用户画像建模
一、什么是用户画像
用户画像、即用户标签化,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,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、统计以挖掘潜在的信息,从而抽象出一个用户的信息全貌。用户画像可看做是企业应用大数据的根基,是定向广告投放于个性化推荐的前置条件,为数据驱动运营奠定了基础。
用户画像的核心目的是了解用户,画像是真实用户的虚拟代表,是建立在一系列真实数据之上的目标用户模型。
二、用户画像模型及应用场景
1、基于统计类的标签:例如用户的年龄、性别、所在城市、近7天活跃时长、近7天活跃天数等可以从用户的注册数据、访问数据、消费类数据中统计得出。改标签构成了用户画像的基础。
2、基于规则类标签: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”的定义为近30天交易次数不少于2次的用户。
3、基于挖掘类的标签:该类标签通过数据挖掘产生,对于用户的某些属性或者行为进行预测。
1.用户属性标签表
DROP TABLE user_profile_basic_informatin_01;
CREATE TABLE user_profile_basic_informatin_01
AS
SELECT email,mobile ,orderno,memberid,MIN(DATE(CreateDataTime)) AS first_order_time,MAX(DATE(CreateDataTime)) AS last_order_time,
DATEDIFF(NOW(),MIN(CreateDataTime)) AS first_order_ago,DATEDIFF(NOW(),MAX(CreateDataTime)) AS last_order_ago,
MAX(OrderAmount) AS max_oeder_amt,MIN(OrderAmount) AS min_oeder_amt,SUM(OrderAmount) AS sum_order_amount,AVG(OrderAmount) AS avg_order_amount,
COUNT(memberid) AS sum_order_cnt,fromip,gender,DATE(createdon) AS createdon
FROM user_profile_basic_informatin #用户基础信息表
GROUP BY memberid
2.用户行为标签表
Step1:从用户订单表中抽取用户选择产品的属性带来的标签,同时记录用户的行为次数、行为日期等数据。通过检测用户行为,为用户打上各类标签。
Step2:根据一段时间内在用户身上打上各种标签的数量和、时效性、行为次数、标签权重(TF-IDF计算),利用用户标签权重推导规则,计算用户身上每个标签的的权重。
Step3:计算各标签对应属性的参考值,与预定阈值进行比较,判断是否包含该种属性。
Step4:根据所确定的用户各维度属性,完成用户画像。
------------------------------ 应用TF-IDF计算标签权重------------------
------------------------------ 应用TF-IDF计算标签权重 01------------------
DROP TABLE tag_weight_of_tfidf_01;
CREATE TABLE tag_weight_of_tfidf_01
AS
SELECT t1.memberid,t1.tag_id,
t1.tag_name,t1.weight_m_p,
t2.weight_m_s
用户画像(一)利用mysql进行用户画像
最新推荐文章于 2024-04-26 22:50:12 发布
本文介绍了用户画像的概念,强调其对企业数据驱动运营的重要性。通过MySQL数据库,详细展示了如何构建统计类、规则类和挖掘类用户标签,以及如何运用TF-IDF计算用户标签权重,最后讨论了用户群体偏好标签的构建方法。
摘要由CSDN通过智能技术生成