用户画像
第一章 用户画像基础
1. 用户画像简介
用户信息标签化，通过收集用户的社会属性、消费习惯、偏好特征等各个维度的数据，进而对用户或者产品特征属性刻画，并加以分析、
统计，挖掘潜在潜在价值信息，从而抽象出用户的信息全貌。建立用户画像体系，是精准营销的基础。
1.1 标签种类
| 种类 | 描述 |
|---|---|
| 统计类标签 | 标签的基础，例如性别、年龄、城市、近七日活跃时长等。 |
| 规则类标签 | 基于用户行为及确定的规则产生。例如“消费活跃”用户基于规则“30天内下单次数>=2”产生。运营人员熟悉业务，数据人对对数据分布、构、特征更为熟悉，因此规则类标签一般由运营和数据人员共同协商确定。 |
| 机器学习挖掘类标签 | 通过机器学习挖掘产生，例如通过对用户的消费习惯判断其对某商品偏好程度 |
1.2 主要覆盖模块
用户画像基础
数据指标体系
标签数据存储
标签数据开发
开发性能调优
作业流程调度
用户画像产品化
用户画像应用
1.3 各阶段产出
画像体系的开发分为几个主要的阶段
1.4 画像表结构设计
每日全量数据的表结构设计
每天都保存从开始到当日的全量数据，命名规范表名以”_all”结尾每日增量数据的表结构设计
每天只保存当日数据，命令规范表名以”_append”结尾
第二章 数据指标体系
数据标签体系是建立用户画像的关键环节，是标签开发前需要做的工作，具体来说就是需要结合业务情况设定相关指标。
建立用户标签按标签类型可以分为统计类、规则类和机器学习挖掘类，从建立标签的维度来看，可以分为用户属性类、用户行为类、用户消费类和风险控制类等常见类型。
2.1用户属性维度
RFM价值度：Recency最近一次消费、Frequency消费频率、Monetary消费金额。一般由交易产生，用于评估用户活跃度。
用户性别：自然性别和购物性别。自然性别指实际性别，购物性别指用户购买物品时的性别取向。比如一位男性用户，经常给妻子购买女性商品，购物性别则是女性。
2.2 用户行为维度
2.3 用户消费维度
可以从用户浏览、购买、收藏、搜索商品对应的品类入手，品类越精细，给用户推荐或营销的准确性越高。通过品类+用户行为的方式找到目标潜在用户人群。
2.4 风险控制维度
2.5 社交属性维度
2.6 其他常见标签划分方式
用户标签体系归类不局限于以上维度，也可以通过不同的应用场景将标签划分为不同维度。
2.7 标签的命令方式
| 角度 | 说明 |
|---|---|
| 标签主题 | 用于刻画属于哪种类型的标签 |
| 用户维度 | 用于刻画标签打在用户唯一标识上，还是设备上。未登录用户只有设备号 |
| 标签类型 | 统计类、规则类、算法类 |
| 一级维度 | 细分维度刻画用户标签 |
例如：ATTRITUBE_U_01_001、ATTRITUBE_U_01_002 两个标签。ATTRITUBE表示人口属性， U表示标签打在用户id上，01标识统计类标签，001和002分别表示男性和女性
第三章 标签数据存储
3.1 数据仓库建模
事务事实表：描述业务过程，下单事实表、登录事实表
周期快照事实表： 具有一定的时间规律性，比如每天统计商家当天收入快照。稠密性，无聊是否发送都做统计，比如某个店铺当天没有订单产生，快照表也会新增一条记录
累计快照事实表：跟踪业务过程的进展情况，直到生命周期结束。例如下单->取消订单，下单->支付->发货->确认收货等。有多个日期维度，跟踪整个订单的生命周期。
3.2 分区存储
hive支持分区存储，可以按时间日期分区，按标签指标体系分表。建立不同标签指标体系的宽表。
例如： 用户id，人口属性的各种标签(性别、年龄、城市)、日期为表字段，一条记录就包含了用户人口属性的所有标签。
3.3 标签汇聚
把用户的所有标签整合成json字符串，存在一个字段中。可以直接通过sql语句方式生成
3.4 ID-MAP
为了捕获用户登录、未登录时的行为轨迹，通过id-mapping的方式，通过id-mapping打通userid和cookieid的对应关系
