BabyFish13

一、标签库定位标签库以标签形式统一客户群数据的封装规范和操作风格，从而实现客户洞察知识的沉淀及共享，并通过产品化的形式实现目标客户群的快速生成和发布，提升营销渠道的客户群投放效率，标签库建设的目的就是为了营销，而不是为了分析。企业的标签库跟广告产业的DMP是类似的，企业内部对自己的用户进行精准投放依赖的是标签库，广告产业DSP依赖的则是DMP。二、标签体系标签库的核心当然是标签体系，但每个企业打造的标签体系其实都不太一样，既有共性，也有个性。共性主要体现在用户的一些基础属性，比如年龄、性别、

节自：https://zhuanlan.zhihu.com/p/103129589?utm_source=wechat_session标签体系架构可以分为三个部分：数据加工层，数据服务层，数据应用层。每个层面面向用户对象不一样，处理事务有所不同。层级越往下，与业务的耦合度就越小。层级越往上，业务关联性就越强。数据加工层数据加工层收集，清洗和提取来处理数据。M公司有多个产品线：电商交易，电子书阅读，金融支付，智能硬件等等。每个产品线的业务数据又是分属在不同位置。为了搭建完善的用户标签体系，需要尽可能

节自：https://zhuanlan.zhihu.com/p/103129589?utm_source=wechat_session原则一、放弃⼤而全的框架，以业务场景倒推标签需求每个公司的产品、运营、商务对标签的诉求有较大的差异，同时不同的运营团队的诉求也存在很大差异，⼤而全的标签框架实际是站在用户视角搭建的，但是标签的真正应用者是业务方，所以应该从业务视角来实现。因此最佳的处理方式是，我们应该放弃顶层的用户抽象视角，针对各业务线或部门的诉求和实际的应用场景，分别将标签聚类起来提供给相应部门

构建用户标签体系主要根据用户在历史时间内的网购行为记录，从网购时间点、内容深度剖析，针对用户的基础属性、社交行为、互动行为、消费行为、偏好习惯、财富属性、信用属性和地理属性等八大维度构建用户标签体系，以期综合描绘平台消费者的行为特征。建设的过程分为六个基本步骤：1、首先以业务视角梳理规划整个标签体系的架构，即上面所说的八个维度；2、无规矩不成方圆，在进行实际开发之前，我们要定义包括数据（指标）规...

随着移动互联网时代的到来，金融服务从以产品为中心逐渐转向以消费者为中心。而金融消费主力人群也趋于年轻化，金融行业无法像过去一样从对话就能了解年轻人的想法，而对于年轻人金融产品的需求出现多元化，更需要我们细分客户并为其开发设计产品。为此，金融企业需要借助用户画像，来完成了解客户、找到目标客户、触达客户这三个步骤。一般而言，我们可以将用户画像信息分为六个维度，这些信息基本覆盖了相关的业务需求。当然，...

一、埋点是什么？数据分析的前提是数据。对于电子商务平台来说，数据分为以下几类：1、用户基本属性数据2、交易数据3、卖家和商品数据4、活动运营数据5、流量数据或用户行为数据前四个数据是直接通过用户录入或者行为触发，在数据库里面产生记录。而流量数据或者说用户行为数据，则需要识别具体的每个行为。通过埋点（也可通过定制access Log）就可以取得这部分数据。通常是业务方、PD、BI，...

用户画像：通过算法聚合成一类实现用户信息标签化。构建用户画像① 用户画像信息：基本属性，购买能力，行为特征，兴趣爱好，心理特征，社交网络② 行为建模：文本挖掘，自然语言处理，机器学习，预测算法，聚类算法③ 数据收集：网络日志数据，用户行为数据，网站交易数据作用：了解用户的行为习惯，个性化营销及精准广告静态数据来源：—来源于用户填的个人信息，及算法模型预测的数据动态信息数据：--用户行为产生...

用户画像就是分析用户行为，然后为用户打上标签，再为打上的标签添加权重。其中标签用来表征内容，权重用来表征指数（可信度）。用户画像是指根据用户的属性、用户偏好、生活习惯、用户行为等信息而抽象出来的标签化用户模型。通俗说就是给用户打标签，而标签是通过对用户信息分析而来的高度精炼的特征标识。通过打标签可以利用一些高度概括、容易理解的特征来描述用户，可以让人更容易理解用户，并且可以方便计算机处理。...

作者：姑婆链接：https://www.zhihu.com/question/19853605/answer/132472825来源：知乎谈到“用户画像”，很多伙伴都不陌生，什么用户属性、用户行为张嘴就来，但是你真的弄懂了用户画像的意义与构建方法吗？用户画像有什么用？用户画像包括哪些方面？在做用户画像的时候我们应该注意些什么？今天就让姑婆来为你答疑解惑。一、首先，咱们还是来看看用户

思路：根据观察新注册用户隔三天持续七天的用户是否留存，查看用户注册当日在弹幕发送、手机绑定等方面的用户行信息。1、用到的目标Hive及Mysql表-- 按间隔3天持续7天的方式计算drop table if exists bi_register_clustering_user_detail;create table bi_register_clustering_user_detail(

1、用户黏性-用户访问频率（针对注册用户）根据用户的UID，统计用户在一段时间内的访问频率。【用户访问频率-按月】-统计注册用户在最近一个月内访问频次的平均值。【用户访问频率-按周】-统计注册用户在最近一周内访问频次的平均值。【用户访问频率-按日】-统计注册用户在最近24小时内的访问频次的平均值。2、用户活跃度（针对所有用户）按注册用户和非注册用户区分平均停留时长（针对