預測服務基於華為分析服務（Analytics Kit）上報的用戶行為數據和屬性，結合機器學習技術，實現特定目標人群的精准預測。針對預測生成的細分受眾群體，開展和優化相關運營舉措，如通過A/B測試評估運營活動效果、遠程配置特定受眾群體的專屬套餐等，可有效幫助產品提高用戶留存，增加轉化。
使用預測服務前，需要先集成華為分析服務的SDK，這樣系統才可以順利開展流失、付費、復購以及自定義預測任務。在詳情界面可以查看相關預測人群的高中低概率對應人群數量，及其相應的屬性分布（比如詳情頁的高概率流失人群，表示該人群在未來7日內有較高概率流失，您可以通過相關卡片，觀察其行為特點並制定針對性運營計划）。
預測任務和預測詳情界面如下所示：
*數據為模擬
預測模型構建流程
在構建預測模型的時候，首先是確定我們要預測什么，即確立預測的統計口徑，然后根據統計口徑圍繞用戶特點尋找對應相關的特征，通過清洗和采樣得到數據集。我們把數據集二八分得到訓練集和驗證集，在線下進行不斷實驗找到最優特征和參數，最后根據相關數據在線上調度訓練預測任務。
具體流程圖如下所示：
特征、模型選擇和調優
特征探索
項目初期，我們分析數據，從屬性、行為、需求三方面入手，尋找與業務有可能相關的變量，構建特征表，比如用戶近7天的活躍天數、使用時長等行為數據。
在確定特征之后，下一步就是在實驗中進行模型的選擇和調優了，業界常用的樹形模型有xgboost、隨機森林、GBDT等，把我們的數據集用這幾種模型進行訓練，發現在隨機森林上效果較好，其采用bagging策略提高模型擬合能力和泛化能力。
除了模型參數，也要考慮采樣比，尤其是對於付費預測這種正負樣本懸殊的情況（大約1:100），綜合考慮Accuracy和Recall, 付費訓練時將正負樣本比例采樣至1.5:1, 以提高模型付費用戶召回率。
超參與特征確立
訓練出了合適的模型，但並非所有特征都是有用的，無用特征除了可能會影響模型效果，也會減慢訓練速度。在初期版本中，通過實驗確定合適的超參和特征，特征按照特征重要性排序選擇權重較大的，在線上版本中配置對應的超參和特征。
在版本上線之后還需要不斷觀察數據、分析數據、補充特征，我們在后續版本中主要新增了事件特征與趨勢特征，補充后總計400+特征。
自動超參搜索
在挖掘出更多的特征之后，如果都是全量特征訓練可能效果未必會好，而且也會非常耗時。同時，可能每個App訓練時可能最優的超參和特征並不相同，最好是每個App分開訓練且使用自己最優的超參和特征。
為了解決這些問題，我們增加了自動的超參搜索，可以在配置好的參數空間里搜索，找到並保存合適的訓練參數。搜索完之后的最優超參保存在如下結構的hive表中。
當前的整體流程以及外部依賴如下所示：
**
未來方向**
在未來提高模型效果上，我們也有很多思考，預研的方向大致如下：
神經網絡
當前的特征規模不斷擴大（400+），而用戶行為的規律又十分復雜，除了使用原有的樹形模型，也在嘗試利用神經網絡強大的表達能力，結合行為特征訓練出更准確的預測模型。
聯邦學習
對於各App、各租戶數據不可互通的問題，可以通過橫向聯邦學習聯合各個App、各個租戶間的模型，在數據不互通的前提下協同訓練。
時序特征
不同App的用戶每周上報數百個事件（涵蓋1000+種類），訪問近百個頁面，通過這些時序數據可以構造出不同用戶的長短期行為特征，提高不同場景預測的准確率。用戶訪問頁面的行為有較高的時序特點，可以加工成時間序列特征，有較高的研究價值。
特征挖掘和加工
對目前的特征集擴充、補充，一方面挖掘更多的相關特征比如平均使用間隔、設備屬性、安裝渠道、國家省市等特征。另一方面基於現有特征通過離散化、歸一化、開方、平方、笛卡爾積、多重笛卡爾積等等方法構造更多新特征。
欲了解更多華為預測服務詳情，請點擊>>
原文鏈接：https://developer.huawei.com/consumer/cn/forum/topic/0201531105555090343?fid=18
原作者：胡椒