文章分享了一种挖掘潜在用户的算法，与大家分享，希望可以給大家带来启发。
你是否收到过促销短信？
你是否在打开APP时发现有商家推送优惠消息？
这只是简单的群发么？当然不是。
你在网站上的所有行为，代表着你的意向和需求，所以通过算法，网站就能把你推送给相应店家。
你以为网站靠卖卖卖赚钱，对没错，卖的就是你。
这只是个玩笑，接下来要讲的是，玩笑背后的真实买卖——如何挖掘潜在用户。
你关注过B端客户的需求吗？潜客推荐区别于“猜你喜欢”：发现用户是帮助B端客户挖掘潜客；猜你喜欢是帮助用户更了解自己的需求。以淘宝为例，为用户推送她关注的红色连衣裙，用推荐算法；那推荐哪个卖家的这条裙子呢，那就是要用到挖掘潜客了。
算法不同：猜你喜欢主要是相似度算法，潜客推荐主要是客观赋权和评分算法。
潜客推荐有什么用？接下来要介绍的发现潜客算法：
怎么找到潜在用户？全网用户的所有行为：为了更好地说明，简化为浏览、收藏、在线咨询这三种行为。
这里涉及到一个概念“差异驱动”：当评价对象在某一指标的差异越大时，我们认为这个评价指标的重要性越大。
所以，这三种行为代表用户购买意愿由弱到强。
2.算法逻辑第一步：计算行为的出现概率
首先，通过近一个月的用户行为数据，算出浏览、收藏、在线咨询这三种行为出现的概率，依次记做P’1、P’2、P’3，假设计算结果为70%、20%、10%。
第二步：为不同行为客观赋权
我们需要利用信息熵来对行为客观赋权。主观上，也可以自定义权重，当然也能根据上一步的概率来赋权，但为了更精确地进行用户评分，需要用特定算法来处理。
首先，信息熵计算
信息熵是衡量一个系统的有序化程度，熵越大表示信息无序化程度越高，信息效用越低。比如球场上一方胜率为70%另一方30%，比两方胜率不明确（均为50%）的熵要小，胜率越明确信息越有效。
其原理可参考论文《利用信息熵计算评价指标权重原理及实例》，作者罗进。
信息熵由信息论之父Shannon提出 ，公式为：
这里的Pi就是代表某一行为的概率，该公式是正相关的关系，但本文中“用户行为的P’i越小表示行为越重要，故权重越小”，为了纠正变量之间的关系，取其倒数Pi=1/P’i，这样才符合我们需求——变量负相关。
接着，数据归一化处理
由于不同行为的性质不同，如果直接用原始值进行对比，就会突出数值较高的指标在综合分析中的作用，同时弱化数值较低的指标的作用，从而使各指标以不等权参加运算分析。为避免这一点，会对数据进行无量纲化处理，也称归一化。算法多样化，一般是算出标准差或极值来作为归一化的系数，记做C。
具体计算方法和原理可参考：http://www.docin.com/p-674202391.html
最后，行为权重计算
加入归一化系数，使权重统一化，公式为：
第三步：行为分值确定
给每种行为分配分值：
设浏览行为的分值为T1，则收藏T2=T1*(W2/W1)，电话咨询T3=T1*(W3/W1)
第四步：用户评分
小明今天浏览、收藏、电话咨询的次数记为a、b、c，那么其分数为：
效果评估首先，此算法可以有多种变种。如果要做得更圆满，应该还要考虑权重的时间变化（比如永远以最近30天的行为来计算概率）、加入用户的消极行为（取关、投诉、差评）、用户习惯（购买周期、页面停留时间等）、用户现状（已购哪些、已退哪些、收藏哪些）等完善用户画像。
联系客服
