用StarRocks玩转用户画像-2-方法论

• 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

• 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

用户画像建模最重要的是对用户「打标签」，常见的3种分类：

• 基础标签类型，用户的性别、年龄、城市、星座、职业等等基础属性，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

• 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

• 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」…

上图，列出了一些常见的用户画像标签体系分类。下面举几个例子来看：

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、算法型等等。

• 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

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

• 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

• 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。