行为分析技术及其商业应用

       人的行为是否可预见？这是人类探索了多年的课题。一方面，心理学研究甚至生活常识已经告诉我们：人的行为是习惯的产物，生活中的行为很多是可预见的。而另一方面，人类的生活又充满波动性，如此来看行为似乎又是不可预测的。在大数据时代，人们留下了大量的行为轨迹，购物、浏览、消费、出行等行为都被记录和保存。当这些大量的数据被收集和审视，我们会发现人类行为的规律性远大于随机性，而且具有某种可被识别的重复模式。正如马克.吐温所说“历史不会重演，却自有其韵律”，抛开形而上的讨论，在实践领域这种可被模式化的行为预测已在诸多领域被成功应用：亚马逊基于顾客的购物历史向顾客推荐商品，Google通过用户的搜索记录精准呈现广告，美国孟菲斯市采用犯罪行为预测技术极大地降低了城市的犯罪率。近年来，更多的学术研究和实践项目已表明，在大量数据的基础上人类许多行为的可预测性已经远远超出了原来的认识，并且这些技术正在产生出越来越多的社会与商业效益。

      统计学、心理学和社交关系学方面所取得的巨大进步为人们通过细微差别找到人类动力学的行为模式提供了有力的研究工具，而采用其他方法却很难发现这些细微差别。美国东北大学的研究人员通过追踪10万个欧洲手机用户的出行路线发现，人们的下一步行为是可以预知的。在对1600多万个手机通话日期、时间和位置进行分析并综合考虑各种因素后发现，人们的移动很明显遵循一套数学模式。实验成果表明，通过人们足够多的过去移动轨迹信息，就能够预测出此人未来所处的位置，精确性可以达到93.6%。

      麻省理工的一项研究是针对多个家庭的社交活动状况。在获得这些家庭成员授权的前提下，研究人员将传感器和专用软件安装在这些家庭成员所使用的智能手机上，然后跟踪记录了他们的移动位置、社交圈、情绪、健康状况、通话习惯和消费行为。根据收集到的用户大量生活细节数据进行分析，发现了许多人类行为方式的规律性。该项研究表明人们每天所做的事情中有超过90%几乎完全遵从惯常的程序，这些行为可以采用数学方法进行建模和预测。

    不光是个体行为，甚至群体行为也存在着可预测性。作为一种社会性动物，个体的行为从来都在受着他人的影响，同时也在影响着他人。了解群体行为的关键是要了解思想的传递，而大数据的分析模式能洞悉社会的运转，其中包括人与人之间思想和信息的流动。麻省理工的研究人员通过研究社会互动方式（面对面的交谈、电话呼叫、社交媒体信息交流）、量度个人消费行为中表现出来的探索新事物的特征、了解出行习惯等手段，建立了一套被称为“团体动力学”的计算模型。基于这套分析理论的多个应用案例取得了令人注目的实际效果，如在美国银行呼叫中心的应用中，使用该体系测量并优化了诸多影响服务团队交流的因素，获得了大量的生产力提升。甚至个体生活偏好推测也能基于这样的方式进行。同样面向群体性研究的社交网络分析技术能对电话联系、社交网站关注等关系构成的信息传播网络进行分析，并对信息传播、态度影响这些方面进行定量计算和预测。

    对大数据分析的目的可以分为两大类，描述性分析与预测性分析。描述性分析说明过去的情况，而预测性分析则展望未来。面向客户的分析被众多标杆厂商作为大数据应用的主要方向，产品推荐、信用评估、客户保有、产品创新等应用其实就是对客户的某一方面的行为进行预测，而上述技术将为这些应用提供坚实的基础。在零售领域，创业公司Retention Science发布了一个为电子商务企业提供增强用户粘性的数据分析与市场策略设计的平台，它的用户建模引擎具备自学习功能，通过相应的统计模型和算法来预测用户行为并优化用户粘性策略。该平台实时进行用户数据分析，确保了预测总是符合最新的实际用户行为，并根据这些行为预测来进行促销策略的设计。

    在电信行业，随着传统电信市场用户的增长趋势放缓，靠增量客户拉动收入增长的发展方式已难以为继，存量客户成为运营商最大的资源优势，加强存量市场经营已是必然选择。同时，移动互联网时代的产品注重用户个性化需求的满足。两者都要求运营商必须具备个性化需求的识别能力，以用户为中心，智能识别使用场景与消费需求。中兴通讯吸收了当前学术界的前沿成果，并在自有大数据技术的支撑下和既往数据分析产品的积累上，研究发展了面向通信行业的用户画像解决方案。基于移动终端的用户行为无疑是对用户生活最全面的记录，我们的研究进一步揭示了用户每天的移动轨迹、通话记录、浏览行为等都具有极强的重复性和模式性。通过对这些模式的分析提取，将能做到全面的用户洞察，有力支撑流量经营和精准营销。该解决方案具有如下几方面的特性：

    ● 能全面采集通话、位置、业务消费、Web浏览、APP使用等各方面内容的详细信息。综合以往分离在不同业务系统、不同网络层面的用户行为数据，形成统一的全方位用户视图。

    ● 通过深度的数据挖掘方法，发现海量行为数据中的不同行为模式，并据此进行用户划分，以支撑差异化需求的识别。如对用户的浏览行为进行分析，不但能区分出该用户的使用时段、地点，并且基于内容的分析还能发掘出用户的兴趣偏好。而基于位置信息的轨迹分析能识别出用户的出行轨迹，进而对其用户的社会属性进行推断。

    ● 对各种分析的结果以标签化的形式来表达和管理。相比“平均周末CBD驻留时间3.2小时”这样的数据，“爱逛街”这样的标签更易于业务线人员的理解和使用。在数据分析和标签体系的支撑下，完成了从用户数据到用户信息，并产生用户知识的过程。标签体系的完善过程就是用户知识的积累过程，为差异化服务夯实基础。基于标签的客户分群管理手段更对产品策划、推广、反馈的完整流程提供了便利的支持。

    技术的进步正在让人类的行为变得可量度、可预测，同时行业的发展也在呼唤这样的技术。从语音到数据、从字节到内容，行为分析为我们勾勒出一个个鲜明的个体，一幅幅清晰的场景。在移动互联的大背景下，产品的差异化其实就是应用场景的差异化，识别出场景，区分出差异才能提炼出需求，行为分析技术正是拨云见日的利器。