- 综合排序
- 最热优先
- 最新优先
- 来自专栏猴子数据分析
4个问题带你了解用户画像
接下来，我将带你通过4个问题一次性弄明白用户画像。 image.png 1. 什么是用户画像？ 下图展示了电商和广告可能用户画像情形（说明：一款产品可能拥有多个用户画像代表）。 image.png （4）总结 image.png 2. 用户画像有什么用？如何使用？ 4）停止团队成员对产品内容优先级和执行顺序的争论。 image.png 对于一个项目而言，用户画像理应从最初的产品规划阶段就开始构建。 （4）产品营销推广阶段 营销推广本身范畴很大，包含产品的营销策略、市场活动和广告传播等，由于我们接下来继续用广告用户画像的例子，因此后续分析也重点放在广告推广方面。 （4）总结：用户画像有哪些注意事项 image.png 4. 总结 本篇主要带你了解用户画像的定义、作用和注意事项。下次带你了解如何构建用户画像。
1.3K00发布于 2020-10-28 - 来自专栏凹凸玩数据
用户画像
关于用户画像的概念，数据相关从业人员应该都知道。用户画像的应用场景很广泛，比如精细化运营、数据分析与挖掘、精准营销、搜索和广告的个性化定向推送等。 用户画像的分析核心一个是对用户建模打标签，关于这，之前在内部交流群分享了一份个人学习的资料，大家都觉得真香，今天把全部内容共享出来供大家自行下载阅读。 主要目录： 1、用户画像应用场景 2、产品层面的宏观分析维度 3、用户画像标签类型 4、用户画像项目开发流程 5、数据仓库介绍 6、用户画像数据质量管理 7、常见需要开发的用户画像相关模型 8、用户行为标签表实际开发案例
6.6K20发布于 2020-02-20 - 来自专栏算法channel
画像分析
关于用户画像的概念，数据相关从业人员应该都知道。用户画像的应用场景很广泛，比如精细化运营、数据分析与挖掘、精准营销、搜索和广告的个性化定向推送等。 用户画像的分析核心一个是对用户建模打标签，关于这，之前宝器在内部交流群分享了一份个人学习的资料，大家都觉得真香，今天把全部内容共享出来供大家自行下载阅读。 主要目录： 1、用户画像应用场景 2、产品层面的宏观分析维度 3、用户画像标签类型 4、用户画像项目开发流程 5、数据仓库介绍 6、用户画像数据质量管理 7、常见需要开发的用户画像相关模型 8、用户行为标签表实际开发案例
2.6K50发布于 2020-02-21 - 来自专栏算法之名
Flink用户画像用户画像行为特征
</groupId> <artifactId>slf4j-log4j12</artifactId> <version>1.7.7</version> <scope>runtime </scope> </dependency> <dependency> <groupId>log4j</groupId> <artifactId>log4j</artifactId ","id":15,"tablename":"user_info","account":"abcd","age":24,"email":"981456@qq.com","status":0} 创建用户画像 这里我们会分析用户的几个行为，并进行画像 浏览商品行为：频道id、商品id、商品类别id、浏览时间、停留时间、用户id、终端类别(1、PC端，2、微信小程序，3、app)、deviceId。 创建用户画像商品类别偏好标签 创建一个商品类型标签实体类 @Data public class ProductTypeLabel { private Long userid; private
10.2K20发布于 2021-11-10 - 来自专栏凹凸玩数据
用户画像
开发画像后的标签数据，如果只是“躺在”数据仓库中，并不能发挥更大的业务价值。只有将画像数据产品化后才能更便于业务方使用。 数据开发人员在开发完标签后，需要将标签录入元数据进行管理，如图4所示。 ? 图4 标签编辑管理–添加标签 标签的编辑管理也即对标签做元数据管理，将在Web端编辑表单中填写的数据存储到MySQL等关系型数据库中。 图13 对比分析两个人群特征 本文介绍了用户画像产品化主要涵盖的功能模块以及这些模块的应用场景。用户画像产品化是把数据应用到业务服务中的一个重要出口，业务人员熟知业务，但对数据不了解。 本文摘编于《用户画像：方法论与工程化解决方案》，经出版方授权发布。
5.7K30发布于 2020-11-04 - 来自专栏AI机器思维
数据画像
01 什么是健康码画像？ 健康码画像让普通大众理解了数据，其实在实际的应用中还有很多针对特定场景的画像，如用户画像、产品画像、业务经营画像等，下面以用户画像为例讲解。 02 什么是用户画像？ 、场景等描述，形成一个用户画像原型。 通过这个用户画像，从而对这个人有了一个整体的认识，一个完整的人物画像已经呈现在了你的脑海里。当标签被描述得越多，用户画像就越清晰。 4.用户·建模：借助算法模型来定义客群的用户画像，如分类模型、聚类模型，常用的算法如朴素贝叶斯、决策树、SVM，神经网络，k-means等。
5.7K40发布于 2020-04-22 - 来自专栏算法无遗策
用户画像构建
用户画像是指用户的进行标签化、信息结构化。 构成用户画像的基本元素通常有：姓名、照片、个人信息、经济状况、工作信息、计算机互联网背景。 用来丰富用户画像的元素有：居住地、工作地点、公司、爱好、家庭生活、朋友圈、性格、个人语录等等。 创建用户画像的方法 用户画像的作用 精准营销，分析产品潜在用户，针对特定群体利用短信邮件等方式进行营销； 用户统计，比如中国大学购买书籍人数 TOP10，全国分城市奶爸指数； 数据挖掘，构建智能推荐系统
4.6K11发布于 2019-12-23 - 来自专栏计算机视觉CV
用户画像小结
前段时间做可一些用户画像方面的工作，对用户画像技术有了初步了解。如果你是一个对大数据和用户画像技术完全不了解的小白，希望这篇文章可以提供一点帮助。 在项目开展前，当然要先了解用户画像主要是干什么的，下面是我总结的两篇文章，大家可以先对大数据和用户画像有个基本的认识。 用户画像--《美团机器学习实践》笔记 如果刚接触用户画像，可以先通过以上两篇文章对用户画像挖掘和应用有初步了解。如果你读完以后是一脸懵的话，我知道你很急，但是你先别急。 py4j py4j是用python和java实现的库。通过PY4J，python可以动态访问Java虚拟机中的Java对象，Java程序也可以回调Python对象。 pyspark实现机制如下图： 图片 图片 在driver端，spark执行在JVM，python通过py4j调用Java的方法，SparkContext利用Py4J启动一个JVM并产生一个JavaSparkContext
1.6K111编辑于 2023-08-04 - 来自专栏全栈程序员必看
用户画像总结
（4）服务产品：对产品进行用户画像，对产品进行受众分析，更透彻地理解用户使用产品的心理动机和行为习惯，完善产品运营，提升服务质量。 在互联网领域，用户画像数据可以包括以下内容： （1）人口属性：包括性别、年龄等人的基本信息 （2）兴趣特征：浏览内容、收藏内容、阅读咨询、购买物品偏好等 （3）消费特征：与消费相关的特征 （4）位置特征 4、态度属性：用户自我表达的态度和意愿。比如说我们通过一份问卷向用户询问一些问题，并形成标签，如询问用户：是否愿意结婚，是否喜欢某个品牌等。 4、用户画像标签层级的建模方法 用户画像的核心是标签的建立，用户画像标签建立的各个阶段使用的模型和算法如下图所示。 原始数据层。 十二、用户画像困难点、用户画像瓶颈 用户画像困难点主要表现为以下4个方面 资料搜集和数据挖掘 在画像之前需要知道产品的用户特征和用户使用产品的行为等因素，从而从总体上掌握对用户需求需求 创建用户画像不是抽离出典型进行单独标签化的过程
3.4K11编辑于 2022-09-09 - 来自专栏架构师修炼
用户画像基础
图1-4所示是用户画像数仓架构图，下面对其进行详细介绍。 ? 图1-4 用户画像数仓架构 图1-4下方虚线框中为常见的数据仓库ETL加工流程，也就是将每日的业务数据、日志数据、埋点数据等经过ETL过程，加工到数据仓库对应的ODS层、DW层、DM层中。 表1-3 商品订单表（dw.order_info_fact） ③ 埋点日志表 埋点日志表（见表1-4）存放用户访问App时点击相关控件的打点记录。通过在客户端做埋点，从日志数据中解析出来。 ? ? 表1-4 埋点日志表（ods.page_event_log） ④ 访问日志表 访问日志表（见表1-5）存放用户访问App的相关信息及用户的LBS相关信息，通过在客户端埋点，从日志数据中解析出来。 ? 例如，某用户在“20180701”日浏览某3C电子商品4次（act_cnt），即给该用户（userid）打上商品对应的三级品类标签（tagid），标签类型（tag_type_id）为3C电子商品，行为类型
5.2K50发布于 2020-08-06 - 来自专栏全栈程序员必看
2020年抖音用户画像报告，DAU超4亿！「建议收藏」
抖音DAU超4亿，较去年同期的2.5亿，增长了60%。抖音与头条的重合度为32.1%，重合用户占抖音的42.2%。 抖音与西瓜的重合度为24.6%,重合用户占抖音的29.5%。 抖音整体人群画像，男女较均衡，19-30岁TGI高，新一线、三线及以下城市用户TGI高。 抖音省份/城市TOP10分布，广东、河南、山东省占比高，郑州、西安、昆明市偏好度高。 抖音男女人群画像，男性19-24岁、41-45岁的用户偏好度高，女性中19-30岁用户偏好度高。 抖音高低线城市人群画像，高线城市中19-30岁的用户偏好度高，低线城市中19-35岁用户偏好度高。 抖音不同年龄段人群画像，95后中男性占比略高、且TGI高；90后中女性TGI高。抖音不同年龄段人群画像，85后中女性TGI高，低线城市占比超6成；80后中男性占比高、TGI高。
9.1K20编辑于 2022-06-27 - 来自专栏阿黎逸阳的代码
电信流失用户画像
本文和你一起探索电信流失客户的画像，后续文章会对电信用户进行流失预测。 一、数据读取与分析 首先介绍一下数据集，它总共包含了7043个用户的信息。 二、流失客户画像分析-明细 1 是否为老年人 是否为老年人指标不同值对应的客户流失率如下： 老年人和非老年人的客户数分别为1142和5901，在客户数上老年人的占比要远小于非老年人。 4 是否开通电话服务业务 是否开通电话服务业务指标不同值对应的客户流失率如下： 开通和没开通电话服务业务的客户数分别为6361和682，开通电话服务业务的客户数远超没开通的。 iv,cut,woe,d4 然后计算使用产品时长的IV值，代码如下： i = 'tenure' iv,cut,woe,d4 = bin_cut(data,data[i],data['y'],n=10) 三、流失客户画像分析-总结 总结的流失客户画像如下： 至此，电信流失客户画像已讲解完毕。后续文章会对电信客户流失进行预测，敬请期待。
2.7K10编辑于 2023-08-21 - 来自专栏数据的力量
如何构建用户画像
伴随着对人的了解逐步深入，一个概念悄然而生：用户画像（UserProfile），完美地抽象出一个用户的信息全貌，可以看作企业应用大数据的根基。 一、什么是用户画像？ 这样一串描述即为用户画像的典型案例。如果用一句话来描述，即：用户信息标签化。 如果用一幅图来展现，即： ? 二、为什么需要用户画像 用户画像的核心工作是为用户打标签，打标签的重要目的之一是为了让人能够理解并且方便计算机处理，如，可以做分类统计：喜欢红酒的用户有多少？喜欢红酒的人群中，男、女比例是多少？ 所以，用户画像，即：用户标签，向我们展示了一种朴素、简洁的方法用于描述用户信息。 3.1 数据源分析 构建用户画像是为了还原用户信息，因此数据来源于：所有用户相关的数据。 百分点现已全面应用用户画像技术于推荐引擎中，在对某电商客户，针对活动页新访客的应用中，依靠用户画像产生的个性化效果，对比热销榜，推荐效果有显著提升：推荐栏点击率提升27%，订单转化率提升34%。
3.3K61发布于 2018-06-20 - 来自专栏猴子数据分析
如何构建用户画像？
image.png 在《4个问题带你了解用户画像》中，我们了解了用户画像的定义、作用及使用注意事项等。 就有用户留言问了：在实际工作中，构建用户画像的方法有哪些？如何构建用户画像呢？ 下面我将结合通过案例，带你了解构建用户画像的4个步骤： image.png 用户画像是为业务服务的，因此我们构建画像之前一定要清晰项目背景和业务需求。 image.png （4）现场内测： 现场内测主要包含以下步骤，需要用到观察法、实验法和深度访谈法。 image.png 用户操作： image.png 用户操作分为两个部分。 （这原本是个主观抽象的问题） 让用户在数值1-7中选择，1代表非常不满意，中间值4代表中规中矩，7代表非常满意。 其实在画像背后，是丰富的资料库和调研信息。用户画像强调简单易用，但当实际工作中需要例证和具体数据时，我们依旧可以调用其他信息。 4.
2.9K00发布于 2021-08-11 - 来自专栏猴子数据分析
如何构建用户画像？
在《4个问题带你了解用户画像》中，我们了解了用户画像的定义、作用及使用注意事项等。 就有用户留言问了：在实际工作中，构建用户画像的方法有哪些？如何构建用户画像呢？ 下面我将结合通过案例，带你了解构建用户画像的4个步骤： 用户画像是为业务服务的，因此我们构建画像之前一定要清晰项目背景和业务需求。 （这原本是个主观抽象的问题） 让用户在数值1-7中选择，1代表非常不满意，中间值4代表中规中矩，7代表非常满意。 因此设定阈值为4，切割树状图： 图中显示：黄色切割线与蓝色线条有三个交点，代表样本有三个簇。 引入层级凝聚聚类算法（HAC），输出结果包含0，1和2，分别代表三个簇。 其实在画像背后，是丰富的资料库和调研信息。用户画像强调简单易用，但当实际工作中需要例证和具体数据时，我们依旧可以调用其他信息。 4. 验证效果 我们开篇强调过，用户画像是为业务服务的。
4.8K30发布于 2021-09-23 - 来自专栏华章科技
什么是用户画像？金融行业大数据用户画像实践
平均每个人，每天使用智能手机的时间超过了3小时，年轻人可能会超过4个小时。浏览手机已经成为工作和睡觉之后的，人类第三大生活习惯，移动APP也成为所有金融企业的客户入口、服务入口、消费入口、数据入口。 三、用户画像工作坚持的原则 市场上用户画像的方法很多，许多企业也提供用户画像服务，将用户画像提升到很有逼格一件事。 4、兴趣爱好：用于描述客户具有哪方面的兴趣爱好，在这些兴趣方面可能消费偏好比较高。帮助企业了解客户兴趣和消费倾向，定向进行活动营销。 4）依据业务需求引入外部数据 利用数据进行画像目的主要时为业务场景提供数据支持，包括寻找到产品的目标客户和触达客户。金融企业自身的数据不足以了解客户的消费特征、兴趣爱好、社交信息。 3）证券行业用户画像 2015年4月13日，一码通实施之后，证券行业面临了互联网证券平台的强力竞争，依据TalkingData发布的金融App排行榜，移动互联网证券App，排名前5位的证券类App，只有一家传统券商华泰证券
3.1K30发布于 2018-08-17 - 来自专栏数据的力量
什么是用户画像？金融行业大数据用户画像实践
平均每个人，每天使用智能手机的时间超过了3小时，年轻人可能会超过4个小时。浏览手机已经成为工作和睡觉之后的，人类第三大生活习惯，移动APP也成为所有金融企业的客户入口、服务入口、消费入口、数据入口。 三、用户画像工作坚持的原则 市场上用户画像的方法很多，许多企业也提供用户画像服务，将用户画像提升到很有逼格一件事。 4、兴趣爱好：用于描述客户具有哪方面的兴趣爱好，在这些兴趣方面可能消费偏好比较高。帮助企业了解客户兴趣和消费倾向，定向进行活动营销。 4）依据业务需求引入外部数据 利用数据进行画像目的主要时为业务场景提供数据支持，包括寻找到产品的目标客户和触达客户。金融企业自身的数据不足以了解客户的消费特征、兴趣爱好、社交信息。 C：依据自身数据（家人数据）＋人生阶段信息，为用户推荐理财保险，寿险，保障保险，养老险，教育险 D：依据自身数据＋外部数据，为高端人士提供财产险和寿险 3）证券行业用户画像 2015年4月13日，一码通实施之后
2.6K60发布于 2018-06-21 - 来自专栏大数据学习与分享
用户画像标签体系
在数据的基建和应用层面，除了重视数据分析外，也越来越重视数据资产在更多业务场景中的应用，标签画像的建设和应用就是其中一类很常见的需求和期望。 从对业务的价值来说，标签和画像是类似中间层的系统模块，具体来说，数据资产本质上是一些采集、采购所获得的数据源，但企业希望在数据源的基础上，实现资产变现，而且不断扩大资产价值。 很多企业都意识到，这个中间层就是标签画像。 下面主要介绍了企业做标签画像的目的，重点阐述标签和画像的应用场景及应用流程，构建标签和画像体系的实操方法论，最后给出了行业案例。
2.8K62编辑于 2022-05-19 - 来自专栏用户画像
相似人群画像算法
string 与uid喜好相似的人群，格式为用户编号:相同阅读量，相似用户之间以逗号分隔 sim_num BIGINT 相似人群的人数 update_date string 数据日期 2、基础用户画像存在 MongoDB中 Image [2].png 字段 含义 _id 用户id profile（离线）positive(实时) 用户正画像（喜欢），每个维度以分号间隔，每个子维度以逗号间隔，值格式为key_id :weight，维度含义依次为一级分类、二级分类、关键字、topic、阅读来源 negative 负画像（不喜欢），其他字段的含义与正画像一样 update_time 更新时间 cityCode或city 城市编码 3、相似人群画像也存在MongoDB中 QQ截图20180719095235.png 二、整体思路 由于TESLA集群无法直接操作MongoDB，需要将TDW里面的用户画像数据，通过洛子系统导出至 HDFS，再与MongoDB中原有群画像进行合并。
2.6K61发布于 2018-07-19 - 来自专栏实时流式计算
什么是用户画像——从零开始搭建实时用户画像(一)
用户画像 简介 用户画像，作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，用户画像在各领域得到了广泛的应用。 建立用户画像和精准化分析是关键。 用户画像可以使产品的服务对象更加聚焦，更加的专注。 这只是用户画像在电商领域的应用，事实上用户画像已经不知不觉的渗透到了各个领域，在当前最火的抖音，直播等领域，推荐系统在大数据时代到来以后，用户的一切行为都是可以追溯分析的。 步骤 什么是用户画像？ 用户画像是根据市场研究和数据，创建的理想中客户虚构的表示。创建用户画像，这将有助于理解现实生活中的目标受众。 用户画像最重要的一个步骤就是对用户标签化，我们要明确要分析用户的各种维度，才能确定如何对用户进行画像。
13.3K34发布于 2020-05-26
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