一套可复用的高质量特征挖掘方法论

同样的数据，为什么别人能挖出金矿，你只能挖出噪音？“数据我们已经有很多了，但为什么模型就是不准？”“每天跑那么多特征，上线后效果还不如业务直觉…”，“用户标签打了一堆，营销时还是像在撒网…”

如果你或你的团队也曾被这些问题困扰，你不是一个人。数据泛滥时代，真正的挑战不是数据的数量，而是如何从噪音中识别信号，从无效数据中提取出能驱动业务的高质量特征。

本文内容节选自营销模型搭建实战：从原理到业务增长，年增收超千万。这套特征挖掘方法论同样适用于风控模型。

一、明确数据可挖掘的维度

首先要清楚能挖掘的数据维度有哪些。以电商平台为例，能挖掘的数据维度分为内部数据和外部数据。外部数据主要包括合作方能共享的数据，以及外接的三方数据，这部分数据主要看能获取的广度有多大，可能有些标签会很有效，但是变量衍生挖掘的空间有限。

我们主要能挖掘的是内部数据。内部数据主要是App和小程序内行为数据。主要包括：回收数据、埋点数据、App启动数据、搜索数据、ocd数据、订单数据、三要素和实名认证数据、业务行为数据、自建模型评分数据。多数企业的数据困境并非缺少数据，而是数据在“沉睡”。用户点击、浏览、停留、跳失… 行为日志堆积如山，却往往以最原始的方式存在于数据仓库中，成为“无效数据”。

真正的数据驱动，始于将这些沉睡的原始记录，转化为具有业务解释力的 “行为特征”。接下来以埋点数据为例说明如何挖掘变量。

二、埋点变量挖掘

原始埋点数据包含用户在不同平台（APP、小程序）、不同业务线、不同页面上的点击、曝光、停留等事件。若只是简单统计PV/UV，价值有限。但通过深度清洗、关联与聚合，这些数据被转化为一系列极具业务含义的强特征：

行为强度特征：如近7天点击分期介绍页次数、点击“提交订单”按钮次数。

行为结果特征：如授信结果页是否出现“额度申请未通过”。

行为路径特征：从点击分期介绍页，到进入授信页，再到查看推荐商品的完