电商用户画像建模
用户画像：通过算法聚合成一类实现用户信息标签化。
—确定的标签：比如用户购买了或者收藏了某个商品等
—猜测的标签：比如用户的性别，是男性的概率0.8，另外还有很多模型：孕妇模型，潜在汽车用户模型，用户价值模型
比如：用户活跃度（活跃，沉睡，流失，未购买）
用户分群：电脑达人，数码潮人，家庭用户，网购达人，奶爸奶妈，单身贵族，闪购用户，时尚男女等
--根据用户消费的情况来提取的客户标签，用以了解用户的消费情况，消费习惯
客户消费订单表标签：
购买信息：客户ID，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，近30/60/90天购买次数/购买金额（不含退拒），最大/最小消费金额，累计消费次数/金额（不含退拒）
累计使用代金券金额，客单价（含退拒），常用收货地区，常用支付方式，退货商品数量，退货商品金额，拒收商品金额/数量，最近一次退货时间，各地点下单总数/总额，上下午下单总数/总额
购物车信息：最近30天购物车商品件数/提交商品件数/购物车成功率/购物车放弃件数
提取标签的作用：
确定用户什么时候来的，多久没来了：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
最近消费能力：近30天购买次数（不含退拒），近30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）
总体的消费情况：最小/大消费金额（可做个性化商品推荐），累计消费次数（不含退拒，可以计算客单价），累计消费金额，累计使用代金券金额（代金券爱好）
消费属性：常用收货地区，常用支付方式
购物车习惯：最近30天购物车次数，最近30天购物车提交商品件数，最近30天购物车商品件数，最近30天购物车放弃件数，最近30天购物车成功率
退货和习惯特征：退货商品数量，拒收商品数量，退货商品金额，拒收商品金额，最近一次退货时间
用户购物时间及地点习惯：各下单地点总数，各时间段下单总数
—根据客户购买类目的情况提取的客户标签，用以了解类目的购买人群情况
客户购买表标签：
客户ID，一级/二级/三级分类ID/名称，近30天/90天/180天购买类目次数/金额，累计购买类目次数/金额，累计购买类目次数/金额，近30天/90天/180天购物车某类目次数/金额，累计购买类目次数/金额，累计购物车类目次数/金额，最后一次购买类目时间/距今天数
--根据客户购买商店的情况提取的客户标签，用以了解商店及品牌的购买人群（做品牌营销等）
客户购买 商店表标签：
用户ID，商店ID/名称，品牌ID/名称，最近30天购物车次数/商品件数/提交商品件数/成功率/放弃件数，最后一次购物车时间，最近90天商品排除退拒商品件数/金额，最近90天货到付款订单数，最近90天退换件数/金额，最近90天拒收件数/金额.
用户购物模型：
用户忠诚度模型：
—将用户营销相关的常用标签放到一张表中，方便使用
客户营销信息表：
客户ID，营销手机号，第一个有效订单来源/地址/手机号，常用的手机号，常用的收货地址，不同收货地址的数量，客户分群，活跃状态，用户价值（重要，保持，流失等），纠结商品，纠结小时
主要来源表：
用户表，订单表，活动表，购物车表，客户品类分群模型，用户价值模型
客户活跃状态模型：
用户价值模型
--根据客户参与活动的情况提取的客户标签，用于了解用户对活动的参与情况，以进行活动的策划
客户活动信息表内容标签：
客户ID，用户促销明个度，满减促销敏感度，打折促销敏感度，换购促销敏感度，满赠促销敏感度，购买力分段，品牌偏好，品类偏好，颜色偏好，败家偏好，冲动偏好，累计积分，已用积分，可以积分，累计代金券数量/金额，已用代金券数量/金额，过期代金券数量/金额，可用代金券数量/金额
标签作用：
确定用户喜欢那种活动类型：用户促销敏感度，满减促销敏感度，满赠敏感度，打折促销敏感度，换购促销敏感度，团购促销敏感度等
促销敏感度模型：
--根据用户购买的活动类型订单数与金额数已判断其属于哪类人群
用户有什么偏好：店铺偏好，品牌偏好，品类偏好，颜色偏好
用户指数：购买力分段，败家指数，冲动指数
用户购买力高中低模型：
—从购物车，客单价来判断
用户购买力高中低端模型：
指数模型：
--根据客户访问的情况提取的客户标签以了解访问习惯
客户访问信息标签：
最近一次/第一次pc端访问日期/session/cookies/pv/使用浏览器/操作系统/，最近一次/ 第一次app端访问日期/操作系统，最近一次/第一次访问ip/访问城市/省份，近7天/15天/30天/60天/90天app端/pc端访问次数，近30天pc端/app端访问天数/访问并购买次数/访问pv/访问评价pv/ip数/，app及pc端各时间段访问的次数
该文章来自邱盛昌老师的慕课视频笔记：
链接： http://www.imooc.com/learn/460/
—确定的标签：比如用户购买了或者收藏了某个商品等
—猜测的标签：比如用户的性别，是男性的概率0.8，另外还有很多模型：孕妇模型，潜在汽车用户模型，用户价值模型
比如：用户活跃度（活跃，沉睡，流失，未购买）
用户分群：电脑达人，数码潮人，家庭用户，网购达人，奶爸奶妈，单身贵族，闪购用户，时尚男女等
--根据用户消费的情况来提取的客户标签，用以了解用户的消费情况，消费习惯
客户消费订单表标签：
购买信息：客户ID，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，近30/60/90天购买次数/购买金额（不含退拒），最大/最小消费金额，累计消费次数/金额（不含退拒）
累计使用代金券金额，客单价（含退拒），常用收货地区，常用支付方式，退货商品数量，退货商品金额，拒收商品金额/数量，最近一次退货时间，各地点下单总数/总额，上下午下单总数/总额
购物车信息：最近30天购物车商品件数/提交商品件数/购物车成功率/购物车放弃件数
提取标签的作用：
确定用户什么时候来的，多久没来了：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
最近消费能力：近30天购买次数（不含退拒），近30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）
总体的消费情况：最小/大消费金额（可做个性化商品推荐），累计消费次数（不含退拒，可以计算客单价），累计消费金额，累计使用代金券金额（代金券爱好）
消费属性：常用收货地区，常用支付方式
购物车习惯：最近30天购物车次数，最近30天购物车提交商品件数，最近30天购物车商品件数，最近30天购物车放弃件数，最近30天购物车成功率
退货和习惯特征：退货商品数量，拒收商品数量，退货商品金额，拒收商品金额，最近一次退货时间
用户购物时间及地点习惯：各下单地点总数，各时间段下单总数
—根据客户购买类目的情况提取的客户标签，用以了解类目的购买人群情况
客户购买表标签：
客户ID，一级/二级/三级分类ID/名称，近30天/90天/180天购买类目次数/金额，累计购买类目次数/金额，累计购买类目次数/金额，近30天/90天/180天购物车某类目次数/金额，累计购买类目次数/金额，累计购物车类目次数/金额，最后一次购买类目时间/距今天数
--根据客户购买商店的情况提取的客户标签，用以了解商店及品牌的购买人群（做品牌营销等）
客户购买 商店表标签：
用户ID，商店ID/名称，品牌ID/名称，最近30天购物车次数/商品件数/提交商品件数/成功率/放弃件数，最后一次购物车时间，最近90天商品排除退拒商品件数/金额，最近90天货到付款订单数，最近90天退换件数/金额，最近90天拒收件数/金额.
用户购物模型：
用户忠诚度模型：
—将用户营销相关的常用标签放到一张表中，方便使用
客户营销信息表：
客户ID，营销手机号，第一个有效订单来源/地址/手机号，常用的手机号，常用的收货地址，不同收货地址的数量，客户分群，活跃状态，用户价值（重要，保持，流失等），纠结商品，纠结小时
主要来源表：
用户表，订单表，活动表，购物车表，客户品类分群模型，用户价值模型
客户活跃状态模型：
用户价值模型
--根据客户参与活动的情况提取的客户标签，用于了解用户对活动的参与情况，以进行活动的策划
客户活动信息表内容标签：
客户ID，用户促销明个度，满减促销敏感度，打折促销敏感度，换购促销敏感度，满赠促销敏感度，购买力分段，品牌偏好，品类偏好，颜色偏好，败家偏好，冲动偏好，累计积分，已用积分，可以积分，累计代金券数量/金额，已用代金券数量/金额，过期代金券数量/金额，可用代金券数量/金额
标签作用：
确定用户喜欢那种活动类型：用户促销敏感度，满减促销敏感度，满赠敏感度，打折促销敏感度，换购促销敏感度，团购促销敏感度等
促销敏感度模型：
--根据用户购买的活动类型订单数与金额数已判断其属于哪类人群
用户有什么偏好：店铺偏好，品牌偏好，品类偏好，颜色偏好
用户指数：购买力分段，败家指数，冲动指数
用户购买力高中低模型：
—从购物车，客单价来判断
用户购买力高中低端模型：
指数模型：
--根据客户访问的情况提取的客户标签以了解访问习惯
客户访问信息标签：
最近一次/第一次pc端访问日期/session/cookies/pv/使用浏览器/操作系统/，最近一次/ 第一次app端访问日期/操作系统，最近一次/第一次访问ip/访问城市/省份，近7天/15天/30天/60天/90天app端/pc端访问次数，近30天pc端/app端访问天数/访问并购买次数/访问pv/访问评价pv/ip数/，app及pc端各时间段访问的次数
该文章来自邱盛昌老师的慕课视频笔记：
链接： http://www.imooc.com/learn/460/