SparkSQL电商用户画像（二）之如何构建画像

　　四、如何构建电商用户画像
　　回到顶部4。1构建电商用户画像技术和流程
　　构建一个用户画像，包括数据源端数据收集、数据预处理、行为建模、构建用户画像
　　有些标签是可以直接获取到的，有些标签需要通过数据挖掘分析到！
　　回到顶部4。2源数据分析
　　用户数据分为2类：动态信息数据、静态信息数据
　　静态信息数据来源：用户填写的个人资料，或者由此通过一定的算法，计算出来的数据如果有不确定的，可以建立模型来判断，比如用户的性别注册没有填写，可以建立模型，根据用户的行为来判断用户性别是什么，或者它的概率
　　动态信息数据来源：用户行为产生的数据：注册、游览、点击、购买、签收、评价、收藏等等。用户比较重要的行为数据：游览商品，收藏商品、加入购物车、关注商品
　　根据这些行为特性可以计算出：用户注册时间、首单时间、潮妈族、纠结商品、最大消费、订单数量、退货数量、败家指数、品牌偏好等等。
　　回到顶部4。3目标分析
　　用户画像的目标是通过分析用户行为，最终为每个用户打上标签，以及该标签的权重。
　　如，红酒0。8、李宁0。6。
　　标签：表现了内容，用户对该内容有兴趣、偏好、需求等等。
　　权重：表现了指数，用户的兴趣、偏好指数，也可能表现用户的需求度，可以简单的理解为可信度，概率。
　　回到顶部4。4用户画像建模4。4。1用户基本属性表
　　根据用户所填写的属性标签和推算出来的标签。用于了解用户的人口属性的基本情况和按不同属性维度统计。
　　作用：按人口属性营销、比如营销80后，对金牛座的优惠，生日营销。
　　主要数据来源：用户表、用户调查表、孕妇模型表、马甲模型表。
　　用户表：记录用户最基本的属性特性。
　　用户调查表：补充用户的其他基本信息。
　　用户所填写的基本信息：用户ID、用户名、密码、性别、手机号、邮箱、年龄、户籍省份、身份证编号、注册时间、收货地址等
　　用户所填信息计算得到的指标：
　　生日、星座、城市等级、手机前几位、手机运营商、邮件运营商
　　用户调查表得到：学历、收入、职业、婚姻、是否有小孩、是否有车有房、使用手机品牌。
　　根据算法得到：
　　身高、体重、性别模型、孩子性别概率、潜在汽车用户概率、是否孕妇、孩子年龄概率、手机品牌、更换手机频率、是否有小孩，是否有车，使用手机档次，疑似马甲标准、疑似马甲账号数、用户忠诚度、用户购物类型。
　　模型算法性别模型用户自己也填写了性别，但仍然要用算法算一次性别
　　性别验证方法
　　随机抽样几千条数据让客户打电话确认。
　　与用户自己填的性别做对比，确认百分比。
　　模型算法用户汽车模型
　　模型算法用户忠诚度模型忠诚度越高的用户越多，对网站的发展越有利
　　模型算法用户身高尺码模型
　　模型算法用户马甲标志模型马甲是指一个用户注册多个账号多次访问地址相同的用户账号是同一个人所有同一台手机登陆多次的用户是同一个人所有收货手机号相同的账号同一个人所有
　　模型算法手机相关标签模型对于手机营销参考意义比较大使用手机品牌：最常用手机直接得到使用手机品牌档次：根据档次维表使用多少种不同的手机：手机登陆情况更换手机频率（月份）：按时间段看手机登陆情况4。4。2客户消费订单表
　　根据客户消费的情况提取的客户标签，用于了解用户的消费总体情况，
　　最终的目的根据用户消费习惯与消费能力做营销。
　　主要数据来源：订单表、退货表、用户表、购物车表
　　订单表可以得到相关标签：第一次消费时间、最近一次消费时间、首单距今时间、尾单距今时间分析用户什么时候来购买商品以及多久没有购买了。最小消费金额、最大消费金额、累计消费次数（不含退拒）、累计消费金额（不含退拒）、累计使用代金券金额、累计使用代金券次数。分析用户总体消费情况。客单价（含退拒）、近60天客单价（含退拒）分析用户消费水平。常用收货地址、常用支付方式分析用户常用的消费属性，方便做定向营销。近30天购买次数（不含退拒）、近30天购买金额（不含退拒）近30天购买次数（含退拒）、近30天购买金额（含退拒）分析用户最近的消费能力。退货商品数量、退货商品金额、拒收商品数量、拒收商品金额、最近一次退货时间分析用户拒收和退货习惯。最近30天购物车次数、最近30天购物车商品件数、最近30天购物车提交商品件数、最近30天购物车放弃件数、最近30天购物车成功率分析用户购物车使用习惯学校下单总数、单位下单总数、家里下单总数、上午下单总数、下午下单总数、晚上下单总数分析用户购物时间与地点习惯。4。4。3客户购买类目表
　　根据客户购买类目的情况提取客户标签，用于了解类目的购买人群情况和针对某一类目的营销等。
　　主要数据来源：订单表、购物车表、类目维表一级分类ID、一级分类名称、二级分类ID、二级分类名称、三级分类ID、三级分类名称分析用户都购买了哪些类目。
　　电商的三级类目：
　　京东商城：
　　淘宝：
　　订单表和类目维表可以得到相关标签：近30天购买类目次数、近30天购买类目金额、近90天购买类目次数、近90天购买类目金额、近180天购买类目次数、近180天购买类目金额、累计购买类目次数、累计购买类目金额分析用户最近都购买了哪些类目。最近一次购买类目时间、最后一次购买类目距今天数分析用户多久没有购买这个类目。
　　购物车表和类目维表可以得到相关标签：近30天购物车类目次数、近30天购物车类目金额、近90天购物车类目次数、近90天购物车类目金额分析用户最近都挑中哪些类目。4。4。4用户访问信息表
　　根据客户访问的情况提取相关客户标签。
　　用于了解用户的访问总体情况，方便根据客户游览习惯做营销
　　主要数据来源：点击流日志行为表（PCAPP端）
　　点击流日志行为表可以得到相关标签：最近一次APPPC端访问日期、最近一次APPPC端访问使用操作系统、最近一次APPPC端访问使用游览器、最近一次访问IP地址、最近一次访问城市、最近一次访问的省份分析用户最近一次访问情况。第一次APPPC端访问日期、第一次APPPC端访问使用操作系统、第一次APPPC端访问使用游览器、第一次访问IP地址、第一次访问城市、第一次访问的省份分析用户第一次访问情况。近7天APPPC端访问次数、近30天APPPC访问次数、近60天APPPC端访问次数、近90天APPPC端访问次数、近180天APPPC端访问次数、近365天APPPC端访问次数分析用户APPPC端访问次数。近30天PCAPP端访问天数、近30天PCAPP端访问并购买次数、近30天PCAPP端访问PV、近30天PCAPP端访问平均PV、近30天PCAPP端最常用的游览器、近30天PCAPP端不同IP数、近30天PCAPP端最常用IP分析用户访问详情。近30天05点访问的次数、近30天67点访问的次数、近30天89点访问的次数、近30天1012点访问的次数、近30天1314点访问的次数、近30天1517点访问的次数、近30天1819点访问的次数、近30天2021点访问的次数、近30天2223点访问的次数分析用户喜欢在哪个时间上网访问。