用户画像建设

男娘i 2021-09-21 16:12 404阅读 0赞

# 用户画像 #

用户画像，即用户信息标签化，是大数据精细化运营和精准营销服务的基础。

在大数据的时代下，用户的一切行为是可追溯和分析的。

用户画像是通过分析用户的基础信息、特征偏好、社会属性等各维度的数据，刻画出用户的信息全貌，从中挖掘用户价值。

它可以帮助数据“起死回生”，提供个性化推荐、精准营销、个性化服务。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI5MTA1NQ_size_16_color_FFFFFF_t_70][]![用户画像][5b3dd85af68b2eb5a8a5ca8c7ca5a57f.png]

# 画像基础 #

## 1.1 标签类型 ##

用户画像建模其实就是对用户“打标签”，一般分为三类：

● 统计类标签：最基础常见的标签，从用户注册数据、用户访问数据中统计得出。

● 规则类标签：基于用户行为及规则产生，通常由对业务更为熟悉的运营人员和数据人员共同协商确定。

● 机器学习挖掘类标签：通过机器学习挖掘产生，根据某些用户行为或熟悉进行预测判断。

例如，根据一个用户购买化妆品护肤品的次数权重更高，得出该用户的性别是女性。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI5MTA1NQ_size_16_color_FFFFFF_t_70 1][]

## 1.2 数据结构 ##

画像系统的基础设施包括Spark、Hive、HBase、Airflow、Redis、Elasticsearch。

下图是《用户画像》中的数据仓库架构。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI5MTA1NQ_size_16_color_FFFFFF_t_70 2][]

1）数据仓库ETL加工流程是对每日的业务数据、日志数据、埋点数据等数据经过ETL过程，加工到对应的原始数据层（ODS）、数据仓库（DW）、数据集市层（DM）中。

（2）用户画像不是产生数据的源头，是经过ODS层、DW层、DM层中的数据与用户相关数据的二次建模加工得到的数据。

在ETL过程将用户标签写入Hive，根据不同数据对应不同数据库的应用场景，再将数据同步到MySQL、HBase、Elasticsearch等数据库中。

Hive：存储用户标签、用户人群及用户特征库的计算结果

MySQL：存储标签元数据，监控相关数据，导出到业务系统的数据

HBase：存储线上实时数据

Elasticsearch：支持海量数据的实时查询分析

（3）用户标签在Hive中加工完成后，部分标签通过Sqoop同步到MySQL数据库，提供用于BI报表展示的数据、多为透视分析数据、圈人服务数据；另一部分标签同步到HBase数据库用于产品的线上个性化推荐。

## 数据服务层开发 ##

数据的主要目的是应用到业务系统和营销场景中，需要打通标签数据和业务系统，通过产品化的方式将标签数据应用到业务系统。

数据服务层开发就包括了离线服务层和在线服务层。

离线服务层：将ETL后的用户群数据推送到对应业务系统。

在线服务层：以RESTful API方式提供接口服务，可支持个性化推荐、营销推送（站内广告系统的个性化弹窗、App的消息push和轮播广告、短信等）、在线特征库等场景。

几个典型的应用场景包括：

1）短信营销：可以基于用户画像的自定义圈人服务，进行重点用户的广告/消息消息推送/短信/邮件营销。

2）邮件营销：可以基于不同用户群体，进行个性化有效的会员营销，同时在服务上也可以基于已经打通的用户数据，提供会员差异化的客服/物流/活动等服务。

3）风控系统：可以根据用户级别，作为风控系统规则引擎或模型的输入。

4）数据分析：可以分析不同群体的行为特征，提供分析和决策。

5）BI数据：可以监控核心用户群体的变化，为上层决策提供数据基础支持。

1.用户是否大V(绑定信息根据新浪微博)---是否极高影响力  34亿  3万

2.下沉市场(收货地址+客单价)

3.年龄(老年人)

参考:

[https://zhuanlan.zhihu.com/p/147722916][https_zhuanlan.zhihu.com_p_147722916]

[https://houbb.github.io/2020/06/03/user-pic-01-basic][https_houbb.github.io_2020_06_03_user-pic-01-basic]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI5MTA1NQ_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20210430113141840.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI5MTA1NQ==,size_16,color_FFFFFF,t_70
[5b3dd85af68b2eb5a8a5ca8c7ca5a57f.png]: https://img-blog.csdnimg.cn/img_convert/5b3dd85af68b2eb5a8a5ca8c7ca5a57f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI5MTA1NQ_size_16_color_FFFFFF_t_70 1]: /images/20210920/97e68e58bb4d423ab5c54beead14c64f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI5MTA1NQ_size_16_color_FFFFFF_t_70 2]: /images/20210920/52645adf11b546fbacb5815e443d16b9.png
[https_zhuanlan.zhihu.com_p_147722916]: https://zhuanlan.zhihu.com/p/147722916
[https_houbb.github.io_2020_06_03_user-pic-01-basic]: https://houbb.github.io/2020/06/03/user-pic-01-basic