手機用戶行為特征分析

黃棣

（上海交通大學 電子信息與電氣工程學院，上海 200240）

0 引言

當前手機已經普及，企業如果能夠充分利用收集到的客戶基本信息和消費行為信息，跟蹤并分析不同客戶的需求及其對新產品的接受程度，就能采取相應的措施完善客戶使用體驗并提升企業收益。

目前國內外對移動互聯網中用戶的研究一直比較關注，國內的研究側重于用戶偏好現象分析，國外的研究則側重于用戶滿意度、接受行為建模與仿真研究，主要以TAM模型作為基礎，整合創新擴散等其他理論[1]。已有多種新型用戶偏好提取算法被提出，如傳統用戶偏好提取技術與馬爾可夫決策過程建模方法相結合的用戶偏好評估模型[2]、文本挖掘算法[3-4]等。

本文重點討論用戶特征標簽的刻畫方法。通過建立適當的模型，在收集到客戶的使用特定業務行為、互聯網訪問行為等有效信息之后，對客戶在不同時間段的行為變化與頻次進行綜合分析，就能為客戶打上特征標簽，并應用于企業決策。

1 用戶行為評價模型

在分析用戶的偏好程度時，既要關注用戶對某類產品的使用次數，也要關注其近期使用該產品的連續性，結合這兩個因素進行綜合評分。

1.1 次數評分法

次數評分法即對用戶在某段時間內對業務的使用次數進行評分。由于用戶對不同業務的使用頻次不同，直接用使用次數進行評價，在不同的業務之間可比性不強。因此，可以將次數統一映射為0～100之間的分值來統一評價。如何合理地評分是關鍵，需要選擇合理的函數，本文設計了以下幾種評價函數。

次數評分法有兩個主要原則：第一，用戶使用某種產品的次數越多則評分越高；第二，由于很多用戶每月只使用數次，那么函數曲線應為上凸的。

常見的次數評分法有根號法、反正切法、指數法等，具體使用哪種方法應根據具體情況來確定。

（1）根號法

設計一個函數，將用戶的使用次數映射到區間[0，100]上的一個數值即分數。由于實際使用次數的非均勻性，同時對少數使用次數很多的用戶不需單獨進行分類，因此該映射函數可定義為：

其函數曲線如圖1所示。這種模型保證了y隨x單調遞增，并且函數曲線上凸，隨著x的增大曲線變得平緩，因為當使用次數足夠多時該用戶已經擁有較高的評分，說明為活躍用戶，則其分值的變化率應越來越小，接近于 0。當 x=0時（用戶撥打次數為 0）評分為 0，當 x=100時分值最大為100。

圖1 根號法評分示意圖

由于y最大為100，那么當x超出100時仍取分值y=100。這種函數模型適用于x的值分布范圍較小（最好在 0～100之間）的情況。

（2）反正切法

假設次數為x，評分公式為：

函數圖像如圖2所示。其中x/10是為了在x屬于[0，50]范圍內的函數曲線不至于太過平緩。這種函數也是單調遞增的，并且隨著x的增大曲線變得平緩，當x=0時y=0，當x趨于正無窮時y取最大值100。這種模型適用于 x的分布范圍較廣（0～+∞）的情況。

圖2 反正切法評分示意圖

（3）指數法

假設次數為x，評分公式為：

這里a的大小可以適當調整，一般可設定在1.1～2之間，本文取1.5；b根據基數大小取適當值，本文取10。如圖3所示，y隨x單調遞增，并且曲線逐漸變得平緩，當 x=0時 y=0，當 x趨于正無窮時 y取最大值 100。這種模型適用于 x分布范圍較廣的情況（0～+∞），注意到反正切法的模型中當x較小時y的變化率非常大，而指數法中y隨x的變化相對慢一些。

圖3 指數法評分示意圖

1.2 連續性評分法

評價假定：如果一個用戶在近幾個月內都使用某項業務，那么可以判斷該用戶為此項用戶的忠實用戶；如果僅在前期偶爾使用過，近期均未用過，則屬于該業務流失用戶。

基于此假設，可以對用戶在近3個月內使用某項業務的情況進行連續性評分。設當前月份為m，則m-2、m-1、m 3個月份使用連續評價規則可按表1進行定義。

表1 連續性評分規則

（表中前3列的 “1”表示在本月使用過該項業務，“0”表示未使用過）

1.3 基于分數的用戶分類

基于評分模型得到的分數，可對用戶進行分類，一種可能的分類方法如表2所示。

表2 用戶分類

1.4 各類偏好地址綜合統計

借助從運營商獲得的數據可以統計出各類偏好地址 （把得到分數不小于75即中度愛好程度以上的地址認定為用戶的偏好地址）的用戶數量，從而判斷各類網站的受歡迎程度。

2 網站主題評價

2.1 基于寬帶上網的網站主題評分

依據手機用戶利用寬帶上網對網站主題的訪問用戶數對網站主題進行評分。評分方法可以采用指數法，a取 1.5，根據用戶數的規模，b取 2 000。

2.2 基于手機上網的網站主題評分

依據手機直接上網用戶對網站主題的訪問用戶數對網站主題進行評分。評分方法與基于寬帶上網用戶的評分方法相同。

3 數據統計分析及特征標簽刻畫

根據某運營商一個月的數據，利用前文所定義的分析模型，可對用戶、網站主題進行以下特征刻畫。

3.1 上網方式偏好程度

統計得到的數據及其評價如表3所示。

表3 特征刻畫統計表

3.2 手機換購用戶預測

根據對相關主題網站的訪問統計，依據最近一周訪問量來分析手機換購用戶。

由于是對最近一周的用戶數據集中分析，那么不宜采用打分的方法對用戶分層。可以考慮使用定閾值的方法。如最近7天有3天以上訪問天數，且平均訪問同類偏好地址2次以上的用戶，當其在上月的偏好月表中不存在，則判斷其為有手機換購意向的用戶。以某一星期數據為例，統計總用戶數104 227，有換購意向的用戶數達318，表4列出了統計分布表 （只列出用戶數大于20的分布情況，天數是針對某特定主題，總天數是針對所有主題）。

表4 手機換購意向統計表（部分）

3.3 手機愛好者判定

對手機用戶一段時間內的訪問次數、訪問天數，分別根據前面的模型進行評分，得到一個總分：

得分=（天數得分+次數得分）/2，其中定義天數得分=100×（1-2-訪問天數/1.1068），次數得分=100×（1-2-訪問天數/1.1068）。

根據某運營商一周的統計數據，對用戶是否為體育迷進行分析，得到表5所示結果。

表5 手機用戶體育迷偏好等級

3.4 各類偏好地址綜合統計

3.4.1 移動寬帶上網偏好統計

參照從運營商獲得的某個月數據，找出曾經訪問過各類偏好地址的寬帶用戶191 613個，其中“3G達人”、“iphone4s”、“iphone 相關網站”、“手機綜合”、“手機軟件下載”的訪問用戶數量較大（高于 10 000），列出用戶數大于1 000的偏好分布如表6所示。

表6 寬帶訪問偏好地址分布（部分）

為了找出用戶訪問頻率較高的地址而不僅僅是用戶數量大的地址，再統計出有5天和5天以上訪問頻率的用戶1 583個，分布如表7所示。

3.4.2 手機直接上網偏好統計

根據運營商提供的月數據可以找出訪問各類地址的手機直接上網用戶193 148個，其中訪問次數最多的為13，列出用戶數大于1 000的偏好地址分布如表8所示。由統計結果可以看出，分布頻率較大的是“360手機衛士 ”、“Android 天氣通 ”、“天翼閱讀”、“安 卓 市 場 ”、“手機酷狗”。

表7 5天及以上訪問次數用戶分布

表8 手機上網偏好地址分布（部分）

4 結論

移動互聯網逐漸成為大眾生活必不可少的部分，移動互聯網服務已成為網絡服務發展的主流方向。為了提升客戶的使用體驗并為企業贏得更多的用戶，本文介紹了通過固網用戶的互聯網訪問行為以及手機用戶的訪問行為進行偏好分析并準確定位 “手機發燒友用戶”的方法，提供了3種常用的評分模型，描述了寬帶上網、手機上網數據分析的步驟和分析用戶特征的策略，以某運營商提供的數據為例找出了比較受歡迎的用戶偏好地址。企業可以以此進行用戶特征標簽的刻畫并將其應用于營銷服務活動，從而提升服務質量。

[1]徐瀟.移動軟件產品的用戶接受研究——以蘇寧彩票Android手機軟件為例[D].南京：南京理工大學，2014.

[2]黃海清，張平，張曦文.用戶偏好提取算法[J].無線電工程，2006，36（13）：16-19.

[3]吳雙.客戶需求信息管理與用戶偏好分析[J].科技致富向導，2013，25（17）：409-431.

[4]張歡.網絡用戶偏好分析方法的研究[D].北京：北京交通大學，2010.