- 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。
2.1K10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
33110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。 客群有几千个，用整数保存的话数据量太大，而客群是个标签属性，只有是否两种状态，只需要一个bit（位）就能保存。一个小整型的二进制表示有16位，每一位都可以表示一个客群。 为了计算方便，我们把一个小整型的15个bit用于保存客群标签，600个小整数就可以保存9000个客群标签。在数据表中用600个字段c1到c600，每个字段表示15个客群的位置。 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。
30210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
玩法众多，详情可自行百度了解，这里提供群晖NAS的学习版安装，仅供学习了解。 以下教程实验于x64架构芯片J1900，理论上x64和x86都支持。 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。
9K10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。
40110编辑于 2023-04-01 - 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
传统银行在客群管理方面的痛点不断显现： 1、渠道分布不均，客群覆盖面窄 作为将产品与服务传导给客户的通道，渠道对于银行的重要性不言而喻。 那么，在这样的背景下，银行业如何建立新的客群分析体系和营销模式，精准目标客群需求？ 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。 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 而在智能化进程中，大数据是不可忽视的力量，通过大数据打破数据孤岛，打通内外部各大营销渠道，实时追踪客户数据，构建精细化客户标签以及精准的客户画像，找出优质和潜力客群，最后针对将这些客户进行有针对性的营销活动
3.7K83发布于 2020-04-14 - 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 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。
22310编辑于 2024-06-18- 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
","id":15,"tablename":"user_info","account":"abcd","age":24,"email":"981456@qq.com","status":0} 创建用户画像 reduce.addSink(new CarrierAnalySink()); env.execute("portrait carrier"); } } 创建用户画像会员分类标签 ); reduce.addSink(new MemberAnalySink()); env.execute("portrait member"); } } 用户画像行为特征 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。 人群分析提供根据现有用户标签圈定用户群的功能，同时业务方可以从多个维度（如地域、性别、年龄、消费水平等）进一步分析该批用户群的特征，从而为精细化运营提供支持。 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。 通过这种产品可视化的方式，方便业务人员分析用户群特征，将分析后的用户群推送到对应业务系统中触达用户，更方便、快捷地将数据赋能到业务场景中去。 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？ 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。 2）从产品本身角度而言，用户画像可以帮助提升客户体验。围绕产品进行客群细分，确定产品的核心客群，从而有助于确定产品定位，优化产品的功能点。 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 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）。 全城潜客地图：城市级潜客扫描赋分（栅格图<Geohash6约1.2km0.6km、Geohash7约150m150m>、围栏圈选），支持一方自定义客群（高频/会员/高净值）。 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。
2210编辑于 2026-03-31- 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
4.5K11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。 使用pyspark实现RFM模型及应用（超详细） 利用用户的消费流水，对用户的消费水平打标签~实现简单的用户付费画像。 ~ 以上内容阐述了如何通过最直观简洁的方式来构建用户画像，让大家对用户画像的概念有更深入的理解。
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
三、 用户画像的分类 从画像方法来说，可以分为定性画像、定性+定量画像、定量画像 从应用角度来看，可以分为行为画像、健康画像、企业信用画像、个人信用画像、静态产品画像、 旋转设备画像、社会画像和经济画像等。 八、 用户画像基本步骤[F2] 根据具体业务规则确定用户画像方向后，开展用户画像分析，总体来说，一个用户画像流程包括以下三步。 聚合函数以及多表关联join 相当于hadoop的mapreduce的shuffle,很容易造成内存溢出，相关参数调整可参考本博客spark栏目中的配置信息）这样便可以定位相应的客户数量，从而进行客户群、 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。 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 ；对已到期存量客户通过PUSH、短信推送营销活动 客群2&客群1 中高价值、中等活跃 重要维持，临到期客户提前电话营销促成复购；对已到期存量客户通过PUSH、短信推送营销活动 客群4 低价值，高风险，高活跃
1.3K10编辑于 2023-12-13 - 来自专栏大数据文摘
数据告诉你：面对双11，线下商机何在
研究数据涉及北京、武汉、深圳重点商圈的男装、女装、化妆品店在“双11”前一个周末（11月7日、11月8日）的客流及客群画像与“双11”前三周的对比。由芝麻科技的客流分析系统有数提供研究所需数据。 热力图直观呈现了品牌受众在双11前周末的分布情况，如果品牌能够充分利用客群的聚集效应，可以高效地将人气转化为销量。 芝麻科技的大数据消费者画像除了有近500项标签刻画消费者画像外，还能够提供品牌受众地理位置分布热力图，了解品牌受众的逛街习惯、集中地理位置等，可作为品牌新店选址、基于地理位置广告投放策略参考等。 化妆品店的老客对于品牌与产品已经非常熟悉，不再需要进店体验，而大量新客会进入门店试用产品。如果导购或BA能为这部分新客提供满意的服务体验，将有可能引发他们的购买意愿，并形成最终转化。 双11不是实体商业的黑色周，相反，无论是客流数据，还是客群画像，都证明了旺盛的购物意愿会为实体商业带来大量销售机会。
8.2K60发布于 2018-05-22 - 来自专栏架构师修炼
用户画像基础
Elasticsearch：支持海量数据的实时查询分析，用于存储用户人群计算、用户群透视分析所需的用户标签数据（由于用户人群计算、用户群透视分析的条件转化成的SQL语句多条件嵌套较为复杂，使用Impala 图1-6 用户画像建设项目流程 第一阶段：目标解读 在建立用户画像前，首先需要明确用户画像服务于企业的对象，再根据业务方需求，明确未来产品建设目标和用户画像分析之后的预期效果。 就后文将要介绍的案例而言，需要从用户属性画像、用户行为画像、用户偏好画像、用户群体偏好画像等角度去进行业务建模。 只有业务人员在日常工作中真正应用画像数据、画像产品，才能更好地推动画像标签的迭代优化，带来流量提升和营收增长，产出业绩价值。 初步介绍了画像系统的轮廓概貌，帮助读者对于如何设计画像系统、开发周期、画像的应用方式等有宏观的初步的了解。
5.2K50发布于 2020-08-06 - 来自专栏韩曙亮的移动开发专栏
【代数结构】群 ( 群的定义 | 群的基本性质 | 群的证明方法 | 交换群 )
文章目录 群的定义 群的分类 群的证明方法 交换群的证明方法 数集回顾 群的证明 群的定义 群 的 定义 : 一个 非空 集合 G 中 , 如果 定义了 一个 “乘法” 运算 , 满足以下 四个 性质 , 那么 该 非空集合 G 称为 群 ; 1. 群 的 分类 : 1.交换群 ( Abel 群 ) : 交换律 成立的 群 , 称为 交换群 或 Abel 群 ; 2.非交换群 ( 非 Abel 群 ) : 交换律 不成立的 群 , 称为 非交换群 或 非 Abel 群 ; 3.群 的 阶 : 群 G 含有的元素个数叫群的阶 , 记做 |G| ; 4.有限群 : |G| 是 有限的 , 叫做 有限群 ; 5.无限群 : |G| 是 无限的 , 叫做 无限群 ; ---- 群的证明方法 群的证明方法 : 给定一个 集合 G 和 二元运算 , 证明该集合是群 ; 1.非空集合 : 首先说明 该集合是一个非空集合 ; 2.证明封闭性
5.9K20编辑于 2023-03-27
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