java+大数据项目实战.zip

## 用户画像系统 > 参考书籍：《用户画像：方法论与工程化解决方案》 https://github.com/HunterChao/User-Portrait 用户画像建模就是对用户“打标签”，有三种类型； - 统计类：性别、年龄、近7天活跃时长、活跃天数等 - 规则类：比如“消费活跃”用户的口径定义为“近30天交易次数>2”（运营人员和数据人员共同协商确定） - 机器学习数据挖掘类：比如购买商品偏好、用户流失意向等（成本高，一般这类标签占比较少）  用户画像模块建设    ### 案例：图书电商 商城的运营目标： - 兼顾自身商业目标的同时更好的满足消费者的需求，通过推荐系统提高点击率等 - 建立用户流失预警机制，及时级别将要流失的用户群体，采用运营策略挽回用户 表： - 用户信息表 dim.user_basic_info - 商品订单表 dw.order_info_fact - 埋点日志表 ods.page_event_log - 访问日志表 ods.page_view_log - 商品评价表 dw.book_comment - 搜索日志表 dw.app_search_log - 用户收藏表 dw.book_collection_df - 购物车信息表 dw.shopping_cart_df 用户画像表结构设计 - 全量数据表：每个日期分区都存储当天全量数据 - 增量数据表：每个日期分区存储当天被打上标签的用户 - 宽表设计： - 用户属性宽表 - 用户日活跃宽表 ### 数据标签体系（关键环节）： 1.划分方式： - 按五种维度划分 - 用户属性维度 - 年龄、性别、安装时间、注册状态、城市 - 活跃登录地、历史购买状态、历史购买金额 - 用户行为维度 - 订单相关行为、访问行为 - 近30天行为类型指标（比如活跃多少天）、高频率活跃时间段、点击偏好、营销敏感度等 - 用户消费维度 - 浏览品类 - 近7天加购类 - 近7天收藏类 - 近7天购买类 - 风险控制维度 - 账号风险 - 设备风险 - 借贷风险 - 社交属性维度 - 常登录地、上午、中午、下午 - 单身、有小孩、市场销售、公务员 - 按应用场景划分  2.标签命名方式 - 规范： 标签主题_用户维度_标签类型_一级归类 - 标签主题 - 人口属性 ATTRITUBE - 行为属性 ACTION - 用户消费 CONSUME - 风险控制 RISKMANAGE - 用户维度：标签打在用户user_id上还是设备cookieid上（可用U、C等字母标识） - 标签类型：统计类、规则类、算法类 - 一级标签：可以再不断的细化下去 ``` 比如： 标签男： ATTRITUBE_U_01_001 标签女： ATTRITUBE_U_01_002 01表示一级分类 001和002是该一级标签下的标签明细 ``` ### 用户画像产品化 - 即席查询 - 标签视图与标签查询