- 综合排序
- 最热优先
- 最新优先
- 来自专栏实时计算
揭秘阿里巴巴的客群画像
平台场景目标群体及场景间买家差异性尚不明确，客群矩阵就是为场景中控解决这一业务痛点、提高场货分发效能而专门设置的算法研究主题。同时，客群矩阵也是用户增长和算法特征的核心数据。 鉴于客群矩阵如此重要且拥有诸多应用，其构建迫在眉睫。 我们主要围绕人、货、场、商4个维度构建，客群矩阵概况如图1所示。 客群矩阵同场景矩阵叠加，在构建场景目标用户、衡量场景差异性的同时，也能提高场景效能，有效引导目标流量，进而为各类业务场景的算法建模提供底层数据基础。 既然B类用户群体主要是企业和批发商，那么如何准确地描述客群矩阵呢？采购力就是突出的表征，采购力包含采购金额和采购频率，从采购力可以看出用户的经营规模和消耗能力。
2.2K10发布于 2020-08-17 客流类API实测：门店到访客群画像数据获取
这个API叫“门店到访客群画像分布”，主要用于线下实体门店到访客群的画像统计和分析的，比较契合我们的产品功能需求，整体接入过程还是比较顺利，数据也满足要求！ 一级业态枚举：餐饮，零售，生活配套，休闲娱乐，家庭亲子餐饮从Query参数可知，这个客流API可以获取指定月份、指定场景（门店）的到访客群画像，涵盖基础画像（如年龄、性别）和各种偏好画像（如消费、兴趣） ，对实体门店的客群统计和分析的价值还是很大的。 一、在线获取1、在及刻开放平台首页右上角注册后，进行到控制台，查看已经订购的API和创建API Keys，用于后续接口调用；2、在能力中心页面找到“泛客流”栏目，找到“门店到访客群画像分布”API；3、 error":"","billing":{"count":1,"price":0}}API调试过程中发现API的响应速度还是很快的，而且返回的数据正是企业所需要的数据，接入到产品中，就能得到实体门店客群的画像分析功能
48910编辑于 2025-08-21- 来自专栏数据计算
提速银行用户画像客群交集计算200+倍
问题描述X银行用户画像应用中，需要完成客群交集计算。客群数量多达数千个，每个客群包含的客户数量不等，从几十万到上亿都有。要计算出任意N（一般是2-10）个客群共同的客户。 一个客户平均属于10个客群，如果用数据库表来存储的话，客户-客群表就有十亿多条记录。 0表示不属于这个客群，1表示属于这个客群。做两个客群的交叉时，取其中的最多2列即可；做n个客群交叉，取其中最多n列即可。我们采用列式存储，在n小于10的时候，能大量减少读取数量。 例如：d2为年龄维度，客户001的年龄段是20-30岁，在年龄维度列表中对应的枚举值序号是3，那么就将这个客户的d1字段设置为3。 对新存储文件条件过滤的时候，遍历到客户001这一行，取得d1的值是3，找布尔序列第3个元素是true，所以客户001符合过滤条件。
39210编辑于 2024-10-31 - 来自专栏全栈开发日记
【极客日记】群晖安装及洗白教程
1、制作引导镜像 1.1、准备工具 主要是三个文件：arpl.img、群晖操作系统pat文件、rufus.exe。 一个U盘：用于存储和引导镜像的，这个U盘后续必须插在群晖物理机上才能正常引导启动群晖系统，8GB足以。 2、U盘启动 ① 将制作好的启动盘插到要装群晖的物理机上，并将该物理机为U盘启动。U盘启动请自行百度。 ② 为该物理机插上网线。 ③ 为装群晖的物理机接一个显示屏（会显示群晖引导访问地址），或直接通过路由器查看装群晖物理机的内网IP，并在内网中其他电脑浏览器中访问http://群晖物理机内网IP:7681，即可访问到群晖引导界面。 3、安装群晖 如下是进入引导界面后的操作流程。 3.1、Choose the option 选择第一个choose a mode（选择系统型号），这里推荐DS918+，因为洗白码便宜。
9.5K10编辑于 2024-01-14 - 来自专栏深度学习与python
这个 Redis 问题画像，干掉了一摞简历 ｜ 极客时间
这里，分享给你一张 Redis 问题画像图，帮你快速定位问题对应的 Redis 主线模块，及相关技术点。 这样一来，积累越多，画像就越丰富。 它可以很小，比如学完两节课；也可以很大，比如用 3 个月时间把 Redis 源码读完。最重要的是，一旦定好目标，就要竭尽全力把事做成。
46410编辑于 2023-04-01 - 来自专栏机器学习原理
示例三（3）——人物画像特征提取
前言：一个人的信用评级一般用人物画像来评判，如何从很多的人物特征中提取有用的特征呢？ 下面以一个金融反欺诈模型为例子来对特征提取有一个简单的理解。 /data/LoanStats3a.csv', skiprows = 1, low_memory = True)#skiprows跳过第一行，low_memory低内存加载，报错就该成False ''' out_prncp_inv has 1 col collections_12_mths_ex_med has 2 col policy_code has 1 col acc_now_delinq has 3 chargeoff_within_12_mths has 2 col delinq_amnt has 4 col pub_rec_bankruptcies has 4 col tax_liens has 3 term has 2 col grade has 7 col emp_length has 11 col home_ownership has 5 col verification_status has 3
1.7K30发布于 2018-06-13 - 来自专栏活动盒子
智能化时代，大数据如何赋能银行客群管理，实现精准营销
3、产品、服务同质化，客群匹配度不高 银行的市场竞争力最终体现在产品的竞争力，尽管目前银行在产品创新做出了一定的努力，但依旧是改良性居多、原创性较少，设计同质化这一现状仍未被改变。 很多商业银行开始积极拥抱大数据的力量，利用大数据技术解决客群管理痛点，更精准有效的识别客群，并结合客群金融消费特征，提供适合不同客群的产品及服务，落实客群管理新方式。 3、精细化定义标签属性 互联网时代，客户的所有行为、交易数据都能客观反映其真实需求。 另外，想要构建一个完整的客户画像，一般需要分为4个步骤： （1）数据搜集与处理； （2）通过文本挖掘、自然语言处理、机器学习、预测算法、聚类算法等进行模型构建； （3）生成客户标签，包括人口属性、金融属性 大数据技术在客户画像基本属性的基础上，进一步分析获取客户偏好、用户习惯等信息，再对客户属性、订单、行为、行为等组合条件，自动将用户划分到群组，形成特定客群划分，进而可以根据客群画像提取客户需求，最终做到针对不同的客群
3.8K83发布于 2020-04-14 - 来自专栏Python数据结构与算法
牛客网刷题-(3)
(1)油耗 X = int(input()) Y = float(input()) M = X / Y print("%.3f km/l"%M) (2)时间转换 #时间转换 N = int(input( )) A = N //3600 B = N // 60 C = N % 60 print("%d:%d:%d"%(A,B,C)) (3)简单计算 #简单计算 - 难点:浮点数和整数类型如何同行输出 a1 print("VALOR A PAGAR: R$ %.2f"%x) (4)球体体积计算 #球体体积 R = int(input()) pi = 3.14159 X = (4/3.0) * pi * (R **3) print("VOLUME = %.3f"%X)
29910编辑于 2024-01-18 超长国债来了，高净值客群的机会在哪儿？
而房地产作为抵御通胀、分散投资风险的重要手段，自然成为高净值客群重点关注的选项之一。好房子成高净值客群资产配置“聚集地”高净值客群通常追求资产配置的多样化，以分散投资风险。 评估当前房地产市场现状和趋势可以发现，高净值客群最优质、最首要配置的优质资产，无疑是核心城市核心地段的好房子。 核心城市核心地段的房子适合居住，还有较高投资价值，这样具备双重属性的好房子，自然成为高净值客群资产配置“聚集地”。 一线城市核心地段的豪宅作为稀缺资源，具有多重投资优势，而且一线城市限购政策已经“松绑”，这对于高净值客群来说是个好机会。 在当前的经济和政策环境下，高价值楼市从稀缺品变为资产配置的必需品，其背后的投资逻辑和市场趋势都显示出，这一领域将继续成为高净值客群关注的焦点。
28410编辑于 2024-06-18- 来自专栏HTML5学堂
2016.07 第3周 群问题分享
max-height: 300px; _height: 120px; margin-left: auto; margin-right: auto; padding: 3px ; border: 1px solid #a0b3d6; line-height: 24px; font-size: 12px; word-wrap: break-word ; overflow-x: hidden; overflow-y: auto; outline: 0; box-shadow: inset 0 1px 3px rgba 运算符判断相等的流程是怎样的 2016.07.18~2016.07.22 核心内容 操作符 问题解析 1、如果两个值不是相同类型，它们不相等 2、如果两个值都是null或者都是undefined，它们相等 3、 r.push(this[i]); //把当前数组的当前项push到临时数组里面 } } return r; } Array.prototype.unique3
1.2K80发布于 2018-03-13 - 来自专栏职场亮哥
搭建Hadoop3集群
强烈建议再搭建hadoop集群之前体验一下单机模式和伪分布式模式的搭建过程，可以参考以下链接： https://suncle.me/2018/04/16/Hadoop3-basic-installation-and-configuration 然后执行以下初始步骤： 创建三台阿里云ECS，也可以在本地创建3台配置较好的Vmware虚拟机。分别作为hadoop集群的node-master，node1和node2（名称可以自取）。 主节点保存有关分布式文件系统的信息，例如ext3文件系统上的inode表，并调度资源分配。 disks=1 hbase=False Profile: cores=2 memory=6144MB reserved=2GB usableMem=6GB disks=1 Num Container=3 参考： https://suncle.me/2018/04/16/Hadoop3-basic-installation-and-configuration/ https://www.cnblogs.com
1.5K21发布于 2020-10-10 - 来自专栏张叔叔讲互联网
画像平台常见的3种数据模型
画像数据对于画像平台无疑是非常重要的，按什么样的数据模型存储画像数据直接影响了上层画像平台所能支持的功能范围，本文内容主要介绍3种常见的画像数据模型及其适用的平台功能。 基于用户－行为模型，可以结合用户属性类标签和行为标签实现更加复杂的人群圈选和分析功能，比如圈选出3月1日到3月24日之间，平均在线时长超过1000秒的河南省男性用户；针对给定人群，分析其从3月15日到3 基于行为明细数据可以实现更加细致的人群圈选和分析功能，比如圈选出3月1日到3月7日，中午12：00到14：00之间，使用Android系统进行登录的河南省女性用户；筛选出3月24日登录2小时之内发生了点赞行为的用户 以上介绍了常见的3种画像平台数据模型，随着模型复杂度的提升，工程实现难度不断提高，但是可支持的功能范围逐渐扩大。 ---- 本文节选自《用户画像：平台构建与业务实践》，转载请注明出处。
1.1K20编辑于 2023-10-06 四力PLUS商家增长平台产品介绍
数据驱动CaaS服务：方略围绕“人货场”提供大数据轻咨询（客群画像、潜客地图、选址、建模共创），输出可落地业务方案。 四力方略能力： 客群画像报告：标签洞察（基础信息、履历、生活态度、通用兴趣）、聚类工具（筛选特征-聚合客群-得出结论）、交付物示例（网瘾少年、雪田丽等客群画像）。 会员产品与服务：3大合作服务（战略规划、运营服务、数字化升级），3大权益（流量支持、数据能力、市场声望），含四力360°经营看板、知识库、战略咨询。 小程序黑盒诊断覆盖前端/安全/性能，含18项问题示例（某潮玩品牌）； 行业报告多深度覆盖（日常/专项/定制），补充微信生态洞察； 方略轻咨询聚焦人货场，输出客群画像、潜客地图等大数据方案； 客群聚类工具灵活（筛选-聚合-结论-示意图），含典型客群画像； 全城潜客地图支持栅格/围栏双模式，潜客识别与赋分； 线下选址报告用有店栅格建模预测未开店址销量。
19510编辑于 2026-03-31架构师视角：如何从数据底座到策略应用构建可复用的人群分析引擎？
我们可以利用类似 GrowingIO 增长分析 平台底层的动态规则引擎方案：规则化定义：不再采用预计算的固定快照，而是对人群只定义业务规则（如“用户在统计周期内浏览活动页≥3次且未完成支付”）；运行时重构查询 例如，需要找出“参与促销活动但至今沉默未转化的客群”，需要使用交集逻辑（促销 ∩ 沉默）；需要找出“高价值中未流失的客群”，需要使用差集逻辑（高价值 - 已流失）。 三、 画像引擎与 TGI 特征计算用户特征画像之所以常被视为数据花瓶，是因为常规的静态分布（如性别分布、地域占比）无法反映出该客群相较于大盘的核心特征差异。 > 100）：自动提炼出 TGI 指数降序排列的 Top10 特征值；显著差异特征：计算目标客群与对照组的 TGI 差异比值，排除大盘背景底噪，精准指出目标客群特有的显著性差异。 STEP 1：基础客群定义动态化：将高频的基础业务场景规则化，一劳永逸适应任何时间区间；STEP 2：场景逻辑画布化：将交并差等关系运算在策略画布中沉淀为规则流；STEP 3：建立分析流程模板：将整个“
7410编辑于 2026-06-29- 来自专栏xiaohejun的算法知识分享
牛客集训派对day3
当 x<=2y 时，定义每一步的冗余值 wi=3-dx-dy，那么∑wi=∑(2-dx)=3 步数-x-y，显然我们只需要最小化冗余值。 若 x-x’=3 则加上(+2,+1),(+2,+1),(-1,-2)，冗余值为 3，由 x/2+y 的奇偶 性可知最小。 示例1 输入 2 3 1 1 2 1 3 3 2 1 2 1 3 输出 1 4 把树分成 m 个连通块的方案数是 C(n-1,m-1)，乘上 m!就行了。 示例1 输入 5 6 3 2 4 5 1 2 4 1 3 1 1 4 1 1 5 4 2 3 1 3 4 3 输出 3 3 5 把所有大都会设为源点跑多源最短路，记下每个点是由哪个源点扩展的。 示例1 输入 3 2 1 2 1 3 输出 0 0 1 1 示例2 复制 3 3 1 2 1 3 2 3 输出 3 1 2 3 判一下是不是二分图就行了。
60510发布于 2020-02-18 腾讯位置大数据驱动文旅与地产行业精准决策
数据魔方 服务于项目前期投拓决策，提供城市、商圈、购物中心及周边的宏观与微观数据分析，覆盖人口分布、业态分布、客流排名、客群画像等维度。 客留通 聚焦购物中心经营期，提供客流监控、客源分析、客群画像、商圈覆盖、竞争环境及精准营销等全方位数据支持。 客源洞察深度：可细分客源为工作地、居住地、过路地三种场景，进行来源区域排名与画像对比。 竞争态势感知：提供33个维度的城市排行数据，实现空间竞争分布和重合客群分析，把握市场主动权。 龙湖地产：应用数据魔方进行竞品客群来源地分析、售楼处客群热力地图绘制，指导精准营销与业态调整。 业务生态融合：所有微信及小程序的原生地址应用均由其提供能力支撑，数据资源整合了腾讯地图POI数据及APP生态画像数据，场景覆盖社交、游戏、娱乐、电商、本地生活等全域。
18310编辑于 2026-05-30腾讯云位置大数据提升不动产行业投资与运营决策效率
传统市场调研方式耗时耗力，难以快速、精准地获取地块价值、客流来源及客群画像等关键信息，严重影响项目拓展与运营效率。 数据魔方：支持自定义区域（点半径、多边形围栏）分析，提供人口统计、客流指数、业态分布、人群画像等维度数据，辅助投资决策。 优化运营与营销效果：客留通支持对全国1.3万+购物中心进行竞品对标。某客户通过平台锁定目标客群并投放广告，点击率（CTR）提升至1.38%，较常规组提升10.14%。 头部地产集团已验证方案价值 龙湖地产：应用LBS数据魔方进行竞品客群来源地热力分析、售楼处客群洞察，高效获取消费者画像报告。 宜家荟聚中心：全国8个荟聚项目集中采购客留通，用于运营提升与新项目研判，通过客群画像分析指导营销活动，有效提升活动推广效率。
17410编辑于 2026-05-31- 来自专栏Python数据科学
数据挖掘实战：聚类分群实现精准营销
再比如，我们现在有客户的基础属性、业务等画像数据，想对客户的价值高低进行识别，从而能够有针对性的进行产品营销。此时同样可以通过聚类划分出对业务影响不同程度的客群，然后再以此设计策略。 # 分群后的画像特征 plt.figure(figsize=(10,10)) for i in range(0,len(index_lst)): plt.subplot(3, 2, i+1) 客群5：消费能力强、资产质量好、风险低，活跃度极差，是需要重点挽留的高价值客群； 客群3：消费能力强、资产质量好、风险低，活跃度较差，是需要促活的高价值客群； 客群2：风险中低，资产、消费、活跃均衡，稳定性高 ，是需要继续维持的中高价值客群； 客群1：与客户群2类似，但稳定度差一些，是需要继续维持的中高价值客群； 客群4：高风控的下沉人群，同时活跃度较高，存在多头的风险，是需要避免的高危低价值客群； 业务或者策略人员可以针对这个分层设计相应的营销策略 客群 特点 策略建议 客群5 高价值，但不活跃 重要挽留，给这类客户筛出为白名单，调整产品权益如提高额度、降低利率，进行电话营销防止流失 客群3 高价值，中等活跃 重要发展，临到期客户提前电话营销促成复购
1.6K10编辑于 2023-12-13 腾讯位置大数据“以店选店”产品结构化概要
数据获取不全且精度低：获取高质量栅格数据（如人流量/画像等）成本高且耗时费力，竞争对手客群特征等数据获取困难。 网格客群画像：通过AI模型深度推理与人群标签增强学习，自动拆解目标客群特征，输出客流热度和商圈画像特征。 网格客源圈层分析：结合客流与商圈特征，输出网格客群沉淀的潜客画像；由AI综合评定客源圈层并输出分析报告。 竞品盘点分析：在同城范围内寻找相似分布地区，洞察竞争态势。 产品优势： AI精准找客群：基于腾讯海量LBS位置大数据及深度推断能力，破解海量人工选址环境规律，发现潜在商机。 高覆盖高质量数据：掌握大盘人口客流，实现精细化客群洞察。同一生态闭环确保了数据高度精准，数据沉淀及覆盖行业特征的深度结合形成了不可替代的壁垒。
27600编辑于 2026-05-29腾讯地图AI Maps × Tencent Ecosystem：粤港澳大湾区零售与门店解决方案
核心技术属性：AI驱动的自然语言交互分析、居住区级LBS用户画像、垂直行业匹配引擎、多生态平台同步能力。 二、产品应用场景 区域扩张团队：连锁门店扩展中需快速评估候选地客群，面临选址范围模糊、现场考察成本高痛点。 营销团队：制定区域营销策略时缺乏不同区域消费特征数据，难以精准定位客群。 产品优势 Conversation as Analysis：无需手动选坐标填参数，自然语言触发全流程分析（如输入“在旺角开奶茶店”自动完成定位、客群分析、报告输出）。 See & Use：输出交互式地图报告，点击居住区查看详细画像，可视化呈现门店与社区空间关系。 五、总结 腾讯地图AI Maps × Tencent Ecosystem通过AI选址工具与商家助手StoreMate，为粤港澳大湾区零售企业提供从选址决策（自然语言分析、客群画像、垂直引擎）到门店运营（
28710编辑于 2026-05-21
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号