+ 
+ 任务知识导入
+
+
+ 任务知识导入
+
+
+ https://www.zhihu.com/question/620095154/answer/3351195697
+ + + https://www.sohu.com/a/528399751_218639
+ + + https://help.fanruan.com/finebi5.1/doc-view-1256.html +
+
+ + + + https://www.sohu.com/a/528399751_218639
+ + + https://help.fanruan.com/finebi5.1/doc-view-1256.html +
+
+
+
+
+
+
+ 
+ 案例背景：
+
+
+ 本案例模拟企业搭建用户的标签系统、用户画像系统，以及用户画像的应用。
+
+
+ 案例背景：
+
+
+ 以电商平台为例，用到用户仓库中的表主要有：用户信息表、商品订单表、商品信息表、App端日志表、Web端日志表、商品评论表等。
+ 请根据字段的相关属性判断该表属于数据库中哪一个？ + +
+
+
+ 
+ 第一步，获取原始数据
+
+
+ 用户画像体系依赖于完善的用户标签体系，而用户标签体系则采用完备的数据来源--原始数据，这一层我们需要获得尽量多的原始数据，因后面的所有的应用场景都依托于原始数据的计算、分析、建模，所以在原始数据库搭建时需要考虑更全面。
+ 第一步，获取原始数据
+ + 以电商平台为例，用到用户仓库中的表主要有：用户信息表、商品订单表、商品信息表、App端日志表、Web端日志表、商品评论表等。
+ 请根据字段的相关属性判断该表属于数据库中哪一个？ + +
+
+
+
+
+
+ -
+
- + {{ item }} + +
+
+
+
+ -
+
- + {{ item }} + +
+
+
+
+ -
+
- + {{ item }} + +
+
+
+
+ -
+
- + {{ item }} + +
+
+
+
+ -
+
- + {{ item }} + +
+
+
+
+ -
+
- + {{ item }} + +
提交
+
+
+ 1）事实标签：从原始数据中提取，通常是基于原始数据清理后的归类，用于描述客观事实。例如用户注册信息中提取用户性别、生日、注册手机号、注册城市等。
+ 2）规则标签：没有直接对应数据，需要通过规则进行定义（可以自定义规则，或者利用常用的RFM、波士顿矩阵、漏斗模型、复购分析、AARRR模型等），通过计算来得出标签，例如流失用户、支付偏好等。
+ 3）预测标签：基于现有事实及规则无法得出，需要运用决策树算法、贝叶斯算法等进行数据挖掘与训练，得出标签预测结果，来预测用户的偏好，例如根据用户历史的购买行为来预测其群体特性。
+ 不同行业，客户标签体系会有差异，以电商行业为例，常用的标签体系如下表，请对标签进行分类： + +
+
+
+
+ 第二步，构建用户标签体系
+
+
+ 基于原始数据的转换，文本字段的数量化表示，以及统计汇总，建立属性标签体系。按统计方式分类，可分为事实类标签、规则类标签、预测类标签：
+ 第二步，构建用户标签体系
+ + 1）事实标签：从原始数据中提取，通常是基于原始数据清理后的归类，用于描述客观事实。例如用户注册信息中提取用户性别、生日、注册手机号、注册城市等。
+ 2）规则标签：没有直接对应数据，需要通过规则进行定义（可以自定义规则，或者利用常用的RFM、波士顿矩阵、漏斗模型、复购分析、AARRR模型等），通过计算来得出标签，例如流失用户、支付偏好等。
+ 3）预测标签：基于现有事实及规则无法得出，需要运用决策树算法、贝叶斯算法等进行数据挖掘与训练，得出标签预测结果，来预测用户的偏好，例如根据用户历史的购买行为来预测其群体特性。
+ 不同行业，客户标签体系会有差异，以电商行业为例，常用的标签体系如下表，请对标签进行分类： + +
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+ 提交
+
+
+
+
+
+ 第三步，构建用户画像
+
+
+ 基于构建的用户标签体系，经过数据的采集、预处理、挖掘、可视化，采用文本挖掘算法、分类聚类算法、相似度计算、推荐算法、机器学习算法、预测算法等，以及用户画像分析的各类常用模型（RFM模型、漏斗模型、AARRR模型等），根据不同的业务场景需求，构建相应的用户画像。
+
+
+ 第三步，构建用户画像
+
+
+
+ 
+
+
+
+
+
+
+
+
+ 女性居多
+ 90后居多
+ 居住地广东、河南、浙江居多
+ 一天中喜欢在18:00、19:00、22:00活跃
+
+
+ 周日、周五活跃
+ 使用苹果手机居多
+ 消费水平小资
+ 购买其他类目的居多，占比56.87%
+
+
+ 喜欢美妆
+ 受女性喜爱
+ 小资
+
+
+ 2、广告优化：用户画像可以圈选定位更准确的人群，同时也为素材文案、广告创意提供了更具体的撰写方向，做到精准且有效的投放。此外，用户画像可以助力广告主完成洞察到决策的环节，让投放工作更有目标方向，广告主也可基于标签高效触达目标人群，提升用户体验，实现营销价值的最大化。
+ 3、精细化消费者运营：运营人员可以通过快速分析用户特征，找到不同运营场景下的目标用户，从而精准圈定目标人群，进行更灵活、更有针对性的营销活动和个性化消息推送。基于用户画像分析，在合适的时间通过最佳渠道，给用户传递最感兴趣的内容。可以根据用户历史数据，实现基于用户兴趣的个性化推荐，也可在文案中植入用户个性化标签，增加用户的好感度亲密度。还可以通过用户历史购买时间，判断用户最容易消费的时间点，在合适时间给用户发送营销信息。
+ +
+
+
+
+ 第四步，用户画像应用场景
+
+
+ 1、人群分析：人群分析是用户画像最基础的应用场景之一，运营人员可借助标签深入分析不同用户画像群体的分布特征，又或是不同人群的消费习惯、消费偏好、不同地域的差异分析等。
+ 第四步，用户画像应用场景
+ + 2、广告优化：用户画像可以圈选定位更准确的人群，同时也为素材文案、广告创意提供了更具体的撰写方向，做到精准且有效的投放。此外，用户画像可以助力广告主完成洞察到决策的环节，让投放工作更有目标方向，广告主也可基于标签高效触达目标人群，提升用户体验，实现营销价值的最大化。
+ 3、精细化消费者运营：运营人员可以通过快速分析用户特征，找到不同运营场景下的目标用户，从而精准圈定目标人群，进行更灵活、更有针对性的营销活动和个性化消息推送。基于用户画像分析，在合适的时间通过最佳渠道，给用户传递最感兴趣的内容。可以根据用户历史数据，实现基于用户兴趣的个性化推荐，也可在文案中植入用户个性化标签，增加用户的好感度亲密度。还可以通过用户历史购买时间，判断用户最容易消费的时间点，在合适时间给用户发送营销信息。
+ +