【用户画像】008用户画像手册_市场营销策划_私域流量运营攻略_用户画像_doc可编辑版.docxVIP

用户画像手册 | 方 法 | 案 例 | 实 践 从用户标签指标体系设计-数据分析-数据开发- ETL-打通服务层-画像产品化-数据赋能-业务提升， 打通全流程，提供端到端的解决方案 目录 画像简介(表结构设计/标签类型/数据架构) 数据指标体系 标签存储 标签开发 开发调优 ETL 调度 画像产品化 用户画像应用 画像简介 表结构设计 表结构设计的重点是要考虑存储哪些信息、如何存储（数据分区）、如何应用（如何抽取标签）这三方面问题。 不同业务背景有不同的设计方式，这里提供两种设计思路：① 每日全量数据的表结构； ② 每日增量数据的表结构。 Hive 需要对输入进行全盘扫描来满足查询条件，通过使用分区可以优化查询。对于用户标签这种日加工的数据，随着时间推移，分区数量的变动也是均匀的。 每日全量数据，即该表的日期分区中记录着截止到当天为止的全量用户数据。例如： select count(*) from userprofile where data=，这条语句查询的是userprofile 这个表截止到日为止全量用户数据。日全量数据的优势是方便查询，缺点是不便于探查更细粒度的用户行为。 每日增量数据，即该表的日期分区中记录着当日的用户行为数据，例如同样是 select count(*) from userprofile where data=，这条语句查询的是userprofile 这个表日记录的当日用户行为数据。日增量数据可视为 ODS 层的用户行为画像，在应用时还需要基于该增量数据做进一步的建模加工。 下面介绍日全量数据表结构设计 CREATE TABLE dw.userprofile_tag_userid ( tagid STRING COMMENT tagid, userid STRING COMMENT userid, tagweight STRING COMMENT tagweight, reserve STRING COMMENT 预留 CREATE TABLE dw.userprofile_tag_userid ( tagid STRING COMMENT tagid, userid STRING COMMENT userid, tagweight STRING COMMENT tagweight, reserve STRING COMMENT 预留 ) PARTITIONED BY (data_date STRING COMMENT 数据日期 ,tagtype STRING COMMENT 标签主题分类) 这里 tagid 表示标签名称，userid 表示用户 id，tagweight 表示标签权重，reserve 表示 一个预留字段。分区方式为（日期+标签主题）分区，设置两个分区字段更便于开发和查询数据。该表结构下的标签权重仅考虑统计类型标签的权重，如：历史购买金额标签对应的权重为金额数量，用户近 30 日访问天数为对应的天数，该权重值的计算未考虑较为复杂的用户行为次数、行为类型、行为距今时间等复杂情况。 标签类型 从对用户打标签的方式来看，一般分为三种类型：1、统计类的标签；2、规则类的标签、 3、机器学习挖掘类的标签。下面我们介绍这三种类型标签的区别： 统计类的标签：这类标签是最为基础也最为常见的标签类型，例如对于某个用户来说，他的性别、年龄、城市、星座、近 7 日活跃时长、近 7 日活跃天数、近 7 日活跃次数等字段可以从用户注册数据、用户访问、消费类数据中统计得出。该类标签构成了用户画像的基础； 规则类的标签：该类标签基于用户行为及确定的规则产生。例如对平台上“消费活跃”用户这一口径的定义为近 30 天交易次数=2。在实际开发画像的过程中，由于运营人员对业务更为熟悉、而数据人员对数据的结构、分布、特征更为熟悉，因此 规则类标签的规则确定由运营人员和数据人员共同协商确定； 机器学习挖掘类的标签：该类标签通过机器学习挖掘产生，应用在对用户的某些属性或某些行为进行预测判断。例如根据一个用户的行为习惯判断该用户是男性还是女性，根据一个用户的消费习惯判断其对某商品的偏好程度。该类标签需要通过算法挖掘产生。 在项目工程实践中，一般统计类和规则类的标签即可以满足应用需求，开发中占有较大比例。机器学习挖掘类标签多用于预测场景，在开发所占比例较小。 数据架构 数据指标体系 用户属性维度 常见用户属性指标包括：用户的年龄、性别安装时间、注册状态、城市、省份、活跃登陆地、历史购买状态、历史购买金额等。用户属性维度的标签建成后可以为客服电话服务、运营人员了解用户基本情况提供帮助 标签名称 标签主题 一级归类 标签