基于用户画像 /AB 测试的产品定价

随着互联网的发展，大数据分析的逐渐成熟，行业中有很多场景需要基于用户行为进行产品决策，如何从海量的数据中分析有效的行为数据，如何正确的做出决策，成为了产品好坏的一个关键性因素。下面介绍一种广泛应用的决策模型：随机森林算法模型。随机森林模型应用场景非常广泛：比如金融行业的信用评估，可以使用随机森林的算法来建立风险评估模型；还比如空气质量预测评估等。以下是基于随机森林算法及 AB 测试来决策产品定价的简单介绍。

产品背景是在保证收益的情况下做最优定价，首先做一个 AB 测试数据分析：分阶梯和时间调整卖价。

  对照组 A 组：50%的流量；

实验组 B 组：25%的流量，改价，不修改排序；

实验组 C 组：25%的流量，改价，修改排序；

实验数据总结

可以看到当加价百分比为 6 时收益最大，可以将此部分精选加价商品范围扩大到所有商品

基于随机森林的模型

模型原理：从原始数据集里有选择的抽样放回，产生子训练集，根据子数据产生决策树，再进行训练得出模型，然后分别得出预测结果 再得出综合预测结果。

该部分商品购买情况由模型得出：

主要关键因素

1，  包邮

2，  卖价

3，  历史订单

4，  好评率

5，  是否是品牌

根据模型得出历史购买过“包邮类产品“&且产品卖价≤50 元 &历史订单≤30&好评率>80%

再根据目前 UV，转化率，均订单收益，精选商品/总商品，预测购买率等可以大致估算出调整后的收益。

参数值及权重排序

score, Coefficient: 0.634378452376165

price, Coefficient: 0.10429575242840453

comments, Coefficient: 0.05184254858085764

is_cover_express, Coefficient: 0.0416405191684143

distance, Coefficient: 0.04575842406628716

ability, Coefficient: 0.025255945556660823

is_brand, Coefficient: 0.02509361827655666

is_free_return, Coefficient: 0.024937164775479907

ever_buy, Coefficient: 0.01929652530587849

pay_type, Coefficient: 0.006224399546063248

client, Coefficient: 0.00533945895041629

预期结果： 

        If 满足要求   

        Predict:  1

将预期结果为 1 的值返回给前端，前端进行定价展示

数据监控：

1)          商品分布：商品分别情况

2)          转化率： 订单转化率是否有显著变化

3)          用户忠诚度： 新老用户复购情况

4)          用户流量变化：总流量、流量折损、是否有显著差异