用户画像基础知识

业务应用

• 精准营销：广告投放、个性推荐、弹窗推送
• 群体分析
• 风险预警
• 效果分析
• 渠道分析

业务难点

• 数据体量庞大，检索方式灵活
• 组合标签计算，开发复杂度高
• 精确去重计算，资源消耗巨大
• 聚合标签集合，查询并发度高

标签类型

用户画像建模最重要的是对用户「打标签」，常见的3种分类：

统计类标签

基础标签类型，用户的性别、年龄、城市、星座、职业等基础属性，可以做分布统计，也包括如活跃时长、注册用户数、访问次数、消费金额等按照某些基础维度统计出的指标。

规则类标签

基于确定的规则及用户行为产生。规则，通常是需要对基础维度添加前置修饰词来限定统计的口径；或者需要提前做数据调研，如通过RFM客户价值法来科学的制定规则，从而打标签。例如：时间是基础维度，天是最小粒度，而最近30天交易次数 ≥ 2就是个有修饰词限定的规则类标签。

机器学习挖掘类标签

该类标签通过机器学习挖掘产生，用于对用户的某些属性或某些行为进行预测判断。例如：基于客户的行为推断客户行为上的性别。互联网公司花样百出的标签：「女汉子」、「文艺青年」、「宅男」…

用户属性维度

可以看到这个表里设计了几个字段：标签名称、标签主题、一级归类、标签类型等。其中标签归类里有诸如自然性别、RFM价值度、购物风格、平台消费情况、用户身份等归类。标签类型可以看到，有统计型、规则型、算法型等。

RFM价值度

RFM总值 = R值 * (-1) + F值 + M值 + 100

风险控制维度

互联网用户形形色色，为了防止给平台带来损失和风险，需要在风险控制维度构建标签体系，有效监控不良用户。

社交属性维度

画像标签开发

标签命名方式

为了便于对诸多标签进行管理，需要对每个标签id命名，例如：

• attr_u_s_01_001 表示 UserID 维度自然性别为男的标签
• attr_u_s_01_002 表示 UserID 维度自然性别为女的标签

ID-Mapping

即把不同来源的身份标识通过数据手段识别为一个用户主体。同一个用户在登录和未登录的行为数据之间需要打通，用 Hive 做 ETL，完成 uid 和 cookieid 的映射关系。

详细见 OneId 之 id-mapping

组合标签计算-客群圈选场景

组合标签计算，是画像开发中的一个重要模块。当业务方根据规则应用标签时，是需要组合多个标签来创建对应的用户群体的。

end