如何从0到1构建用户画像系统方法论.pptxVIP

如何从0到1构建用户画像系统;数据架构;开发流程;各阶段关键产出物;需要掌握的相关模块;需要掌握的其他非技术内容;表结构设计—日全量;表结构设计—日增量;标签类型;标签命名方式-1;标签命名方式-2;用户标签相关表结构设计—tag表（1）;用户标签相关表结构设计—tag表（2）;用户标签相关表结构设计—人员标签表（1）;用户标签相关表结构设计—人员标签表（2）;用户人群相关表设计;画像标签的元数据管理;结果集校验;同步到业务系统中;Elasticsearch简介;数据插入Elasticsearch;数据仓库;OLTP与OLAP;常见多维数据模型—星形模型;常见多维数据模型—雪花模型;数据仓库分层;画像数据和数据仓库的关系;Kafka基本介绍;Partition和offset（1）;Partition和offset（2）;Consumergroup;Receiver模式;Receiver代码示例;Direct模式;Direct代码示例;Receiver模式与Direct模式对比;Direct模式保存offset;Direct模式保存offset;数据倾斜原因;数据倾斜解决方案;数据倾斜解决方案;合并小文件;Airflow调度—基础概念;Airflow调度—基础概念;Airflow官网;Airflow调度—主要功能模块;Airflow调度—主要功能模块;这个是保留历史状态的DAG树，以树状图的形式展示各个task任务的调度情况（成功/失败/正在运行）;时间轴，将指针放到每个task任务上面，可以看到该任务的起止时间;Airflow调度—主要功能模块;左面这段脚本中引入了需要执行的task_id，并对dag

进行了实例化。

其中以high_active_period这个task_id来说，里面的bash_command参数对于具体执行这个task任务的脚本，cookieid_high_active_period.py文件为执

行加工用户高活跃标签对应的脚本。

Trigger_rule参数为该task任务执行的触发条件，官方文档里面该触发条件有5种状态，一般常用的包括“ALL_DONE”和”ALL_SUCCESS”两种。其中

“ALL_DONE”为当上一个task执行完成，该task即可执行，而”ALL_SUCCESS”为只当上一个task执行成功时，该task才能调起执行，执行失败时，本task不执行任务。

“Bug_categoryuserid_edm”命令为task脚本

的调度顺序，在该命令中先执行“buy_category”

任务后执行“userid_edm”任务。;DAG脚本示例（3）;工程化调度模块;标签查询—视图;标签编辑管理—列表页;用户分群功能介绍;;筛选透视分???维度;多维度透视分析筛选的用户群;透视分析—人群对比分析;A/B测试案例：应用背景;A/B测试案例：画像切入点;2、测试文案标题对流量影响的方案

某平台渠道运营人员为在大促活动期间召回更多用户来访App，计划在活动预热期选取少量用户做一版文案标题的AB效果测试。

在该测试方案中，控制组A选取了近x天来访过，cookie尾号为a，且近x天内浏览/收藏/加购过美妆类目商品的

用户群，给该批用户push美妆类文案A，对照组B选取了近x天来访过，cookie尾号为b，且近x天内浏览/收藏/加购过美妆类目商品的用户群，给该批用户push美妆类文案B。控制组和对照组的用户量相同，但文案不同，后续监控两组人群的点击率大小，进而分析不同文案对用户点击的影响。;3、精准推送相比普通推送带来的流量提升的测试方案

在使用画像系统精细化push人群前，某平台对用户采用无差别push消息的形式进行推送。为了测试精细

化运营人群相比无差别运营带来的流量提升，渠道运营人员决定在近期重点运营的美妆营销会场做一版A/B

效果测试。

该测试方案中，控制组A选取了近x天来访过，cookie尾号为1，没有类目偏好的用户群，对照组B选取了近x天来访过，cookie尾号为2，且近x天内浏览/收藏/加购过美妆类目商品的用户群。对AB组用户群都push相同的文案，后续监控两组人群的点击率大小，进而分析精准营销推送带来的增长点大小。;案例1：短信营销-业务规则;案例2：广告弹窗-应用效果;Session分析介绍;Session中记录了用户在什么时间点、通过什么样的行为、浏览了什么页面/商品。一般session的切割为固定时长，如定义APP端session的切割时长为5分钟时，用户每次访问行为如果距离上一次访问行为在5分钟之内，则记为同一次访问，如果距离上次访问大于5分钟则记为两次不同的访问。通过session_id可用来标识用户的访问，同一次连续访问的session_id相同