Ressourcen in die Durchführung von Experimenten investiert und die experimentellen Ergebnisse nicht aussagekräftig sind, kann es leicht zu Fragen kommen wie „Warum ist das Experiment ungültig“ und „Was ist die Richtung der nächsten Iteration?“
Um diese Probleme zu lösen, haben wir eine experimentelle AB-Leistungsanalyse durchgeführt, die hauptsächlich in drei Teile gegliedert war. Zunächst haben wir versucht festzustellen, ob die schlechten experimentellen Ergebnisse auf eine unzureichende Volumenverbesserung durch das Geschäftsprozess-Trichtermodell, die Identifizierung von Kernbenutzerporträtetiketten und die Identifizierung irreführender Geschäftsdomänenetiketten zurückzuführen sind. Zweitens nutzen Sie Analysemethoden wie Entscheidungsbäume, um zu untersuchen, ob es Probleme mit der qualitativen Verbesserung gibt, wie z. B. Konflikte in anderen Experimenten oder Situationen, in denen die Verbesserung kein signifikantes Ausmaß erreicht. Quantifizieren Sie abschließend die Wirksamkeit der Maßnahmen und klären Sie die Auswirkungen jeder Maßnahme auf das Ziel.
Durch diese Analyseprozesse können wir dem Produktteam spezifische Anleitungen geben, um es bei der Auswahl effizienterer Optimierungsrichtungen zu unterstützen und so eine qualitative Verbesserung zu erzielen. Diese Analysen tragen nicht nur zur Optimierung der Produktiterationsrichtungen bei, sondern sparen auch Ressourcen und Zeit für das Unternehmen und verbessern die Geschäftsergebnisse insgesamt.
5. Frage- und Antwortsitzung
F1: Was ist der Unterschied zwischen Benutzerverhalten und Geschäftsprotokollen?
A1: Benutzerverhaltensdaten erfassen hauptsächlich das interaktive Verhalten der Benutzer auf der APP-Seite, wie z. B. Klicks usw. Diese Daten spiegeln hauptsächlich den Interaktionsprozess des Benutzers wider. Bei den Geschäftsdaten handelt es sich um verschiedene im Hintergrund verarbeitete Informationen, wie z. B. Agentenverbindungsprozesse, Logistikinformationen usw. Obwohl diese Daten für Benutzer unsichtbar sind, sind sie auch für das Verständnis des gesamten Geschäftsprozesses und die Verbesserung der Benutzererfahrung von entscheidender Bedeutung. Im tatsächlichen Betrieb müssen wir diese Daten in unser Porträt-Tag-System integrieren, um das Benutzerverhalten und die Geschäftsprozesse besser analysieren und verstehen zu können. Beispielsweise sind bei E-Commerce-Plattformen einige Daten für Benutzer möglicherweise nicht relevant, andere beziehen sich jedoch auf Benutzererfahrungen und Geschäftsprozesse, sodass eine angemessene Überprüfung und Verarbeitung erforderlich ist.
F2: Wie erfolgt die Streaming-Kennzeichnung derzeit? Kann es komplexere Tag-Regeln unterstützen? Wird es aus Daten entwickelt oder visuell konfiguriert?
A2: Streaming-Tags können durch Streaming-Computing implementiert werden, beispielsweise mithilfe von Tools wie Flink. Benutzer können definierte Daten per Drag-and-Drop verschieben, um Beschriftungen durch Streaming-Berechnungen zu berechnen. Gleichzeitig können Sie auch Python-Code oder SQL-Code für individuelle Berechnungen hochladen. Darüber hinaus kann es auch durch Spark und andere Methoden unterstützt werden. Bei Streaming-Tags müssen Umfang und Zeitfenster der Berechnungen begrenzt werden, um unterschiedlichen Anforderungen gerecht zu werden.
Streaming-Tags können komplexe Tag-Regeln unterstützen. Benutzer können komplexere Etikettenberechnungen implementieren, indem sie Python-Code oder SQL-Code hochladen.
Streaming-Tags können auf zwei Arten implementiert werden: Datenentwicklung und visuelle Konfiguration. Auf der Qunar-Plattform können Benutzer definierte Daten per Drag-and-Drop verschieben, um Beschriftungen per Streaming-Computing zu berechnen, oder Python-Code oder SQL-Code für benutzerdefinierte Berechnungen hochladen.
F3: Was sind Echtzeit-Tags?
A3: Echtzeit-Tags beziehen sich auf Tags, die in Echtzeit berechnet und angewendet werden, wenn Benutzerverhalten oder Geschäftsereignisse auftreten. Wenn ein Benutzer beispielsweise eine Beschwerde über die Front-End-Schnittstelle einreicht, analysiert das System die Anforderungen und Bestellprobleme des Benutzers in Echtzeit und kennzeichnet den Benutzer mit entsprechenden Echtzeit-Etiketten. Diese Art der Echtzeitkennzeichnung kann Benutzerbedürfnisse und -probleme schnell widerspiegeln und so eine zeitnahe Verarbeitung und Optimierung ermöglichen. Verschiedene Unternehmen haben unterschiedliche Definitionen von Echtzeit-Tags. Für Qunar gilt alles innerhalb von 3 Sekunden als Echtzeit, während Stunden als Nicht-Echtzeit-Szenario gelten.
F4: Identifiziert die ID-Zuordnung mehrere Mobiltelefonnummern/Gerätenummern in einer eindeutigen ID oder hat jeder Benutzer eine eindeutige ID? Zum Beispiel wurde eine Mobiltelefonnummer auf zwei Geräten angemeldet, und eines der Geräte hat sich auf einem anderen Mobiltelefon angemeldet. Ist es das einzige oder drei? A4: Mit der Popularität des mobilen Internets mehr und immer mehr Unternehmen beginnen, die Mobiltelefonnummer als eindeutige Kennung des Benutzers zu verwenden. Die Ein-Klick-Anmeldung ist in der Branche mittlerweile gängige Praxis und macht es für Benutzer bequemer, sich anzumelden und Anwendungen zu verwenden. Für Plattformen wie Qunar verwenden wir auch Mobiltelefonnummern als eindeutige Benutzer-IDs. In den meisten Fällen betrachten wir eine Mobiltelefonnummer als eindeutige Kennung für einen Benutzer. In einigen Sonderfällen werden wir jedoch auch den Fall berücksichtigen, dass der Benutzer seine Mobiltelefonnummer ändert, und entsprechend vorgehen. Um Benutzer besser verwalten und identifizieren zu können, verwenden wir außerdem eine Reihe von Beurteilungen, um den Besitzstatus des Benutzers auf dem Gerät zu bestimmen, wenn eine Mobiltelefonnummer auf zwei Geräten angemeldet ist. Wenn sich der Benutzer vorübergehend am Gerät anmeldet, betrachten wir ihn als Zugriffsberechtigten; wenn der Benutzer das Gerät über einen längeren Zeitraum besitzt, gilt er als Inhaber.
F5: Welche Anwendungsszenarien gibt es für Produktetiketten?
A5: Am häufigsten kommt es auf die Produktpreise an. Um die Produktpreise zu personalisieren, müssen wir Produkt-Tags verwenden. Diese Etiketten werden auf der Grundlage spezifischer Werte interner und externer Faktoren berechnet. Wenn interne Faktoren nicht richtig berücksichtigt werden, können die Auswirkungen externer Faktoren übertrieben sein.
Es kann als ähnlich wie die Brute-Force-Lösungsmethode verstanden werden. Wir geben jeden Faktor ein und probieren ihn aus. Dann sehen wir, wie viel Einfluss jeder Faktor darauf hat, und beurteilen, ob es bei jedem Faktor eine Korrelation oder Kausalität gibt. F6: Müssen Echtzeit-Geschäftsetiketten angepasst und entwickelt werden?
A6: Nachdem die Echtzeit-Tags erstellt wurden, haben wir unser Bestes gegeben, um einige Echtzeit-Tags auszuschöpfen, die durch grundlegende Statistiken auf der Entwicklungsebene erhalten werden können. Echtzeit-Tags wie Regeln und Modelle müssen angepasst und entwickelt werden.
F7: Wie verwalte ich den Lebenszyklus von Tags?
A7: Zu Beginn der Einrichtung wird es einige einmalige Tags geben, die nach der Verwendung nicht mehr verwendet werden.
F8: Können einige statistische Methoden verwendet werden, um die Mindeststichprobengröße für AB-Experimente zu bestimmen? Für das AB-Experiment gibt es einen Standardberechnungsprozess. Können wir die ungefähre Stichprobengröße kennen, die erforderlich ist, um einen statistisch signifikanten Effekt zu erzielen?
A8: Für kleinere Unternehmen ist der Datenverkehr möglicherweise von Natur aus nicht ausreichend. Wenn Sie eine Mindeststichprobengröße erreichen möchten, ist dies auf betrieblicher Ebene nicht möglich. Daher müssen wir einige haben, wenn die Mindeststichprobengröße erreicht ist nicht erreicht. Kann schnell und grob auf den experimentellen Effekt schließen.
F9: Wie werden die Kalibertypen der Benutzerkaliberporträts gespeichert und angezeigt? Neben einzelnen Tags verfügen Benutzerporträts auch über mehrere Tags, um eine Benutzerpräferenzperspektive zu bilden. Wie können diese beiden Arten von Tags besser gespeichert werden?
A9: Zeigen Sie, dass jedes Unternehmen anders ist. Aus Speichersicht verfügt Qunar über mehrere Speichermethoden, vor allem für schnelle Echtzeitreaktionen. Das heißt, beim Zugriff auf Tags versuchen wir unser Bestes, um darauf zuzugreifen.
F10: Was sind die Anwendungen von Modellen bei der Erstellung von Lösungsetiketten?
A10: Tatsächlich werden in meiner aktuellen Praxis bei Qunar große Modelle häufig bei der Algorithmenkennzeichnung verwendet. Erstens das einfachste Beispiel. Wenn wir Benutzerporträts erstellen, werden die Wahrzeichendaten häufig aus einigen Dokumenten extrahiert. Die Genauigkeit dieses Ortes ist viel besser Modelle, die wir in der Vergangenheit selbst gebaut haben. Und wenn wir einen Wissensgraphen erstellen, werden wir auf eine gewisse Entitätsdisambiguierung, Entitätszusammenführung usw. stoßen.
F11: Müssen Profiling-Algorithmus-Ingenieure auch Ranking-Empfehlungen implementieren?
A11: Eigentlich nein, diese Empfehlung dient dazu, Ingenieure zu empfehlen, aber der Empfehlungsalgorithmus muss die Ergebnisse des Porträtingenieurs verwenden. Der Porträtingenieur muss die Qualität des Porträtetiketts und das Anwendungsszenario klar beschreiben Das kann der Empfehlungsranking-Ingenieur besser nutzen.
Extrahieren Sie die für das Unternehmen erforderliche Benutzerporträtklassifizierung aus den Benutzeranforderungen, hauptsächlich basierend auf den Kategorien der ersten und zweiten Ebene, mit dem Geschäftsprozess als Hauptklassifizierungsbasis, und erweitern und verbessern Sie sie weiter. 
