学生电子画像应用学习成绩，毕业去向可预测，电子科技大学“学生画像”系统亮相第二届大数据教育高峰论坛|上海羊羽卓进出口贸易有限公司

学习成绩、毕业去向可预测，电子科技大学“学生画像”系统亮相第二届大数据教育高峰论坛

5月19日，由教育部高等学校计算机类专业教学指导委员会主办，清华大学出版社和康邦教育技术研究院协办，电子科技大学承办的第二届大数据教育高峰论坛在成都举行。此次论坛为期两天，来自全国各地大数据领域的专家和学者分享了大数据专业的建设经验，对产、学、研合作的可能进行了深入交流。

在此次论坛中，由电子科技大学大数据研究中心教育大数据研究所研发的“学生画像”系统引发了大家的关注。在大数据研究尚处于起步阶段的今天，电子科技大学的大数据系统已经将其很好的运用到了校园管理当中。

电子科技大学经过大数据的记录和研究发现，根据学生出入寝室的时间、进出图书馆的次数、借阅书籍的种类，甚至包括在教学楼打水的次数、去澡堂洗澡的时间等，可以计算出每名学生的学习、生活状态，从而预测学生是否有挂科的可能，为教师更好地辅导学生提供帮助。大数据表明，学习成绩优异的学生，大部分都有着更好的生活规律。

同时，“学生画像”还拥有独特的“朋友圈”模块，能够分析寻找同校的朋友。电子科技大学经过仔细论证得出以下结论：两个人关系越亲密，共同行动的概率就越大，而陌生人则相反。因此，大数据显示，学霸的身边经常围绕着学霸，成绩较好的人，身边的朋友成绩也相对较好。

另外，根据学生借阅的书籍类型，参与的活动喜好和日常成绩等大数据，“学生画像”可以预测学生的创新创业倾向、毕业去向和出国考研概率等。通过这些数据，有利于教师在学生的学习生活中，给予更好的指导和帮助。

而大数据根据消费习惯、消费金额和消费内容等，还可以推测出学生的贫困程度，从而帮助学校提供更为精准的帮扶工作。如果学生数日未在校园里有行为记录，系统也可以迅速向教师发出疑似失联预警，并通过“朋友圈”模块，提供寻找帮助。

据悉，未来电子科技大学还将继续研发K12大数据应用，用大数据的研究成果推进教育现代化建设，提高教学和管理水平。

成都商报客户端见习记者胡越

用户画像的典型应用场景及案例分享

开启精益成长

上文我们介绍了用户画像体系的生成逻辑，今天我们继续分享用户画像的应用场景及典型案例。

First Point

用户画像的典型应用场景

1.1 个性化推荐

标签可以作为个性化推荐算法的一部分输入，用户标签体系可以在个性化推荐中起到关键作用。

以电商业务场景为例，我们可以将用户路径划分为6个环节：闲逛-搜索-比价-购买-晒单-分享。每个环节中推荐商品的策略都有所不同，需要有用户标签才能实现推荐信息精准触达目标用户。

闲逛，根据用户全网购物偏好标签，为其推荐符合与其偏好一致的跨品类热门商品。

搜索，根据用户在列表页的点击行为、搜索商品的关键词，结合全网购物偏好，为用户生成个性化排序列表页中的商品。

比价，所对比的商品特征和全网购物偏好，推荐用户最有可能购买的商品。

购买，结合用户购物车中的商品，推荐跨品类搭配商品或相关优惠套装。

晒单，晒单后，根据全网购物偏好，结合会员积分和优惠券进行个性化推荐。

分享，快消品，根据复购周期推荐同类商品；耐用品，根据购物偏好推荐关联商品。

整个路径可以描述从用户没有明确的购买需求，到查看相关信息确认购买目标，再通过不同商品的价格对比制定购买决策，获得优惠信息产生加购或者直接购买行为，最后实现用户晒单等分享行为。

业务导向的用户标签体系是自下而上进行构建的，要求企业能从整体出发判断用户当前所处的场景，再设置对应的业务目标，进而确定为了达成业务目标所需要的标签，再去反推该标签是通过何种算法和规则生成的，最后再去反推标签最底层的元数据是什么。

这样基于业务需求或者实际产品来构建的标签体系，更有助于实现业务目标。而不是凭空给用户打了成百上千个标签，却没有实际效果。

1.2 协同推荐

协同推荐指电商平台中推荐系统的一种算法，利用某兴趣相投、拥有共同购物需求的群体喜好来推荐用户感兴趣的信息，例如淘宝的“猜你喜欢”。

在垂直应用领域，企业通常根据用户的偏好标签实现用户的兴趣扩散。协同推荐的算法分为两个方面：不同用户之间的关联度、用户和商品之间的关联度。

举个例子，如果我们现在有U1、U2、U3这些用户数据，想要给第N个用户推荐一些合适的商品，这时候我们需要两部分的内容：

•不同用户之间的相似度

•不同用户和不同商品之间的关联度

协同推荐的基本逻辑如下：

•先通过用户标签找到和第N个用户相似的一批用户，即和第N个人打上相同标签的一批人；

•按照蓝色路径计算，U3、U1与Un的相似度分别是0.45和0.3；

•按照红色路径计算，U2、U1与Un的相似度分别是0.4和0.35；

•所有路径的相似度叠加之后，U1、U3、U2与Un的相似度分别是0.55、0.45和0.4；

•由此判定，U1和Un是最相像的。所以，可以把U1买过但是Un还没有买过的商品推荐给Un，Un可能会把它加入购物车。

当第N个用户进入电商平台中，就能通过两方面的计算结果，展示用户最有可能感兴趣的商品。不难发现，协同推荐的关键是算法对用户的不同标签进行加权计算。

1.3 RTB广告

RTB（Real Time Bidding）广告，即“实时竞价”广告，其提升了网络广告投放的精准性，广告主要求获得可观的广告投入产出比，媒体平台则需要有足够的用户浏览量作为实现变现的前提。

RTB广告应用标签时描述的就是一个基本广告投放流程：从用户侧访问到媒体的流量侧，然后将广告主的预算发到广告平台上，最终完成广告投放。

上述三个主体在数据交易方面各有利益倾向：广告平台想要保证最大收益；广告主想要保证总体投入的ROI；流量平台想要保证自己的位置能产生足够的流量变现。

•广告主自己的DSP

通常，广告主会构建自己的DSP，即用于网络投放的数据平台，其中保存大量的用户标签。

•第三方DSP

有的广告主会对接第三方的DSP，作为自己数据的一个加值，加值自身所不具备的数据标签。

•免费产品盈利

很多产品可能是免费使用的，但其实本身他就是采集很多数据，再把这些数据加工成标签，再卖给一些广告平台，通过数据变现产生盈利，然后再去支撑前端免费的业务。

三者之间的利益平衡只能通过“在合适的时间，在合适的广告位置，把合适的广告内容，曝光给合适的人”来实现——这就需要投放算法和构建完善的用户标签体系。

Second Point

用户画像的行业应用案例

行业应用案例之某银行

银行业是最早开始进行用户标签体系的行业之一，原因有三：一，银行拥有丰富且高质量的用户数据；二，银行在信用卡等业务版块有着非常强烈的营销需求；三，银行有充足的资金委托第三方公司为其进行用户标签体系的建设。

易观方舟服务的该银行，采用的数据包括行业资深行为数据、该银行内的储藏的数据，以及他们在第三方外部采买的一些数据，如征信的数据和运营商的数据，共同形成用户标签体系。

●系统定位

整合行内各渠道用户行为数据、数据仓库数据及行外第三方数据，挖掘用户潜在需求，形成用户画像；针对不同用户画像制定营销规则，将个性化营销策略推送到各电子渠道，支持未来互联网场景化营销。

●核心功能

我们依据实际应用场景，构建了以下核心功能：

○ 用户画像：基于用户交易记录和实时行为，形成个性化的客户标签，通过标签的组合，构建出客户的用户画像。

○ 个性化精准推荐：基于推荐算法和规则，通过引擎，实时生成个性化推荐建议。

○ 模型实验室：对算法模型进行训练和优化。

○ 推荐效果评估：通过模型计算，评估推荐效果，识别推荐的有效性与否。

○ 权益投放策略管理：依据营销方案，结合产品、服务特征，实现个性化推荐线上权益的投放策略，及投放效果评估。

○ 广告投放策略管理：依据营销方案，结合渠道、内容特征，实现个性化推荐线上广告及投放效果评估。

● 解决方案

落实到解决方案层面，我们主要做了三件事情：

a.构建基础性标签，依据客户浏览、购买、持有、赎回、续约等配置资产行为及对应的产品特征不同，分别统计每个理财有效客户在4类近20个产品上的年日均余额及资产占比，统计得出产品三性偏好基础标签。

b.商业建模，基于基础标签进行商业建模，形成流动性、安全性、收益性标签。流动性标签：产品流动性偏好、交易频次、特殊行为(提前赎回理财转让)等；风险性标签：产品风险性偏好、风险信用等；收益性标签：产品收益性偏好、持有时长等。

c.用户分群，按照用户每个标签的“高-中-低”结果进行分类，将客户分为27类，并制定对应的营销策略。

这是构建用户标签体系的基本思路，掌握其方法论就能以不变应万变。因为底层逻辑始终不变，会随环境变化只是数据的来源和标签体系的应用场景。

行业应用案例之某券商

我们在给某券商做用户标签体系项目的时候，根据客户属性、客户行为、客户价值，生成了14个一级标签；每个一级标签，下分为若干个二级、三级标签……这些标签的数据来源包括一方数据、埋码采集（BDI）数据和第三方数据。

以“网上开户上网特征”举例，基于该一级标签衍生出2个二级标签：“PC端开户上网特征”和“移动端开户上网特征”；每个二级标签继续衍生出上网时长、上网时段、上网频次、终端类型、操作系统、浏览器等三级标签……这类细致、精准的标签非常利于优化券商开户的用户体验。

因为券商的开户与APP注册不同，除了手机号、姓名之外，还要填写大量繁杂的个人信息。很多用户可能填一半的时候就填不下去了，线上客户流失率较高；这时需要利用到用户标签来筛查是哪些用户的流失率较高，他们使用的终端是什么、浏览器是什么、通常在什么时段开户、该时段的服务器是否稳定……我们可以对症下药，对其进行优化迭代，从而优化用户体验。

通过以上案例不难发现，构建一个完整的用户标签体系是比较复杂的，完善的用户画像可能涉及到几百个标签的构建。

但即使面对一套庞大的标签体系建设，我们依然可以通过自下而上的方式，将场景切割成多个细分垂直的标签类目。

通常来说，构建完善的用户画像可能只需要几个月就可以完成，但构建的完成并不是标签体系的终点。用户标签体系有其自身的生命周期，需要企业在几年甚至更长的时间内持续维护用户标签体系，使其能为我们的业务增长不断助力。

Analysys

关于易观数科

易观数科是国内专业的全场景私域用户运营解决方案服务商，旗下拥有易观方舟智能分析、易观方舟智能运营、易观方舟智能画像三大产品组件及配套咨询服务，帮助企业沉淀数字用户资产，打造数据驱动运营闭环，建立私域用户亲密关系，实现精益成长。

学生电子画像应用学习成绩，毕业去向可预测，电子科技大学“学生画像”系统亮相第二届大数据教育高峰论坛

学习成绩、毕业去向可预测，电子科技大学“学生画像”系统亮相第二届大数据教育高峰论坛

用户画像的典型应用场景及案例分享

汽车的电子电气有哪些应用集度汽车取得车载电子电气系统专利，广泛应用于不同类型的车辆，具有较强的扩展性与适应能力

电子公文密码应用常用的8款文件加密软件分享｜电脑办公文件怎么加密？赶快码住！

电子交换树脂应用离子交换树脂的应用领域

山东电子应用市场山东上市公司一周热度榜｜A股消费电子“涨声”一片，鼎信通讯三连涨停