二、分析思路确认

快速脑暴了下和支付相关的特征，举例 ：

▼ 支付基础特征

• 购买频次

• 购买金额

• 支付累计统计窗口（不同统计周期下用户的行为会有不同）

• ......

▼ 支付偏好特征

• 购买间隔天数

• 购买时机

• 笔单价

• ......

▼ 影响支付的营销特征

• 优惠券

• 促销活动

• • ......

  
  

提示：当然，如果觉得业务侧所关注的方向有些片面和局限，也可以从分析师角度，根据对业务的理解和洞察拓展一些画像维度，可以看看六哥的往期文章：用户画像到底该如何做？

其实想一想业务侧本质是想知道啥？

是想对比两个场景用户的差异

啥差异？

——基于业务所关注特征方面的结构分布差异

如何定义差异？

——差异的基石是对比，这个case主要就是两类群体间的比较，大盘的用户作为比较标的，对比分析场景用户与之的结构分布上有什么不同

既然是分布差异，好，基于这个目标

其实有2类方法可以实现：定性和定量方法

• 定性：用眼睛看

• 定量：用数字量

▋ 定性方法

第一时间想到的快速方法就是画图嘛！

非常方便快捷，又相对直观，且业务好理解

所以这里的定性，不是传统意义上的定义

就是一般我们所说的描述性统计

可以画画图看看分布差异，做做描述

但由于很难说清楚是在什么特征差异最大，所以是定性描述。

▋ 定量方法

这里六哥提供2种快速方法做参考 ~

在行研或者用户画像报告中经常用到的一个指标：TGI指数

▼ 方法介绍

TGI是Target Group Index的缩写，可以反应分类群体相比整体在某些特征的偏好程度（和平均水平对比）

计算公式：

TGI=[目标群体中具有某一特征的群体所占比例/总体中具有相同特征的群体所占比例]*标准数100。

含义解释：TGI的值和100的差距越大区分度越大越有价值

• >100则表示分类群体具有相对倾向或者偏好，数值越大倾向和偏好越强；

• <100则表示相关倾向较弱（和平均相比）；

• =100则表示平均水平。

▼ case分析

我拿列举的其中2个支付特征举例：

• S1：针对关注的特征，分别计算场景和大盘在各维度值下的uv占比

• S2：计算场景用户相对于大盘用户关于特征维值占比的偏好程度。

• S3：比较TGI指数大小，核心关注远小于100%和远大于100%的特征。发现相比大盘，场景用户近30天购买订单数和大盘用户结构差异较为明显。

▼ 优缺点总结

优点：

• 用较易理解和直观的方式，相对定量的对比衡量了群体间在某种特征上的差异。

• 计算逻辑较为简单，可以研究特征和目标人群的关联度，可快速发掘一些潜在用户和数据的潜在价值。

缺点：

• 受量级影响，波动幅度会较大，即如若分类群体的量级较少，TGI可能会失真，参考价值会减弱

• 如若特征较多，最后的结果呈现和展示不是很友好。

② 熵法

前面说是比较群体间基于某些特征的结构差异

其实就是大盘用户和场景用户在分布上有没有较大的区别

提到多类群体的特征差异，想到了啥？

在决策树里常用什么来度量特征的重要性？

——对，信息熵

信息熵就是对信息不确定性的期望度量

所以可以从熵的角度度量群体间的特征差异

▶ 比如利用信息增益，分析在哪些特征产生了较多的信息增益，也即场景与大盘的显著差异是在哪些特征

▶ 也可以利用相对熵，度量各群体特征分布之间的差异

这里我们针对信息增益方法来做介绍

▼ 方法介绍

信息增益的原理大家都有一定的了解，网上也有很多资料，其实核心原理就是：代表了在一个条件下，信息复杂度（不确定性）减少的程度。

信息增益 = 分类前的总体熵 - 分类后的信息熵

用特征条件对原变量分类后，原变量的不确定性就会减小，不确定程度减少了多少就是信息的增益。信息增益越大，说明这个特征越有用。

直接抛出信息增益计算公式：

提示：这里信息增益率可以修正样本数非常少时，增益非常大的极值情况，故要较信息增益更好些~

▼ case分析

同样，拿列举的其中2个支付特征，针对信息增益率方法来举例：

• S1：以是否为场景用户作为Y取值，计算整体熵

• S2：针对关注的分类特征，分别计算各维值X条件下用户的信息增益

• S3：计算在此分类特征下，场景用户的信息增益率

• S4：比较信息增益率大小。发现相比大盘，场景用户仍旧是近30天购买订单数和大盘用户结构差异较为明显。与前面结论一致~

▼ 优缺点总结

优点：

• 针对多个特征时，若利用信息增益率方法结果会相对清晰明了些；

• 相比描述性统计，针对性较强，重点关注信息增益率高的特征做进一步研究分析，会减少一些无用功。

缺点：

• 对分析师而言，相比定量方法计算逻辑较为复杂和费时，且需要注意一些细节点。

• 对业务侧而言，存在一定的解释成本。

针对缺点1，可在数据获取时

利用sql实现重要特征筛选的计算：

#数据准备

#第二步：计算条件熵值