一、 数据驱动营收

数据 的最终目的是走出数据仓库，应用到业务系统和营销系统中来驱动营收增长。

二、 用户画像是什么？

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，进而对用户进行刻画，并对这些特征进行分析、统计，挖掘潜在的价值信息，从而抽象出用户的信息全貌。

三、 用户画像的标签类型的种类

用户画像建模，其实就是对用户“打标签”，用户打标签的方式，分为以下3类：

1. 统计类标签
2. 规则类标签
3. 机器学习挖掘类标签

3.1 统计类标签

该类标签构成了用户画像的基础。

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天活跃时长、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、消费数据中统计中得出。

3.2 规则类标签

该类标签是基于用户行为及确定的规则产生。例如，对平台上“消费活跃”用户这一口型的定义为“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是由运营人员和数据人员共同协商确定。

3.3 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。

在项目工程中，一般统计类标签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。

四、用户画像标签体系

这里设计的用户标签体系主要分为以下方面：

• 用户基本属性标签

• 用户订单属性标签

• 用户退换货属性标签

• 用户购物车属性标签

• 用户活跃属性标签

• 用户偏好属性标签

4.1 用户基本属性标签

用户属性指标主要根据业务数据来源（业务系统中的用户信息），尽可能全面描述用户基础属性，这些基础属性值是短期内不会改变的，如：年龄、性别、手机号归属地、身份证归属地等。

字段	字段类型	字段定义
user_id	bigint	用户编号
login_name	string	登录名称
user_name	string	用户姓名
user_status_id	int	用户状态
gender_id	int	用户性别
birthday	int	用户生日
user_age	int	用户年龄
constellation_name	string	星座名称
cellphone_id	string	手机号
cert_id	string	证件号
source_id	bigint	注册来源
is_real_name_auth	int	是否实名认证标志
is_valid_cellphone	int	是否认证手机标志
is_has_photo	int	是否有头像标志
is_tmp_user_flag	int	是否临时用户
create_time	string	注册时间
create_date	timestamp	注册日期
modify_time	string	修改时间
modify_date	timestamp	修改日期
date_id	string	数据日期

4.2 用户登录活跃标签

看用户近期登录时间段、登录时长、登录频次、登录地等指标。

字段	类型	定义	备注
user_id	int	用户id	用户唯一id
login_city_ration	string	常登录地	用户近一个月登录的3个地点及比率
last_online_date	string	最近登录时间	用户最近一次登录日期
online_frequency	int	登录频次	用户近一个月登录频次
online_time	int	登录时长	用户近一个月登录时长

4.3 用户年龄段标签

在做营销活动或站内推送时，可对不同年龄段针对性运营。

字段	类型	定义	备注
user_id	string	用户编码
contract_id	string	联系人编码
user_sex	string	用户性别
user_age_crowd	string	用户年龄群体	儿童（0-10）、少年（11-15）...

4.4 用户交互行为标签

记录用户在平台上每一次操作行为，及该次行为所带来的标签。后续可根据用户的行为标签计算用户的偏好标签，做推荐和营销等活动。

字段	类型	定义	备注
user_id	string	用户id	用户唯一id
org_id	string	原始id	标签id
org_name	string	标签中文名称	标签对应标签的中文名称
is_valid	string	是否有效	1 有效， 0 无效
cnt	string	行为次数	用户行为次数
date_id	string	行为日期	产生用户该条标签对应日期
act_type_id	int	用户行为类型	1 搜索；2 浏览；3 收藏；4 下单；5 支付；6 退货
tag_type_id	int	频道类型	1 母婴；2 家电；3 美妆；4 美食；5 服装；6 鲜花

4.5 用户消费能力标签

看用户的消费金额、消费频次、最近消费时间。进一步结合用户登录活跃情况，可以对用户做 RFM 分层。

字段	类型	定义	备注
user_id	string	用户编码
sum_pay	string	累积付费金额
sum_num	decimal	累积付费次数
paid_level	int	付费分层	1:[0,30) 2:[30,100) 3:[100, 300) ...

4.6 用户订单画像标签

字段	类型	定义
user_id	bigint	用户
first_order_time	string	首单日期
last_order_time	string	末单日期
first_order_ago	bigint	首单距今时间
last_order_ago	bigint	末单距今时间
month1_order_cnt	bigint	近30天购买次数
month1_order_amt	double	近30天购买金额
month2_order_cnt	bigint	近60天购买次数
month2_order_amt	double	近60天购买金额
month3_order_cnt	bigint	近90天购买次数
month3_order_amt	double	近90天购买金额
max_order_amt	double	最大订单金额
min_order_amt	double	最小订单金额
total_order_cnt	bigint	累计消费次数（不含退拒）
total_order_amt	double	累计消费金额（不含退拒）
total_coupon_amt	double	累计使用代金券金额
user_avg_order_amt	double	平均订单金额（含退拒）
month3_user_avg_amt	double	近90天平均订单金额（含退拒）
common_address	string	常用收货地址
common_pay_type	string	常用支付方式
month1_cart_cnt_30	bigint	最近30天加购次数
month1_cart_goods_cnt_30	bigint	最近30天加购商品件数
month1_cart_submit_cnt_30	bigint	最近3天提交件数
month1_cart_submit_rate	double	最近30天商品提交占比
month1_cart_cancel_cnt	bigint	最近30天取消商品件数
dw_date	string	计算日期

4.7 用户退拒货行为画像标签

	类型	定义
user_id	bigint	用户
p_sales_cnt	bigint	不含退拒商品购买数量
p_sales_amt	double	不含退拒商品购买的商品总价
p_sales_cnt_amt	double	不含退拒实付金额（扣促销减免）
h_sales_cnt	bigint	含退拒购买数量
h_sales_amt	double	含退拒购买金额
h_sales_cnt_amt	double	含退拒购金额（扣促销减免）
return_cnt	bigint	退货商品数量
return_amt	double	退货商品金额
reject_cnt	bigint	拒收商品数量
reject_amt	double	拒收商品金额
dw_date	bigint	数仓计算日期

4.8 用户购物偏好画像标签

字段	类型	定义
user_id	bigint	用户
common_first_cat	bigint	最常购买一级类目名称
common_second_cat	bigint	最常购买二级类目名称
common_third_cat	bigint	最常购买三级类目名称
common_brand_id	bigint	最常购买的品牌
dw_date	bigint	数仓计算日期

五、画像标签存储及表结构

画像数据，行数基本与公司用户规模相同。 列数则众多（一个中型互联网企业，用户的画像标签通常都在1000~2000个之间），而且会在实际 运营中，不断增加新的标签，则会不断增加新的列。

考虑到行数及列数规模巨大（数亿行*数千列），以及列的动态增加特性，业内通常将 用户画像标签数据存于 HBase 之中，再辅以 elastic search 做二级索引，以实现对 HBase 中画像数据的快速检索；

	列簇 f
rowkey(deviceId)	sex
1200212	1
1200213	0