用户画像通常通过职业、评分和单变量等方式进行分层。职业分层具有较高可解释性但区分度有限；评分分层依赖金融属性模型，可能降低业务可解释性；单变量分层则关注高区分度的变量，如高IV值特征。
用户分层
用户画像顾名思义就是通过用户的不同特征进行对用户打标签，一般我们做用户画像的方式有三种1.职业分层 、评分分层 、单变量标签分层。
职业分层
在风控领域的职业分层，比如士、农、工、商。我们可以通过用户职业进行区分，这种方法可解释性比较高，但是对用户的区分能力不强。
评分分层
评分分层就是通过我们的一些模型对用户做出的评分，评分模型一般都是跟用户的金融属性强相关，但是我们在做评分模型的时候可能会用到几十个变量和一些可解释性比较低的模型。这样就大大减少了业务层面的可解释性。
单变量分层
以上的两种分层方式都是通过用户的多个变量进行的分层方式，而单变量分层仅仅只用单个的变量分层。在我们选择单变量做分层的时候就要考虑到变量的区分程度，尽可能选择IV值高的变量
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
