阅读书名：《架构师特辑：用户画像》
基本概念：ETL 数据抽取extract，数据转换transform，数据装载load
0:导读
三个问题：
你是谁？—用户画像与特征
你从哪里来？--用户来源渠道与效果
你到哪里去？—用户流失与召回
用户画像要点：
（1）用户画像系统与各系统打通
（2）用户画像的时时并发挑战
下图是用户画像系统所在的位置
一 美团外卖
1.外卖020与传统电商的差异：新事物，发展快；高频；场景驱动；
2.运营对用户画像的要求：
（1）获取新用户—个性化推荐；
（2）维护用户：新品推荐/优质推荐/优惠红包等刺激购买
1）提升用户价值
2）用户留存
考虑基础信息外，有3个点：新客怎么识别？用户流失？用户消费场景？
用户画像的应用场景：广告，排序和运营
3.外卖用户画像实践
（1）新客运营：新客在哪？偏好？消费力？
根据一些个人信息，地理信息，线下消费预估，融入多方特征得到一个较好的预估模型。
（2）流失预测
流失原因：竞争产品，体验，需求变化
流失预警模型：流失概率预测问题质量检测
（3）场景运营：时间，地点，订单
4.面临的挑战：
（1）数据多样性：各种地址，菜品等
（2）跟传统电商比，外卖单价低，品类单一，用户决策时间短，随意性强。用户的实时兴趣不好捕捉，只能从历史兴趣/时间/地点等进行推荐。
二 去哪儿
1.目的
（1）解决实际业务问题：获取新用户，提升用户体验，挽回流失用户
（2）产品设计
2.数据
用户信息：个人基本信息，用户行为，行程信息，用户标签
产品信息：航线，火车汽车，酒店，保险
ETL：数据源清洗到数据仓库表的过程
3.用户画像标签构建策略
用户标签特征属性
标签的分类、构建
4.用户画像数据应用
（1）用户群体特征分析
（2）客户行为预测
（3）数据与业务一起
三 40亿移动设备用户
1.什么是画像：想法设法用各种类型的数据来描述人的特征
比如：自然属性，性别，年龄；社会属性，职业；财富状况；家庭情况；购物习惯；城市；行为习惯等
2.画像的用处：明确自己产品定位的用户画像，再去了解真实用户的画像，进行重点推荐。
如何准确了解先用用户；
如何在人海中通过广告获取类似图像特征的新用户
3.如何进行用户画像：业务目标，需要什么样的标签；数据源，有什么类型的数据源；
标签的处理：数据抽取—数据清洗—数据打通—模型设计—标签计算
四 用户画像
1.做用户画像的原因
推荐算法基于2个原理：
（1）根据人的喜好推荐对应的商品
（2）推荐和目标客人特征相似客人喜好的产品
这两点都离不开用户画像
2.携程用户画像：离线+在线
五 百分点：为什么有的用户画像模型不准确
1.用户画像：是对现实世界中用户的数学建模
2.标签
标签是和业务密切相关的。标签要根据业务需求来收集。
根据需要加工的标签去判断需要什么样的数据源
3.用户画像的应用
售前的广告营销，售中的个性化推荐，售后的增值服务
4.用户画像常见的算法
常见的分类算法和聚类算法都会用到，svm，lr分类，k-means聚类等
六 易观用户画像
1.用户画像应用分类：风险控制-信用评分；个性化推荐；精细化运营；
2.做好用户画像的前提：优质数据源；统一设备ID；技术积累；数据源补充；标签体系；计算能力；
七 让机器读懂用户
1.用户画像persona
最早由交互设计之父Alan Cooper提出 Personas are a concrete representation of target users
2.用户画像作用：精确营销，用户研究-产品优化，个性服务，业务决策
3.用户画像特征
总结：
吸引新客户：更有效的广告营销
维护老客户：个性化推荐，精细化运营等
另外：个人信用评级等