个推应用统计SDK是如何用大数据做行为预测的？

个推数据统计分析产品，通过可视化埋点技术及大数据分析能力从用户属性、渠道质量、行业对比等维度对 APP 进行全面的统计分析。

不仅可以及时统计用户的活跃、新增等，还可以分析卸载用户的成分、流向，此外还能实现流失、付费等用户关键行为的预测，从而帮助 APP 开发者实现用户精细化运营和全生命周期管理。其中值得一提的是，“个数”在“可视化埋点”及“行为预测”方面的创新，为 APP 开发者在实际运营中带来了极大的便利。

可视化埋点

埋点是指在产品流程的关键部位植入相关统计代码，以追踪用户行为，统计关键流程的使用程度，并将数据以日志的方式上报至服务器的过程。

目前，数据埋点采集模式主要有代码埋点、无埋点、可视化埋点等方式。

“代码埋点”是指在监控页面上加入基础 js，根据需求添加监控代码。它的优点是灵活，具有自定义设置、按需分析数据的功能。但针对复杂网站，开发者每次修改一个页面就得重新调整埋点方案，成本较大。

“无埋点”的原理是“全部采集，按需选取”，它可以对页面中所有交互元素的用户行为进行采集，先收集检测页面的内容，然后再通过界面配置决定分析哪些数据。但“无埋点”是标准化采集，如果需要设置自定义的采集方式仍需要代码埋点助力。

“可视化埋点”通常是指开发者通过设备连接用户行为分析工具，直接在数据接入管理界面上对可交互且交互后有效果的页面元素（如：图片、按钮、链接等）进行操作实现数据埋点，下发采集代码生效回数的埋点方式。个推应用统计“个数”就是可视化埋点的代表产品之一。

个推统计SDK为什么会增加可视化埋点功能？

当下移动互联网正处于高速发展且发展形势瞬息万变的阶段中，开发者需要及时根据大数据的分析、反馈，对业务功能做出调整。在传统的操作模式中，开发者了解不同节点的数据，就需要对相应代码里面的埋点进行修改，并测试发布，最后才能在应用商店审核、上线。这个周期耗时长，无法满足业务的需求。因此，个推应用统计“个数”采用“可视化埋点”的技术去帮助开发者解决这一痛点。

“个数”的可视化埋点灵活、方便，开发者不需对数据追踪点添加任何代码，只需要连接管理台并圈选页面中需要埋点的元素，即可添加随时生效的界面追踪点。同时“个数”拥有强大的数据分析能力，能够提供准确、有效的数据给开发者们。

可视化埋点主要具有以下特性：

零代码，无需代码，节省成本

免更新，新增便捷，无需升级

易测试，圈选测试，实时呈现

换而言之，可视化埋点不仅可以帮助企业节约成本，还可以提高开发人员和运营人员的工作效率。

行为预测

个推应用统计“个数”的行为预测主要包括流失预测、卸载预测、付费预测等，它的原理是基于 APP 历史行为数据构建算法模型预测用户关键行为，从而帮助开发者达到用户精细化运营和全生命周期管理的目的。

在这里需要注意的是，“个数”的行为预测与电商平台常用的个性化推荐不同，后者主要是基于用户近期的行为，如浏览记录、购买记录分析出用户可能需要的东西，而“个数”是对APP 各渠道卸载数、卸载趋势等指标的综合分析，是一种聚类分析，而非针对特定个体的行为分析。

行为预测的步骤

个推应用统计产品的行为预测主要分为以下几个步骤：

1、找到样本：从历史数据库中抽取；

2、特征抽取：将用户与数据库打通并匹配；

3、特征筛选：保留相关性高的或有价值的特征；

4、模型训练：将保留下来的特征放到模型中进行训练；

（在模型的选用上，个推应用统计“个数”主要用了逻辑回归，该模型相对深度学习等其他模型来说较为简单，但在特征的筛选上较好处理，得到的结果好解释并且稳定。）

5、参数优化：根据效果进行调整，如果结果不理想，即可返回调整参数重复以上流程。

实例分析

下面以“个数”的付费预测为例，梳理具体的实现过程。

1、目标问题分解

明确需要进行预测的问题即付费预测，以及确定时间跨度。

 2、分析样本数据

(1) 提取出所有用户的历史付费记录；

(2) 分析付费用户的构成，比如年龄层次、性别、购买力等；

(3) 提取非付费用户的历史数据（可以根据产品的需求，添加条件、或无条件地进行提取），比如活跃但非付费用户；

(4) 分析非付费用户的构成。

3、构建模型的特征

(1) 部分原始数据可以直接作为特征使用；

(2) 有些数据需要变特征，比如年龄，可以变换成少年、中年、老年等特征；

(3) 生成交叉特征，比如“中年”和“女性”两种特征，就可以合并为一个特征使用。

4、计算特征的相关性

(1) 计算特征饱和度，进行饱和度过滤；

(2) 计算特征 IV、卡方等指标，对进行特征相关性进行过滤。

5、选用逻辑回归进行建模

(1) 选择适当的参数进行建模；

(2) 模型训练好后，统计模型的精确度、召回率、AUC 等指标，来评价模型；

(3) 如果模型表现较好，则在验证集上做验证，通过后，进行模型保存和预测。

 6、预测

加载上述保存的模型，并加载预测数据，进行预测。

 7、监控

最后，运营人员还需要对每次预测结果进行关键指标监控，及时发现并解决出现的问题，防止意外情况的出现，导致预测无效或预测结果出现偏差。

有了精准的行为预测，运营者就可以将运营目标进行拆分、细化，具体到每个场景和流程当中，针对不同用户采取不同的推广渠道、运营策略。例如基于流失预测，运营者能够提前洞察到用户的流失行为，提早进行干预，通过个性化内容推荐、消息推送等运营手段对即将流失的用户进行挽留，从而降低流失率。总的来说，在大数据行为预测的帮助下，运营者能够更及时、更全面地了解用户，从而达到精细化运营的目的。

关于未来

接下来个推应用统计还将在其他领域做更多的探索，不断地挖掘大数据的潜力，结合反馈的数据进一步优化，围绕客户提供的样本数据做更深入的训练学习等，为开发者提供更全面的大数据服务。