搭建一套用户画像方案整体来说需要考虑8个模块的建设1·用户画像基础：需要了解、明确用户画像是什么，包含哪些模块，数据仓库架构是什么样子，开发流程，表结构设计，ETL设计等。 这些都是框架，大方向的规划，只有明确了方向后续才能做好项目的排期和人员投入预算。这对于评估每个开发阶段重要指标和关键产出非常重要。2·数据指标体系：根据业务线梳理，包括用户属性、用户行为、用户消费、风险控制等维度的指标体系。
维克多阿涛
2023-02-02
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，根据一个用户的行为习惯判断该用户是男性还是女性、根据一个用户的消费习惯判断其对某商品的偏好程度。 该类标签需要通过算法挖掘产生。 在项目工程实践中，一般统计类和规则类的标签即可以满足应用需求，在开发中占有较大比例。机器学习挖掘类标签多用于预测场景，如判断用户性别、用户购买商品偏好、用户流失意向等。一
维克多阿涛
2023-02-02
规则类标签 该类标签基于用户行为及确定的规则产生。例如，对平台上“消费活跃”用户这一口径的定义为“近30天交易次数≥2”。在实际开发画像 的过程中，由于运营人员对业务更为熟悉，而数据人员对数据的结 构、分布、特征更为熟悉，因此规则类标签的规则由运营人员和数据人员共同协商确定；
维克多阿涛
2023-02-02
统计类标签 这类标签是最为基础也最为常见的标签类型，例如，对于某个用 户来说，其性别、年龄、城市、星座、近7日活跃时长、近7日活跃天 数、近7日活跃次数等字段可以从用户注册数据、用户访问、消费数据 中统计得出。该类标签构成了用户画像的基础。
维克多阿涛
2023-02-02
标签类型 用户画像建模其实就是对用户“打标签”，从对用户打标签的方式 来看，一般分为3种类型：①统计类标签；②规则类 标签；③机器学习挖掘类标签。
维克多阿涛
2023-02-02
用户画像，即用户信息标签化，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进行刻画，并对这些特征进行分析、统计，挖掘潜在价值信息，从而抽 象出用户的信息全貌，用户画像可看作企业应用大数据的根基，是定向广告投放与个性化推荐的前置条件，为数据驱动运营奠定了基础。由此看来，如何从海量数据中挖掘出有价值的信息越发重要
维克多阿涛
2023-02-02
-- 4.6 各分类用户数量和占比, 销售贡献额和贡献额占比,以及累计销售贡献额和累计贡献额占比#方法一select 用户价值分类, count(user_id) 人数 ,count(user_id)/ (select count(user_id) 总人数 from RFM1) 人数占比, sum(M) 销售贡献额, sum(M)/ (select sum(M) 总销售额 from RFM1)
维克多阿涛
2023-01-03
-- 4.5 各分类用户数量和占比, 销售贡献额和贡献额占比 select 用户价值分类, count(user_id) 人数 , count(user_id)/ (select count(user_id) 总人数 from RFM1) 人数占比, sum(M) 销售贡献额 , sum(M)/ (select sum(M) 总销售额 from RFM1) 销售
维克多阿涛
2022-12-30
-- 4.5 RFM用户价值create VIEW RFM1 AS select *, case when R程度='高' and F程度='高' and M程度='高' then '重要价值用户' when R程度='高' and F程度='低' and M程度='高' then '重要发展用户' #重要发掘, 提高F when R程度='低' and F程度='高' and M程
维克多阿涛
2022-12-30
-- 4.4 RFM重要程度select *, if(R评分>3.5984,'高','低') as R程度, if(F评分>2.1039,'高','低') as F程度, if(M评分>2.2051,'高','低') as M程度from (select user_id, timestampdiff(day,max(日期),'2014-12-19') as R, co
维克多阿涛
2022-12-30
-- 4.3 RFM均值selectavg(R评分) as R均值,avg(F评分) as F均值,avg(M评分) as M均值from(selectuser_id,case when timestampdiff(day,max(日期),'2014-12-19')<=6 then 5 when timestampdiff(day,max(日期),'2014-12-19')<=12 then 4
维克多阿涛
2022-12-30
-- 4.2 RFM评分select user_id, timestampdiff(day,max(日期),'2014-12-19') as R, count(*) as F, sum(amount) as M, case when timestampdiff(day,max(日期),'2014-12-19')<=6 then 5 when timestampdif
维克多阿涛
2022-12-30
-- 4.用户价值分析-- 4.1 每个用户消费时间间隔、消费频次、消费金额select user_id, max(日期) as 最近一次消费时间, timestampdiff(day,max(日期),'2014-12-19') as R, count(*) as F, sum(amount) as Mfrom userbehavior_newwhere behavior
维克多阿涛
2022-12-30
-- 练习（荣威）：查询每一家门店销售额从高到低累积占比前70%的商品create table store_sales_info( id int primary key, store_id int, order_id int, item_id int, sales decimal(10,2), qty int);insert into store_sales_i
维克多阿涛
2022-12-30
-- 3.3 产品贡献定量分析（帕累托分析）##累积销售额占比=累积销售额/总销售额select *from (select item_category, sum(amount) as 销售额, sum(sum(amount)) over(order by sum(amount) desc) as 累积销售额, #当over中指定了排序,但是没有指定分区和指定滑动窗口范围时,默认计算当
维克多阿涛
2022-12-30
-- 练习（得昂）：查询每门课程的前三名：课程，第一名（姓名+分数），第二名（姓名+分数），第三名（姓名+分数）create table t_stu_profile(stu_id varchar(10) primary key,stu_name varchar(10),gender varchar(10),age int,class_id varchar(10) not null);create
维克多阿涛
2022-12-30
-- 3.2.3 每日浏览—加购—购买的转化率select 日期, sum(if(behavior_type='pv',用户数,0)) as 浏览人数, sum(if(behavior_type='cart',用户数,0)) as 加购人数, sum(if(behavior_type='buy',用户数,0)) as 购买人数, sum(if(behavior_type=
维克多阿涛
2022-12-30
-- 3.2.2 浏览—收藏-加购—购买的转化率selectbehavior_type,count(distinct user_id) as 用户数,lag(count(distinct user_id),1) over(order by if(behavior_type='pv',1,if(behavior_type='fav',2,if(behavior_type='cart',3,4))))
维克多阿涛
2022-12-30
-- 3.2.1 浏览—加购—购买的转化率select behavior_type, count(distinct user_id) as 用户数, lag(count(distinct user_id),1) over(order by if(behavior_type='pv',1,if(behavior_type='fav',2,if(behavior_type='cart',
维克多阿涛
2022-12-30
-- 3.2 行为转化分析(转化率=当前行为用户数/上一行为用户数)select behavior_type, count(distinct user_id) as 用户数, lag(count(distinct user_id),1) over(order by if(behavior_type='pv',1,if(behavior_type='fav',2,if(behavior
维克多阿涛
2022-12-30
