精华内容
下载资源
问答
  • 本文结合“人、货、场”理论模型,尝试建立电商平台的用户画像标签体系。02 三类标签用户在平台购物的整体流程可以概括为:进入平台、选择商品、下单付款。可以将该过程抽象为“人、货、场”。即用户通过什么途径...

    fabf5887682ced7390262e14b4b86c29.png

    01 整体思路

    电商平台连接了卖家和买家两端,最终目的都是促进交易,从而追求更高的销售额。提高人货匹配度是促进交易的关键,而提高人货匹配度的关键就是“让买家找到想要的货物”。

    本文结合“人、货、场”理论模型,尝试建立电商平台的用户画像标签体系。

    02 三类标签

    用户在平台购物的整体流程可以概括为:进入平台、选择商品、下单付款。

    可以将该过程抽象为“人、货、场”。

    即用户通过什么途径进入什么商品的页面,完成选择并下单付款。

    5c7fc6f9fdc050112a5e940193726bb6.png

    人对应用户特征、货对应商品特征、场对应渠道特征。

    9ac7e54be8740314293a12ef1b76ccfa.png

    03 用户特征

    用户特征可以从用户的基础信息、亲属关系、位置信息、社会特征、消费特征五大维度来构建,这五大维度表明了该用户是一个怎么样的人。

    3228e497d93719002eab6e8bd072607b.png

    04 商品特征

    商品特征可以从类目偏好和类目行为人群两个维度来构建。

    1、类目偏好

    类目偏好标签的定义为:用户在平台上偏好的商品种类。

    2、类目行为人群

    类目行为人群标签的定义为:用户在平台的指定商品类目和时间周期的互动行为。通俗一点就是用户对商品做了什么。

    类目行为人群有3个要素:具体类目、行为类型、时间范围。

    行为类型一共有5种,分别是搜索,点击,收藏,加购,购买。

    时间范围一共有5个选项,分别是最近7天、最近15天、最近30天、最近90天、最近180天。

    类目行为人群标签圈到的人群都是在指定时间范围内,对指定类目有指定行为的人群。

    e9042f841749859f6208a045a7f18a4f.png

    05 渠道特征

    渠道是指用户接触到商品详细页面的途径,分为活动渠道和内容渠道。通过渠道特征可以圈定偏好某种内容形式和内容渠道的人群,以便让商品针对性地出现在这个位置。

    094e2d3df9d29f74a0db7e76831f0f5d.png

    06 总结

    通过“人、货、场”理论搭建起用户画像的标签体系,可以提高电商平台的人货匹配度,进一步做精细化运营。附全用户画像标签。

    09e91bf9cdaf46c59d85c62e07948557.png

    展开全文
  • 一文看懂用户画像标签体系(包括维度、应用场景)互联网相关企业在建立用户画像时一般除了基于用户维度(userid)建立一套用户标签体系外,还会基于用户使用设备维度(cookieid)建立相应的标签体系。基于cookieid维度的...

    一文看懂用户画像标签体系(包括维度、应用场景)

    互联网相关企业在建立用户画像时一般除了基于用户维度(userid)建立一套用户标签体系外,还会基于用户使用设备维度(cookieid)建立相应的标签体系。

    基于cookieid维度的标签应用也很容易理解,当用户没有登录账户而访问设备时,也可以基于用户在设备上的行为对该设备推送相关的广告、产品和服务。

    建立的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,相关内容在《手把手教你做用户画像:3种标签类型、8大系统模块》中有详细介绍。从建立的标签维度来看,可以将其分为用户属性类、用户行为类、用户消费类和风险控制类等常见类型。

    01 用户属性维度

    1. 常见用户属性

    用户属性是刻画用户的基础。常见用户属性指标包括:用户的年龄、性别、安装时间、注册状态、城市、省份、活跃登录地、历史购买状态、历史购买金额等。

    用户属性维度的标签建成后可以提供客服电话服务,为运营人员了解用户基本情况提供帮助。

    用户属性标签包含统计类、规则类、机器学习挖掘类等类型。本节主要介绍常见用户属性标签主要包括的维度。表2-1给出了常用的用户属性维度标签。

    表2-1 用户属性维度标签示例

    表2-1对于相同的一级标签类型,需要判断多个标签之间的关系为互斥关系还是非互斥关系。例如,在判断性别时,用户性别为男的情况下就不能同时为女,所以标签之间为互斥关系;在判断用户是否在黑名单内时,用户既可能在短信黑名单中,也可能同时在邮件黑名单中,所以这种就为非互斥关系。

    对于根据数值进行统计、分类的标签开发相对容易。例如,用户的“性别”“年龄”“城市”“历史购买金额”等确定性的标签。

    而在对规则类的标签进行开发前则首先需要进行数据调研。例如,对于用户价值度划分(RFM),如何确定一个用户是重要价值用户还是一般价值用户,对于用户活跃度的划分如何确定是高活跃、中活跃、低活跃还是已经流失,需要结合数据调研情况给出科学的规则并进行划分。

    2. 用户性别

    用户性别可细分为自然性别和购物性别两种。

    自然性别是指用户的实际性别,一般可通过用户注册信息、填写调查问卷表单等途径获得。该标签只需要从相应的表中抽取数据即可,加工起来较为方便。

    用户购物性别是指用户购买物品时的性别取向。例如,一位实际性别为男性的用户,可能经常给妻子购买女性的衣物、包等商品,那么这位用户的购物性别则是女性。

    02 用户行为维度

    用户行为是另一种刻画用户的常见维度,通过用户行为可以挖掘其偏好和特征。常见用户行为维度指标(见表2-2)包括:用户订单相关行为、下单/访问行为、用户近30天行为类型指标、用户高频活跃时间段、用户购买品类、点击偏好、营销敏感度等相关行为。

    表2-2 用户行为维度标签示例

    03 用户消费维度

    对于用户消费维度指标体系的建设,可从用户浏览、加购、下单、收藏、搜索商品对应的品类入手,品类越细越精确,给用户推荐或营销商品的准确性越高。如图2-1所示,根据用户相关行为对应商品品类建设指标体系,本案例精确到商品三级品类。

    ▲图2-1 用户消费维度指标梳理

    表2-3为用户消费维度的标签设计。

    表2-3 用户消费维度标签示例

    这里通过一个场景来介绍构建用户消费维度的标签的应用。

    展开全文
  • 用户画像标签体系用户画像的核心在于给用户“打标签”,每一个标签通常是人为规定的特征标识,用高度精炼的特征描述一类人,例如年龄、性别、兴趣偏好等,不同的标签通过结构化的数据体系整合,就可与...

    用户画像标签体系

    用户画像的核心在于给用户“打标签”,每一个标签通常是人为规定的特征标识,用高度精炼的特征描述一类人,例如年龄、性别、兴趣偏好等,不同的标签通过结构化的数据体系整合,就可与组合出不同的用户画像。

    梳理标签体系是实现用户画像过程中最基础、也是最核心的工作,后续的建模、数据仓库搭建都会依赖于标签体系。

    为什么需要梳理标签体系,因为不同的企业做用户画像有不同的战略目的,广告公司做用户画像是为精准广告服务,电商做用户画像是为用户购买更多商品,内容平台做用户画像是推荐用户更感兴趣的内容提升流量再变现,金融行业做用户画像是为了寻找到目标客户的同时做好风险的控制。

    所以第一步,我们要结合所在的行业,业务去分析我们用户画像的目的。这其实就是战略,我们要通过战略去指引我们最终的方向。

    对于电商企业来说,可能最重要的两个问题就是:

    现有用户- 我的现存用户是谁?为什么买我的产品?他们有什么偏好?哪些用户价值最高?

    潜在客户- 我的潜在用户在哪儿?他们喜欢什么?哪些渠道能找到他们?获客成本是多少?

    而对于金融企业,还要加上一条:

    用户风险—用户的收入能力怎么样?他们是否有过贷款或者信用卡的逾期?他们的征信有问题吗?

    我们做用户画像的目的也就是根据我们指定的战略方向最终去解决这些问题。

    在梳理标签的过程还要紧密的结合我们的数据,不能脱离了数据去空想,当然如果是我们必须要的数据,我们可能需要想办法去获取这些数据,这就是数据采集的问题,我们之后会深入的讨论。

    先展示两种常见的标签体系,随后我们将按步骤建立我们的标签体系。

    电商类标签体系

    可以看到电商类的标签体系,更关注用户的属性,行为等等信息。那么我们需要的数据也就来源于用户可提供的基本信息,以及用户的行为信息,这些我们可以通过埋点获取,而用户的订单情况也是非常的重要的标签。

    金融类标签体系

    对于金融行业,最明显的区别是增加了用户的价值和用户风险的信息。这些信息在用户申请贷款时一般都可以提供,还有很多信息需要通过征信获取。

    最终,不管是电商还是金融或者其他领域,我们都可以通过数据对用户进行画像,最终建立标签体系,影响我们的业务,最终实现战略目的。

    下面我们来具体看一下如何一步步的分析建立整体标签体系。

    标签的维度与类型

    在我们建立用户标签时,首先要明确基于哪种维度去建立标签。

    一般除了基于用户维度(userid)建立用户标签体系外,还有基于设备维度(cookieid)建立相应的标签体系,当用户没有登录设备时,就需要这个维度。当然这两个维度还可以进行关联。

    而两者的关联就是需要ID-Mapping算法来解决,这也是一个非常复杂的算法。更多的时候我们还是以用户的唯一标识来建立用户画像。

    而标签也分为很多种类型,这里参照常见的分类方式,

    从对用户打标签的方式来看,一般分为三种类型:1、基于统计类的标签;2、基于规则类的标签、3、基于挖掘类的标签。下面我们介绍这三种类型标签的区别:

    • 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,他的性别、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、消费类数据中统计得出。该类标签构成了用户画像的基础;

    • 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确定由运营人员和数据人员共同协商确定;

    • 机器学习挖掘类标签:该类标签通过数据挖掘产生,应用在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。

    标签的类型是对标签的一个区分,方便我们了解标签是在数据处理的哪个阶段产生的,也更方便我们管理。

    标签分级分类

    标签需要进行分级分类的管理,一方面使得标签更加的清晰有条件,另一方面也方便我们对标签进行存储查询,也就是管理标签。

    用户画像体系和标签分类从两个不同角度来梳理标签,用户画像体系偏战略和应用,标签分类偏管理和技术实现侧。

    把标签分成不同的层级和类别,一是方便管理数千个标签,让散乱的标签体系化;二是维度并不孤立,标签之间互有关联;三可以为标签建模提供标签子集。

    梳理某类别的子分类时,尽可能的遵循MECE原则(相互独立、完全穷尽),尤其是一些有关用户分类的,要能覆盖所有用户,但又不交叉。比如:用户活跃度的划分为核心用户、活跃用户、新用户、老用户、流失用户,用户消费能力分为超强、强、中、弱,这样按照给定的规则每个用户都有分到不同的组里。

    标签命名

    标签的命名也是为了我们可以对标签进行统一的管理,也更好识别出是什么标签。

    这是一种非常好的命名方式,解释如下:

    标签主题:用于刻画属于那种类型的标签,如用户属性、用户行为、用户消费、风险控制等多种类型,可用A、B、C、D等 字母表示各标签主题; 标签类型:标签类型可划为分类型和统计型这两种类型,其中分类型用于刻画用户属于哪种类型,如是男是女、是否是会员、 是否已流失等标签,统计型标签用于刻画统计用户的某些行为次数,如历史购买金额、优惠券使用次数、近30日登陆次数等 标签,这类标签都需要对应一个用户相应行为的权重次数; 开发方式:开发方式可分为统计型开发和算法型开发两大开发方式。其中统计型开发可直接从数据仓库中各主题表建模加工 而成,算法型开发需要对数据做机器学习的算法处理得到相应的标签; 是否互斥标签:对应同一级类目下(如一级标签、二级标签),各标签之间的关系是否为互斥,可将标签划分为互斥关系和 非互斥关系。例如对于男、女标签就是互斥关系,同一个用户不是被打上男性标签就是女性标签,对于高活跃、中活跃、低 活跃标签也是互斥关系; 用户维度:用于刻画该标签是打在用户唯一标识(userid)上,还是打在用户使用的设备(cookieid)上。可用U、C等字 母分别标识userid和cookieid维度。

    最终形成得标签示例:

    对于用户是男是女这个标签,标签主题是用户属性,标签类型属于分类型,开发方式为统计型,为互斥关系,用户 维度为userid。这样给男性用户打上标签“A111U001_001”,女性用户打上标签“A111U001002”,其中 “A111U”为上面介绍的命名方式,“001”为一级标签的id,后面对于用户属性维度的其他一级标签可用“002”、 “003”等方式追加命名,“”后面的“001”和“002”为该一级标签下的标签明细,如果是划分高、中、低活跃 用户的,对应一级标签下的明细可划分为“001”、“002”、“003”。

    标签存储与管理

    Hive与Druid数仓存储标签计算结果集

    因为数据非常大,所以跑标签出来的结果必须要通过hive和druid数仓引擎来完成。

    在数据仓库的建模过程中,主要是事实表和维度表的开发。

    事实表依据业务来开发,描述业务的过程,可以理解为我们对原始数据做ETL整理后业务事实。

    而维度表就是我们最终形成的用户维度,维度表是实时变化的,逐渐的建立起用户的画像。

    比如用户维度标签:

    首先我们根据之前讨论的用户指标体系,将用户按照人口,行为,消费等等建立相关中间表,注意表的命名。

    第一张人口属性表:

    同样的,其他的也按这种方式进行存储,这种属性类的计算很容易筛选出来。

    然后,我们将用户的标签查询出来,汇总到用户身上:

    最终用户的标签就形成了

    当然,对于复杂的规则和算法类标签,就需要在计算中间表时做更复杂的计算,我们需要在Flink里解决这些复杂的计算,未来开发中我们会详细的讨论,这一部分先根据标签体系把相应的表结构都设计出来。

    Mysql存储标签元数据

    Mysql对于小数据量的读写速度更快,也更适合我们对标签定义,管理。我们也可以在前端开发标签的管理页面。

    我们在mysql存储的字段如图所示,在页面上提供编辑等功能,在开发标签的过程中,就可以控制标签的使用了。

    这样,我们的标签体系已经根据实际的业务情况建立起来了,在明确了标签体系以后,也就明确了我们的业务支撑,从下一章开始我们将正式开始搭建大数据集群,接入数据,进行标签开发,未完待续~

    参考文献

    《用户画像:方法论与工程化解决方案》

    “点击链接了解详情并购买”

    资深大数据专家多个亿级规模用户画像系统的经验总结,技术、产品、运营3个维度讲解从0到1构建用户画像系统的技术和方法论

    更多实时数据分析相关博文与科技资讯,欢迎关注 “实时流式计算”

    展开全文
  • 给客户培训整理的用户画像流程介绍,包括用户标签体系构建流程、标签生命周期管理、数据架构、标签工厂、标签存储等
  • 用户画像标签体系建设(简易版)

    千次阅读 2020-03-18 17:16:42
    用户画像标签体系建设(简易版) 一. 项目背景及概要 在互联网逐步步入大数据时代后,不可避免的给企业和用户行为带来一系列改变与重塑;其中最大的变化莫过于,用户的一切行为在企业面前是“可视化”的.随着大数据...

    一. 项目背景及概要

    在互联网逐步步入大数据时代后,不可避免的给企业和用户行为带来一系列改变与重塑;其中最大的变化莫过于,用户的一切行为在企业面前是“可视化”的.随着大数据技术的深入研究与应用,企业的专注点日益聚焦于怎样利用大数据来为精细化运营及精准营销服务,进而深入挖掘潜在的商业价值.于是,用户画像的概念也就应运而生

    二. 项目目标

    全业务运营下,用户画像及应用基于PG(关系型数据库)和大数据平台采集分析,把用户特征标签封装成数据接口服务,实时推送到一线,使信息数据变成生产力,项目实现目标如下:
    一、用户画像模型封装
    (1)基于PG(关系型数据库)和大数据平台(hive、impala)
    包含基础标签与分析类知识标签,实现用户特征全貌刻画;
    (2)多种封装角度
    分用户类别、渠道内容、业务场景进行封装配置.
    二、接口数据实时推送
    实现用户画像数据实时更新至运营及营销统一视图(WeMeta、WeData、WeSearch等)中进行展现,并实时反馈运营及营销信息问题,保证数据应用的时效性.
    三、展现UI封装
    依托用户画像,将推荐信息配置应用端进行可视化展现,集中活动运营,实现千人千面的运营效果.

    三. Mysql表设计

    1. 业务方案配置表

    业务方案配置

    2. 方案关联权重配置明细表

    方案关联权重配置明细

    3. 权重关联用户标签表

    在这里插入图片描述

    四. Hive表设计

    在这里插入图片描述

    五. 标签统计

    在这里插入图片描述

    六. 用户画像产品化

    1.1 用户标签查询页面

    在这里插入图片描述

    1.2 用户标签查询代码(第一种 : 写入Hbase)

    在这里插入图片描述

    1.3 用户标签查询代码(第二种 : 写入ElasticSearch)
    object UserTagToEs {
    
      // ElasticSearch中的Index名称
      val ES_TYPE_NAME = "user_tag"
    
      // 配置主机名:端口号的正则表达式
      val ES_HOST_PORT_REGEX = "(.+):(\\d+)".r
    
    
      /**
        * Store Data In ElasticSearch
        *
        * @param data.  用户标签数据集
        * @param esConf. ElasticSearch的配置对象
        */
      private def storeUserTagDataInES(data: DataFrame)(implicit esConf: ESConfig): Unit = {
    
        // 需要操作的Index名称
        val indexName = esConf.index
    
        // 新建一个到ES的连接配置
        var settings: Settings = Settings.builder().put("cluster.name", esConf.clusterName).build()
    
        // 创建到ES的连接客户端
        val esClient = new PreBuiltTransportClient(settings)
    
        //对于设定的多个Node分别通过正则表达式进行模式匹配,并添加到客户端实例
        esConf.transportHosts.split(";")
          .foreach {
            case ES_HOST_PORT_REGEX(host: String, port: String) =>
              esClient.addTransportAddress(new InetSocketTransportAddress(InetAddress.getByName(host), port.toInt))
          }
    
        // 检查如果Index存在,那么删除Index
        if (esClient.admin().indices().exists(new IndicesExistsRequest(indexName)).actionGet().isExists) {
          // 删除Index
          esClient.admin().indices().delete(new DeleteIndexRequest(indexName)).actionGet()
        }
        // 创建Index
        esClient.admin().indices().create(new CreateIndexRequest(indexName)).actionGet()
    
        // 声明写出时的ES配置信息
        val tagOptions = Map("es.nodes" -> esConf.httpHosts,
          "es.http.timeout" -> "100m",
          "es.mapping.id" -> "user_id")
    
        // 数据写出时的Type名称【表】
        val movieTypeName = s"$indexName/$ES_TYPE_NAME"
    
    
        // 将用户标签数据保存到ES
        data
          .write.options(tagOptions)
          .mode("overwrite")
          .format("org.elasticsearch.spark.sql")
          .save(movieTypeName)
    
      }
    
    
      def main(args: Array[String]): Unit = {
    
        System.setProperty("hadoop.home.dir", "D:\\hadoop-common-2.2.0-bin-master")
    
        //如果想让hive运行在spark上,一定要开启spark对hive的支持
        val hiveContext = SparkSession.builder()
          .enableHiveSupport()
          .appName("UserTagToEs")
          .master("local[*]")
          .getOrCreate()
    
        //创建全局配置
        val params = scala.collection.mutable.Map[String, Any]()
        params += "spark.cores" -> "local[*]"
        params += "es.httpHosts" -> "spark01:9200"
        params += "es.transportHosts" -> "spark01:9300"
        params += "es.index" -> "user_draw_tag"
        params += "es.cluster.name" -> "es-cluster"
    
        // 定义ElasticSearch的配置对象
        implicit val esConf = new ESConfig(params("es.httpHosts").asInstanceOf[String],
          params("es.transportHosts").asInstanceOf[String],
          params("es.index").asInstanceOf[String],
          params("es.cluster.name").asInstanceOf[String])
    
        //查询每个用户相关标签
        val resDF = hiveContext.sql(
          """
            | SELECT
            | t.user_id,
            | concat_ws(',',collect_set(tag_par)) AS tag_par
            | FROM
            | (
            | SELECT user_id,
            | concat_ws(':',tag_id,CAST(tag_value AS string)) AS tag_par
            | FROM
            | bigdata.hive_business_project_action_tag
            | WHERE dt = '2020-03-24'
            | ) t
            | GROUP BY t.user_id
          """.stripMargin)
    
        resDF.cache()
    
        storeUserTagDataInES(resDF);
    
        resDF.unpersist()
    
        hiveContext.close()
    
      }
    
    }
    
    2. 标签编辑页面

    在这里插入图片描述

    3. 人群划分

    在这里插入图片描述

    展开全文
  • 用户需求搬运工:用户画像标签体系如何为企业开拓千亿市场   普及的网络、便捷的交通让这个世界的距离缩小,对于企业来说,这是一个有更多机会也面临更大挑战的时代,比如就电视这个商业产品来说,消费者在市场上...
  • 在推荐系统中,用户画像也是同样的道理,根据用户人口特征、网页浏览、社交活动、消费行为等信息为勾勒出用户的画像,这种画像是通过标签化的方式呈现,构建用户画像的核心工作就是利用海量数据...
  • 于是,构建高质量用户画像体系成为APP开展精细化运营的必由之路。 本文结合个推构建用户画像系统的实践,为大家分享企业构建用户画像的基本步骤。 一般来说,企业构建用户画像系统的过程可以简单拆解为以下8步: ...
  • 本文转载自数据管道,详情可扫描下方二维码:最近入手了一个用户画像的项目,这里面真的“坑”满多的,你肯定很想问,不就是用户画像嘛,会这么烦吗?现在可能就需要拆分成几个问题来...
  • 导读:本文详细介绍用户标签体系的构成及应用场景。作者:赵宏田来源:大数据DT(ID:hzdashuju)互联网相关企业在建立用户画像时一般除了基于用户维度(userid)建立一套用户标...
  • 用户画像的核心在于给用户“打标签”,标签通常是人为规定的特征标识,以高度精炼的特征描述一类人,例如年龄、性别、爱好等,不同的标签通过结构化的数据体系整合,就能够组合出不同的用户画像。图片来源:互联网,...
  • 构建用户画像的过程的本质就是对用户信息进行标签化管理的过程。通过标签体系的建设,一方面让数据变得可阅读、易理解,方便业务使用;另一方面通过标签类目体系将标签组织排布,以一种适用性更好的组织...
  • 用户画像-02标签体系

    2021-03-22 15:08:37
    针对整个用户画像系统来说,将用户数据进行标签化,给每个用户打上标签,涉及标签数据有两类: ...第二类数据:用户画像标签,存储在Hbase表:tbl_profile ![在这里插入图片描述](https://img-blog.csdnimg.c
  • 上面的例子是用户画像一些应用场景。而本文主要分享的是打在用户身上标签的权重是如何确定的。如上图所示,一个用户标签表里面包括常见的字段如:用户id、用户姓名、标签id、标签名称、用户与该标签发生行为的次数...
  • 数据一直是各行各业的核心资产,蕴含巨大价值待挖掘,在数据→信息→知识的转化过程中,标签、指标是基础,它将抽象的数据转化为一个相对具象的信息中心,用户分群和用户画像都是在建立在信息中心上的综合应用手段,...
  • 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,如图...
  • 3种思路,打造用户画像标签体系

    万次阅读 2018-05-22 21:17:17
    个人觉得,“用户画像”这个词听起来更加关注人口属性、生活状态这些基本静态信息,这多少有点误导:我们重点关注的,往往是某用户“最近要不要旅游”、“准备买多少钱的车”这样能驱动直接效果的动态信息。...
  • 项目中形成的某商城用户标签体系画像设计
  • 标签(Tag)对某一类特定群体或对象的某项特征进行的抽象分类和概括,其值(标签值)具备可分类性。例:对于“人”这类群体,可将“男”、“女”这类特征进行抽象概括,统称为“性别”,“性别”即一个标签;对于“手机...
  • 企业级360度全方位用户标签体系,全方位分析用户行为标签。
  • 用户画像是建立在数据基础之上的用户模型,是产品改进、精准营销等业务场景中不可或缺的重要基础。而构建用户画像的过程就是要给用户打上各种维度的标签,并基于标签进行定性或定量分析。这其中,建设灵活、全面、...
  • 用户画像对某一类特定群体或对象的某项特征进行的抽象分类和概括 用户画像方向 目前的用户画像研究主要集中在三个方向上:用户属性、用户偏好和用户行为三个主要方面。

空空如也

空空如也

1 2 3 4 5 ... 11
收藏数 216
精华内容 86
关键字:

用户画像标签体系