应用：用户生命周期

摘要：设计一套完整的用户生命周期策略，极大程度上会提高用户活跃，降低用户流失，反应用户留存，为平台运营的不可或缺的一环

定义

用户生命周期是指用户从加入平台开始，熟悉平台，参与平台，最终流失的整个过程。用户的生命周期相对于自身而言，是一种参与度的变化，参与度也可以称之为活跃度。

如何定义参与度？

以电商平台而言，冒泡（打开app），浏览，点击，搜索，收藏，加购物车，下单，评论等都是用户参与平台的主要行为，综合考虑（但不限于此）这些因素，

活跃度：

θ = α1* pv + α2 * click + α3* search + α4 * clc + α5* cart + α6* order + α7* comment + bubble

*其中，θ是活跃度，pv是用户浏览量，click是用户点击量，search是用户搜索量，clc是用户收藏量，cart是用户加购物车次，order为用户订单量，comment为用户评论量

α1 为全部用户冒泡次数 与 全部用户浏览量之比；

α2 为全部用户冒泡次数 与 全部用户点击量之比；

...

这样保证了，所有平台参与行为与用户活跃情况成正相关，同时动态变化的降低了操作成本低的变量的权重，也满足奥卡姆剃刀原理

后续再利用活跃度来直接衡量生命周期状态。

如何定义生命周期？

• 以电商平台为例，考虑用户的行为，先来定义生命周期状态划分逻辑： 1.计算用户连续N(N>3)个周期内的参与度组成特征向量 2.形成不同生命周期下的模式特征向量 3.分类用户的特征向量如下：

• 定义完整的用户生命周期状态后，再对用户的生命周期做session切分，根据聚类算法，将样本用户进行聚类，形成聚类中心，判断用户距离聚类中心距离，匹配用户所处的生命周期详细位置，反过来输出分位数，判断用户生命周期类型。

下面思考如何优化kmeans解决这个问题：

考虑到业务开发的效率等原因，常规的聚类算法中，kmeans常常为优先考虑的算法，但实际运用过程中，需要根据不同的问题有差异化的优化。

1.考虑用户的特征偏移

可能存在用户的活跃属性间断，比如用户外出出差一周，导致某个单位统计时间内平台参与度下降，用户的活跃属性下降，而实际用户为真实高活跃用户，只是出现异常间断点，影响用户活跃的最终判断，利用语义分析中的最佳路径计算方式解决这个问题。

这三条线中，蓝色和青色线的分布走势类似，而红色线条的差异较大；计算蓝色-->红色的欧式距离，蓝色-->青色的欧式距离，发现蓝色-->青色的欧式距离反而大于蓝色-->红色的欧式距离，时间波动的情况下，欧式距离偏差较大。

所以，常规意义上的kmeans等基于欧式距离的算法这种情况下，使用较为局限。所以在整体思路不变的情况下，就距离计算，我们可以参考语音分析里面的DP（最佳路径规划算法），构造邻接矩阵，寻找最小最小路径和

实际在计算蓝色曲线到青色曲线的距离的时候，同时计算AB（蓝色曲线当前位置A点到前一个时间段青色曲线位置B）、AC（蓝色曲线当前位置A点到当前时间段青色曲线位置C），AD（蓝色曲线当前位置A点到后一个时间段青色曲线位置D）的距离，综合判断一个点最短路径；再根据曲线上的每一个点，会形成一个矩阵，判断矩阵的每个点的最佳路径即可

可以用如下的公式表述：

其中，

就是路径选择的过程

以上述的计算方式替换掉常规的kmeans中的欧式距离，提高了相似度的计算精度。

2.常规等距划分session不适用于生命周期

就用户平台活跃而言，不同用户可采用的用户时间窗口不同，新加入的用户可能可获取的时间长度较短；用户判断过程中的session与平台确定已知的生命周期session固定判断长度也是不相同的。同时，kmeans中的距离判断方法不能同时考虑到不同session下的距离计算问题

最简单常规的计算方式：

是补全较短的session的时间窗口，在相同的时间窗口之下，再去计算较短的时间窗口与较长的时间窗口下的生命周期的均值，这样会人为干涉过多，数据质量较低，图b即为数据补齐

"STS距离"计算方式：

在长时间窗口{r}集合中，寻找时间窗口长度子集，使得子集中的元长度与s曲线缺失的长度一致，在以s断点处开始向后寻找{r}子集合中的所有满足的元，再以均值时间序列替换原来的子集中的元作为r和s的拟合曲线，循环往复计算中心曲线2，如图c

有了补齐长度下的中心曲线，再便可采用kmeans的常规方式，计算各时间长度窗口下的生命周期的距离

3.附加限制属性

再最后落地生命周期的长度的时候，考虑到商品平台的特殊属性，比如：

• 商品周期性（奶粉用户周期购买等）
• 用户偏好属性(酒店用户品质偏好等）
• 平台的时间依赖情况(夏季冬季季节偏好等）
• ...... 以上即为如何通过kmeans来确定一个用户所属的生命周期阶段

​

​

*本文参考文献如下：

1.不等长时间序列下的滑窗相似度

2.kmeans距离计算方式剖析

​