用户画像和精准化平台系统实践自我介绍一书作者，1号店精准化部门架构团队负责人，长期从事搜索、推荐、大数据平台相关工作，目前主要关注实时计算框架、推荐系统、大数据营销、技术架构。大纲目录平台总体介绍用户标签画像和标签体系基于画像的相关系统和投放实时画像画像系统的优化和改造数据=算法=业务blank.potx推荐广告投放个性化搜索选品BI报表供应链优化智能定价精准化营销优化购物路径结合其他数据：竞争对手数据(爬虫)、商品信息、用户注册信息机器学习、NLP等算法推荐产品架构全面深挖用户购物兴趣短期兴趣 转化率 长期累积兴趣 潜在兴趣高转化率精准定位用户短期兴趣用于首页栏位、 广告营销投放用户 推荐 推荐 定位特定类目购物情境的 、 和 、 化、 ¡、¢£定位复购时间点定位购时¥§currency1'“个«购目fi用户fl 、长期、· 期、¶期个”，投放»的目 负 营销品用户画像 长期累积的兴趣图谱¿ ´¯ ¨ ¯ 个用户的目、品¸、 购性兴趣人 用户群体兴趣§currency1 用户购 、学 Æ、 、事、ª 、 、 、Ø、º、 转化率交叉销售精准定位购物兴趣发生的时机推荐 拉升销量和用户转化率 拉升交叉销售GMV交叉销售相似用户兴趣 æ算法 相 用户兴趣交叉销售转化率推什么？什么时间推？个性化推荐提升精准化营销效率主推荐用户行为兴趣据 、标ø商品和用户标签ß ß主 合SK 合适的场景 交叉销售 购物周期 转换率 最近热点 交叉销售用户场景 业务意图算法短期意图 长期画像协同过滤 关联规则周期购 刚需爆款 冲动性爆款 主题推荐首页弱目的性闲逛 trade cross 强目的寻找相关促销或爆款 trade in 类目/搜索寻找更适合自己的 品 trade in 同类 群的购 trade in 情页的需 trade in 同类 群的购 trade in 的 trade in 相关 品的潜在购 提 trade cross 逛页 相关 品的潜在购 提 trade cross 购物的需 trade up 相关 品的潜在购 提 trade cross trade up 页¡¢购物周期£¥ §§currency1'currency1“«购物动点 trade cross fifl 关的 品 品¥ “currency1·的动 trade in ¶位场景适用推荐算法”»生 ¿ ´¯换 、 、雨雪、雾霾【§currency1全国2 “个市、县、区】¯：春 、端午、 秋、 等：元旦、国庆、父亲 、母亲 大促：双¿¿，双¿2，¿2.2¿，店庆【§currency1全年共0种各 】¨ ¯大区：东北、华 、华东、华南等¢£ 、城市级别、小区， 司，小区档次，学校型， 司型【§currency1全国3' 个 级市或区】时间¯份、 、星期画像和产品¯性别，促销敏感，校园、 司、一贵就赔等推荐数据相 相关产品，目等期购推荐Right Time 消费 期9洗发水：70 大米：35 进口牛奶：28 花生油：58 »的家庭有»的消费 期，对一个家庭的一个品的消费 期进预测，进而指 投放¯类 数据品¯ 商品信息表、商家信息表等相 、相关库排 榜、热销等选品 心：比价、BI、订单、广告、搜索数据用户¯ 标签画像：校园、白领、社区用户、性别、丽人/Ø、购 、宝宝年龄等画像:目、品¸、性的用户基本信息表、积 表等guid/userid映射表画像:目用户 为 史：订单，浏览，加车等¸ 期维 ： 期、促销活动、 份.期维 ： 期、城市、 、换 、舒适 、 维 ：城市、省份、 政级别、城市级别、人口规模、用户画像在通用精准化数据 的位置